스피커
|
성적 증명서
|
| 메이지안 관 |
괜찮은. 음, 안녕하세요, 여러분. 이번 발표회에 참석해주셔서 진심으로 감사드립니다. 제가 하고 있는 일을 공유할 수 있는 기회를 갖게 되어 너무 기쁩니다. |
| |
JMP 생명 과학 그룹 및 SAS Institute와 협력해 왔습니다. 그래서 오늘의 주제는 JMP 프로젝트를 사용하여 단일 세포 RNA 염기서열 분석 워크플로를 구축하는 것입니다. 이것이 제가 JMP Genomics 10용으로 개발한 새로운 기능입니다. JMP Genomics가 무엇인지 모르신다면 간단하게 알려드리겠습니다. |
| |
JMP 프로젝트는 14일에 출시된 새로운 기능이며 보고서를 구성하는 데 도움이 되는 매우 유용한 도구입니다. 그래서 우리는 이 새로운 플랫폼을 활용하여 단일 세포 RNA 서열 분석을 구성했습니다. |
| |
그것에 워크플로. 먼저 JMP에 대한 배경 지식을 조금 알려드리고 싶습니다. JMP Genomics는 |
| |
JMP 제품군 중 하나는 SAS 및 JMP Pro를 기반으로 구축되었습니다. 따라서 매우 강력한 분석 도구를 만드는 두 제품을 모두 활용하고 있습니다. |
| |
따라서 게놈 데이터용으로 설계되었으므로 다양한 유형의 게놈 데이터를 읽을 수 있고 전처리를 수행할 수 있으며 분석을 위한 차세대 염기서열 분석을 처리할 수 있습니다. |
| |
이는 차별적인 유전자 발현과 바이오마커 발견에 매우 뛰어나며 많은 과학자들이 이를 작물 및 가축 사육에 사용하고 있습니다. 그래서 그것은 매우 강력한 도구입니다. 유전체학과 관련된 일을 하고 있다면 모두가 확인해 보시기 바랍니다. |
| |
다음으로 제가 여러분과 공유하고 싶은 것은 단일 세포 RNA 염기서열 분석입니다. 많은 분들이 잘 알지 못하실 수도 있습니다. |
| |
따라서 이것은 개별 세포 수준에서 이를 조사하는 데 사용되는 비교적 새로운 기술입니다. |
| |
그리고 조사인 전통적인 RNA 시퀀싱 기술과 비교하여 세포 그룹의 평균 발현 수준을 확인합니다. |
| |
이 새로운 기술은 세포의 차이에 대한 더 높은 해상도를 제공하고 미세 환경의 맥락에서 개별 세포의 기능에 대한 더 나은 이해를 제공합니다. |
| |
또한 새롭고 희귀한 세포 집단을 발견하고, 세포 발달의 궤적을 추적하고, 세포 유형 간에 차별적으로 발현되는 유전자를 식별하는 등 많은 작업을 수행하는 데 도움이 될 수 있습니다. 그래서 그것은 매우 광범위한 적용을 가지고 있습니다. |
| |
최근 한 가지 응용 분야는 과학자들이 이를 코로나 19와 싸우기 위해 사용하는 것입니다. |
| |
면역 세포의 전사 변화를 특성화하고 백신과 치료법을 개발하는 방법을 설명합니다. 또한 그 외에도 암 연구에 널리 사용되며 면역학 및 기타 여러 연구 분야에서도 널리 사용됩니다. 음, 매우 강력한 도구이긴 하지만 |
| |
해당 데이터를 분석하는 데 몇 가지 어려움이 있기 때문에 이 워크플로를 구성했습니다. |
| |
단일 세포 RNA 시퀀싱의 최상위 라인에 대한 개요를 제공하고 싶었습니다. 그래서 가장 먼저 필요한 것은 샘플을 구하는 것입니다. |
| |
인간에게서든, 동물에게서든. 종양일 수도 있고 실험실 샘플일 수도 있습니다. 그런 다음 해당 샘플을 개별 셀로 분리할 수 있습니다. |
| |
따라서 분리한 후에는 가지고 있는 모든 유전자에 대해 모든 개별 세포에 대해 시퀀싱을 수행할 수 있습니다. 예를 들어, 인간의 경우 약 30,000개의 유전자가 있습니다. 따라서 최종 제품은 읽기 카운트 테이블에서 다음과 같이 표시됩니다. 우리는 유전자...30,000개의 유전자를 일렬로 배열하고 있습니다. |
| |
때로는 약 50만 개의 셀이 열로 표시됩니다. 보시다시피 이러한 매우 큰 데이터 세트를 충족하는 것은 매우 높은 차원을 갖습니다. 또한 테이블에서 0을 볼 수 있습니다. |
| |
기술적 또는 생물학적 한계로 인해 모든 단일 세포에서 모든 단일 유전자를 감지할 수 있는 방법은 없습니다. 따라서 세포의 90%가 실제로는 |
| |
0. 그래서 매우 드물다. 희소성은 단일 세포 RNA 염기서열 분석 데이터를 분석할 때 또 다른 문제입니다. |
| |
그러나 전처리, 정리 및 차원 축소를 수행한 후에는 클러스터링 및 주성분과 같은 차등 유전자 발현 분석을 이 데이터에 정기적으로 적용할 수 있습니다. 그래서 그것들은 내 작업 흐름에서 언급될 것입니다. |
| |
그리고 저는 이미 높은 차원성, 높은 희소성 및 세포 집단 전체에 걸쳐 다양한 이질성을 포함한 문제를 발견했다고 언급했습니다. |
| |
매우 다양한 시퀀싱 프로토콜과 다양한 분석 패키지가 있기 때문에 기술적인 소음과 재현성이 있습니다. |
| |
R, Python 또는 기타 도구에서는 데이터를 분석하기 위한 정확한 단계를 따르는 것이 매우 어렵습니다. 단계를 혼동하고 올바른 순서로 작업을 수행하지 않은 경우 |
| |
재현 가능한 결과를 얻지 못할 수도 있습니다. 이것이 바로 우리가 여기서 해결하려고 노력한 문제 중 하나입니다. |
| |
단일 세포 RNA 염기서열 분석 데이터의 예를 보여드리고 싶습니다. 이 데이터는 제 시연에 사용될 것이며 감소된 혈액 샘플 데이터(ppm)입니다. 내가 말했듯이 행에는 세포가 있고 열에는 유전자가 있습니다. |
| |
약 8000개의 열과 100개의 |
| |
행은 셀을 의미합니다. 그리고 거의 모든 곳에서 0을 볼 수 있습니다. 저는 이 특정 데이터 세트의 희소성이 90% 이상이라고 생각합니다. |
| |
그렇다면 JMP Genomics 10의 새로운 단일 세포 RNA 염기서열 분석 워크플로에는 어떤 내용이 포함되어 있나요? 그래서 이 워크플로를 위해 우리는 이를 구축하려고 했습니다. |
| |
기술적 배경이 좋지 않거나 그렇지 않은 사람들에게는 코딩 방법과 모든 통계를 배울 시간이 없습니다. 따라서 이 워크플로에서는 사용자가 워크플로의 다른 단계를 자동으로 실행할 수 있도록 해당 단계를 올바른 순서로 배치했습니다. 그리고 우리도 |
| |
사용자가 우리와 함께 탐색하고 매개변수를 변경하고 다양한 선택 사항을 확인할 수 있도록 매우 대화형 보고서를 제공합니다. |
| |
따라서 이 워크플로에는 데이터 가져오기 진행, 전처리 등이 포함되며 실제로 이 워크플로의 중추인 가변 유전자 선택 방법이 있습니다. |
| |
따라서 가변 유전자 선택의 경우 이 방법의 목표는 유전자의 차원을 줄이는 것입니다. |
| |
왜냐하면 인간 표본의 경우 30,000개의 유전자가 있고 그 모두가 유익한 것은 아니기 때문입니다. 그래서 우리는 가장 유익한 정보를 선택하려고 노력합니다. |
| |
분산방법과 |
| |
최저 회귀를 기반으로 한 가변성 안정화 변환 방법입니다. 따라서 자세히 설명하지는 않겠지만 이 두 가지 방법은 연구 커뮤니티에서 널리 사용되고 있으며 이를 재현할 수 있어서 매우 기쁩니다. |
| |
또한 차원을 더욱 줄이기 위해 희소 SVD를 적용합니다. 그래서 우리는 계층적 클러스터링도 적용했고 ak는 클러스터링을 의미합니다. |
| |
JMP에서는 부스팅 포레스트 방법을 사용하여 기능 중요도를 선별하고 R 패키지가 설치되어 있는 경우 T-SNE 및 UMAP 시각화를 직접 호출합니다. |
| |
이는 단일 세포 RNA 서열 분석을 사용하여 매우 인기가 있습니다. 또한 바이올린 플롯, 능선 플롯, 도프 플롯을 포함한 몇 가지 동적 시각화도 제공했습니다. 우리는 또한 차별적인 유전자 발현도 합니다. 따라서 모든 보고서는 JMP 프로젝트와 매우 통합된 보고서로 구성됩니다. |
| |
그럼 다음에는 데모를 해보겠습니다. 이 데모에는 두 가지 목표가 있습니다. 첫 번째는 이 PBMC 데이터 세트에서 세포 집단을 분류하는 것입니다. 우리는 이 데이터 세트에서 세포 유형이 무엇인지 찾으려고 노력합니다. 두 번째 목표는 하위 유형과 조건에 따라 차별적으로 표현되는 청바지를 식별하는 것입니다. |
| |
그럼 먼저 JMP Genomics 스타터부터 살펴보겠습니다. 따라서 JMP Genomics 인터페이스는 일반 JMP와 상당히 다르게 보이지만 |
| |
탐색하기가 매우 쉽습니다. 워크플로 기본 사항을 찾고 싶다면 |
| |
기본 단일 세포 RNA 염기서열 분석 작업 흐름이 여기에 있으므로 클릭하면 이 인터페이스를 불러올 수 있습니다. 그래서 인터페이스가 꽤 직관적입니다. 데이터 세트만 제공한다고 말씀드리겠습니다. |
| |
그리고 QC 옵션을 지정합니다. 분석 및 가변 유전자 선택을 위해 어떤 종류의 유전자 또는 세포를 제거하고 싶습니까? 어떤 방법을 사용하고 싶으신가요? VST를 선택하면 보관하려는 유전자 수를 2000 또는 3000으로 지정할 수도 있습니다. |
| |
그리고 클러스터링 옵션, 즉 클러스터링에 사용할 주요 구성 요소 수와 |
| |
계층적을 원하거나 k는 클러스터링 알고리즘을 의미합니다. 그리고 옵션이 많을수록 마커 유전자가 있습니다 |
| |
여기서는 매우 편리한 도구인 세포 집단을 식별하는 데 사용하려는 마커 유전자 목록을 추가하는 데 도움이 됩니다. 그리고 ANOVA 및 미분 표현 분석을 시작할 수 있습니다. 그래서 이것은 별도의 보고서입니다. |
| |
이번 강연에서는 이에 대해 논의하지 않겠습니다. 그래서 우리가 가진 또 다른 것은 실험 예입니다. 이를 추가하면 기본적으로 치료정보 등 시작설계와 관련된 모든 정보를 제공할 수 있으며, |
| |
섹스 정보. 그래서 이것은 |
| |
여기에 시뮬레이션된 데이터가 있습니다. 저는 유전자 발현 수준과 그룹 간의 다양한 측정값을 어떻게 비교하는지 보여드리고 싶습니다. |
| |
마지막으로 t-SNE 또는 UMAP R 패키지가 설치되어 있는 경우 해당 패키지를 호출할 수 있는 포함 옵션이 있습니다. 이에 대한 다양한 매개변수를 당사 알고리즘으로 변경할 수 있습니다. |
| |
따라서 해당 옵션을 모두 지정한 후 실행으로 이동하면 다음과 같은 보고서가 표시됩니다. 그래서 이것은 |
| |
표 형식 보고서. 이 보고서에는 총 7개의 탭이 있습니다. 원하시는 순서대로 정리했어요 |
| |
유전자가 몇개야? |
| |
세포의 판독 횟수, 데이터의 미토콘드리아 유전자 수의 백분율 및 이 세 가지 측정 간의 상관 관계를 확인하세요. |
| |
그리고 왼쪽에는 작업 상자가 있습니다. 이를 확장하고 여기에서 옵션을 찾을 수 있으며, 이 상자에서 많은 작업을 수행할 수 있습니다. |
| |
특히 이 탭에서는 실험 설계 파일에 제공한 조건을 기반으로 그래프를 분할할 수 있습니다. 예를 들어, 치료를 하고 헤어질 수 있습니다. |
| |
약물1, 약물2, 위약. 그러면 서로 다른 그룹 사이에 차이가 있는지 확인할 수 있고, 원래 플롯으로 돌아가고 싶다면 분할을 해제할 수 있습니다. |
| |
두 번째 탭은 이 워크플로우의 중추인 가변 유전자 선택입니다. 빨간색 점은 후속 분석을 위해 내가 선택한 유전자를 의미하며 |
| |
회색 점은 분석에서 폐기될 유전자입니다. 그리고 액션 박스를 확장하면 VST를 사용하기 때문에 2000개의 유전자를 지정했음을 알 수 있습니다. |
| |
이 분석에서는. 하지만 마음이 바뀌면 할 수 있습니다. 마음이 바뀔 때마다 다른 수의 유전자를 입력한 다음 확인을 클릭할 수 있습니다. 따라서 모든 탭은 이 새 번호를 기반으로 새로 고쳐집니다. |
| |
따라서 가변 유전자 목록을 얻은 후 수행할 작업은 주성분 분석과 동일한 희소 SVD 분석을 수행하여 차원을 더욱 줄이는 것입니다. |
| |
따라서 SVD 분석을 적용한 후 상위 2개의 SVD 또는 주성분을 표시할 수 있습니다. 데이터 세트의 전체 구조를 확인해 보세요. |
| |
따라서 이 경우에는 이 데이터 세트에 두 개의 큰 그룹이 있다는 것을 알 수 있는데, 이는 흥미롭습니다. 또한 우리는 추가 탐색에 도움이 되는 3D 플롯을 제공합니다. |
| |
귀하의 데이터. 때로는 2D 플롯에서 식별할 수 없는 통찰력이 있습니다. 3D 플롯은 때때로 실제로 추가적인 가치를 제공할 수 있습니다. |
| |
선택한 SVD 수(20개 또는 30개)에 따라 다음 작업에 사용할 수 있습니다. |
| |
클러스터링을 수행합니다. 이 경우 계층적 클러스터링을 선택했으며 데이터 세트에서 9개의 클러스터를 찾았습니다. |
| |
덴도그램 외에도 별자리 플롯도 제공합니다. |
| |
이 플롯은 t-SNE 또는 UMAP와 유사하기 때문에 정말 마음에 듭니다. 이는 서로 다른 그룹 간의 거리에 대해 더 나은 아이디어를 제공합니다. |
| |
예를 들어 3개의 그룹, 큰 그룹, 3개의 클러스터가 있습니다. |
| |
다른 그룹과는 좀 다른 것 같아요. 여기 전역 구조에서 이들이 어디에 있는지 알고 싶다면 이것이 제가 감지한 상위 3개 클러스터입니다. 3D 플롯을 보면 알 수 있습니다. |
| |
강조 표시된 항목은 모두 여기에 있습니다. 그런 다음 다시 2D로 이동합니다. 이것은 두 개의 큰 클러스터 중 하나입니다. 제가 강조한 바에 따르면 상호작용이 실제로 도움이 됩니다. |
| |
다양한 방법으로 데이터를 관찰하고 시각화하세요. 또한 다양한 그룹의 다양한 패턴을 추가로 식별하는 데 도움이 되는 평행 플롯도 제공합니다. |
| |
다음 탭은 포함입니다. 이는 R 패키징이 설치된 경우 t-SNE 및 UMAP 부품을 의미합니다. 그럴게요 |
| |
R을 호출하고, 분석을 실행하고, 데이터를 다시 가져와 JMP에서 시각화합니다. 여기 t-SNE 플롯이 있습니다. 9개의 클러스터가 아주 잘 분리되어 있습니다. |
| |
아래쪽에는 정확히 같은 플롯이 있지만 이번에는 제공한 마커 유전자로 색상을 지정했습니다. 우리는 14개의 마커 유전자를 가지고 있습니다. 따라서 이 기능을 사용하면 클릭연결로 전환할 수 있습니다. |
| |
이 유전자들이 어디에서 발현되는지 알아보기 위해서죠. 예를 들어, 이 작은 클러스터에 고도로 발현되는 GNLY 유전자가 있는데 우리의 데이터가 무엇인지 궁금합니다. 선택하고 돌아가면 이제 모두 볼 수 있습니다. 대부분은 클러스터 9, 클러스터 8에 있습니다. |
| |
따라서 GNLY는 NK 세포의 유전자입니다. NK세포의 마커 유전자입니다. 이제 우리는 이 세포의 그룹이 무엇인지에 대해 알았습니다. |
| |
또한 여기에는 더 많은 작업을 수행하는 데 도움이 되는 작업 버튼이 있습니다. UMAP으로 전환하고 싶으면 그렇게 할 수 있습니다. 이제 플롯이 UMAP에 연결됩니다. |
| |
똑같지만 UMAP은 좀 더 나은 분리를 제공하며 시각화에서 더 많은 전역 구조를 보존할 수 있습니다. 또한 우리는 발생할 수 있는 세포를 제거하는 데 도움이 되는 몇 가지 방법을 제공할 수 있습니다. |
| |
오염되었거나 품질에 문제가 있습니다. 예를 들어 여기에서는 셀 그룹이 마음에 들지 않으므로 시각화에서 제거할 수 있습니다. 더 깨끗하게 만드세요. 하지만 언제든지 다시 가져올 수 있습니다. |
| |
그리고 다시 분할 그래프 버튼인 플롯을 분할할 수 있습니다. 이번에는 성별로 나눌 수도 있고, 여자, 남자로 나눌 수도 있습니다. 그렇습니다. 성별 그룹에 따른 유전자 발현 수준을 비교할 수 있는데, 이는 때때로 꽤 유용합니다. |
| |
그리고 우리는 갈라졌습니다. |
| |
다음 탭에서는 9가지 유전자 발현 수준을 시각화할 수 있는 더 많은 시각화 도구를 제공합니다. |
| |
그룹, 9개의 그룹 셀, 오른쪽. 그래서 첫 번째 부분을 바이올린 플롯이라고 합니다. 다시 한 번 말씀드리지만, 기능 전환기를 통해 진행하는 데 도움이 됩니다. |
| |
그 유전자들은 모두 다른 클러스터에 있습니다. 그렇죠. 이제 그래프 부분의 높이와 밀도에 따라 확인할 수 있습니다. |
| |
해당 유전자가 어디에 많이 발현되는지 명확하게 알 수 있습니다. 예를 들어, 제가 이 유전자 GNLY를 사용하고 있는 예를 다시 들어보겠습니다. 이 유전자가 클러스터 8에서 많이 발현되는 것을 볼 수 있습니다. |
| |
그리고 중간에 우리가 제공하는 두 번째 플롯은 능선 플롯입니다. 능선 플롯이 구성됩니다. |
| |
Y축에는 클러스터가 있고 X축에는 유전자 발현 수준이 있습니다. 그러나 그것은 기본적으로 당신이 좋아하는 것에 따라 비슷한 것을 제공합니다. |
| |
예를 들어, 다시 GNLY를 보면 클러스터 8이 매듭이나 다른 클러스터로 많이 표현된 GNLY를 볼 수 있습니다. |
| |
그리고 아래쪽에는 도트 플롯이라는 또 다른 플롯이 있습니다. 이것이 이 보고서에 방금 추가한 새로운 플롯입니다. 도트 플롯은 유전자 발현 수준을 보여주는 것 외에도 해당 유전자를 발현하는 세포의 비율을 보여줄 수도 있습니다. 예를 들어, 이 곳을 보세요. |
| |
PPBP 유전자. 그리고 우리는 이 클러스터를 볼 수 있습니다. 우리가 가지고 있는 클러스터 7에서는 이 PPBP 유전자를 발현하는 클러스터 7의 세포 100%를 볼 수 있습니다. 따라서 이 유전자는 다음의 표지 유전자입니다. |
| |
실제로 PPBP 세포입니다. 이제 클러스터 7이 혈액 세포의 한 유형인 PPBP 세포라는 것이 매우 분명해졌습니다. 예를 들어 클러스터 2와 같은 다른 세포도 살펴봅니다. |
| |
이 유전자를 발현하는 세포는 12%에 불과합니다. 따라서 약간의 오염이 있을 수 있지만 이 세포 그룹은 확실히 PPBP 세포가 아닙니다. 그래서 이 플롯은 여러분에게 보여줍니다. |
| |
플롯에 추가 정보를 제공하는 각 클러스터의 발현 수준 및 발현 백분율. |
| |
따라서 다음 탭도 매우 유용합니다. 이를 기능 심사라고 합니다. 내가 한 일은 페이딩 부스팅 포레스트 알고리즘을 사용한 다음 해당 유전자를 사용하여 클러스터를 예측하는 것이었습니다. 따라서 세포 분리에 기여한 가장 중요한 유전자가 이 표에 나열되어 있습니다. |
| |
그리고 이러한 유전자를 보는 올바른 방법은 이 작업 상자를 여는 것입니다. 시각화하려는 상위 35개 유전자를 선택합니다. 확인을 클릭합니다. |
| |
따라서 다음 탭에는 선택한 35개의 유전자만 표시됩니다. 이것이 바로 유전자입니다. 대부분 정보를 제공합니다. 오른쪽. 그 사람들은 설명할 수 있어요 |
| |
왜 서로 다른 세포 그룹이 분리되어 있는지. 다시 한번 말씀드리지만, 전환하거나 클릭하여 패턴을 확인해 보세요. 그리고 보시면 아시겠지만, LYZ 유전자가 많이 있습니다. |
| |
CST3 및 NKG7. 그것들은 이미 마커 유전자에 있거나 제공되었습니다. 이는 이 기능 스크리닝을 의미합니다. |
| |
이 방법은 데이터 세트에서 가장 중요한 유전자를 찾아내는 데 정말 성공적입니다. 그리고 또 다른 것은 GTEx 데이터베이스를 통해서 시각화할 수 있다는 것입니다. GTEx는 조직별 데이터베이스입니다. |
| |
인체의 어느 조직에서 어떤 유전자가 발현되는지 알려주세요. 따라서 유전자 목록을 데이터베이스로 직접 보낼 수 있습니다. 확인을 클릭하면 됩니다. 우리는 |
| |
웹사이트와 GTEx 웹사이트는 상위 35개 유전자가 포함된 히트맵을 제공합니다. 이제 인간의 두 조직, 기관에서 제가 표현한 위치를 볼 수 있어 추가 정보를 보는 데 매우 편리합니다. |
| |
이제 우리는 그 마커 유전자를 사용하고 있습니다. 여러분은 아마도 그것이 어떤 세포 그룹인지 식별할 수 있을 것입니다. 그래서 하나 있어요 |
| |
여기서 기능을 녹음(recode)이라고 합니다. 그것이 하는 일은 당신이 그것을 열면, 이제 그 숫자를 실제 셀 이름으로 다시 코딩할 수 있다는 것입니다. 예를 들어 8개는 우리가 이미 알고 있는 NK이고 NK 세포입니다. 그리고 우리는 할 수 있습니다...저는 이미 그들 모두의 이름을 알고 있습니다. 그래서 그냥 입력했어요 |
| |
저것들 |
| |
모노사이트. |
| |
두 개는 실제로 DC 셀입니다. 3개는 FCGR3A+ 모노사이트입니다. |
| |
이들은 Naive CD+ T 세포입니다. |
| |
5개의 메모리 CD4+ T 세포를 그룹화합니다. |
| |
그리고 CD8+ T |
| |
메이지안 관 |
| 메이지안 관 |
그룹 6의 경우; 일곱 번째는 우리가 이미 본 것처럼 PPBP이고 아홉 번째는 B 세포입니다. |
| |
따라서 해당 녹음을 통해 녹음을 클릭합니다. 이제 모든 플롯과 탭이 연결되었으므로 모든 숫자가 실제 셀 이름으로 변경된 것을 확인할 수 있습니다. 따라서 데이터를 탐색하는 데 도움이 될 뿐입니다. |
| |
쉽게, 그렇죠. 해당 셀이 어디에 있는지 알 수 있으며 플롯에 대한 탐색을 다시 수행할 수 있습니다. 그리고 다시 이 클러스터링 플롯을 포함하면 사용자 정의 이름이 실제 셀 이름으로 변경된 것을 알 수 있습니다. 음, 그러니까 |
| |
이것이 오늘의 주제입니다. 질문이 있으시면 저에게 이메일을 보내시거나 JMP 커뮤니티에 메시지를 남겨주세요. 시간을 내주셔서 정말 감사합니다. |
