Bonjour. Aujourd'hui Je suis content à présent toi scA2SIGN méthode à définir le signature pour le convolution départ depuis célibataire- cellule données. Nous volonté faire aussi un court manifestation de il. Ce travail était fait dans collaboration avec Paul Fogel et Alexeï Fedorov.
Avant à faire le profond plonger à propos notre méthode, allons faire le court introduction dans commande à expliquer toi quoi est le cellule déconvolution.
Le cellule taper déconvolution est un silice méthode que permet à identifier le cellule proportions depuis en gros ARN séquençage données. Ce méthode a besoin à avoir spécifique signature matrices contenant le marqueur gènes pour chaque taper de le intérêt.
Notre méthode proposé à identifier ce signature matrice et commencer depuis le données unicellulaires parce que dans données unicellulaires, comme toi peut voir ici, nous faire avoir le transcriptomique profils pour chaque célibataire cellule depuis le données présent dans le tissu dans le des échantillons. Chaque point ici correspond à le cellule. Cellules avec le fermé transcriptomique profils, ils sont groupé ensemble et formulaire groupes.
Nous peut aller à le suivant glisser, s'il te plaît.
Ici toi avoir un bref aperçu de notre méthode. Notre méthode est appelé scA2SIGN, lequel des stands pour célibataire cellule agnostique algorithme pour le convolution.Comme était mentionné précédemment, il départs depuis le données unicellulaires idéalement à venir depuis plusieurs sujets, personnes, dans commande à couverture biologique variabilité que peut être présent entre personnes.
Le données unicellulaires besoin à être prétraité et assemblé dans un données ensemble. Ici le cellules avec un fermer transcriptomique profil donc ils sont assemblé dans le groupes. Ce représentation dans deux dimensions est appelé UMAP.
Depuis ce données unicellulaires, nous besoin à récupérer le matrices lequel sont en allant pour chaque individuel. Ils sont en allant à contenir rêves sur le Lignes et groupes sur le Colonnes. Il moyens nous besoin à agrégat le données et plusieurs matrices correspondant à chaque sujet représente un tenseur.
Si nous essayer à identifier le signature droite loin à ce étape, c'est en allant à être difficile parce que quelques groupes de données unicellulaires, ils fermer depuis transcriptomique tout le point de voir.Il peut augmenter un problème de multicolinéarité.
Dans commande à accord avec ce, nous courir plusieurs Les manches de non- négatif tenseur factorisation dans commande à obtenir le réduit tenseur et assembler fermer groupes ensemble dans commande à définir le cellule les types avec loin transcriptomique profils présent dans le échantillon.
Une fois encore, le structure de le données est en allant à être le même. Nous sont en allant à montrer il dans Saut application avec rêves sur Lignes, cellule les types sur Colonnes, et plusieurs matrices correspondant à plusieurs sujets. Depuis ce, notre méthode proposé à deux simple critères à définir le marqueur gènes. Ce partie est en allant à être couvert par Alexeï.
Dernier mais pas moins, le même gènes peut être utilisé dans commande à étiquette cellule les types sont défini par notre méthode basé sur groupes de le groupes. Dernier mais pas moins, nous peut utiliser un non- négatif régression dans commande à effectuer le convolution sur en gros ARN séquençage données.
Avec ce nous sont en allant à parler un petit peu plus à propos non- négatif factorisation tensorielle dans commande à expliquer quoi est il exactement. Non négatif factorisation tensorielle est un dimensionnalité réduction technique. Comme il était mentionné, le avantage de ce méthode est que il permet à prendre dans compte le plusieurs matrices à venir depuis plusieurs sujets et à faire il à un étape, comparant à autre dimensionnalité réduction techniques comme I CA, quand toi besoin à courir plusieurs Les manches de I CA pour chaque matrice et suivant à trouver un consensus dans le données.
Comme sortir est un saisir de le FNT, nous utiliser le matrices précédemment décrit comme le sortir de le FNT. Nous obtenir le Composants . Nous obtenir le empreintes pour groupes ici représentée par W, le empreintes pour le sujet représentée par Q. Dans ce empreinte digitale, ils avoir le des gènes ou le signature. Empreintes moyens un ensemble de gènes avec inférieur [inaudible 00:05:19] définition par H.
Chaque composant correspond un fort biologique signal présent dans le données. Si nous faire le somme de ces Composants de ces fort biologique signaux présent dans le données plus un petit erreur, nous peut approximatif le données lequel est représentée par ce équation.
Avec ce nous peut aller à le suivant étape et à voir exactement dans le application comment le données regards comme.
Droite maintenant, nous sont dans le Saut application et toi peut voir le saisir données requis pour notre méthode. Sur le gauche, toi faire voir le onze matrices à venir depuis différent donateurs. Le matrices avoir différent des noms et nous utilisé le idée de le donateurs comme leur des noms. Dans le les tables, nous avoir 17 Colonnes correspondant à 17 groupes identifier dans données unicellulaires.Sur le Lignes nous faire avoir le gène des noms précédé par le idée de le individuel dans commande à distinguer différent transcriptomique données à venir depuis différent donateurs.
Une fois nous chargé le données dans le système, nous peut lancement notre ajouter à et nous sont en allant à voir comment il regards comme. Il regards comme un fenêtre avec plusieurs paramètres. Ces paramètres sont écrit dans Python parce que le code derrière utiliser Python langue. Mais toi faire pas besoin à être effrayé parce que nous sont en allant à changement seulement un important paramètre, lequel est nombre de Composants dans ici.
Nous suggérer à commencer avec le nombre de Composants égal à nombre de groupes présent dans le données et c'est en allant à être égal à 17. Remercier toi. Avec ce, nous peut simplement Cliquez sur sur le soumettre bouton et le application volonté courir le algorithme derrière. Suivant avec ce, Je suis en allant à partir le sol à Paul dans commande à expliquer le sortir de FNT et à guide toi suivant le suivant étape de notre méthode. Remercier toi pour ton attention.
Remercier toi, Garria. Le sortir de le un dd-in consiste de trois les tables avec FNT Composants le long de chaque dimension de le tenseur : cellule groupes, sujets, et gènes.D'abord, laisser nous regarder à le cellule grappe composant scène.
je ouvrir le tableau et chaque rangée sur ce tableau correspond à un cellule grappe dans chaque colonne à un composant. Là sont 17 Lignes et 17 Composants comme spécifié dans le ajouter à saisir paramètre par Galine. Chaque entrée dans le tableau correspond à le chargement de un cellule grappe sur un composant.
Maintenant, défilement à travers le Colonnes de le tableau, nous voir que quelques de le Composants contenir beaucoup des zéros comme Composants 16, lequel est bien parce que il indique que ces Composants approximatif le expression données à venir depuis le peu cellule groupes avec différent de zéro chargements. Ici nous avoir exactement un cellule grappe avec un un, et tous de nous sont des zéros, ou presque zéro.
Le fait que cellule groupes avoir différent de zéro chargements sur le même composant indique un haut degré de colinéarité, donc regroupement de ces groupes est conseillé. Nous avoir un exemple ici avec composant 12, où trois en fait cellule groupes avoir différent de zéro chargements.Maintenant, laisser nous regarder à le sujet Composants tableau.
je ouvrir il et défilement à travers le Colonnes de le les tables, nous voir maintenant que contrairement à le site groupes Composants tableau, le Colonnes ici tendre à être dense, avec seulement un peu des zéros ici et là. Ce est bien parce que il montre que la plupart sujets contribuer à chaque composant. Dans autre mots, le expression données approximé par chaque composant, ou nous appel il empreinte digitale, s'applique à la plupart sujets.Dans un sens, le empreinte digitale est universel.
Maintenant, Saut a un excellent fonctionnalité que permet toi à voir le histogrammes de le Colonnes à le haut de le tableau. Allons Cliquez sur sur ce icône ici, et nous maintenant voir tous le histogrammes. Nous voir que le Colonnes sont plus ou moins dense de toute façon, et il volonté être bien à être capable à quantifier le degré de spasmes de chaque colonne. Comment faire nous faire que? À quantifier le degré de fausseté implique le cellule grappe et sujet Composants. Nous utiliser le indice représentée par ce formule.
Ce formule était introduit par Herfindahl et Hirschmann à évaluer le degré de concentration atteint par des champs.Pour exemple, à éviter monopole situations que peut résultat depuis fusions. Initialement, le inverse formule était publié, mais pour simplicité, nous volonté continuer à référer à ce indice comme le Indice HHI.
Similaire index avoir a été proposé plus récemment. Ils sont mathématiquement équivalent, mais ce indice a le avantage de être très interprétable comme il donne le nombre de non négligeable entrées dans le vecteur lequel sont Souligné ici. Dans le exemple, nous avoir un nombre de valeurs, mais seulement le Souligné valeurs sont non négligeable. Le Indice HHI de ce vecteur est cinq.
De retour à notre flux de travail, nous voir comment ce indice permet nous à identifier Composants que sont clairsemé le long le cellule grappe dimension et dense le long de le sujet dimension. Nous appel ces Composants clairsemé et robuste .Ils sont rouges des croix ici avec haut sujet HHI et faible grappe côté grappe HHI sur le haut de ce champ.
Basé sur ces quatre Composants, nous peut faire le nécessaire regroupements de vue groupes à éliminer colinéarités et le restant cellule groupes ici...Désolé pour cette interruption.[inaudible 00:13:22].je viens de perdre [inaudible 00:13:22], je vais le mettre ici.
Le bleu des croix ici correspondre à le restant cellule groupes que volonté être réintroduit dans un deuxième itération de le analyse. Note Bien que ce adresses avec le le plus fort signal, après être identifié par le FNT, Composants sont supprimé depuis le données ensemble et le suivant FNT départs sur avec le réduit données ensemble.
À illustrer ce processus...Je suis Désolé mais je avoir un problème avec ici avec le... Il conserve réapparaître.
À illustrer ce processus, allons maintenant regarder à comment ces itérations de le récursif FNT jouer dehors. Nous voir ici le Tableau HHI depuis le d'abord itération lequel volonté aide nous décider lequel FNT Composants à garder et lequel à découvrir.Comme mentionné plus tôt, bien Composants sont ceux que sont spécifique de seulement un peu groupe de cellules photos lequel traduit dans le faible amas de cellules Indice HHI.Ces sont étiqueté Lignes ici à le bas de le tableau.
Nous aussi courir un haut degré de robustesse à sujet diversité et ce traduit dans un haut Indice HHI. Comment faire nous décider si un Valeur HHI est faible ou haut? Nous peut utiliser que le Saut [inaudible 00:15:47] plate-forme lequel est disponible dans le spécialiste la modélisation plate-forme. Nous courir ce plate-forme et nous appliquer un normale niche modèle à distinguer entre faible et haut Valeurs HHI et arrêt le résultant classification.
Quand nous faire que, nous voir ici le rouge des croix correspondant à le Composants que sont choisi parce que ils avoir un haut Sujet HHI indice et un faible HHI amas de cellules indice et ils sont automatiquement identifié comme tel par le Saut Normale plate-forme.
Laisser nous regarder maintenant à le chargements de le amas de cellules sur ces particulier Composants . Nous voir sur composant 15 et composant 16 que groupe de cellules 15 et groupe de cellules 17 a exclusivement associé ces Composants donc ils peut être Bien approximé par ces Composants. Dans contraste à ces amas de cellules, sur composant 13, nous voir trois- côté groupes regroupé le long de ce composant. Ce moyens que ils sont corrélé d'une manière ou d'une autre, il volonté être dur à distinguer eux, donc c'est mieux à se regrouper eux.De la même manière sur composant 12, avec le amas de cellules 5, 2 et 14.
Nous peut maintenant regarder à un deuxième itération de le Récursif FNT. De la même manière nous regarder à le Composants HHI sur le sujets et sur le amas de cellules et nous voir maintenant que seulement un composant, composant quatre, satisfait ces reconversions exigences pour être retenu pendant ce itération. Si nous regarder maintenant à le Composants public, nous voir que amas de cellules Sept est exclusivement associé avec ce composant. Bien.
Maintenant que nous avoir fait que, nous sont pas en allant à montrer toi tous de le itérations. En fait, là sont quatre itérations et nous fin en haut maintenant avec ces regroupements que nous voir ici. Nous avoir en fait neuf cellule groupes après regroupement.Quelques de eux sont regroupements de trois ou quatre original amas de cellules. Cependant, cinq amas de cellules a fait pas besoin à être regroupés. Quoi est le biologique signification de ces des regroupements ?
Par correspondant à le la plupart très exprimé gènes dans chaque cellule grappe avec bioinformatique bases de données, il est possible à associé le amas de cellules avec biologique connu cellule les types. Pour exemple, le FNT regroupements 2- 5-14 était identifié comme un tueur naturel CD8 cellule taper.
Nous trouvé que là étaient plusieurs regroupements que en fait pointu à le même majeur clé cellule taper. Donc, nous décidé à fusionner eux et est venu en haut avec cinq principal types de cellules. Cependant, il est toujours possible à extrait signature pour [inaudible 00:20:12] type de cellule es que peut être utilisé dans un deuxième scène de le convolution. Mais nous volonté viens dos à ce indiquer à le fin de ce présentation.
Laisser nous maintenant regarder à le résultant réduit tenseur. Je suis juste ouverture le tableau. Toi voir ici le tableau, et comme attendu, là sont maintenant cinq Lignes correspondant à le regroupé cellule groupes.
Maintenant que nous avoir introduit grappe regroupement à minimiser colinéarité, je volonté avoir Alexeï expliquer comment nous procéder à créer signature gènes que sont la plupart efficace pour décomposition.
Une fois le cellule groupes sont groupé, nous faire toujours besoin à créer gène signature pour chaque de le regroupements à assurer précis circonvolutions de le mixte des échantillons. Jusqu'à présent, nous avoir considéré le cellule et sujet composant vecteurs. Laisser nous maintenant considérer le gène composant vecteur.
Le tableau nous voir ici est pas vraiment informatif. Nous peut seulement voir des zéros partout exigible à le fait que seulement petit minorité de gènes avoir en fait différent de zéro chargements sur le FNT Composants. Si toi peut aller à le suivant itération, s'il te plaît, Paul.
Laisser nous maintenant examiner le chargements de le gènes sur ce représentation de le Composants lequel nous avons appelé clairsemé et robuste.
Ces étaient choisi pendant le d'abord itération de le récursif FNT. Nous voir ici dans rouge que quelques de le distinctif gènes sont partagé par tous Composants.Nous savoir Bien que chaque composant est spécifique à un particulier cellule grappe ou un groupe de fermé amas de cellules. Ce moyens que quelques de le gènes sont en fait fortement exprimé dans plusieurs groupes avec quelques degré de linéarité entre le cellule groupes.
Ce est exactement comment niche travaux. Biologique les pièces sont pas nécessairement orthogonal à chaque autre. Donc, nous ne peut pas compter sur uniquement sur FNT gène Composants à identifier gène Marqueurs que sont unique à un cellule grappe ou un groupe de ce, nous doit retour à le réel expression données.
Nous sont obtenir dos à expression données et nous volonté introduire deux critères. Le d'abord un pour un gène à être considéré le marqueur gène de un particulier groupe de cellules, nous dire que il devrait toujours être plus exprimé dans le grappe que dans autre groupes, indépendamment de de lequel sujet est considéré. Ce est montré dans chiffre bas gauche, où nous avoir représenté deux gènes.
Avec quelques [inaudible 00:23:20], nous voir que ces points sur le gauche correspondre à un unique marqueur gène pour B cellules.Nous peut voir seulement B cellules partout. Sur le droite, un non-marqueur gène est très exprimé dans les deux B cellules, non classique monocytes et naturel tueur cellules.
Le deuxième critères volonté être que le associé cellule grappe devrait pas seulement être à le haut de le autre groupes. Quand nous regarder à le expression de le marché gène sur [inaudible 00:23:55] sujets et cellule les types, mais aussi il devrait être Bien devant de autres.
Pour ce, nous utiliser ce score avec un officiel problème sur le droite que étaient proposé par [inaudible 00:24:09] dans leur original papier.Ce score reflète le spécificité de un gène marqueur. Ce score est basé uniquement sur le distribution de gène expression à travers sujets et cellule les types. Ainsi postuler ce à critères, nous obtenu un liste de 173 marqueur gènes que peut ensuite être utilisé pour le convolution.
Dans ce tableau, ils sont répertorié ensemble avec le valeurs que rencontrer le deux critères j'ai a parlé à propos de.
Laisser nous maintenant regarder à le tableau de signature gènes pour chaque de le sujet et majeur cellule les types. Ici nous voir le liste de les gènes et le Colonnes correspondre à chaque autres sujets et le même liste de cellule les types pour chaque de le sujet.Dans contraste à le tableau de FNT chargements que nous montré précédemment, ce tableau est pas clairsemé, donc il est limité seulement à 173 marqueur gènes que nous choisi selon à notre critères avec [inaudible 00:25:26] gène.Comme je dit, le Colonnes sont pour sujet cellule les types.
Nous volonté maintenant visualiser comment le signature gènes sont exprimé à travers sujets.Pour que, nous volonté utiliser le deuxième brancher nous développé lequel est appelé adrubix. Ce volonté permettre nous à facilement évaluer le robustesse de le gène signature nous a obtenu.
Nous ouvrir un petit fenêtre avec un liste de paramètres dans Python syntaxe comme pour le d'abord brancher. Le défaut valeurs avoir a été déjà rempli dans et nous volonté maintenant seulement remplir dans pour manifestation, le valeur pour le paramètre lequel est appelé échelle le long de.
Depuis le expression gammes différer significativement entre les gènes, nous volonté ensemble ce paramètre à zéro à avoir tous le Colonnes escaladé et nous soumettre. Juste un peu secondes et nous voir un image avec distinct signature pour chaque majeur cellule taper.Cependant, nous voir que ce chaleur carte est collé ensemble dans entre sujets et nous peut en fait , avec ce brancher, très facilement ajouter séparateurs dans entre le Colonnes pour chaque de le sujets.
Pour ce, nous changement le valeur de le paramètre métadonnées col sep à sujet et nous soumettre à nouveau.Maintenant nous obtenir le séparé chaleur Plans pour chaque de le sujets.Ce est beaucoup plus clair et comme vous avez vu, ce petit fenêtre contient nombreux paramètres. Toi peut référer à le Documentation pour le sous-jacent Python emballer lequel est disponible en cliquant sur ce lien.
Conclure, nous voir ici en fait que le signature gènes sont très robuste.Nous voir très petit différence dans différent sujets. Comme que nous peut visuellement très facilement confirmer le robustesse de [inaudible 00:28:09] .
Maintenant nous sont approchant le fin de notre présentation, je volonté laisser Galine présent quelques déconvolution résultats que étaient obtenu avec le gène signature [inaudible 00:28:22] .Galine.
Oui, remercier toi. Dernier mais pas moins, nous serait comme à montrer toi le performance de notre méthode. À évaluer le performance de notre méthode, nous utiliser le publié données à venir depuis Blanc papier donc mentionné dans astuces son référence. Ce données ensemble contenant 21 différent cellule mélanges. Là sont le mélanges de différent T cellule sous-types, NK cellules, monocytes et B cellules.
Dans ces des mélanges, nous avoir aussi trois différent cellule les types pas couvert par notre signature correspondant à colorecteur ou sein cancer cellules et deux cellule lignes comme fibroblasteur et le queue cellules.
Nous décidé à utiliser deux critères évalue dans l'ensemble performance de notre méthode Pearson corrélation coefficient ou [inaudible 00:29:18] un concordance coefficient parce que nous peut obtenir très significatif corrélation entre estimé et sol vérité proportions, mais nous peut avoir le changement dans le échelle identifier le quantité de cellules présent dans le échantillon. Que est pourquoi nous utiliser deux critères.
Dans l'ensemble, nous obtenir bien résultats pour cellule les types couvert par notre signatures. Le résultats sont légèrement pas donc beau pour T cellules parce que nous ne le faites pas avoir exact correspondance entre T cellule sous-ensemble présent dans le mélanges et T cellules groupe présenté dans notre signatures. Nous avoir aussi effet r cellules et dans le des mélanges, ce cellule taper était pas ajoutée.
Dernier mais pas moins, nous serait comme aussi à mention avec notre méthode toi peut aller au-delà et identifier le sous-types de T cellules, le monocytes en cours d'exécution récursif FNT et définition le marqueur gènes pour chaque grand groupe de immunitaire cellules. Aussi que ces compléments que avoir a été présenté et démontré aujourd'hui, ils sont disponible dans Saut application.
Avec ce, remercier toi pour ton attention.
