Bonjour, tout le monde.
Aujourd'hui Je vais être présentation à propos le application de JMP
à analyser gène expression célibataire- cellule ARN données dans mélanome cellules.
Mon nom est Catherine Zhou,
et Je suis a haut école étudiant à Lynbrook Haut École.
Comme introduction,
mélanome développe dans le cellules ou mélanocytes que produire mélanine
et est le la plupart agressif taper de peau cancer,
représentant 65% de tous décès depuis peau cancer.
T cellules sont a taper de blanc sang cellules que développer depuis tige cellules
dans le os moelle et mature dans le thymus,
où ils multiplier et différencier dans auxiliaire, réglementaire, ou cytotoxique T cellules
ou devenir mémoire T cellules.
Cytotoxique T cellules, lequel sont activé par divers cytokines,
lier à et tuer infecté cellules et cancer cellules.
Dans mélanome patients, T cellules monter un immunitaire réponse contre le tumeur,
mais à quelques indiquer, le répondant T cellules devenir inefficace
exigible à a locale immunosuppresseur processus se produisant à le tumeur sites.
Épouser comme à identifier le causes derrière T cellule dysfonctionnement.
Alternative épissage est a réglementaire processus
essentiel à générer transcriptome diversité.
Mauvaise réglementation contribue à maladie et cancer.
Eucaryotes gènes sont composé de int ronique et exonique séquences,
comme toi peut voir dans ce diagramme.
Dans le alternative épissage processus,
non-codage introns de a gène sont sélectivement supprimé
et le compris exons sont combiné dans le final messager ARN,
et traduction de ces différent isoformes, où différent combinaisons
résultat dans différent protéines et différent cellulaire fonctions.
Suivant, traditionnel en gros séquençage examine le génome de a cellule population
tel comme le cellule culture ou tissu,
et c'est sortir est le moyenne gène expression de le cellule population.
Sur le autre main, célibataire cellule séquençage
mesures le génomes de individuel cellules depuis le population.
Cellule unique ARN séquençage, ou séquençage d'ARNsc,
mesures le transcriptome de chaque cellule dans le échantillon,
lequel révèle le hétérogénéité de des milliers de cellules
et fournit aperçu dans cellulaire différences à haut résolution.
Dans ce étude, Je vais être analyser alternative épissage dans Données scRNA-seq,
lequel a rarement a été étudié exigible à plusieurs problèmes.
ScRNA-seq résultats dans a très grand nombre de cellules et clairsemé données.
Cependant, avec le approprié statistique outils comme JMP et R,
nous peut prendre mesures à résoudre ces problèmes.
Dans ce présentation,
Je vais être en allant sur mon méthode à trouver le la plupart significatif alternative piquant
ou COMME événements différencier cancéreux T cellules depuis en bonne santé lymphe nœud Cellules T.
Je vais expliquer mon données traitement pipeline, et alors Je vais aller sur comment à utiliser JMP Pro
pour prédictif modélisation, regroupement, et visualisation.
Et alors Je vais aller sur le résultats de le analyse de séquençage d'ARNsc ensemble de données
de Les lymphocytes T chez la souris mélanome.
Ce est a diagramme de le présentation.
D'abord, Identifiant comme à expliquer mon ensemble de données préparation et traitement processus.
D'abord, I préparé et traité le ensemble de données.
I a pris le séquençage d'ARNsc ensemble de données de cellules dans ganglions lymphatiques avec mélanome dans souris
depuis ce papier sur ici,
et alors effectué lire alignement de le F ASTQ fichiers avec ÉTOILE,
et détecté COMME événements avec le pipeline dérivé depuis rMAT,
lequel utilisations a généralisé linéaire mixte modèle.
Plutôt de en utilisant le par paires comparaison,
I couru il sur a célibataire échantillon avec chaque individuel cellule,
efficacement quantifier COMME dans chaque cellule.
Alors I utilisé R à quantifier exon saut événements avec CMI
lequel se tient pour Inclusion Jonction Compter,
et SJC, lequel se tient pour Saut Jonction Compter.
Comme toi peut voir ci-dessous dans ce diagramme, un inclusion jonction est détecté
quand le lire comprend les deux le flanquant séquence,
lequel est ce noir séquence sur ici,
et le exon séquence, lequel est ce E séquence sur ici,
alors que a saut jonction compter est détecté
quand le lire seulement comprend le deux flanquant séquences
et juste entièrement saute le exon.
Alors I créer a matrice de ce données.
Suivant, I sous-ensemble le T cellules
en utilisant cellule étiquettes précédemment défini par le auteurs de le ensemble de données.
À filtre COMME événements, I appliqué le suivant règles,
et I a fait ce dans R.
Là doit être à moins dix lit par jonction.
Le événement a à être détecté dans plus que dix cellules,
et le événement ne peut pas avoir Non variabilité à travers le cellules.
Ce déplacé autour 75% de le exons.
Ce spectacles que filtration est important parce que il supprimé exons
avec faible couverture et étaient essentiellement sans importance.
Ce réduit le fonctionnalité taille, lequel volonté améliorer le performance
de prédictif modélisation et analyse plus loin dans le avenir.
Alors I calculer le PSI ou pour cent épissé dans valeur
avec ce équation: CMI sur CMI plus SJC.
Avant I aller dans le suivant étape de prédictif modélisation,
I recherché à expliquer le Raisons I décidé à appliquer prédictif modélisation en JMP
pour ce spécifique problème.
Là avoir a été plusieurs études que avec succès utilisé machine apprentissage modèles
pour analyser ARN-seq données, lequel réalisé haut précision.
I hypothétique que il serait aussi être précis pour séquençage d'ARNsc données.
Là sont beaucoup avantages de en utilisant prédictif modélisation comme Bien.
Il peut extrait significatif caractéristiques depuis énorme ensembles de données,
classer données et prédire Résultats avec supervisé apprentissage,
et reconnaître sous-jacent relations de données, comme dans neural réseaux.
JMP Pro aussi fournit a super interface pour explorer ces différent modèles,
permettant toi à facilement appliquer sophistiqué algorithmes
à grand ensembles de données rapidement et avec précision.
Il aussi permet pour modèle comparaison et dépistage.
Enfin, il génère quelques visuel et interactif rapports
que réduire le noir boîte effet de machine apprentissage modèles,
lequel moyens que toi ne le faites pas vraiment savoir quoi ça arrive dans le modèle,
toi juste savoir le sortir, lequel est pas très utile.
Notre ensemble de données avait 8 044 variables ou exons, et 1 014 rangées ou cellules.
Il était difficile à courir analyse avec tel a grand nombre de colonnes,
donc I utilisé a démarrage forêt pour variable sélection.
A démarrage forêt est très informatiquement efficace
et il peut fonctionner rapidement sur large ensembles de données,
et il utilisations aléatoire échantillonnage avec remplacement,
causant il à être très robuste et précis.
I pourrait avoir aussi utilisé prédicteur dépistage,
lequel est un autre fonction dans JMP,
mais I trouvé que manuellement en cours d'exécution il en utilisant a réglage conception tableau
était plus informatiquement efficace
et autorisé moi à régler le nombre de arbres comme Bien.
Mais I trouvé que le nombre de arbres n'a pas faire a énorme différence.
Dans général, le plus arbres toi utiliser conduit à mieux résultats,
mais leur amélioration diminue comme le nombre de arbres augmente.
À a certain indiquer, le avantage dans prédiction performance
depuis apprentissage plus arbres volonté être inférieur que le coût dans calcul temps.
Pour le 8 044 exons, I accordé le nombre de arbres,
et I trouvé que autour 50 arbres a résulté dans le le plus élevé précision.
Et alors I a pris le haut 100 exons depuis le colonne contributions,
et alors I couru il encore avec le haut 50 exons,
et alors encore avec le 50 exons, comparer le précision comme toi aller.
Ce spectacles le JMP rapports pour réglage arbres et variable sélection.
Comme toi peut voir, I utiliser le réglage conception tableau et changement le nombre de arbres.
I regardé à le entropie R carré et ces différent métrique.
I croire 50 arbres était le meilleur résultat.
I a pris le haut 100 exons et alors I couru le démarrage forêt avec 30 arbres
parce que I a fait un autre réglage conception tableau.
Pour chaque itération,
I a fait a séparé réglage conception tableau à trouver le meilleur nombre de arbres.
Comme toi peut voir, le entropie R carré augmente
comme le nombre de exons était diminué.
Comme I choisi le haut trois différent exons,
il spectacles que il n'a pas vraiment matière si c'est le haut 10 ou haut 50 ou haut 100,
il volonté toujours résultat dans a haut précision.
Le classification erronée taux varié.
Le RMS erreur aussi diminué,
et le moyenne absolu erreur aussi diminué.
Avec ces métrique,
I décidé à utiliser le haut 10 exons à courir le suivant mesures de mon analyse.
I utilisé le Modèle Dépistage fonction dans JMP Pro
à courir le haut 10 exons sur tous le différent modèles que étaient possible.
Il a résulté dans a haut précision à travers le conseil.
I regardé à le prédiction profileur à déterminer comment le exons
causé tumeur ou cancéreux cellules à être différent.
Maintenant, je vais être en train de performer a démo de ce processus.
Laisser moi ouvrir le haut 10 exons.
Dans JMP Pro, toi peut aller à Analyser, Prédictif Modélisation,
et alors Modèle Dépistage.
Je vais juste frapper Rappel parce que I utilisé ce avant
et il automatiquement Mises à jour avec ton précédent paramètres.
Et alors ça aussi a fait Pli K croix v alidation.
Ce processus est très rapide, il seulement prend autour 20 secondes ou 10 secondes.
Tous droite.
Comme toi peut voir, le neural boosté avait le le plus élevé précision.
Suivant était généralisé lasso de régression.
Il diviser le ensemble de données dans entraînement et validation.
Toi peut voir que boosté arbre avait le le plus élevé précision pour entraînement,
lequel fait sens parce que il essentiellement convient le données vraiment Bien
quand toi utiliser a arbre.
Mais pour validation, allons voir, le la plupart précis était dans neural boosté.
Avec ce information,
I décidé à utiliser a neural boosté à faire le final classification de cellules
pour tumeur cellules ou normale cellules,
parce que il serait résultat dans le le plus élevé précision.
I cliqué Courir Choisi,
et alors I utilisé le validation colonne que I précédemment créé
avec le Faire V alidation fonction dans le Prédictif Modélisation languette.
Ici sont le résultats de le neural réseau.
Il était très rapide, encore.
Toi peut voir que là sont le ROC graphiques.
Il essentiellement a a très haut AUC.
Si toi prendre a regarder à le prédiction profilage, le profileur,
ce spectacles le différent façons...
Laisser moi expliquer ce mieux.
Comme toi se déplacer ton curseur le long de, si toi regarder à A TÉLÉCHARGER, ce gène,
quand le inclusion de ce exon augmente,
alors il y a a plus haut probabilité que le cellule volonté être a tumeur cellule.
Sur ici, pour ce, c'est aussi le même s'orienter.
Pour ce un, ce est le inverse s'orienter.
Pour PCDH9, comme le inclusion de ce exon augmente,
le probabilité que il volonté résultat dans a tumeur cellule diminue.
Désolé.
Ce permet toi à regarder à le rôle de ces exons
dans causant le fonction de tumeur et normale cellules à être différent.
Ce est a très puissant visualiseur,
et il peut montrer le différent relations entre ces cellules.
Toi peut aussi juste sauvegarder le formules à le...
Désolé, un deuxième.
Toi faire Publier Prédiction Formule, et que sauve il dans le formule dépôt.
D'accord.
Suivant, Identifiant comme à regarder à le différence dans expression
comme il va depuis 5 jours à 8 jours à 11 jours.
Ce ensemble de données aussi fourni le cellules à différent temps points.
Si toi regarder à ici,
ce colonne spectacles que le différent fois sont disponible pour nous à analyser.
I sous-ensemble le tumeur cellules.
Laisser moi trouver que sur ici.
Tumeur seulement.
I comparé le distribution de le différent exons.
Laisser moi montrer toi le graphique.
Comme toi peut voir,
là sont plusieurs exons que augmenter dans expression sur temps.
Sur ici , SLAMF9 ou T OMM20 augmente de façon spectaculaire,
et ces aussi augmenter.
Là sont aussi exons que augmenter et alors diminuer,
lequel montrer que ils avoir un optimal période de temps
que ils sont le la plupart actif.
Je vais être en allant sur ces spécifique gènes et fonctions plus tard dans mon présentation.
Laisser moi aller dos à mon présentation.
Tous droite.
Ici, I aussi couru regroupement sur le haut 10 exons ensemble de données.
I a fait K- moyens regroupement,
et ce plus avec précision classifié le tumeur contre normale cellules.
Comme toi peut voir ici,
le bleu est normale cellule et alors le rouge est le tumeur cellule.
Ce spectacles que là sont peut-être différent sous-ensembles de tumeur cellules
que avoir différent fonctions.
I aussi couru UMAP sur tous le cellules.
UMAP est un autre dimensionnel réduction formule.
Ce était couru avec a JMP ajouter- dans que était créé par ce auteur.
I volonté lien il dans mon présentation dans le communauté.
Ici est le gène enrichissement analyse que I exécuté.
Comme toi peut voir, le haut fonction de tous de ces gènes
était ARN importer dans le mitochondrie.
Le deuxième la plupart important un était règlement de leucocyte dégranulation.
Les lymphocytes T sont a taper de leucocyte.
Il peut montrer que peut-être ces leucocytes ou T cellules sont dégranulé,
et que causes le cellules à devenir tumeurs.
Aussi, malin tumeurs sélectivement retenir mitochondrial génome et ETC fonction.
Que peut aussi expliquer pourquoi ARN importer dans le mitochondrie
est un important fonction.
Ce est un autre graphique de le haut ALLER biologique processus.
Sur ici, le haut un est cellulaire processus.
Là sont aussi biologique adhésion, règlement, et immunitaire système processus
que peut être plus loin exploré.
Identifiant comme à expliquer le la plupart notable gènes.
Ces gènes sont essentiellement le haut gènes que étaient dans le colonne contributions.
S TPBX2 est impliqué dans intracellulaire trafic,
contrôle de PIÈGE complexe assemblée,
et le libérer de cytotoxique granulés par naturel tueur cellules.
Ce peut montrer que le T cellules sont impliqué dans quelques trier de trafic.
Ou le cytotoxique T cellules peut utiliser ce exon
à réglementer le tumeur contre normale fonctions.
SLAMF9 neuf encode a membre
de le signalisation lymphocytaire activation molécule famille et c'est transmembranaire.
Les GUERRES sont a tryptophane- ARNt synthétase
que catalyse le aminoacylation de ARNt avec tryptophane
et est induit par interférons.
Tous de ces gènes avoir a rôle dans le immunitaire système et T cellule fonction.
Nous peut étude ces plus loin
et déterminer si ils en fait avoir a important fonction avec in vitro essais.
Suivant, I expliqué ce plus tôt,
mais I analysé le tumeur gène expression sur temps
et T OMM20, lequel était le un que avait le la plupart dramatique inclusion,
est en fait impliqué dans le translocase de extérieur mitochondrial membrane complexe
que facilite cancer agressivité et thérapeutique résistance
dans chondrosarcome, lequel est a taper de cancer.
Toi peut voir que VIDE 20 causes cancers à être plus agressif.
C'est vraiment intéressant comment notre basique analyse avec JMP Pro
a résulté dans ce exon être le la plupart important.
Ce spectacles le efficacité de JMP dans ces types de études.
Dans conclusion, le exploration de ce ensemble de données facilité par JMP
démontre le rôle de gènes et exons dans T cellules dans mélanome.
A bien chose est que le code peut être répliqué dans Python.
JMP permet que pour plus robuste ou détaillé analyse.
Ces potentiel gènes comme VIDE 20 ou STPX9
peut aide dans la découverte de roman et personnalisé approches
à cancer traitement.
Et alors nous peut effectuer dans in vitro essai sur le haut gènes.
Remercier toi pour écoute à mon présentation.
I volonté fournir tous le code et R scénarios dans mon présentation lien.
