你好， 每個人。
今天 患病的 是 呈現 關於 這 應用 的 聯合管理計劃
到 分析 基因 表達 單身的- 細胞 核糖核酸 數據 在 黑色素瘤 細胞。
我的 姓名 是 凱瑟琳 週，
和 我是 a 高的 學校 學生 在 林布魯克 高的 學校。
作為 介紹，
黑色素瘤 發展 在 細胞 或者 黑色素細胞 那 生產 黑色素
和 是 這 最多 挑釁的 類型 的 皮膚 癌症，
代表 65% 的 全部 死亡人數 從 皮膚 癌症。
T 細胞 是 a 類型 的 白色的 血 細胞 那 發展 從 幹 細胞
在 這 骨 骨髓 和 成熟 在 這 胸腺,
在哪裡 他們 乘 和 區分 進入 幫手， 監管、 或者 細胞毒性 T 細胞
或者 變得 記憶 T 細胞。
細胞毒性 T 細胞， 哪個 是 活性 經過 各種各樣的 細胞激素,
綁定 到 和 殺 受感染 細胞 和 癌症 細胞。
在 黑色素瘤 患者， T 細胞 山 一個 免疫 回覆 反對 這 瘤，
但 在 一些 觀點， 這 回應者 T 細胞 變得 無效的
到期的 到 a 當地的 免疫抑制 過程 發生 在 這 瘤 網站。
我們會 喜歡 到 確認 這 原因 在後面 T 細胞 功能障礙。
選擇 拼接 是 a 監管 過程
基本的 到 產生 轉錄組 多樣性。
監管不當 貢獻 到 疾病 和 癌症。
真核生物 基因 是 組成的 的 整數 羅尼克 和 外顯子 序列，
作為 你 能 看 在 這 圖表。
在 這 選擇 拼接 過程，
非編碼 內含子 的 a 基因 是 有選擇地 已刪除
和 這 包括 外顯子 是 合併的 在 這 最終的 信差 核糖核酸,
和翻譯 的 這些 不同的 同工型， 在哪裡 不同的 組合
結果 在 不同的 蛋白質 和 不同的 細胞的 功能。
下一個， 傳統的 大部分 定序 檢查 這 基因組 的 a 細胞 人口
這樣的 作為 這 細胞 文化 或者 組織,
和 它是 輸出 是 這 平均的 基因 表達 的 這 細胞 人口。
在 這 其他 手， 單身的 細胞 定序
措施 這 基因組 的 個人 細胞 從 這 人口。
單細胞 核糖核酸 定序， 或者 單股RNA定序，
措施 這 轉錄組 的 每個 細胞 在 這 樣本，
哪個 揭示 這 異質性 的 數千 的 細胞
和 提供 洞察力 進入 細胞的 差異 在 高的 解決。
在 這 學習， 患病的 是 分析 選擇 拼接在 scRNA-seq 數據，
哪個 有 很少 到過 研究過 到期的 到 一些 問題。
單股RNA定序 結果 在 a 非常 大的 數位 的 細胞 和 疏 數據。
然而， 和 的 恰當的 統計 工具 喜歡 聯合管理計劃 和 ,
我們 能 拿 步驟 到 解決 這些 問題。
在 這 推介會，
患病的 是 去 超過 我的 方法 到 尋找 這 最多 重要的 選擇 香料
或者 作為 事件 差異化 癌症的 T 細胞 從 健康 淋巴 節點 T 細胞。
患病的 解釋 我的 數據 加工 管道， 和 然後 患病的 去 超過 如何 到 使用 聯合管理計劃 專業版
為了 預測性的 造型， 聚類, 和 可視化。
和 然後 患病的 去 超過 這 結果 的 這 分析 的 單股RNA定序 數據集
的 T細胞 在小鼠中 黑色素瘤。
這 是 a 圖表 的 這 推介會。
第一的， ID 喜歡 到 解釋 我的 數據集 準備 和 加工 過程。
第一的， I 準備好了 和 加工過的 這 數據集。
I 採取了 這 單股RNA定序 數據集 的 細胞 在 淋巴結 和 黑色素瘤 在 老鼠
從 這 紙 超過 這裡，
和 然後 執行的 讀 結盟 的 這 F ASTQ 文件 和 星星，
和 檢測到 作為 事件 和 這 管道 衍生的 從 rMATS，
哪個 用途 a 廣義的 線性 混合的 模型。
反而 的 使用 這 成對地 比較，
I 跑 它 在 a 單身的 樣本 和 每個 個人 細胞，
有效地 量化 作為 在 每個 細胞。
然後 I 用過的 R 到 量化 外顯子 跳繩 事件 和 國際聯合委員會
哪個 看台 為了 包容性 交界處 數數，
和 SJC， 哪個 看台 為了 跳繩 交界處 數數。
作為 你 能 看 以下 在 這 圖表， 一個 包容性 交界處 是 檢測到
什麼時候 這 讀 包括 兩個都 這 側翼 順序，
哪個 是 這 黑色的 順序 超過 這裡，
和 這 外顯子 順序， 哪個 是 這 E 順序 超過 這裡，
儘管 a 跳繩 交界處 數數 是 檢測到
什麼時候 這 讀 僅有的 包括 這 二 側翼 序列
和 只是 完全 跳過 這 外顯子。
然後 I 創造 a 矩陣 的 這 數據。
下一個， I 子集化 這 T 細胞
使用 細胞 標籤 之前 定義的 經過 這 作者 的 這 數據集。
到 篩選 作為 事件， I 應用 這 下列的 規則，
和 I 做過 這 在 R。
那裡 必須 是 在 至少 十 讀 每 交界處。
這 事件 有 到 是 檢測到 在 更多的 比 十 細胞，
和 這 事件 不能 有 不 變異性 穿過 這 細胞。
這 搬家了 大約 75% 的 這 外顯子。
這 節目 那 濾 是 重要的 因為 它 已刪除 外顯子
和 低的 覆蓋範圍 和 是 基本上 不重要。
這 減少 這 特徵 尺寸， 哪個 將要 提升 這 表現
的 預測性的 造型 和 分析 更遠 在 這 未來。
然後 I 計算 這 PSI 或者 百分比 拼接的 在 價值
和 這 方程式： 國際聯合委員會 超過 國際聯合委員會 加 SJC。
前 I 去 進入 這 下一個 步 的 預測性的 造型，
I 通緝 到 解釋 這 原因 I 決定 到 申請 預測性的 建模於 聯合管理計劃
為了 這 具體的 問題。
那裡 有 到過 一些 研究 那 成功地 用過的 機器 學習 型號
為了 分析 RNA定序 數據， 哪個 達到了 高的 準確性。
I 假設的 那 它 會 也 是 準確的 為了 單股RNA定序 數據。
那裡 是 許多 優點 的 使用 預測性的 造型 作為 出色地。
它 能 提煉 有意義的 特徵 從 巨大的 數據集，
分類 數據 和 預測 結果 和 監督的 學習，
和 認出 潛在的 關係 的 數據， 喜歡 在 神經的 網路。
JMP專業版 也 提供 a 偉大的 介面 為了 探索 這些 不同的 模型，
允許 你 到 容易地 申請 複雜的 演算法
到 大的 數據集 迅速地 和 準確。
它 也 允許 為了 模型 比較 和 篩選。
最後， 它 產生 一些 視覺的 和 互動的 報告
那 減少 這 黑色的 盒子 影響 的 機器 學習 模型，
哪個 方法 那 你 不 真的 知道 什麼 發生 在 這 模型，
你 只是 知道 這 輸出， 哪個 是 不是 非常 有用。
我們的 數據集 有 8,044 變數 或者 外顯子, 和 1,014 列 或者 細胞。
它 曾是 難的 到 跑步 分析 和 這樣的 a 大的 數位 的 列，
所以 I 用過的 a 引導程式 森林 為了 多變的 選擇。
A 引導程式 森林 是 非常 計算地 高效率的
和 它 能 操作 迅速地 超過 寬的 數據集，
和 它 用途 隨機的 取樣 和 替代品，
導致 它 到 是 非常 強壯的 和 準確的。
I 可以 有 也 用過的 預測器 篩選、
哪個 是 其他 功能 在 傑普,
但 I 成立 那 手動 跑步 它 使用 a 調音 設計 桌子
曾是 更多的 計算地 高效率的
和 允許 我 到 調 這 數位 的 樹 作為 出色地。
但 I 成立 那 這 數位 的 樹 不 製作 a 巨大的 不同之處。
在 一般的， 這 更多的 樹 你 使用 線索 到 更好的 結果，
但 他們的 改進 減少 作為 這 數位 的 樹 增加。
在 a 肯定 觀點， 這 益處 在 預言 表現
從 學習 更多的 樹 將要 是 降低 比 這 成本 在 計算 時間。
為了 這 8,044 外顯子, I 調整了 數位 的 樹木，
和 I 成立 那 大約 50 樹 結果 在 這 最高 準確性。
和 然後 I 採取了 這 頂部 100 外顯子 從 這 柱子 貢獻，
和 然後 I 跑 它 再次 和 這 頂部 50 外顯子,
和 然後 再次 和 這 50 外顯子, 比較 這 準確性 作為 你 去。
這 節目 這 聯合管理計劃 報告 為了 調音 樹 和 多變的 選擇。
作為 你 能 看， I 使用 這 調音 設計 桌子 和 改變 這 數位 的 樹。
I 看起來 在 這 熵R 方塊 和 這些 不同的 指標。
I 相信 50 樹 曾是 這 最好的 結果。
I 採取了 這 頂部 100 外顯子 和 然後 I 跑 這 引導程式 森林 和 30 樹
因為 I 做過 其他 調音 設計 桌子。
為了 每個 迭代，
I 做過 a 分離 調音 設計 桌子 到 尋找 這 最好的 數位 的 樹。
作為 你 能 看， 這 熵 R 方塊 增加
作為 這 數位 的 外顯子 曾是 減少了。
作為 I 已選擇 這 頂部 三 不同的 外顯子,
它 節目 那 它 不 真的 事 如果 它是 這 頂部 10 或者 頂部 50 或者 頂部 100,
它 將要 仍然 結果 在 a 高的 準確性。
這 錯誤分類 速度 多種多樣。
這 有效值 錯誤 也 減少，
和 這 平均的 絕對 錯誤 也 減少了。
和 這些 指標，
I 決定 到 使用 這 頂部 10 外顯子 到 跑步 這 下一個 步驟 的 我的 分析。
I 用過的 這 模型 篩選 功能 在 聯合管理計劃 專業版
到 跑步 這 頂部 10 外顯子 在 全部 這 不同的 型號 那 是 可能的。
它 結果 在 a 高的 準確性 穿過 這 木板。
I 看起來 在 這 預言 分析器 到 決定 如何 這 外顯子
造成的 瘤 或者 癌症的 細胞 到 是 不同的。
現在，我將 是 表演 a 示範 的 這 過程。
讓 我 打開 這 頂部 10 外顯子。
在 JMP 中 親， 你 能 去 到 分析， 預測性 造型，
和 然後 模型 篩選。
我就打 記起 因為 I 用過的 這 前
和 它 自動地 更新 和 你的 以前的 設定.
和 然後 它也 做過 K型折疊 十字v 確認。
這 過程 是 非常 快的， 它 僅有的 需要 大約 20 秒 或者 10 秒。
全部 正確的。
作為 你 能 看， 這 神經的 增強的 有 這 最高 準確性。
下一個 曾是 廣義的 回歸套索。
它 分裂 這 數據集 進入 訓練 和 驗證。
你 能 看 那 增強的 樹 有 這 最高 準確性 為了 訓練，
哪個 使 感覺 因為 它 基本上 適合 這 數據 真的 出色地
什麼時候 你 使用 a 樹。
但 為了 驗證， 讓我們 看， 這 最多 準確的 曾是 在 神經的 增強了。
和 這 資訊,
I 決定 到 使用 a 神經的 增強的 到 做 這 最終的 分類 的 細胞
為了 瘤 細胞 或者 普通的 細胞，
因為 它 會 結果 在 這 最高 準確性。
I 點擊了 跑步 選定的，
和 然後 I 用過的 這 驗證 柱子 那 I 之前 已創建
和 這 使V 確認 功能 在 這 預測性 造型 選項卡。
這裡 是 這 結果 的 這 神經的 網路。
它 曾是 非常 快的， 再次。
你 能 看 那 那裡 是 這 鵬 圖表。
它 基本上 有 a 非常 高的 曲線下面積。
如果 你 拿 a 看 在 這 預言 分析器、分析器、
這 節目 這 不同的 方式...
讓 我 解釋 這 更好的。
作為 你 移動 你的 游標 沿著， 如果 你 看 在 A 下載， 這 基因，
什麼時候 這 包容性 的 這 外顯子 增加，
然後 有 a 更高 可能性 那 這 細胞 將要 是 a 瘤 細胞。
超過 這裡， 為了 這， 這是 也 這 相同的 趨勢。
為了 這 一， 這 是 這 逆 趨勢。
為了 聚二氫脫氫酶9, 作為 這 包容性 的 這 外顯子 增加，
這 可能性 那 它 將要 結果 在 a 瘤 細胞 減少。
對不起。
這 允許 你 到 看 在 這 角色 的 這些 外顯子
在 導致 這 功能 的 瘤 和 普通的 細胞 到 是 不同的。
這 是 a 非常 強大的 視覺化工具，
和 它 能 展示 這 不同的 關係 之間 這些 細胞。
你 能 也 只是 節省 這 公式 到 這...
對不起， 一 第二。
你 做 發布 預言 公式， 和 那 節省 它 在 這 公式 倉庫。
好的。
下一個， ID 喜歡 到 看 在 這 不同之處 在 表達
作為 它 去 從 5 天 到 8 天 到 11 天。
這 數據集 也 假如 這 細胞 在 不同的 時間 點。
如果 你 看 在 這裡，
這 柱子 節目 那 這 不同的 次 是 可用的 為了 我們 到 分析。
I 子集化 這 瘤 細胞。
讓 我 尋找 那 超過 這裡。
瘤 僅有的。
I 比較的 這 分配 的 這 不同的 外顯子。
讓 我 展示 你 這 圖形。
作為 你 能 看，
那裡 是 一些 外顯子 那 增加 在 表達 超過 時間。
超過 這裡 , SLAMF9 或者 T 奧瑪20 增加 戲劇性地，
和 這些 也 增加。
那裡 是 也 外顯子 那 增加 和 然後 減少，
哪個 展示 那 他們 有 一個 最佳的 時期 的 時間
那 他們是 這 最多 積極的。
患病的 是 去 超過 這些 具體的 基因 和 功能 之後 在 我的 推介會。
讓 我 去 後退 到 我的 推介會。
全部 正確的。
這裡， I 也 跑 聚類 在 這 頂部 10 外顯子 數據集。
I 做過 K- 方法 聚類,
和 這 更多的 準確 分類 這 瘤 相對 普通的 細胞。
作為 你 能 看 這裡，
這 藍色的 是 普通的 細胞 和 然後 這 紅色的 是 這 瘤 細胞。
這 節目 那 那裡 是 可能 不同的 子集 的 瘤 細胞
那 有 不同的 功能。
I 也 跑 烏瑪普 在 全部 這 細胞。
烏瑪普 是 其他 維度的 減少 公式。
這 曾是 跑 和 a 聯合管理計劃 添加- 在 那 曾是 已創建 經過 這 作者。
I 將要 關聯 它 在 我的 推介會 在 這 社區。
這裡 是 這 基因 豐富 分析 那 I 執行。
作為 你 能 看， 這 頂部 功能 的 全部 的 這些 基因
曾是 核糖核酸 導入到 這 粒線體。
這 第二 最多 重要的 一 曾是 規定 的 白血球 脫顆粒。
T細胞 是 a 類型 的 白血球。
它 能 展示 那 可能 這些 白血球 或者 T 細胞 是 脫粒，
和 那 原因 這 細胞 到 變得 腫瘤。
也, 惡性的 腫瘤 有選擇地 保持 粒線體 基因組 和 ETC 功能。
那 能 也 解釋 為什麼 核糖核酸 導入到 這 粒線體
是 一個 重要的 功能。
這 是 其他 圖形 的 這 頂部 去 生物 流程。
超過 這裡， 這 頂部 一 是 細胞的 過程。
那裡 是 也 生物 附著力, 規定， 和 免疫 系統 流程
那 能 是 更遠 探索過。
ID 喜歡 到 解釋 這 最多 值得注意的 基因。
這些 基因 是 基本上 這 頂部 基因 那 是 在 這 柱子 貢獻。
S TPPBX2 是 涉及 在 細胞內的 販運、
控制 的 圈套 複雜的 集會，
和 這 發布 的 細胞毒性 顆粒 經過 自然的 殺手 細胞。
這 能 展示 那 這 T 細胞 是 涉及 在 一些 種類 的 販運。
或者 這 細胞毒性 T 細胞 能 使用 這 外顯子
到 調節 這 瘤 相對 普通的 功能。
SLAMF9 九 編碼 a 成員
的 這 訊號 淋巴球的 啟用設定 分子 家庭 和 它是 跨膜。
戰爭是 a 色氨酸基- tRNA 合成酶
那 催化 這 氨酰化 的 tRNA 和 色氨酸
和 是 誘導的 經過 幹擾素。
全部 的 這些 基因 有 a 角色 在 這 免疫 系統 和 T 細胞 功能。
我們 能 學習 這些 更遠
和 決定 如果 他們 實際上 有 a 重要的 功能 和 體外 測試。
下一個， I 解釋了 這 早些時候，
但 I 分析了 這 瘤 基因 表達 超過 時間
和 T OMM20， 哪個 曾是 這 一 那 有 這 最多 戲劇性 包容性，
是 實際上 受到牽連 在 這 易位酶 的 外 粒線體 膜 複雜的
那 促進 癌症 攻擊性 和 治療性的 反抗
在 軟骨肉瘤， 哪個 是 a 類型 的 癌症。
你 能 看 那 空的 20 原因 癌症 到 是 更多的 挑釁的。
它是 真的 有趣的 如何 我們的 基本的 分析 和 JMP專業版
結果 在 這 外顯子 存在 這 最多 重要的。
這 節目 這 效力 的 聯合管理計劃 在 這些 類型 的 研究。
在 結論， 這 勘探 的 這 數據集 促成的 經過 聯合管理計劃
展示 這 角色 的 基因 和 外顯子 在 T 細胞 在 黑色素瘤。
A 好的 事物 是 那 這 程式碼 能 是 複製的 在 Python。
聯合管理計劃 允許 那 為了 更多的 強壯的 或者 詳細的 分析。
這些 潛在的 基因 喜歡 空的 20 或者 STPX9
能 援助 在 發現 的 小說 和 個人化 方法
到 癌症 治療。
和 然後 我們 能 執行 在 體外 測試 在 這 頂部 基因。
感謝 你 為了 傾聽 到 我的 推介會。
I 將要 提供 全部 這 程式碼 和 R 腳本 在 我的 推介會 關聯。
