Hallo. Heute Ich bin froh Zu gegenwärtig Du scA2SIGN Verfahren Zu definieren Die Unterschriften für Die Faltung Start aus einzel- Zelle Daten. Wir Wille machen Auch a kurz Demonstration von Es. Das arbeiten War Erledigt In Zusammenarbeit mit Paul Fogel Und Alexej Fedorow.
Vor Zu Tun Die tief tauchen um unser Verfahren, lasst uns Tun Die kurz Einführung In Befehl Zu erklären Du Was Ist Die Zelle Dekonvolution.
Der Zelle Typ Dekonvolution Ist ein Kieselsäure Verfahren Das erlaubt Zu identifizieren Die Zelle Proportionen aus Schüttgut RNA Sequenzierung Daten. Das Verfahren erfordert Zu haben spezifisch Unterschrift Matrizen enthaltend Die Marker Gene für jede Typ von Die Interesse.
Unser Verfahren vorgeschlagen Zu identifizieren Das Unterschrift Matrix Und Start aus Die Einzelzelldaten Weil In Einzelzelldaten, als Du dürfen sehen Hier, Wir Tun haben Die Transkriptom Profile für jede einzel Zelle aus Die Daten gegenwärtig In Die Gewebe In Die Proben. Jede Punkt Hier entspricht Zu Die Zelle. Zellen mit Die geschlossen Transkriptom Profile, Sie Sind gruppiert zusammen Und bilden Cluster.
Wir dürfen gehen Zu Die nächste gleiten, Bitte.
Hier Du haben a knapp Überblick von unser Verfahren. Unser Verfahren Ist angerufen scA2SIGN, welche steht für einzel Zelle agnostisch Algorithmus für Die Faltung. Als War erwähnt vorher, Es beginnt aus Die Einzelzelldaten ideal Kommen aus mehrere Themen, Einzelpersonen, In Befehl Zu Abdeckung biologisch Variabilität Das dürfen Sei gegenwärtig zwischen Einzelpersonen.
Der Einzelzelldaten brauchen Zu Sei vorverarbeitet Und montiert In eins Daten Satz. Hier Die Zellen mit a schließen Transkriptom Profil Also Sie Sind montiert hinein Die Cluster. Das Darstellung In zwei Maße Ist angerufen UMAP.
Aus Das Einzelzelldaten, Wir brauchen Zu abrufen Die Matrizen welche Sind gehen für jede Person. Sie Sind gehen Zu enthalten Träume An Die Reihen Und Cluster An Die Spalten. Es bedeutet Wir brauchen Zu Aggregat Die Daten Und mehrere Matrizen entsprechend Zu jede Thema stellt dar a Tensor.
Wenn Wir versuchen Zu identifizieren Die Unterschriften Rechts weg bei Das Schritt, es ist gehen Zu Sei schwierig Weil manche Cluster von Einzelzelldaten, Sie schließen aus Transkriptom al Punkt von Sicht. Es dürfen erheben a Problem von Multikollinearität.
In Befehl Zu handeln mit Das, Wir laufen mehrere Runden von nicht- Negativ Tensor Faktorisierung In Befehl Zu erhalten Die reduziert Tensor Und montieren schließen Cluster zusammen In Befehl Zu definieren Die Zelle Typen mit entfernt Transkriptom Profile gegenwärtig In Die Probe.
Einmal wieder, Die Struktur von Die Daten Ist gehen Zu Sei Die Dasselbe. Wir Sind gehen Zu zeigen Es In Springen Anwendung mit Träume An Reihen, Zelle Typen An Spalten, Und mehrere Matrizen entsprechend Zu mehrere Themen. Aus Das, unser Verfahren vorgeschlagen Zu zwei einfach Kriterien Zu definieren Die Marker Gene. Das Teil Ist gehen Zu Sei bedeckt von Alexej.
Zuletzt Aber nicht am wenigsten, Die Dasselbe Gene dürfen Sei gebraucht In Befehl Zu Etikett Zelle Typen Sind definiert von unser Verfahren basierend An Gruppen von Die Cluster. Zuletzt Aber nicht am wenigsten, Wir dürfen verwenden a nicht- Negativ Regression In Befehl Zu durchführen Die Faltung An Schüttgut RNA Sequenzierung Daten.
Mit Das Wir Sind gehen Zu sprechen a wenig bisschen mehr um nicht- Negativ Tensorfaktorisierung In Befehl Zu erklären Was Ist Es genau. Nicht negativ Tensorfaktorisierung Ist a Dimensionalität Reduktion Technik. Als Es War erwähnt, Die Vorteil von Das Verfahren Ist Das Es erlaubt Zu nehmen hinein Konto Die mehrere Matrizen Kommen aus mehrere Themen Und Zu Tun Es bei eins Schritt, Vergleichen Zu andere Dimensionalität Reduktion Techniken wie ICA, Wann Du brauchen Zu laufen mehrere Runden von ICA für jede Matrix Und nächste Zu finden a Konsens In Die Daten.
Als Ausgabe Ist ein Eingang von Die NTF, Wir verwenden Die Matrizen vorher beschrieben als Die Ausgabe von Die NTF. Wir erhalten Die Komponenten . Wir erhalten Die Fingerabdrücke für Cluster Hier vertreten von IN, Die Fingerabdrücke für Die Thema vertreten von Q. In Das Fingerabdruck, Sie haben Die Gene oder Die Unterschrift. Fingerabdrücke bedeutet a Satz von Gene mit untere [unverständlich 00:05:19] definieren von H.
Jede Komponente entspricht a stark biologisch Signal gegenwärtig In Die Daten. Wenn Wir machen Die Summe von diese Komponenten von diese stark biologisch Signale gegenwärtig In Die Daten Plus a klein Fehler, Wir dürfen ungefähr Die Daten welche Ist vertreten von Das Gleichung.
Mit Das Wir dürfen gehen Zu Die nächste Schritt Und Zu sehen genau In Die Anwendung Wie Die Daten Aussehen wie.
Rechts Jetzt, Wir Sind In Die Springen Anwendung Und Du dürfen sehen Die Eingang Daten erforderlich für unser Verfahren. An Die links, Du Tun sehen Die elf Matrizen Kommen aus anders Spender. Der Matrizen haben anders Namen Und Wir gebraucht Die Idee von Die Spender als ihre Namen. In Die Tische, Wir haben 17 Spalten entsprechend Zu 17 Cluster Identifizierung In Einzelzelldaten. An Die Reihen Wir Tun haben Die Gen Namen vorangegangen von Die Idee von Die Person In Befehl Zu unterscheiden anders Transkriptom Daten Kommen aus anders Spender.
Einmal Wir geladen Die Daten hinein Die System, Wir dürfen Start unser Add-In Und Wir Sind gehen Zu sehen Wie Es Aussehen wie. Es Aussehen wie a Fenster mit mehrere Parameter. Diese Parameter Sind geschrieben In Python Weil Die Code hinter verwenden Python Sprache. Aber Du Tun nicht brauchen Zu Sei besorgt Weil Wir Sind gehen Zu ändern nur eins wichtig Parameter, welche Ist Nummer von Komponenten In Hier.
Wir vorschlagen Zu Start mit Die Nummer von Komponenten gleich Zu Nummer von Cluster gegenwärtig In Die Daten Und es ist gehen Zu Sei gleich Zu 17. Dank Du. Mit Das, Wir dürfen einfach klicken An Die einreichen Taste Und Die Anwendung Wille laufen Die Algorithmus hinter. Nächste mit Das, Ich bin gehen Zu verlassen Die Boden Zu Paul In Befehl Zu erklären Die Ausgabe von NTF Und Zu Führung Du folgende Die nächste Schritt von unser Verfahren. Dank Du für dein Aufmerksamkeit.
Dank Du, Garria. Der Ausgabe von Die a dd-in besteht von drei Tabellen mit NTF Komponenten entlang jede Dimension von Die Tensor: Zelle Cluster, Themen, Und Gene. Erste, lassen uns sehen bei Die Zelle Cluster Komponente Bühne.
I offen Die Tisch Und jede Reihe An Das Tisch entspricht Zu a Zelle Cluster In jede Spalte Zu a Komponente. Dort Sind 17 Reihen Und 17 Komponenten als angegeben In Die Add-In Eingang Parameter von Galina. Jede Eintrag In Die Tisch entspricht Zu Die Laden von a Zelle Cluster auf a Komponente.
Jetzt, Scrollen durch Die Spalten von Die Tisch, Wir sehen Das manche von Die Komponenten enthalten viele Nullen wie Komponenten 16, welche Ist Gut Weil Es zeigt an Das diese Komponenten ungefähr Die Ausdruck Daten Kommen aus Die wenige Zelle Cluster mit ungleich Null Belastungen. Hier Wir haben genau eins Zelle Cluster mit a eins, Und alle von uns Sind Nullen, oder fast null.
Der Tatsache Das Zelle Cluster haben ungleich Null Belastungen An Die Dasselbe Komponente zeigt an a hoch Grad von Kollinearität, also Umgruppierung von diese Cluster Ist ratsam. Wir haben ein Beispiel Hier mit Komponente 12, Wo drei Genau genommen Zelle Cluster haben ungleich Null Belastungen. Jetzt, lassen uns sehen bei Die Thema Komponenten Tisch.
I offen Es Und Scrollen durch Die Spalten von Die Tische, Wir sehen Jetzt Das im Gegensatz zu Die Website Cluster Komponenten Tisch, Die Spalten Hier neigen Zu Sei dicht, mit nur a wenige Nullen Hier Und Dort. Das Ist Gut Weil Es zeigt Das am meisten Themen beitragen Zu jede Komponente. In andere Wörter, Die Ausdruck Daten angenähert von jede Komponente, oder Wir Anruf Es Fingerabdruck, gilt Zu am meisten Themen. In a Sinn, Die Fingerabdruck Ist Universal.
Jetzt, Springen hat ein exzellent Besonderheit Das erlaubt Du Zu Sicht Die Histogramme von Die Spalten bei Die Spitze von Die Tisch. Lasst uns klicken An Das Symbol Hier, Und Wir Jetzt sehen alle Die Histogramme. Wir sehen Das Die Spalten Sind mehr oder weniger dicht Trotzdem, Und Es Wille Sei Gut Zu Sei fähig Zu quantifizieren Die Grad von Spärlichkeiten von jede Spalte. Wie Tun Wir Tun Das? Zu quantifizieren Die Grad von Falschheit beinhaltet Die Zelle Cluster Und Thema Komponenten. Wir verwenden Die Index vertreten von Das Formel.
Das Formel War eingeführt von Herfindahl und Hirschmann Zu auswerten Die Grad von Konzentration erreicht von Felder. Für Beispiel, Zu vermeiden Monopol Situationen Das dürfen Ergebnis aus Fusionen. Ursprünglich, Die invers Formel War veröffentlicht, Aber für Einfachheit, Wir Wille weitermachen Zu verweisen Zu Das Index als Die HHI-Index.
Ähnlich Indizes haben gewesen vorgeschlagen mehr kürzlich. Sie Sind mathematisch gleichwertig, Aber Das Index hat Die Vorteil von Sein sehr interpretierbar als Es gibt Die Nummer von nicht vernachlässigbar Einträge In Die Vektor welche Sind hervorgehoben Hier. In Die Beispiel, Wir haben a Nummer von Werte, Aber nur Die hervorgehoben Werte Sind nicht vernachlässigbar. Der HHI-Index von Das Vektor Ist fünf.
Rückkehr Zu unser Arbeitsablauf, Wir sehen Wie Das Index erlaubt uns Zu identifizieren Komponenten Das Sind spärlich entlang Die Zelle Cluster Dimension Und dicht entlang Die Thema Dimension. Wir Anruf diese Komponenten spärlich und robust . Sie sind rot Kreuze Hier mit hoch Thema HHI und niedrig Cluster Seite Cluster Der HHI ist Die Spitze von Das Feld.
Basierend An diese vier Komponenten, Wir dürfen machen Die notwendig Gruppierungen von Sicht Cluster Zu beseitigen Kollinearitäten Und Die übrig Zelle Cluster hier ... Entschuldigen Sie die Unterbrechung. [unverständlich 00:13:22]. Ich habe gerade verloren [unverständlich 00:13:22], ich werde es hier hinstellen.
Der Blau Kreuze hier entsprechen Zu Die übrig Zelle Cluster Das Wille Sei wieder eingeführt In a zweite Iteration von Die Analyse. Notiz Also Das Das Adressen mit Die stärkste Signal, nach Sein identifiziert von Die NTF, Komponenten Sind ENTFERNT aus Die Daten Satz Und Die nächste NTF beginnt über mit Die reduziert Daten Satz.
Zu veranschaulichen Das Verfahren... Ich bin Entschuldigung Aber I haben a Problem mit Hier mit Die... Es hält wieder auftauchen.
Zu veranschaulichen Das Verfahren, lasst uns Jetzt sehen bei Wie diese Iterationen von Die rekursiv NTF spielen aus. Wir sehen Hier Die HHI-Tabelle aus Die Erste Iteration welche Wille helfen uns entscheiden welche NTF Komponenten Zu halten Und welche Zu entdecken. Als erwähnt früher, Gut Komponenten Sind diese Das Sind spezifisch von nur a wenige Zellcluster turen welche übersetzt In Die niedrig Zellcluster HHI-Index. Diese Sind beschriftet Reihen Hier bei Die unten von Die Tisch.
Wir Auch laufen eins hoch Grad von Robustheit Zu Thema Diversität Und Das übersetzt hinein a hoch HHI-Index. Wie Tun Wir entscheiden ob ein HHI-Wert Ist niedrig oder hoch? Wir dürfen verwenden Das Die Springen [unverständlich 00:15:47] Plattform welche Ist verfügbar In Die Spezialist Modellieren Plattform. Wir laufen Das Plattform Und Wir anwenden a Normal Nische Modell Zu unterscheiden zwischen niedrig Und hoch HHI-Werte Und stoppen Die resultierende Einstufung.
Wann Wir Tun Das, Wir sehen Hier Die Rot Kreuze entsprechend Zu Die Komponenten Das Sind ausgewählt Weil Sie haben a hoch HHI-Thema Index Und a niedrig HHI Zellcluster Index Und Sie Sind automatisch identifiziert als solch von Die Springen Normal Plattform.
Lassen uns sehen Jetzt bei Die Belastungen von Die Zellcluster An diese besondere Komponenten . Wir sehen An Komponente 15 Und Komponente 16 Das Zellcluster 15 Und Zellcluster 17 hat ausschließlich verbunden diese Komponenten Also Sie dürfen Sei Also angenähert von diese Komponenten. In Kontrast Zu diese Zellcluster, auf Komponente 13, Wir sehen drei- Seite Cluster neu gruppiert entlang Das Komponente. Das bedeutet Das Sie Sind korreliert irgendwie, Es Wille Sei hart Zu unterscheiden ihnen, Also es ist besser Zu umgruppieren ihnen. Ähnlich An Komponente 12, mit Die Zellcluster 5, 2 und 14.
Wir dürfen Jetzt sehen bei a zweite Iteration von Die Rekursiv NTF. Ähnlich Wir sehen bei Die Komponenten Der HHI ist Die Themen Und An Die Zellcluster Und Wir sehen Jetzt Das nur eins Komponente, Komponente vier, erfüllt diese Umschulungen Anforderungen für Sein beibehalten während Das Iteration. Wenn Wir sehen Jetzt bei Die Komponenten Publikum, Wir sehen Das Zellcluster Sieben Ist ausschließlich verbunden mit Das Komponente. Gut.
Jetzt Das Wir haben Erledigt Das, Wir Sind nicht gehen Zu zeigen Du alle von Die Iterationen. Eigentlich, Dort Sind vier Iterationen Und Wir Ende hoch Jetzt mit diese Gruppierungen Das Wir sehen Hier. Wir haben Genau genommen neun Zelle Cluster nach Umgruppierung. Manche von ihnen Sind Gruppierungen von drei oder vier Original Zellcluster. Jedoch, fünf Zellcluster tat nicht brauchen Zu Sei neu gruppiert. Was Ist Die biologisch Bedeutung von diese Gruppierungen?
Von passend Die am meisten hoch ausgedrückt Gene In jede Zelle Cluster mit Bioinformatik Datenbanken, Es Ist möglich Zu assoziieren Die Zellcluster mit bekannte biologische Zelle Typen. Für Beispiel, Die NTF Gruppierungen 2- 5-14 War identifiziert als a natürlicher Killer CD8 Zelle Typ.
Wir gefunden Das Dort war mehrere Gruppierungen Das Genau genommen spitz Zu Die Dasselbe wesentlich Schlüssel Zelle Typ. Daher, Wir entschieden Zu verschmelzen ihnen Und kam hoch mit fünf hauptsächlich Zelltypen. Jedoch, Es Ist Trotzdem möglich Zu Extrakt Unterschriften für [unverständlich 00:20:12] Zelltyp Ist Das dürfen Sei gebraucht In a zweite Bühne von Die Faltung. Aber Wir Wille kommen zurück Zu Das Punkt bei Die Ende von Das Präsentation.
Lassen uns Jetzt sehen bei Die resultierende reduziert Tensor. Ich bin Nur Öffnung Die Tisch. Du sehen Hier Die Tisch, Und als erwartet, Dort Sind Jetzt fünf Reihen entsprechend Zu Die neu gruppiert Zelle Cluster.
Jetzt Das Wir haben eingeführt Cluster Gruppierung Zu minimieren Kollinearität, I Wille haben Alexej erklären Wie Wir fortfahren Zu erstellen Unterschrift Gene Das Sind am meisten wirksam für Zersetzung.
Einmal Die Zelle Cluster Sind gruppiert, Wir Tun Trotzdem brauchen Zu erstellen Gen Unterschriften für jede von Die Gruppierungen Zu sicherstellen genau Windungen von Die gemischt Proben. Bis jetzt, Wir haben berücksichtigt Die Zelle Und Thema Komponente Vektoren. Lassen uns Jetzt halten Die Gen Komponente Vektor.
Der Tisch Wir sehen Hier Ist nicht Wirklich informativ. Wir dürfen nur sehen Nullen überall fällig Zu Die Tatsache Das nur klein Minderheit von Gene haben Genau genommen ungleich Null Belastungen An Die NTF Komponenten. Wenn Du dürfen gehen Zu Die nächste Iteration, Bitte, Paul.
Lassen uns Jetzt prüfen Die Belastungen von Die Gene An Das Darstellung von Die Komponenten welche wir haben angerufen spärlich Und robust.
Diese war ausgewählt während Die Erste Iteration von Die rekursiv NTF. Wir sehen Hier In Rot Das manche von Die unverwechselbar Gene Sind geteilt von alle Komponenten. Wir wissen Also Das jede Komponente Ist spezifisch Zu a besondere Zelle Cluster oder a Gruppe von geschlossen Zellcluster. Das bedeutet Das manche von Die Gene Sind Genau genommen stark ausgedrückt In mehrere Cluster mit manche Grad von Linearität zwischen Die Zelle Cluster.
Das Ist genau Wie Nische funktioniert. Biologisch Teile Sind nicht unbedingt senkrecht Zu jede andere. Daher, Wir kann nicht verlassen nur An NTF Gen Komponenten Zu identifizieren Gen Markierungen Das Sind einzigartig Zu a Zelle Cluster oder a Gruppe von Das, Wir muss zurückkehren Zu Die tatsächlich Ausdruck Daten.
Wir Sind bekommen zurück Zu Ausdruck Daten Und Wir Wille einführen zwei Kriterien. Der Erste eins für a Gen Zu Sei berücksichtigt Die Marker Gen von a besondere Zellcluster, Wir sagen Das Es sollen stets Sei mehr ausgedrückt In Die Cluster als In andere Cluster, egal von welche Thema Ist berücksichtigt. Das Ist gezeigt In Figur unten links, Wo Wir haben dargestellt zwei Gene.
Mit manche [unverständlich 00:23:20], Wir sehen Das diese Punkte An Die links entsprechen Zu a einzigartig Marker Gen für B Zellen. Wir dürfen sehen nur B Zellen überall. An Die Rechts, a Nichtmarker Gen Ist hoch ausgedrückt In beide B Zellen, nicht klassisch Monozyten Und natürlich Killer Zellen.
Der zweite Kriterien Wille Sei Das Die verbunden Zelle Cluster sollen nicht nur Sei bei Die Spitze von Die andere Cluster. Wann Wir sehen bei Die Ausdruck von Die Markt Gen über [unverständlich 00:23:55] Themen Und Zelle Typen, Aber Auch Es sollen Sei Also voraus von andere.
Für Das, Wir verwenden Das Punktzahl mit a formell Ausgabe An Die Rechts Das war vorgeschlagen von [unverständlich 00:24:09] In ihre Original Papier. Das Punktzahl reflektiert Die Spezifität von a Gen Marker. Das Punktzahl Ist basierend nur An Die Verteilung von Gen Ausdruck über Themen Und Zelle Typen. Daher Bewerbung Das Zu Kriterien, Wir erhalten a Liste von 173 Marker Gene Das dürfen anschließend Sei gebraucht für Die Faltung.
In Das Tisch, Sie Sind aufgeführt zusammen mit Die Werte Das treffen Die zwei Kriterien Ich habe gesprochen um.
Lassen uns Jetzt sehen bei Die Tisch von Unterschrift Gene für jede von Die Thema Und wesentlich Zelle Typen. Hier Wir sehen Die Liste von Gene und Die Spalten entsprechen Zu jede anderer Themen Und Die Dasselbe Liste von Zelle Typen für jede von Die Thema. In Kontrast Zu Die Tisch von NTF Belastungen Das Wir zeigte vorher, Das Tisch Ist nicht spärlich, Also Es Ist beschränkt nur Zu 173 Marker Gene Das Wir ausgewählt nach Zu unser Kriterien mit [unverständlich 00:25:26] Gen. Als I sagte, Die Spalten Sind für Thema Zelle Typen.
Wir Wille Jetzt visualisieren Wie Die Unterschrift Gene Sind ausgedrückt über Themen. Für Das, Wir Wille verwenden Die zweite Plug-In Wir entwickelt welche Ist angerufen Adrubix. Das Wille erlauben uns Zu leicht bewerten Die Robustheit von Die Gen Unterschriften Wir bekommen.
Wir offen a klein Fenster mit a Liste von Parameter In Python Syntax als für Die Erste Plugin. Der Standard Werte haben gewesen bereits gefüllt In Und Wir Wille Jetzt nur füllen In für Demonstration, Die Wert für Die Parameter welche Ist angerufen Skala entlang.
Seit Die Ausdruck Bereiche abweichen deutlich zwischen Gene, Wir Wille Satz Das Parameter Zu null Zu haben alle Die Spalten skaliert Und Wir einreichen. Nur a wenige Sekunden Und Wir sehen a Bild mit unterscheidbar Unterschriften für jede wesentlich Zelle Typ. Jedoch, Wir sehen Das Das Hitze Karte Ist geklebt zusammen In zwischen Themen Und Wir dürfen Genau genommen , mit Das Plug-In, sehr leicht hinzufügen Trennzeichen In zwischen Die Spalten für jede von Die Themen.
Für Das, Wir ändern Die Wert von Die Parameter Metadaten Cols Sep Zu Thema Und Wir erneut einreichen. Jetzt Wir erhalten Die separate Hitze Karten für jede von Die Themen. Das Ist viel klarer Und als du hast gesehen, Das klein Fenster enthält zahlreiche Parameter. Du dürfen verweisen Zu Die Dokumentation für Die zugrundeliegend Python Paket welche Ist verfügbar Klicken An Das Link.
Abschließen, Wir sehen Hier Genau genommen Das Die Unterschrift Gene Sind sehr robust. Wir sehen sehr wenig Unterschied In anders Themen. Wie Das Wir dürfen visuell sehr leicht bestätigen Die Robustheit von [unverständlich 00:28:09] .
Jetzt Wir Sind nähert sich Die Ende von unser Präsentation, I Wille lassen Galina gegenwärtig manche Dekonvolution Ergebnisse Das war erhalten mit Die Gen Unterschrift [unverständlich 00:28:22] . Galina.
Ja, Dank Du. Zuletzt Aber nicht am wenigsten, Wir würde wie Zu zeigen Du Die Leistung von unser Verfahren. Zu auswerten Die Leistung von unser Verfahren, Wir verwenden Die veröffentlicht Daten Kommen aus Weiß Papier Also erwähnt In Hinweise sein Referenz. Das Daten Satz enthaltend 21 anders Zelle Mischungen. Dort Sind Die Mischungen von anders T Zelle Untertypen, NK Zellen, Monozyten Und B Zellen.
In diese Mischungen, Wir haben Auch drei anders Zelle Typen nicht bedeckt von unser Unterschriften entsprechend Zu Kolorektor oder Brust Krebs Zellen Und zwei Zelle Linien wie Fibroblasten Und Die Schwanz Zellen.
Wir entschieden Zu verwenden zwei Kriterien wertet aus gesamt Leistung von unser Verfahren Pearson Korrelation Koeffizient oder [unverständlich 00:29:18] a Konkordanz Koeffizient Weil Wir dürfen erhalten sehr bedeutsam Korrelation zwischen geschätzt Und Boden Wahrheit Proportionen, Aber Wir dürfen haben Die ändern In Die Skala Identifizierung Die Menge von Zellen gegenwärtig In Die Probe. Das Ist Warum Wir verwenden zwei Kriterien.
Gesamt, Wir erhalten Gut Ergebnisse für Zelle Typen bedeckt von unser Unterschriften. Der Ergebnisse Sind leicht nicht Also Schön für T Zellen Weil Wir nicht haben genau Korrespondenz zwischen T Zelle Teilmenge gegenwärtig In Die Mischungen Und T Zellen Gruppe präsentiert In unser Unterschriften. Wir haben Auch Wirkung r Zellen Und In Die Mischungen, Das Zelle Typ War nicht hinzugefügt.
Zuletzt Aber nicht am wenigsten, Wir würde wie Auch Zu erwähnen mit unser Verfahren Du dürfen gehen darüber hinaus Und identifizieren Die Untertypen von T Zellen, Die Monozyten läuft rekursiv NTF Und definieren Die Marker Gene für jede groß Gruppe von immun Zellen. Auch Das diese Add-Ins Das haben gewesen präsentiert Und demonstriert Heute, Sie Sind verfügbar In Springen Anwendung.
Mit Das, Dank Du für dein Aufmerksamkeit.
