Hola. Hoy Soy contento a presente tú scA2SIGN método a definir el firmas para el circunvolución a partir de de soltero- celúla datos. Nosotros voluntad hacer también a corto demostración de él. Este trabajar era hecho en colaboración con Pablo Fogel y Alexey Fedorov.
Antes a hacer el profundo bucear acerca de nuestro método, Vamos hacer el corto introducción en orden a explicar tú qué es el celúla deconvolución.
El celúla tipo deconvolución es un sílice método eso permite a identificar el celúla dimensiones de a granel ARN secuenciación datos. Este método requiere a tener específico firma matrices que contiene el marcador genes para cada tipo de el interés.
Nuestro método propuesto a identificar este firma matriz y comenzar de el datos de una sola célula porque en datos de una sola célula, como tú poder ver aquí, nosotros hacer tener el transcriptómica perfiles para cada soltero celúla de el datos presente en el tejido en el muestras. Cada punto aquí corresponde a el celúla. Células con el cerrado transcriptómica perfiles, ellos son agrupados juntos y forma racimos.
Nosotros poder ir a el próximo deslizar, por favor.
Aquí tú tener a breve descripción general de nuestro método. Nuestro método es llamado scA2SIGN, cual se encuentra para soltero celúla agnóstico algoritmo para el circunvolución. Como era mencionado previamente, él comienza de el datos de una sola célula idealmente próximo de varios sujetos, individuos, en orden a cubrir biológico variabilidad eso poder ser presente entre individuos.
El datos de una sola célula necesidad a ser preprocesado y ensamblado en uno datos colocar. Aquí el células con a cerca transcriptómica perfil entonces ellos son ensamblado en el racimos. Este representación en dos dimensiones es llamado Mapa unificado.
De este datos de una sola célula, nosotros necesidad a recuperar el matrices cual son yendo para cada individual. Ellos son yendo a contener sueños en el filas y grupos en el columnas. Él medio nosotros necesidad a agregar el datos y varios matrices correspondiente a cada sujeto representa a tensor.
Si nosotros intentar a identificar el firmas bien lejos en este paso, es yendo a ser difícil porque alguno grupos de datos de una sola célula, ellos cerca de transcriptómica al punto de vista. Él poder aumentar a problema de multicolinealidad.
En orden a trato con este, nosotros correr varios rondas de no- negativo tensor factorización en orden a conseguir el reducido tensor y armar cerca grupos juntos en orden a definir el celúla tipos con distante transcriptómica perfiles presente en el muestra.
Una vez de nuevo, el estructura de el datos es yendo a ser el mismo. Nosotros son yendo a espectáculo él en Saltar solicitud con sueños en filas, celúla tipos en columnas, y varios matrices correspondiente a varios sujetos. De este, nuestro método propuesto a dos simple criterios a definir el marcador genes. Este parte es yendo a ser cubierto por Alexey.
Último pero no el menos, el mismo genes poder ser usado en orden a etiqueta celúla tipos son definido por nuestro método basado en grupos de el racimos. Último pero no el menos, nosotros poder usar a no- negativo regresión en orden a llevar a cabo el circunvolución en a granel ARN secuenciación datos.
Con este nosotros son yendo a hablar a pequeño poco más acerca de no- negativo factorización tensorial en orden a explicar qué es él exactamente. No negativo factorización tensorial es a dimensionalidad reducción técnica. Como él era mencionado, el ventaja de este método es eso él permite a llevar en cuenta el varios matrices próximo de varios sujetos y a hacer él en uno paso, comparando a otro dimensionalidad reducción técnicas como ICA, cuando tú necesidad a correr varios rondas de ICA para cada matriz y próximo a encontrar a consenso en el datos.
Como producción es un aporte de el NTF, nosotros usar el matrices previamente descrito como el producción de el Fondo Nacional de Terrorismo. Nosotros conseguir el componentes . Nosotros conseguir el huellas dactilares para grupos aquí representado por EN, el huellas dactilares para el sujeto representado por P. En este huella dactilar, ellos tener el genes o el firma. Huellas dactilares medio a colocar de genes con más bajo [inaudible 00:05:19] definiendo por H.
Cada componente corresponde a fuerte biológico señal presente en el datos. Si nosotros hacer el suma de estos componentes de estos fuerte biológico señales presente en el datos más a pequeño error, nosotros poder aproximado el datos cual es representado por este ecuación.
Con este nosotros poder ir a el próximo paso y a ver exactamente en el solicitud cómo el datos aspecto como.
Bien ahora, nosotros son en el Saltar solicitud y tú poder ver el aporte datos requerido para nuestro método. En el izquierda, tú hacer ver el once matrices próximo de diferente donantes. El matrices tener diferente nombres y nosotros usado el idea de el donantes como su nombres. En el mesas, nosotros tener 17 columnas correspondiente a 17 grupos identificar en datos de una sola célula. En el filas nosotros hacer tener el gene nombres precedido por el idea de el individual en orden a distinguir diferente transcriptómica datos próximo de diferente donantes.
Una vez nosotros cargado el datos en el sistema, nosotros poder lanzamiento nuestro complemento y nosotros son yendo a ver cómo él aspecto como. Él aspecto como a ventana con varios parámetros. Estos parámetros son escrito en Pitón porque el código detrás usar Pitón idioma. Pero tú hacer no necesidad a ser asustado porque nosotros son yendo a cambiar solo uno importante parámetro, cual es número de componentes en aquí.
Nosotros sugerir a comenzar con el número de componentes igual a número de grupos presente en el datos y es yendo a ser igual a 17. Agradecer tú. Con este, nosotros poder simplemente hacer clic en el entregar botón y el solicitud voluntad correr el algoritmo detrás. Próximo con este, Soy yendo a dejar el piso a Pablo en orden a explicar el producción de NTF y a guía tú siguiente el próximo paso de nuestro método. Agradecer tú para su atención.
Agradecer tú, Garría. El producción de el a dd-in consiste de tres mesas con NTF componentes a lo largo de cada dimensión de el tensor: celúla grupos, sujetos, y genes. Primero, dejar a nosotros mirar en el celúla grupo componente escenario.
I abierto el mesa y cada fila en este mesa corresponde a a celúla grupo en cada columna a a componente. Allá son 17 filas y 17 componentes como especificado en el complemento aporte parámetro por Galina. Cada entrada en el mesa corresponde a el cargando de a celúla grupo sobre a componente.
Ahora, desplazamiento a través de el columnas de el mesa, nosotros ver eso alguno de el componentes contener muchos ceros como componentes 16, cual es bien porque él indica eso estos componentes aproximado el expresión datos próximo de el pocos celúla grupos con distinto de cero cargas. Aquí nosotros tener exactamente uno celúla grupo con a uno, y todo de a nosotros son ceros, o casi cero.
El hecho eso celúla grupos tener distinto de cero cargas en el mismo componente indica a alto grado de colinealidad, por lo que reagrupación de estos grupos es aconsejable. Nosotros tener un ejemplo aquí con componente 12, dónde tres de hecho celúla grupos tener distinto de cero cargas. Ahora, dejar a nosotros mirar en el sujeto componentes mesa.
I abierto él y desplazamiento a través de el columnas de el mesas, nosotros ver ahora eso a diferencia de el sitio grupos componentes mesa, el columnas aquí tender a ser denso, con solo a pocos ceros aquí y allá. Este es bien porque él espectáculos eso mayoría sujetos contribuir a cada componente. En otro palabras, el expresión datos aproximado por cada componente, o nosotros llamar él huella dactilar, se aplica a mayoría sujetos. En a sentido, el huella dactilar es universal.
Ahora, Saltar tiene un excelente característica eso permite tú a vista el histogramas de el columnas en el arriba de el mesa. Vamos hacer clic en este icono aquí, y nosotros ahora ver todo el histogramas. Nosotros ver eso el columnas son más o menos denso de todos modos, y él voluntad ser bien a ser capaz a cuantificar el grado de escasez de cada columna. Cómo hacer nosotros hacer ¿eso? A cuantificar el grado de falsedad implica el celúla grupo y sujeto componentes. Nosotros usar el índice representado por este fórmula.
Este fórmula era introducido por Herfindahl y Hirschmann a evaluar el grado de concentración logrado por campos. Para ejemplo, a evitar monopolio situaciones eso poder resultado de fusiones. Originalmente, el inverso fórmula era publicado, pero para sencillez, nosotros voluntad continuar a referirse a este índice como el Índice HHI.
Similar índices tener estado propuesto más recientemente. Ellos son matemáticamente equivalente, pero este índice tiene el ventaja de ser muy interpretable como él da el número de no despreciable entradas en el vector cual son destacado aquí. En el ejemplo, nosotros tener a número de valores, pero solo el destacado valores son no despreciable. El Índice HHI de este vector es cinco.
Regresando a nuestro flujo de trabajo, nosotros ver cómo este índice permite a nosotros a identificar componentes eso son escaso a lo largo el celúla grupo dimensión y denso a lo largo de el sujeto dimensión. Nosotros llamar estos componentes escaso y robusto . Ellos son rojos cruces aquí con alto sujeto HHI y bajo grupo lado grupo El HHI es el arriba de este campo.
Basado en estos cuatro componentes, nosotros poder hacer el necesario agrupaciones de vista grupos a eliminar colineales y el restante celúla grupos aquí... Perdón por esta interrupción. [inaudible 00:13:22]. Acabo de perder [inaudible 00:13:22], lo pondré aquí.
El azul cruces aquí corresponder a el restante celúla grupos eso voluntad ser reintroducido en a segundo iteración de el análisis. Nota Bueno eso este direcciones con el el más fuerte señal, después ser identificado por el NTF, componentes son remoto de el datos colocar y el próximo NTF comienza encima con el reducido datos colocar.
A ilustrar este proceso... Soy Lo siento pero I tener a problema con aquí con el... Se mantiene reapareciendo.
A ilustrar este proceso, Vamos ahora mirar en cómo estos iteraciones de el recursivo NTF jugar afuera. Nosotros ver aquí el Tabla HHI de el primero iteración cual voluntad ayuda a nosotros decidir cual NTF componentes a mantener y cual a descubrir. Como mencionado más temprano, bien componentes son aquellos eso son específico de solo a pocos grupo de células turas cual traduce en el bajo grupo de células Índice HHI. Estos son etiquetado filas aquí en el abajo de el mesa.
Nosotros también correr uno alto grado de robustez a sujeto diversidad y este traduce en a alto Índice HHI. Cómo hacer nosotros decidir si un Valor HHI es bajo o ¿alto? Nosotros poder usar eso el Saltar [inaudible 00:15:47] plataforma cual es disponible en el especialista modelado plataforma. Nosotros correr este plataforma y nosotros aplicar a normal nicho modelo a distinguir entre bajo y alto Valores de HHI y detener el resultante clasificación.
Cuando nosotros hacer eso, nosotros ver aquí el rojo cruces correspondiente a el componentes eso son seleccionado porque ellos tener a alto Tema HHI índice y a bajo IHH grupo de células índice y ellos son automáticamente identificado como semejante por el Saltar Normal plataforma.
Dejar a nosotros mirar ahora en el cargas de el grupos de células en estos particular componentes . Nosotros ver en componente 15 y componente 16 eso grupo de células 15 y grupo de células 17 tiene exclusivamente asociado estos componentes entonces ellos poder ser Bueno aproximado por estos componentes. En contraste a estos grupos de células, en componente 13, nosotros ver tres- lado grupos reagrupados a lo largo de este componente. Este medio eso ellos son correlacionado de alguna manera, él voluntad ser duro a distinguir a ellos, entonces es mejor a reagruparse a ellos. Similarmente en componente 12, con el grupos de células 5, 2 y 14.
Nosotros poder ahora mirar en a segundo iteración de el Recursivo Fondo Nacional de Terrorismo. Similarmente nosotros mirar en el componentes El HHI es el sujetos y en el grupos de células y nosotros ver ahora eso solo uno componente, componente cuatro, satisface estos reentrenamientos requisitos para ser retenido durante este iteración. Si nosotros mirar ahora en el componentes audiencia, nosotros ver eso grupo de células Siete es exclusivamente asociado con este componente. Bien.
Ahora eso nosotros tener hecho eso, nosotros son no yendo a espectáculo tú todo de el iteraciones. De hecho, allá son cuatro iteraciones y nosotros fin arriba ahora con estos agrupaciones eso nosotros ver aquí. Nosotros tener de hecho nueve celúla grupos después reagrupación. Alguno de a ellos son agrupaciones de tres o cuatro original grupos de células. Sin embargo, cinco grupos de células hizo no necesidad a ser reagrupados. Qué es el biológico significado de estos ¿agrupaciones?
Por pareo el mayoría muy expresado genes en cada celúla grupo con bioinformática bases de datos, él es posible a asociado el grupos de células con biológico conocido celúla tipos. Para ejemplo, el NTF agrupaciones 2- 5-14 era identificado como a asesino natural CD8 celúla tipo.
Nosotros encontró eso allá eran varios agrupaciones eso de hecho puntiagudo a el mismo importante llave celúla tipo. Por lo tanto, nosotros decidido a unir a ellos y vino arriba con cinco principal tipos de células. Sin embargo, él es aún posible a extracto firmas para [inaudible 00:20:12] tipo de célula es eso poder ser usado en a segundo escenario de el circunvolución. Pero nosotros voluntad venir atrás a este punto en el fin de este presentación.
Dejar a nosotros ahora mirar en el resultante reducido tensor. Soy justo apertura el mesa. Tú ver aquí el mesa, y como esperado, allá son ahora cinco filas correspondiente a el reagrupados celúla racimos.
Ahora eso nosotros tener introducido grupo agrupamiento a minimizar colinealidad, I voluntad tener Alexey explicar cómo nosotros proceder a crear firma genes eso son mayoría eficaz para descomposición.
Una vez el celúla grupos son agrupados, nosotros hacer aún necesidad a crear gene firmas para cada de el agrupaciones a asegurar preciso convoluciones de el mezclado muestras. Hasta ahora, nosotros tener consideró el celúla y sujeto componente vectores. Dejar a nosotros ahora considerar el gene componente vector.
El mesa nosotros ver aquí es no en realidad informativo. Nosotros poder solo ver ceros en todos lados pendiente a el hecho eso solo pequeño minoría de genes tener de hecho distinto de cero cargas en el NTF componentes. Si tú poder ir a el próximo iteración, por favor, Pablo.
Dejar a nosotros ahora examinar el cargas de el genes en este representación de el componentes cual nosotros tenemos llamado escaso y robusto.
Estos eran seleccionado durante el primero iteración de el recursivo Fondo Nacional de Terrorismo. Nosotros ver aquí en rojo eso alguno de el distintivo genes son compartido por todo componentes. Nosotros saber Bueno eso cada componente es específico a a particular celúla grupo o a grupo de cerrado grupos de células. Este medio eso alguno de el genes son de hecho fuertemente expresado en varios grupos con alguno grado de linealidad entre el celúla racimos.
Este es exactamente cómo nicho obras. Biológico regiones son no necesariamente ortogonal a cada otro. Por lo tanto, nosotros no puedo confiar únicamente en NTF gene componentes a identificar gene marcadores eso son único a a celúla grupo o a grupo de este, nosotros debe devolver a el actual expresión datos.
Nosotros son conseguir atrás a expresión datos y nosotros voluntad introducir dos criterios. El primero uno para a gene a ser consideró el marcador gene de a particular grupo de células, nosotros decir eso él debería siempre ser más expresado en el grupo que en otro grupos, a pesar de todo de cual sujeto es consideró. Este es mostrado en cifra abajo izquierda, dónde nosotros tener representado dos genes.
Con alguno [inaudible 00:23:20], nosotros ver eso estos agujas en el izquierda corresponder a a único marcador gene para B células. Nosotros poder ver solo B células en todos lados. En el bien, a no marcador gene es muy expresado en ambos B células, no clásico monocitos y natural asesino células.
El segundo criterios voluntad ser eso el asociado celúla grupo debería no solo ser en el arriba de el otro racimos. Cuando nosotros mirar en el expresión de el mercado gene encima [inaudible 00:23:55] sujetos y celúla tipos, pero también él debería ser Bueno adelante de otros.
Para este, nosotros usar este puntaje con a formal asunto en el bien eso eran propuesto por [inaudible 00:24:09] en su original papel. Este puntaje refleja el especificidad de a gene marcador. Este puntaje es basado únicamente en el distribución de gene expresión al otro lado de sujetos y celúla tipos. De este modo aplicando este a criterios, nosotros obtenido a lista de 173 marcador genes eso poder después ser usado para el circunvolución.
En este mesa, ellos son listado juntos con el valores eso encontrarse el dos criterios Yo tengo habló acerca de.
Dejar a nosotros ahora mirar en el mesa de firma genes para cada de el sujeto y importante celúla tipos. Aquí nosotros ver el lista de genes y el columnas corresponder a cada otros sujetos y el mismo lista de celúla tipos para cada de el sujeto. En contraste a el mesa de NTF cargas eso nosotros presentado previamente, este mesa es no escaso, entonces él es limitado solo a 173 marcador genes eso nosotros seleccionado de acuerdo a a nuestro criterios con [inaudible 00:25:26] gene. Como I dicho, el columnas son para sujeto celúla tipos.
Nosotros voluntad ahora visualizar cómo el firma genes son expresado al otro lado de sujetos. Para eso, nosotros voluntad usar el segundo complemento nosotros desarrollado cual es llamado Adrubix. Este voluntad permitir a nosotros a fácilmente evaluar el robustez de el gene firmas nosotros consiguió.
Nosotros abierto a pequeño ventana con a lista de parámetros en Pitón sintaxis como para el primero complemento. El por defecto valores tener estado ya completado en y nosotros voluntad ahora solo llenar en para demostración, el valor para el parámetro cual es llamado escala a lo largo de.
Desde el expresión rangos diferir de de modo significativo entre genes, nosotros voluntad colocar este parámetro a cero a tener todo el columnas escamoso y nosotros entregar. Justo a pocos artículos de segunda clase y nosotros ver a imagen con distinto firmas para cada importante celúla tipo. Sin embargo, nosotros ver eso este calor mapa es pegado juntos en entre sujetos y nosotros poder de hecho , con este enchufar, muy fácilmente agregar separadores en entre el columnas para cada de el sujetos.
Para este, nosotros cambiar el valor de el parámetro metadatos columnas sep a sujeto y nosotros volver a enviar. Ahora nosotros conseguir el separado calor mapas para cada de el sujetos. Este es mucho más claro y como tú tienes visto, este pequeño ventana contiene numeroso parámetros. Tú poder referirse a el documentación para el subyacente Pitón paquete cual es disponible haciendo clic en este enlace.
Concluir, nosotros ver aquí de hecho eso el firma genes son muy robusto. Nosotros ver muy pequeño diferencia en diferente sujetos. Como eso nosotros poder visualmente muy fácilmente confirmar el robustez de [inaudible 00:28:09] .
Ahora nosotros son acercándose el fin de nuestro presentación, I voluntad dejar Galina presente alguno deconvolución resultados eso eran obtenido con el gene firma [inaudible 00:28:22] . Galina.
Sí, agradecer tú. Último pero no el menos, nosotros quería como a espectáculo tú el actuación de nuestro método. A evaluar el actuación de nuestro método, nosotros usar el publicado datos próximo de Blanco papel entonces mencionado en pistas su referencia. Este datos colocar que contiene 21 diferente celúla mezclas. Allá son el mezclas de diferente T celúla subtipos, NK células, monocitos y B células.
En estos mezclas, nosotros tener también tres diferente celúla tipos no cubierto por nuestro firmas correspondiente a colorante o mama cáncer células y dos celúla pauta como fibroblastos y el cola células.
Nosotros decidido a usar dos criterios evalúa en general actuación de nuestro método Pearson correlación coeficiente o [inaudible 00:29:18] a concordancia coeficiente porque nosotros poder conseguir muy significativo correlación entre estimado y suelo verdad dimensiones, pero nosotros poder tener el cambiar en el escala identificar el cantidad de células presente en el muestra. Eso es por qué nosotros usar dos criterios.
En general, nosotros obtener bien resultados para celúla tipos cubierto por nuestro firmas. El resultados son levemente no entonces hermoso para T células porque nosotros no tener exacto correspondencia entre T celúla subconjunto presente en el mezclas y T células grupo presentado en nuestro firmas. Nosotros tener también efecto r células y en el mezclas, este celúla tipo era no agregado.
Último pero no el menos, nosotros quería como también a mencionar con nuestro método tú poder ir más allá de y identificar el subtipos de T células, el monocitos correr recursivo NTF y definiendo el marcador genes para cada grande grupo de inmune células. También eso estos complementos eso tener estado presentado y demostrado hoy, ellos son disponible en Saltar solicitud.
Con este, agradecer tú para su atención.
