当前位置: X-MOL 学术Nat. Protoc. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
FLOW-MAP: a graph-based, force-directed layout algorithm for trajectory mapping in single-cell time course datasets
Nature Protocols ( IF 14.8 ) Pub Date : 2020-01-13 , DOI: 10.1038/s41596-019-0246-3
Melissa E Ko 1 , Corey M Williams 2, 3 , Kristen I Fread 2 , Sarah M Goggin 4 , Rohit S Rustagi 2 , Gabriela K Fragiadakis 5 , Garry P Nolan 5 , Eli R Zunder 2
Affiliation  

High-dimensional single-cell technologies present new opportunities for biological discovery, but the complex nature of the resulting datasets makes it challenging to perform comprehensive analysis. One particular challenge is the analysis of single-cell time course datasets: how to identify unique cell populations and track how they change across time points. To facilitate this analysis, we developed FLOW-MAP, a graphical user interface (GUI)-based software tool that uses graph layout analysis with sequential time ordering to visualize cellular trajectories in high-dimensional single-cell datasets obtained from flow cytometry, mass cytometry or single-cell RNA sequencing (scRNAseq) experiments. Here we provide a detailed description of the FLOW-MAP algorithm and how to use the open-source R package FLOWMAPR via its GUI or with text-based commands. This approach can be applied to many dynamic processes, including in vitro stem cell differentiation, in vivo development, oncogenesis, the emergence of drug resistance and cell signaling dynamics. To demonstrate our approach, we perform a step-by-step analysis of a single-cell mass cytometry time course dataset from mouse embryonic stem cells differentiating into the three germ layers: endoderm, mesoderm and ectoderm. In addition, we demonstrate FLOW-MAP analysis of a previously published scRNAseq dataset. Using both synthetic and experimental datasets for comparison, we perform FLOW-MAP analysis side by side with other single-cell analysis methods, to illustrate when it is advantageous to use the FLOW-MAP approach. The protocol takes between 30 min and 1.5 h to complete.



中文翻译:

FLOW-MAP:一种基于图形的力导向布局算法,用于单细胞时间过程数据集中的轨迹映射

高维单细胞技术为生物发现提供了新的机会,但生成的数据集的复杂性使得进行综合分析具有挑战性。一个特殊的挑战是单细胞时间过程数据集的分析:如何识别独特的细胞群并跟踪它们如何跨时间点变化。为了促进这种分析,我们开发了 FLOW-MAP,这是一种基于图形用户界面 (GUI) 的软件工具,它使用具有顺序时间排序的图形布局分析来可视化从流式细胞术、质量细胞术获得的高维单细胞数据集中的细胞轨迹或单细胞 RNA 测序 (scRNAseq) 实验。在这里,我们提供了 FLOW-MAP 算法的详细描述,以及如何通过其 GUI 或基于文本的命令使用开源 R 包 FLOWMAPR。这种方法可以应用于许多动态过程,包括体外干细胞分化、体内发育、肿瘤发生、耐药性的出现和细胞信号动力学。为了演示我们的方法,我们对从小鼠胚胎干细胞分化成三个胚层的单细胞质量流式细胞仪时间过程数据集进行了逐步分析:内胚层、中胚层和外胚层。此外,我们演示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。包括体外干细胞分化、体内发育、肿瘤发生、耐药性的出现和细胞信号动力学。为了演示我们的方法,我们对从小鼠胚胎干细胞分化成三个胚层的单细胞质量流式细胞仪时间过程数据集进行了逐步分析:内胚层、中胚层和外胚层。此外,我们演示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。包括体外干细胞分化、体内发育、肿瘤发生、耐药性的出现和细胞信号动力学。为了演示我们的方法,我们对从小鼠胚胎干细胞分化成三个胚层的单细胞质量流式细胞仪时间过程数据集进行了逐步分析:内胚层、中胚层和外胚层。此外,我们演示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。为了演示我们的方法,我们对从小鼠胚胎干细胞分化成三个胚层的单细胞质量流式细胞仪时间过程数据集进行了逐步分析:内胚层、中胚层和外胚层。此外,我们演示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。为了演示我们的方法,我们对从小鼠胚胎干细胞分化成三个胚层的单细胞质量流式细胞仪时间过程数据集进行了逐步分析:内胚层、中胚层和外胚层。此外,我们演示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。我们展示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。我们展示了对先前发布的 scRNAseq 数据集的 FLOW-MAP 分析。使用合成数据集和实验数据集进行比较,我们与其他单细胞分析方法并排执行 FLOW-MAP 分析,以说明何时使用 FLOW-MAP 方法是有利的。该协议需要 30 分钟到 1.5 小时才能完成。

更新日期:2020-01-13
down
wechat
bug