将机器学习分析扩展到更多数据类型

研究生物系统通常需要使用多种技术和检测类型来了解生物体及其细胞不同组成部分的状态和过程。测量系统范围的免疫应答需要数据^1，2，3的显着广度和深度。

对于以类似于细胞术的格式生成数据的测定类型，可以对不同观察结果（细胞，样品，患者）使用具有被测量的生物标记物相对数量（蛋白质，RNA，DNA，生理参数，人口统计数据）的数字矩阵，机器学习（ML）辅助分析可以应用于这些数据集，以帮助研究人员发现独特的关系。 您可以跨其他数据类型运行Cytobank平台中提供的基于机器学习的降维和聚类工具。利用云的可扩展计算和协作能力, 更快、更全面地发现生物标志物并探索细胞相互作用和其他实验结果。

使用哪些数据分析方法？

对任何数据采取的分析策略将取决于数据的性质。请参阅下面基于示例技术和数据属性在Cytobank平台上应用哪些分析方法。

在Cytobank平台上分析更多数据类型，可以让您利用在研究中测量的更多数据。例如，识别单像元数据集中的群体，然后使用其他数据类型验证结果。从单细胞RNAseq数据开始，确定一组具有统计学意义的群体特异性生物标志物，然后用细胞术数据验证它们，并深入研究机制蛋白质研究。这种方法允许您从广泛和不可知论的方式开始，并最终减少一组用于下游重复使用的标记物，例如在临床试验中可能有用。

了解有关CITE-seq的更多信息，或通过测序对转录组和表位进行细胞索引。

分析批量数据以可视化样本之间的异质性

分析批量数据以根据标记物表达差异识别样本组，并可视化这些组是否与其他结果（例如临床特征（例如治疗组或年龄））有任何关联。透视数据时，您还可以询问样本之间是否存在相似的标记组，例如，可能会减少需要测量的标记数。

了解有关 DROP（数据到结果优化门户）的更多信息。

参考文献:

1. Brodin P, Davis MM. Human immune system variation. Nat Rev Immunol. 2017 Jan;17(1):21–29. PMCID: PMC5328245


2. Chattopadhyay PK, Gierahn TM, Roederer M, Love JC. Single-cell technologies for monitoring immune systems. Nat Immunol. 2014 Feb;15(2):128–135. PMCID: PMC4040085


3. Blank CU, Haanen JB, Ribas A, Schumacher TN. The “cancer immunogram”. Science. 2016 May;352(6286):658-60. PMID: 27151852