Estandardització del procés d’anàlisi de dades hiperdimensionals generades per citometria de flux amb eines d’aprenentatge automàtic

Abstract

La citometria de flux és una de les principals eines d'anàlisi cel·lular des de fa més de quaranta anys i és present tant en els laboratoris de recerca com en diagnòstic clínic. Les poblacions cel·lulars convencionalment es caracteritzen mitjançant el procediment de gating, el qual consisteix a utilitzar histogrames o gràfics de punts de manera seqüencial per tal d'anar delimitant manualment les poblacions. Aquest procediment, però, és lent, poc precís i no resulta adient per a les noves màquines de citometria capaces de treballar amb més de 30 paràmetres per cèl·lula. En els darrers anys noves tècniques computacionals han estat desenvolupades per gestionar les massives quantitats de dades generades, no obstant això, tot i que es pot trobar una gran varietat d'algoritmes a l'abast, internacionalment en el dia d'avui, no hi ha cap procediment estàndard a l'hora de fer servir un algoritme o altre que asseguri obtenir els resultats òptims. L'objectiu principal d'aquest projecte és dur a terme un estudi comparatiu entre diversos algoritmes d'anàlisi hiperdimensional basats en aprenentatge automàtic per tal de proporcionar als citometristes un punt de partida on explorar tècniques de visualització de dades generades per citometria de flux de manera reproduïble. Amb aquesta finalitat, s'ha implementat una metodologia estandarditzada per a l'avaluació del rendiment de les respectives eines d'anàlisi.

La citometría de flujo es una de las principales herramientas de análisis celular desde hace más de cuarenta años y es presente tanto en los laboratorios de investigación como en diagnóstico clínico. Las poblaciones celulares convencionalmente se caracterizan mediante el procedimiento de gating, el cual consiste en utilizar histogramas o gráficos de puntos de manera secuencial para ir delimitando manualmente las poblaciones. Este procedimiento, pero, es lento, poco preciso y no resulta conveniente para las nuevas máquinas de citometría capaces de trabajar con más de 30 parámetros por célula. En los últimos años nuevas técnicas computacionales han sido desarrolladas para gestionar las masivas cantidades de datos generados, sin embargo, a pesar de que se puede encontrar una gran variedad de algoritmos al alcance, internacionalmente en el día de hoy, no hay ningún procedimiento estándar en la hora de usar un algoritmo u otro que asegure obtener los resultados óptimos. El objetivo principal de este proyecto es llevar a cabo un estudio comparativo entre varios algoritmos de análisis hiperdimensional basados en aprendizaje automático para proporcionar a los citometristas un punto de partida donde explorar técnicas de visualización de datos generados por citometría de flujo de manera reproducible. Con cuyo objeto, se ha implementado una metodología estandarizada para la evaluación del rendimiento de las respectivas herramientas de análisis.

Flow cytometry is one of the main tools of cell analysis for over 40 years and is present in both research laboratories and clinical diagnosis. Cell populations are conventionally characterized by the gating procedure, which involves using sequential histograms or dot plots to manually delimit populations. This procedure, however, is slow, inaccurate and inappropriate for new cytometry machines capable of working with more than 30 parameters per cell. In recent years new computational techniques have been developed to handle the massive amounts of data generated, however, although a variety of algorithms can be found in reach, internationally today, there is no standard procedure for using an algorithm or other that ensures optimal results. The main objective of this project is to carry out a comparative study among various hyperdimensional analysis algorithms based on machine learning in order to provide cytometrists with a starting point where to explore data visualization techniques generated by flow cytometry in a reproducible way. To this end, a standardised methodology has been implemented for evaluating the performance of the respective analysis tools.