Přeskočit na obsah

Gating

Z Wikipedie, otevřené encyklopedie
Analýza fotosyntetizujícího picoplanktonu průtokovou cytometrií ve vzorku mořské vody, která zobrazuje tři rozdílné populace (Prochlorococcus, Synechococcus, and picoeukaryota)

Sekvenční ohraničení populaci, „gating“ je manuální způsob výběru populací na základě naměřených parametrů (dále též dimenzí) a práce s nimi při analýze dat v průtokové cytometrii.[1]

Data generovaná v průtokové cytometrii mohou být zobrazena v jedné dimenzi (histogram), ve dvou dimenzích (dot plot) a nebo i ve třech dimenzích. Populace se na těchto grafech postupně separují podle jejich pozice na škále dle intenzity signálu fluorescence, ale i dalších parametrů, například rozptylu fotonů („scatter light“) použitím takzvaných regionů (úsečka, obdélník, polygon, elipsa), které lze následně booleovsky kombinovat (AND, OR, NOT) do logických celků. Na základě předchozí znalosti očekávaných vlastností hledané buněčné populace tak můžeme z komplexních dat získaných průtokovou cytometrií izolovat detailní informace pro chtěnou subpopulaci. Toto hierarchické postupné ohraničování populací je vhodné zpětně kontrolovat procesem "backgatingu", při kterém kontrolujeme, zda většina buněk cílové populace skutečně leží v hierarchicky výše položených populacích (regionech).

Příklad gateování na populaci negativní pro R1 fluorochrom a pozitivní pro fluorochromy B1 a B4.

Gating je většinou prováděn manuálně, ačkoliv se již běžně používají i automatizované postupy, které jsou založené na klastrovacích algoritmech v kombinaci s metodami redukce dimenzionality.[2][3]

Existují obecná doporučení jakým způsobem je vhodné postupovat při analýze cytometrických dat, například zahrnutím pouze samostatných buněk („singlets“) od událostí, kdy laserový paprsek cytometru zachytil více buněk najednou, ať dvojice či vyšší agregáty. Dalším příkladem je odstranění mrtvých buněk z analýzy nebo ohraničení pouze těch buněk v čase, které prochází cytometrem při velice stabilních podmínkách.[4]

  1. STAATS, Janet; DIVEKAR, Anagha; MCCOY, J. Philip. Guidelines for Gating Flow Cytometry Data for Immunological Assays. Příprava vydání J. Philip McCoy, Jr. Svazek 2032. New York, NY: Springer New York Dostupné online. ISBN 978-1-4939-9649-0, ISBN 978-1-4939-9650-6. DOI 10.1007/978-1-4939-9650-6_5. pmid: 31522414.. S. 81–104. (anglicky) DOI: 10.1007/978-1-4939-9650-6_5. 
  2. SAEYS, Yvan; VAN GASSEN, Sofie; LAMBRECHT, Bart N. Computational flow cytometry: helping to make sense of high-dimensional immunology data. Nature Reviews Immunology. 2016-07, roč. 16, čís. 7, s. 449–462. Dostupné online [cit. 2023-06-13]. ISSN 1474-1733. DOI 10.1038/nri.2016.56. (anglicky) 
  3. SAEYS, Yvan; FINAK, Greg. Special Issue on Machine Learning for Single Cell Data. Cytometry. Part A: The Journal of the International Society for Analytical Cytology. 2020-03, roč. 97, čís. 3, s. 217–218. PMID: 32142597. Dostupné online [cit. 2023-06-13]. ISSN 1552-4930. DOI 10.1002/cyto.a.23986. PMID 32142597. 
  4. COSSARIZZA, Andrea; CHANG, Hyun‐Dong; RADBRUCH, Andreas. Guidelines for the use of flow cytometry and cell sorting in immunological studies (third edition). European Journal of Immunology. 2021-12, roč. 51, čís. 12, s. 2708–3145. Dostupné online [cit. 2023-06-13]. ISSN 0014-2980. DOI 10.1002/eji.202170126. (anglicky)