作者tharaohfu (我的最爱全不见了....)
看板Biotech
标题Re: [求救] paper问题 拜托帮忙
时间Tue May 7 14:08:13 2024
※ 引述《abeautiii (小燕子)》之铭言:
: 各位先进好,有一些paper问题想请教
: Paper标题:Tissue-resident memory CAR T cells with stem-like characteristics d
: isplay enhanced efficacy against solid and liquid tumors
: 连结:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10313923/
: 主要是图看不太懂,很多图都是第一次看到,虽然上网查了很多资料,但还是对於paper
: 图的意义不理解
先简单回答一下你的问题
离开生科圈子有一阵子
若有不详尽的再请其他高手帮忙解惑一下
: 像Fig.1 的图A
: https://i.imgur.com/yXsTY0p.jpeg
: Flow的等高线图越密集应该是代表表现量越高吧,CAR-TRM右上(+,+)和左下(-,-)表现差
: 不多,这是代表什麽意思?
flow analysis的表现量是在X-Y轴,一般来说离原点越远表现量就越高,
但还需要看你的isotpye control的相对位置,这会牵扯到flow 的基本原理
,这里先不赘述,直接上机跑一次flow学得比较快XD
这里的等高线密度是指cell累积的数量,举例来说,右边的CAR-TRM
作者这边是用四象限gating计算出同时表现CD39+和CD103+的细胞占
全体的30.3%。我没去看paper内容,也不是专做adaptive immunity,不
过作者应该是要表示CAR-TRM的CD39和CD103表现量是比CART-CONV高的。
: Fig.6的图I
: https://i.imgur.com/MXm8Yuq.jpeg
: 这种图要怎麽看,CAR-TRM在有无CD103的情况下的表现,框框代表什麽,在框框内外是什
: 麽意思?没有查到y轴的SSH-H是什麽?
框框(gating)就是算出该框框范围内细胞的比例,也就是说作者用了某种方法
後,成功地将带有CD103表现的CAR-TRM cells给剔除掉了,比例从28%降到0%。
SSH我没看过这种表示法,但看Y轴是用linear表示,这个应该是指flow里常用的
SSC(side scatter),用来看细胞里的颗粒性,T cell的颗粒性相对来说是偏低的。
-H是指flow data里的Height,flow里每个data都能够利用萤光强度的peak算出
Height-Area-Width三种数据,这个会牵扯到基本的flow原理,有兴趣再自己去看
相关资料。
: Fig.2的图A
: https://i.imgur.com/lzqAQIa.jpeg
: 第一次看到PCA图,查的资料都是这是将资料降维,有三种主成份,但还是不懂点的远近
: 跟位置代表什麽意思
是降维没错,简单的说资料点越近的表示它们的profile长得越像。
: Fig.3的图A和Fig.S4的图B
: https://i.imgur.com/Qa7z1Wr.jpeg
: https://i.imgur.com/OxRiPcG.jpeg
: 也是第一次看到UMAP图,查到是相似的会聚集在一起?Fig.3这是收集细胞後扩增,利用s
: cRNA-seq处理,再进行聚类分析,第一张是可以看出三种标记的表现量比较,点的数量就
: 代表表现量吗?第二张图的红点较多代表什麽意思,CAR-TRM的扩增较多?第三张完全看
: 不懂,这是代表细胞主要在哪个阶段吗?是CAR-Tconv还是CAR-TRM,这样也看不出量多寡
: ,点的位置有意义吗?
UMAP也是一种降维的统计方法,长得越像的资料点会越靠近,每个点就代表一颗细胞。
颜色是代表作者的分群类别而已。
比如说3A最上面的图,用TCF7、CD27、MKI67的表现量分出三群,中和下的图就用相对
位置去对照。进一步说,中间图的CART-CONV都集中在上方,对照最上面的图就可以
知道他们的TCF7表现量较低。再举个例子,最下面的在G2/M phase的细胞,对照最上
面的图,就知道在proliferation的cell其CD27表现量就偏低。
: Fig.S4点的数量是表现量吗?这样是MKI67表现较多?还是要对照点分布的位置一起看?
点的位置很重要,另外S4B的图右上方有个渐层表示,这里的颜色深浅就代表着
该gene的表现量多,也就是说位於左半边的细胞群的MKI67表现会比右边的表现量
高。
UMAP最重要的功用在这里就是降维简化,即使每颗细胞同时带有很多的gene profile
,但你就能用这种方法利用简化後的2D图,利用相对位置来分群检视你的sample。
: 拜托各位先进帮忙,可能很多笨问题,但真的研究很久还是不懂,谢谢您们!
: 如果内容太多,留言不太方便,可以站内信,谢谢!
原PO需要再去了解一下flow和sequencing从头到尾的"原理"和图表呈现的方法,方法
日新月异需要一直不断尝试地去学新东西,像我们以前flow还要一层一层的去gating,
现在分析软体直接内建t-SNE,啪一下图一堆就出来了,效率快很多@@
加油罗!
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 220.141.150.104 (台湾)
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Biotech/M.1715062098.A.47E.html
1F:推 abeautiii: 真的很详尽,有更了解,非常谢谢您! 05/11 13:39