flowmatch meta clustering based popula3on matching
play

flowMatch Meta-clustering based popula3on matching Ariful - PowerPoint PPT Presentation

flowMatch Meta-clustering based popula3on matching Ariful Azad, Saumyadipta Pyne, Alex Pothen Department of Computer Science, Purdue University Dana Farber


  1. flowMatch ¡ ¡ Meta-­‑clustering ¡based ¡popula3on ¡matching ¡ Ariful ¡Azad, ¡Saumyadipta ¡Pyne, ¡Alex ¡Pothen ¡ ¡ Department ¡of ¡Computer ¡Science, ¡Purdue ¡University ¡ Dana ¡Farber ¡Cancer ¡Ins3tute, ¡Harvard ¡Medical ¡School ¡ ¡ ¡

  2. Flow ¡Cytometry ¡– ¡Toy ¡example ¡ CD4 ¡ CD8 ¡ Cell-­‑1 ¡ 3 ¡ 1 ¡ Cell-­‑2 ¡ 12 ¡ 1 ¡ Cell-­‑3 ¡ 3.3 ¡ 4.4 ¡ ….. ¡ … ¡ … ¡ Popula3on ¡ Clustering ¡ ScaNer ¡plot ¡

  3. Challenge-­‑4: ¡Correlated ¡popula3ons ¡ across ¡treatment ¡arms ¡ ¡ Time ¡= ¡t ¡ Time ¡= ¡0 ¡ Treatment -­‑1 ¡ Treatment -­‑1 ¡ Corresponding ¡ ¡ popula<ons ¡ Healthy ¡ Healthy ¡ Treatment -­‑2 ¡ Treatment -­‑2 ¡ Correspondence ¡ preserved ¡

  4. Three ¡samples ¡of ¡a ¡class ¡at ¡each ¡3me ¡point ¡ Treatment-­‑1 ¡ Sample ¡comparison ¡ Treatment-­‑2 ¡

  5. Approach: ¡Two ¡Levels ¡ 1. Lower ¡Level: ¡ Registra3on ¡of ¡popula3ons ¡ (clusters) ¡across ¡each ¡pair ¡of ¡samples ¡ 2. Upper ¡Level: ¡Overall ¡representa3on ¡of ¡ samples ¡of ¡a ¡par3cular ¡class ¡using ¡Templates. ¡

  6. 1. ¡Registra3on/matching ¡of ¡popula3on ¡ across ¡a ¡given ¡pair ¡of ¡Samples ¡ • A ¡ generalized ¡ edge ¡ cover ¡ (GEC) ¡ is ¡ an ¡ edge ¡ cover ¡ which ¡ allows ¡few ¡uncovered ¡ver3ces ¡at ¡the ¡cost ¡of ¡a ¡penalty ¡(λ). ¡ ¡ • Objec3ve ¡func3on: ¡ ¡ ¡ ¡EC ¡ ¡GEC ¡ Sample-­‑2 ¡ Sample-­‑1 ¡ Sample-­‑1 ¡ Sample-­‑2 ¡ Sample-­‑2 ¡ Sample-­‑1 ¡

  7. 2. ¡Instead ¡of ¡comparing ¡popula3ons/ clusters ¡sample ¡by ¡sample ¡… ¡ ¡ Class ¡-­‑ ¡A ¡ Sample ¡– ¡A 2 ¡ Sample ¡– ¡A 3 ¡ Sample ¡-­‑ ¡A 1 ¡ Sample ¡comparison ¡ Sample ¡– ¡B 2 ¡ Sample ¡– ¡B 1 ¡ Sample ¡– ¡B 3 ¡ Class ¡-­‑ ¡B ¡

  8. We ¡can ¡compare ¡meta-­‑clusters ¡across ¡templates ¡ Class ¡-­‑ ¡A ¡ Template ¡-­‑ ¡A ¡ Template ¡comparison ¡ Template ¡-­‑ ¡B ¡ Class ¡-­‑ ¡B ¡

  9. How ¡to ¡create ¡a ¡template ¡from ¡a ¡pair ¡of ¡ samples ¡ ¡ c 1 ¡ c 1 ¡ c’ 1 ¡ c’ 1 ¡ m 1 ¡ Meta-­‑cluster ¡ c’ 2 ¡ c 2 ¡ c’ 2 ¡ m 2 ¡ c 2 ¡ c’ 3 ¡ c 3 ¡ c’ 3 ¡ c 3 ¡ c’ 4 ¡ m 3 ¡ c 4 ¡ c’ 4 ¡ c 4 ¡ m 4 ¡ Sample-­‑2 ¡ Sample-­‑1 ¡ Template(1,2) ¡

  10. How ¡to ¡create ¡template ¡for ¡a ¡class ¡by ¡ hierarchical ¡merging ¡ GEC ¡ Merge ¡most ¡similar ¡pair ¡of ¡current ¡samples ¡ ¡ GEC ¡

  11. What ¡we ¡did : ¡Correlated ¡popula3ons ¡ across ¡treatment ¡arms ¡ ¡  At ¡each ¡3me ¡point ¡create ¡dis3nct ¡templates ¡ for ¡each ¡of ¡the ¡three ¡classes ¡of ¡samples ¡ ¡  Match ¡templates ¡across ¡3me ¡points ¡to ¡follow ¡ the ¡progression ¡of ¡popula3ons ¡defined ¡by ¡the ¡ corresponding ¡meta-­‑clusters. ¡ ¡  Popula3ons ¡are ¡correlated ¡across ¡treatment ¡if ¡ correspondence ¡of ¡meta-­‑clusters ¡is ¡preserved. ¡

  12. Correlated ¡popula3ons ¡across ¡ treatment ¡arms ¡ ¡ T=12 ¡ T=0 ¡ T=4 ¡ T=24 ¡ T=72 ¡ 5 ¡ 4 ¡ 2 ¡ 7 ¡ 4 ¡ Copaxone ¡ ¡ Interferon ¡ 8 ¡ 8 ¡ 6 ¡ 7,9 ¡ 6,7 ¡ ¡beta ¡ ¡  Each ¡number ¡is ¡a ¡meta-­‑cluster ¡at ¡a ¡3me ¡point. ¡  The ¡correspondence ¡is ¡preserved ¡in ¡two ¡ treatment ¡arms ¡

  13. Summary ¡ • Any ¡clustering ¡can ¡be ¡used ¡to ¡start ¡with ¡ • Samples ¡of ¡a ¡par3cular ¡class ¡can ¡be ¡ represented ¡using ¡Templates ¡ • Templates ¡can ¡be ¡compared ¡to ¡find ¡ corresponding ¡meta-­‑clusters ¡across ¡classes. ¡

Recommend


More recommend