CN113188982A - 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 - Google Patents
淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 Download PDFInfo
- Publication number
- CN113188982A CN113188982A CN202110480705.8A CN202110480705A CN113188982A CN 113188982 A CN113188982 A CN 113188982A CN 202110480705 A CN202110480705 A CN 202110480705A CN 113188982 A CN113188982 A CN 113188982A
- Authority
- CN
- China
- Prior art keywords
- lymphocytes
- lymphocyte
- ssc
- data
- monocytes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 210000000207 lymphocyte subset Anatomy 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 18
- 210000005087 mononuclear cell Anatomy 0.000 title claims description 10
- 210000004027 cell Anatomy 0.000 claims abstract description 60
- 210000001616 monocyte Anatomy 0.000 claims abstract description 55
- 210000001744 T-lymphocyte Anatomy 0.000 claims abstract description 50
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 claims abstract description 48
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 claims abstract description 48
- 210000004698 lymphocyte Anatomy 0.000 claims abstract description 39
- 101000716102 Homo sapiens T-cell surface glycoprotein CD4 Proteins 0.000 claims abstract description 24
- 102100036011 T-cell surface glycoprotein CD4 Human genes 0.000 claims abstract description 24
- 101000917858 Homo sapiens Low affinity immunoglobulin gamma Fc region receptor III-A Proteins 0.000 claims abstract description 11
- 101000917839 Homo sapiens Low affinity immunoglobulin gamma Fc region receptor III-B Proteins 0.000 claims abstract description 11
- 102100029185 Low affinity immunoglobulin gamma Fc region receptor III-B Human genes 0.000 claims abstract description 11
- 102100024222 B-lymphocyte antigen CD19 Human genes 0.000 claims abstract description 10
- 101000980825 Homo sapiens B-lymphocyte antigen CD19 Proteins 0.000 claims abstract description 10
- 210000003714 granulocyte Anatomy 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000001464 adherent effect Effects 0.000 claims description 6
- 239000000853 adhesive Substances 0.000 claims description 6
- 230000001070 adhesive effect Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 description 3
- 101000946889 Homo sapiens Monocyte differentiation antigen CD14 Proteins 0.000 description 2
- 102100035877 Monocyte differentiation antigen CD14 Human genes 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000592 Artificial Cell Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000000822 natural killer cell Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，通过CD3、SSC‑A、CD45和基于密度的聚类算法，加上核密度估计算法确定CD3的荧光强度的强弱，识别T淋巴细胞，确定淋巴细胞在CD45和SSC‑A上二维分布的区域及相应位置参数，结合核密度估计算法分别拟合细胞在CD45和SS上分布的密度曲线，确定单核细胞与淋巴细胞在SS上分布的密度曲线阈值及T淋巴细胞CD45分布的分位数，利用核密度估计拟合淋巴T细胞在CD4上的分布，确定CD4不表达与弱表达阈值；在确定阈值的基础上，对SSC‑A、CD4、CD45、CD16和CD19多维数据进行细胞分群，根据SSC‑A、CD45、CD4各个阈值区分非T淋巴细胞与单核细胞。本发明能够有效去除噪音干扰。
Description
技术领域
本发明涉及一种去除单核细胞干扰的方法。特别是涉及一种淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法。
背景技术
流式细胞技术中，待测样本细胞经液流系统传送，形成单细胞流，在激光照射区域，细胞上标记的荧光染料受到激光的激发，产生荧光信号。在不同的实验体系中，根据细胞标记的荧光素不同，在不同波长激发下，发射出不同波长的荧光，这些荧光信号可以反映不同的细胞生物学特性。细胞的组分可以用光度学定量测量，对同一细胞可以获得有关不同组分的多方面信息，用作鉴别细胞的依据。淋巴细胞亚群的表型分析对了解淋巴细胞的分化、功能和鉴别新的淋巴细胞亚群具有重要的价值。
在6色抗体组合淋巴细胞亚群识别中，现有的自动和人工淋巴细胞亚群分析都不能比较精准的将单核细胞和淋巴细胞分离。
在缺少CD45-FIFC/CD14-PE作为淋巴细胞的反向设门的情况下，现有的人工细胞亚群分析，是通过SSC/CD45对淋巴进行设门，由于缺少单核细胞特异性CD14荧光标记，在淋巴门中，无法识别混入的单核细胞；仪器模拟人工的分析，减少了因个人偏好或其他因素导致的主观错误，但并未完善单核细胞的分离。表1给出了单核细胞正常分化抗原表达。
表1正常单核细胞的分化分期和抗原表达特点
+：阳性；-：阴性。
如表1所示，CD14为成熟单核细胞特异性表达，CD4、CD16部分表达；T淋巴细胞部分强表达，部分不表达；NK淋巴细胞表达CD16。因此CD4可作为算法分离单核细胞和淋巴细胞的依据。
发明内容
本发明所要解决的技术问题是，提供一种能够有效地将单核细胞和淋巴细胞中区分开来的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法。
本发明所采用的技术方案是：一种淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，通过CD3、SSC-A、CD45和基于密度的聚类算法，加上核密度估计算法确定CD3的荧光强度的强弱，识别T淋巴细胞，以此确定淋巴细胞在CD45和SSC-A上二维分布的区域及相应位置参数，并结合核密度估计算法分别拟合细胞在CD45和SS上分布的密度曲线，由此确定单核细胞与淋巴细胞在SS上分布的密度曲线阈值，及T淋巴细胞CD45分布的分位数，进而利用核密度估计拟合淋巴T细胞在CD4上的分布，以确定CD4不表达与弱表达阈值；在确定阈值的基础上，对SSC-A、CD4、CD45、CD16和CD19多维数据是用K-means聚类算法进行细胞分群，根据SSC-A、CD45、CD4各个阈值区分非T淋巴细胞与单核细胞。
淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，具体包括如下步骤：
1)去除黏连细胞
在数据包含FSC-A和FSC-H项的情况下，将FSC-H减FSC-A得到差，对所述的差计算60％的分位数，从原始文件的全部细胞数据中选取差值大于分位数的细胞数据，此细胞数据即为大概率属于非黏连细胞的细胞数据，以FSC-A作为x轴，以FSC-H作为y轴，进行线性拟合获得斜率，根据斜率计算拟合直线与y轴的夹角，作为旋转角度，将FCS-A和FSC-H数据转化为极坐标数据，并进行数据旋转，对旋转后的数据进行核密度估计，去除黏连细胞，得到有效细胞数据；
2)识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置
通过CD3、SSC-A和CD45确定T淋巴细胞CD3+SS-CD45+的对照位置，将T淋巴细胞的SSC-A、CD45和FSC-A作为内参照，层次化聚类分群，识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置，其中，所述单核细胞和淋巴细胞的位置是细胞群SS-CD45++；
3)去除单核细胞
通过SSC-A、CD3、CD45和基于密度的聚类算法，以及核密度估计算法确定细胞群SS-CD45++的各聚类分群的CD3荧光强度均值和细胞荧光强度的密度分布曲线，将CD3荧光强度符合正态分布的SS-CD45++细胞识别为T淋巴细胞，以被识别出的T淋巴细胞来圈定淋巴细胞区域，并获得相应的位置参数，结合核密度估计算法拟合的密度曲线及T淋巴细胞在核密度估计算法拟合的密度曲线中的位置调整参数，对CD4、SSC-A和CD45数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。
步骤1)中对所述的差计算60％的分位数，是将差值的概率分布范围分为一百个等份的数值点，取得60等分位置的数值。
步骤1)所述的根据斜率计算拟合直线与y轴的夹角，是采用如下公式：
拟合直线与y轴的夹角＝90-arctan(k)
其中，k为斜率，arctan(k)为斜率k的反正切函数值。
步骤3)中，当步骤1)提到的去除黏连的有效细胞数据中包含有CD16和CD19数据时，则还要对CD16和CD19数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。
步骤3)中，所述的调整参数，包括调整如下参数：T淋巴细胞SSC-A主体最大值、单核细胞和淋巴细胞密度曲线阈值、CD4不表达与弱表达阈值和T淋巴细胞CD45主体中位数值。
本发明的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，在缺少CD45-FIFC/CD14-PE作为淋巴细胞的反向设门的情况下，通过聚类等算法能够通过CD3-FITC/CD4-PE准确分离出单核细胞群簇与淋巴细胞；其次对所有的数据进行更加客观性的分析，不会使细胞分群受到人为主观因素的影响；最后能够有效去除噪音干扰。
附图说明
图1a是淋巴细胞，单核细胞和粒细胞在CD45与SSC-A上二维分布图；
图1b是淋巴细胞和单核细胞在SSC-A与CD4上二维分布图；
图2是去除黏连细胞的流程图。
具体实施方式
下面结合实施例和附图对本发明的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法做出详细说明。
在单核细胞、淋巴细胞、淋巴细胞和NK细胞中，淋巴细胞具有CD3特异性表达，非T淋巴细胞与通过CD3识别的T淋巴细胞组成淋巴细胞。
本发明的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，包括通过CD3、SSC-A、CD45和基于密度的聚类算法，加上核密度估计算法确定CD3的荧光强度的强弱，识别T淋巴细胞，以此确定淋巴细胞在CD45和SSC-A上二维分布的区域及相应位置参数，并结合核密度估计算法分别拟合细胞在CD45和SS上分布的密度曲线，由此确定单核细胞与淋巴细胞在SS上分布的密度曲线阈值，及T淋巴细胞CD45分布的分位数，进而利用核密度估计拟合淋巴T细胞在CD4上的分布，以确定CD4不表达与弱表达阈值；在确定阈值的基础上，对SSC-A、CD4、CD45、CD16和CD19多维数据是用K-means聚类算法进行细胞分群，根据SSC-A、CD45、CD4各个阈值区分非T淋巴细胞与单核细胞。
如图1所示，本发明的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法,具体包括如下步骤：
1)去除黏连细胞
在数据包含FSC-A(forward scatter area)和FSC-H(forward scatter height)项的情况下，将FSC-H减FSC-A得到差，对所述的差计算60％的分位数，从原始文件的全部细胞数据中选取差值大于分位数的细胞数据，此细胞数据即为大概率属于非黏连细胞的细胞数据，以FSC-A作为x轴，以FSC-H作为y轴，进行线性拟合获得斜率，根据斜率计算拟合直线与y轴的夹角，作为旋转角度，将FCS-A和FSC-H数据转化为极坐标数据，并进行数据旋转，对旋转后的数据进行核密度估计，去除黏连细胞，得到有效细胞数据；其中，
所述的差计算60％的分位数，是将差值的概率分布范围分为一百个等份的数值点，取得60等分位置的数值。
所述的根据斜率计算拟合直线与y轴的夹角，是采用如下公式：
拟合直线与y轴的夹角＝90-arctan(k)
其中，k为斜率，arctan(k)为斜率k的反正切函数值。
如图2所示，在数据包含forward scatter area(FSC-A)和forward scatterheight(FSC-H)项的情况下，通过FSC-H减FSC-A的数据60％分位数，选取40％极大概率属于非黏连细胞的细胞数据。进行线性拟合获得斜率。根据计算旋转角度，进行核密度估计，去除黏连细胞。
2)识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置
粒系在淋巴细胞亚群分析中，可作为阴性参照，但由于占CD45阳性比例通常大于50％，容易影响结果，需先识别粒细胞，减少其影响。通过CD3、SSC-A和CD45确定T淋巴细胞CD3+SS-CD45+的对照位置，将T淋巴细胞的SSC-A、CD45和FSC-A作为内参照，层次化聚类分群，识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置，其中，所述单核细胞和淋巴细胞的位置是细胞群SS-CD45++；
3)去除单核细胞
通过SSC-A、CD3、CD45和基于密度的聚类算法，以及核密度估计算法(KDE)确定细胞群SS-CD45++的各聚类分群的CD3荧光强度均值和细胞荧光强度的密度分布曲线，将CD3荧光强度符合正态分布的SS-CD45++细胞识别为T淋巴细胞，以被识别出的T淋巴细胞来圈定淋巴细胞区域，并获得相应的位置参数，结合核密度估计算法拟合的密度曲线及T淋巴细胞在核密度估计算法拟合的密度曲线中的位置调整参数，对CD4、SSC-A和CD45数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。其中，
当步骤1)提到的去除黏连的有效细胞数据中包含有CD16和CD19数据时，则还要对CD16和CD19数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。
所述的调整参数，包括调整如下参数：T淋巴细胞SSC-A主体最大值、单核细胞和淋巴细胞密度曲线阈值、CD4不表达与弱表达阈值和T淋巴细胞CD45主体中位数值。
Claims (6)
1.一种淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，通过CD3、SSC-A、CD45和基于密度的聚类算法，加上核密度估计算法确定CD3的荧光强度的强弱，识别T淋巴细胞，以此确定淋巴细胞在CD45和SSC-A上二维分布的区域及相应位置参数，并结合核密度估计算法分别拟合细胞在CD45和SS上分布的密度曲线，由此确定单核细胞与淋巴细胞在SS上分布的密度曲线阈值，及T淋巴细胞CD45分布的分位数，进而利用核密度估计拟合淋巴T细胞在CD4上的分布，以确定CD4不表达与弱表达阈值；在确定阈值的基础上，对SSC-A、CD4、CD45、CD16和CD19多维数据是用K-means聚类算法进行细胞分群，根据SSC-A、CD45、CD4各个阈值区分非T淋巴细胞与单核细胞。
2.根据权利要求1所述的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，具体包括如下步骤：
1)去除黏连细胞
在数据包含FSC-A和FSC-H项的情况下，将FSC-H减FSC-A得到差，对所述的差计算60％的分位数，从原始文件的全部细胞数据中选取差值大于分位数的细胞数据，此细胞数据即为大概率属于非黏连细胞的细胞数据，以FSC-A作为x轴，以FSC-H作为y轴，进行线性拟合获得斜率，根据斜率计算拟合直线与y轴的夹角，作为旋转角度，将FCS-A和FSC-H数据转化为极坐标数据，并进行数据旋转，对旋转后的数据进行核密度估计，去除黏连细胞，得到有效细胞数据；
2)识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置
通过CD3、SSC-A和CD45确定T淋巴细胞CD3+SS-CD45+的对照位置，将T淋巴细胞的SSC-A、CD45和FSC-A作为内参照，层次化聚类分群，识别粒细胞SS+CD45+相对单核细胞和淋巴细胞的位置，其中，所述单核细胞和淋巴细胞的位置是细胞群SS-CD45++；
3)去除单核细胞
通过SSC-A、CD3、CD45和基于密度的聚类算法，以及核密度估计算法确定细胞群SS-CD45++的各聚类分群的CD3荧光强度均值和细胞荧光强度的密度分布曲线，将CD3荧光强度符合正态分布的SS-CD45++细胞识别为T淋巴细胞，以被识别出的T淋巴细胞来圈定淋巴细胞区域，并获得相应的位置参数，结合核密度估计算法拟合的密度曲线及T淋巴细胞在核密度估计算法拟合的密度曲线中的位置调整参数，对CD4、SSC-A和CD45数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。
3.根据权利要求2所述的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，步骤1)中对所述的差计算60％的分位数，是将差值的概率分布范围分为一百个等份的数值点，取得60等分位置的数值。
4.根据权利要求2所述的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，步骤1)所述的根据斜率计算拟合直线与y轴的夹角，是采用如下公式：
拟合直线与y轴的夹角＝90-arctan(k)
其中，k为斜率，arctan(k)为斜率k的反正切函数值。
5.根据权利要求2所述的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，步骤3)中，当步骤1)提到的去除黏连的有效细胞数据中包含有CD16和CD19数据时，则还要对CD16和CD19数据使用K-means聚类算法，根据调整后的参数识别非T淋巴细胞与单核细胞，去除单核细胞得到非T淋巴细胞。
6.根据权利要求2所述的淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法，其特征在于，步骤3)中，所述的调整参数，包括调整如下参数：T淋巴细胞SSC-A主体最大值、单核细胞和淋巴细胞密度曲线阈值、CD4不表达与弱表达阈值和T淋巴细胞CD45主体中位数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110480705.8A CN113188982B (zh) | 2021-04-30 | 2021-04-30 | 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110480705.8A CN113188982B (zh) | 2021-04-30 | 2021-04-30 | 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113188982A true CN113188982A (zh) | 2021-07-30 |
| CN113188982B CN113188982B (zh) | 2022-05-10 |
Family
ID=76983129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110480705.8A Active CN113188982B (zh) | 2021-04-30 | 2021-04-30 | 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113188982B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114624165A (zh) * | 2022-03-10 | 2022-06-14 | 杭州翔宇医学检验实验室有限公司 | 血液样本中中性粒细胞cd64的测定方法 |
| CN114912493A (zh) * | 2022-05-27 | 2022-08-16 | 深圳见康智能科技有限公司 | 基于机器学习的流式免疫细胞智能分析系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1994029800A1 (en) * | 1993-06-08 | 1994-12-22 | Ortho Diagnostic Systems, Inc. | Three-color flow cytometry with automatic gating function |
| WO2005031357A2 (en) * | 2003-09-24 | 2005-04-07 | Ucl Biomedica Plc. | Cell sample analysis |
| US20120165213A1 (en) * | 2009-06-03 | 2012-06-28 | Erasmus University Medical Center Rotterdam | Methods, Reagents and Kits for Flow Cytometric Immunophenotyping |
| US20160169786A1 (en) * | 2014-12-10 | 2016-06-16 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
| CN105940301A (zh) * | 2014-04-17 | 2016-09-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种流式细胞分析仪及其多维数据分类方法、装置 |
| CN106548205A (zh) * | 2016-10-21 | 2017-03-29 | 北京信息科技大学 | 一种流式细胞数据快速自动分群及圈门方法 |
| CN109580458A (zh) * | 2018-11-30 | 2019-04-05 | 苏州深析智能科技有限公司 | 流式细胞智能免疫分型方法、装置以及电子设备 |
| WO2020172164A1 (en) * | 2019-02-19 | 2020-08-27 | Sequenom, Inc. | Compositions, methods, and systems to detect hematopoietic stem cell transplantation status |
-
2021
- 2021-04-30 CN CN202110480705.8A patent/CN113188982B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1994029800A1 (en) * | 1993-06-08 | 1994-12-22 | Ortho Diagnostic Systems, Inc. | Three-color flow cytometry with automatic gating function |
| WO2005031357A2 (en) * | 2003-09-24 | 2005-04-07 | Ucl Biomedica Plc. | Cell sample analysis |
| US20120165213A1 (en) * | 2009-06-03 | 2012-06-28 | Erasmus University Medical Center Rotterdam | Methods, Reagents and Kits for Flow Cytometric Immunophenotyping |
| CN105940301A (zh) * | 2014-04-17 | 2016-09-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种流式细胞分析仪及其多维数据分类方法、装置 |
| US20160169786A1 (en) * | 2014-12-10 | 2016-06-16 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
| CN106548205A (zh) * | 2016-10-21 | 2017-03-29 | 北京信息科技大学 | 一种流式细胞数据快速自动分群及圈门方法 |
| CN109580458A (zh) * | 2018-11-30 | 2019-04-05 | 苏州深析智能科技有限公司 | 流式细胞智能免疫分型方法、装置以及电子设备 |
| WO2020172164A1 (en) * | 2019-02-19 | 2020-08-27 | Sequenom, Inc. | Compositions, methods, and systems to detect hematopoietic stem cell transplantation status |
Non-Patent Citations (8)
| Title |
|---|
| ALBERT G. TSAI. ET AL: "Multiplexed single-cell morphometry for", 《NAT URE MEDICINE》 * |
| MARKUS LUX.ET AL: "flowlearn:fast and precise idemtification and quality checking of cell populations in flow cytometry", 《BIOINFORMATICS》 * |
| XIAOXIN YE.ET AL: "Ultrafast clustering of single-cell flow", 《BMC SYSTEMS BIOLOGY》 * |
| YOU-WEN QIAN.ET AL: "Combined Multiple Clusterings on Flow Cytometry Data to Automatically", 《2010 INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICAL TECHNOLOGY》 * |
| 张司琪等: "急性白血病患者外周血T细胞亚群、NK细胞和调节性T细胞的检测及临床意义", 《安徽医科大学学报》 * |
| 王建中等: "流式细胞术计数淋巴细胞亚群的全血质控品的研究", 《中华检验医学杂志》 * |
| 赵其杰等: "基于密度-距离的t混合模型流式数据聚类", 《仪器仪表学报》 * |
| 郭平等: "快速流式细胞术用于外周血原始细胞检测性能临床评价", 《检验医学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114624165A (zh) * | 2022-03-10 | 2022-06-14 | 杭州翔宇医学检验实验室有限公司 | 血液样本中中性粒细胞cd64的测定方法 |
| CN114624165B (zh) * | 2022-03-10 | 2023-05-23 | 杭州翔宇医学检验实验室有限公司 | 血液样本中中性粒细胞cd64的测定方法 |
| CN114912493A (zh) * | 2022-05-27 | 2022-08-16 | 深圳见康智能科技有限公司 | 基于机器学习的流式免疫细胞智能分析系统 |
| CN114912493B (zh) * | 2022-05-27 | 2022-11-29 | 深圳见康智能科技有限公司 | 基于机器学习的流式免疫细胞智能分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113188982B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113188982B (zh) | 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法 | |
| US20180106787A1 (en) | System, method, and article for detecting abnormal cells using multi-dimensional analysis | |
| Stelzer et al. | CD45 gating for routine flow cytometric analysis of human bone marrow specimens | |
| US20170102310A1 (en) | Flow cytometer and a multi-dimensional data classification method and an apparatus thereof | |
| US8682810B2 (en) | Method and system for analysis of flow cytometry data using support vector machines | |
| Loken et al. | Normalization of bone marrow aspirates for hemodilution in flow cytometric analyses | |
| US20100054575A1 (en) | Analysis method for 5-differential complete blood cell based on visual image | |
| US7697764B2 (en) | Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus | |
| CN107576634B (zh) | 血液细胞分析仪及其细胞的识别方法与系统 | |
| CN101672759B (zh) | 一种粒子分类统计方法及装置 | |
| US20130173618A1 (en) | Methods and apparatus related to gate boundaries within a data space | |
| CN103364324A (zh) | 一种用于血液细胞分析仪的自适应分类计算方法 | |
| CN102331393A (zh) | 一种对人体血液中细胞进行自动分类计算的方法 | |
| CN113218848B (zh) | 一种判断非特异细胞群的方法 | |
| CN111274949B (zh) | 一种基于结构分析的血液病白细胞散点图相似度分析方法 | |
| WO2023141580A3 (en) | Particles and methods of assaying | |
| CN101762448A (zh) | 一种粒子分类方法及粒子检测装置 | |
| CN114912493B (zh) | 基于机器学习的流式免疫细胞智能分析系统 | |
| Burchert‐Graeve et al. | Automated leucocyte differentials in 292 patients with leucopenia: an evaluation of the Abbott CELL‐DYN 3500 (CD3500) haematology analyser | |
| CN113380318A (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
| Béné et al. | Differential leukocyte analysis | |
| Wiwe et al. | Neutrophil Reactivity Intensity and misclassification of immature granulocytes | |
| CN114136868B (zh) | 一种基于密度和非参数聚类的流式细胞术全自动分群方法 | |
| CN111812070B (zh) | 核左移以及取值范围的确定方法、装置和细胞分析仪 | |
| CN108169105B (zh) | 应用于血细胞分析仪的白细胞分类处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |