EP4437513A1 - Procede d'analyse cytometrique - Google Patents

Procede d'analyse cytometrique

Info

Publication number
EP4437513A1
EP4437513A1 EP22822132.1A EP22822132A EP4437513A1 EP 4437513 A1 EP4437513 A1 EP 4437513A1 EP 22822132 A EP22822132 A EP 22822132A EP 4437513 A1 EP4437513 A1 EP 4437513A1
Authority
EP
European Patent Office
Prior art keywords
modal
points
density
segment
point
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.)
Pending
Application number
EP22822132.1A
Other languages
German (de)
English (en)
Inventor
Marc GLISSE
Louis PUJOL
Baptiste LABARTHE
Romain TAILHADES
Kamila CZECHOWSKA-KUSIO
Dominique Blanchard
Vincent Petit
Mélanie Rennou
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institut National de Recherche en Informatique et en Automatique INRIA
Metafora Biosystems SAS
Universite Paris Saclay
Original Assignee
Institut National de Recherche en Informatique et en Automatique INRIA
Metafora Biosystems SAS
Universite Paris Saclay
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institut National de Recherche en Informatique et en Automatique INRIA, Metafora Biosystems SAS, Universite Paris Saclay filed Critical Institut National de Recherche en Informatique et en Automatique INRIA
Publication of EP4437513A1 publication Critical patent/EP4437513A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional [2D] or three-dimensional [3D] molecular structures, e.g. structural or functional relations or structure alignment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Definitions

  • the present invention relates to the general field of cytometric data analysis.
  • Such approaches mainly include: genomics (study of genes), transcription (analysis of gene expression and its regulation), proteomics (study of proteins), metabolomics (analysis of metabolites) and metabonomics (study of in vivo metabolic profiles).
  • Genomics is divided into two branches: structural genomics, which relates to the sequencing of the entire genome, and functional genomics, which aims to determine the function and expression of the sequenced genes.
  • functional genomics the techniques are applied to a large number of genes in parallel: for example, the phenotype of mutants can thus be analyzed for a whole family of genes, or the expression of all the genes of an entire organism.
  • Transcriptomics is the study of all the messenger RNAs produced during the transcription process of a genome. It is based on the quantification of all of these messenger RNAs, which provides a relative indication of the transcription rate of different genes under given conditions.
  • Proteomics is the analysis of all the proteins of an organelle, of a cell, of a tissue, of an organ or of an organism under given conditions. Proteomics attempts to identify in a global way the proteins extracted from a cell culture, a tissue or a biological fluid, their localization in the cellular compartments, their possible post-translational modifications, as well as their quantity.
  • Metabolomics studies all metabolites (sugars, amino acids, fatty acids, etc.), such as metabolic substrates, intermediates, products, as well as hormones, other signaling molecules and secondary metabolites , present in a cell, an organ, an organism.
  • Metabonomics consists of monitoring metabolic profiles in vivo, which makes it possible to provide information on the toxicity of drugs, on pathological processes, and on the function of genes.
  • Cytomics corresponds to the analysis of the cytome, all of the cellular constituents, in particular morphological, antigenic and functional, which make it possible to define or model the state and the functioning of a cell at a time t.
  • the analysis of the cytome makes it possible to describe the structural and functional heterogeneity of the various cells of an organism.
  • the preceding approaches make it possible to obtain a great deal of information on the cellular and/or tissue response to an exposure in vitro or in vivo. They can in particular be useful for highlighting and identifying new biomarkers (of diagnosis, susceptibility, prognosis, exposure, effect), generating new knowledge on the mechanistic level (modes of action), or further develop new efficacy or predictive toxicology tools to help identify new therapeutic targets or new candidate drugs or candidate vaccines.
  • the automation of sequencing techniques and the development of high-throughput techniques made possible in particular thanks to the appearance of specialized technological platforms, have enabled the industrialization of the production of data and the simultaneous analysis of a large number of variables.
  • omics data there are many techniques for acquiring "omics" data, such as, by way of non-limiting examples, mass spectrometry, chromatography, sequencing, spectral cytometry, mass cytometry , flow cytometry, image cytometry. . .
  • Cytometry designates a set of techniques for analyzing a biological sample comprising a set of "biological elements", such as cells, vesicles or particles, in suspension.
  • Cytometry techniques are essential analytical techniques for the identification and characterization of a population of cells, vesicles or particles. Additionally, cytomics can address the issue of intracellular or extracellular processes and intercellular interactions because cytomics provides single-cell insight into more complex cellular conglomerates, such as tissues in multicellular organisms or communities in the case of single-celled bacteria, yeasts, algae, etc. [0018] The reliability and the reproducibility of the results are essential, however a major source of variation of the cytometry resides in the analysis of the data.
  • the segmentation can be automated, the segments being defined by means of software, without supervision by an operator. It can use artificial intelligence, but the criteria for grouping cytometric events are then no longer understandable by the operator. Alternatively, it can be based on analysis algorithms.
  • the biological liquid containing the cells, vesicles or particles to be analyzed circulates in continuous flow in front of a detector. For each cell, vesicle or particle passing in front of the detector, it is thus possible to measure values for cytometric parameters.
  • cytometric event is a vector associated with a particle and which groups together the measured values of the cytometric parameters for this particle, in an ordered manner.
  • a cytometric event groups together, for each particle, values for more than 10 cytometric parameters.
  • Each value of a cytometric parameter, for a particle, is called “cytometric measurement”.
  • points each representing a cytometric event can be presented in a one-, two-, or three-dimensional space on “presentation graphs”. Each dimension corresponds to a cytometric parameter.
  • Graphs representing cytometric events are therefore "projections" which allow the visualization of one, two or three cytometric measurements for each cytometric event.
  • the first criterion is a performance criterion, that is to say a criterion of strong correlation with manual segmentation resulting from a consensus of experts on a set of well-known data.
  • a dataset expert must be able to easily find the main populations of interest in an automatic breakdown performed by an algorithm.
  • the second criterion concerns the simultaneous taking into account of all the dimensions of the data, or of a set of dimensions among these. Indeed, in a manual segmentation, the divisions are performed on the data projected on pairs of markers, at best on triplets. By limiting oneself to this type of representation, part of the richness and complexity of the data and the structures that compose it is not taken into account. Taking into account several or even all the dimensions at the same time makes it possible to take into consideration all the complexity of the data and for example to discover unidentified populations by manual segmentation.
  • a hierarchical segmentation is generally generated after the initial segmentation.
  • the approach consists in asking the algorithm for a large number of clusters (i.e., groupings) at first then applying a hierarchical segmentation method directly on the clusters and no longer on the points.
  • This approach does indeed generate a hierarchical segmentation, but it has the defect of decoupling the procedure into two distinct stages, which tends to create an artefactual effect.
  • the stability of the hierarchical structure according to the number of groups initially requested from the method is problematic.
  • the segments resulting from the analysis of a projection must be able to be compared with those resulting from the analysis of the other projections. For example, after having isolated on a first projection, the cytometric events presenting values in predefined ranges for first and second cytometric parameters, and having thus created a segment of interest, it may be useful to represent the events in a specific manner. cytometrics of this segment of interest, in a second projection. [0049] The effectiveness of the analysis is intimately linked to the operator's ability to make such comparisons.
  • the invention aims to meet, at least in part, this need.
  • the invention also allows the user to obtain an “on-demand” level of segmentation precision in certain areas of the data structure.
  • the invention therefore relates to a method implemented by computer for the analysis of a set of data associated with a plurality of biological objects chosen from cells, vesicles of cellular origin, acellular microorganisms and/or materials biofunctionalized; said data set comprising N cytometric events, each associated with a biological object, each cytometric event being defined by at least two cytometric parameters measured for the corresponding biological object such that the data set is represented by a cloud ( ) of N points in a D-dimensional space.
  • Said method comprises: determining, for each point (x ⁇ ) of said cloud ( ), a density (w(Xj)) inversely proportional to the sum of the distances, raised to a power D, between said point (x ⁇ ) and a set of neighboring points (f >(Xj)) consisting of the p points of said cloud (X) closest to said point under consideration (Xj), segmenting said cloud of points (X) into modal segments (M ; ), each modal segment (Mj) comprising a modal point locally presenting a maximum density, and the points of the cloud belonging to the basin of attraction of said point modal the points of the basin of attraction being identified recursively on the basis of their density (w(bq)) with respect to the densities of their q nearest neighbors; for each modal segment (M ; ), determining a persistence (/?), said persistence (fi) being:
  • the method advantageously implements a deterministic approach.
  • the process uses a density calculation based on distances between points in the cloud representing all the data to be studied.
  • the density calculated for a given point of the cloud is thus representative of a concentration of neighboring points around said point.
  • the method described here thus differs from other methods using random metrics. For identical or quasi-identical point clouds, substantially identical results are therefore obtained. Thus, the reproducibility and rigor of the results are ensured.
  • the algorithm implemented in the method of the invention is based on the analysis of the density of cytometric data, which makes it possible to explain and trace the proposed results (i.e., modal segments in the hierarchical structure). This makes it particularly suitable for clinical analyzes in which the principle of transparency is a fundamental prerequisite.
  • the method of the invention makes it possible to take into account all the dimensions present in the data (i.e., set of cytometric data associated with a plurality of biological objects) to carry out the segmentation.
  • the hierarchical structure provided at the output of this method makes it possible to express the extreme variability of a biological sample.
  • the steps of the method are designed to reproduce the hierarchical and multi-scale aspect of the data by using a topological analysis, which advantageously makes it possible to obtain a fine representation of the native hierarchical structure of the data from the cytometry, which is a representation different for example from a simple neighborhood graph.
  • a neighborhood graph aims to reproduce the global topology of a cloud of points and integrates a notion of proximity between groupings, but does not integrate the notion of hierarchy.
  • the method described here exploits the calculated density values in order to reproduce a hierarchical and multi-scale aspect.
  • the points of high density will for example be represented on high levels, while the points of low density will then be represented on lower levels in the hierarchical structure.
  • the value of the density of a point is used and exploited to position said point in the hierarchical structure, and possibly in a representation of this hierarchical structure.
  • two points of very different densities will not be positioned on the same level.
  • a rare cell, i.e. of low density will be located at a low level in the hierarchy.
  • the hierarchical structure provided at the output of the process reflects the parental relations between different levels made up of classes. This allows you to explore these different levels as well as the classes that make up each level.
  • the method described here is not intended to ignore relative differences in densities between points in the cloud. On the contrary, the method described here exploits these relative differences in order to translate the hierarchical (i.e. parental) links between different levels. This method therefore differs from, and is incompatible with, other methods aimed at reproducing a global topology of a cloud of points and, for example, at identifying groupings of points having a similarity, but which at the same time erase the differences relative densities between the points of the cloud, for example by sampling adapted to the density of the points. In the method described here, the density calculation performed is used to obtain the hierarchical structure, but not for sampling purposes.
  • each modal segment corresponds to a mountain whose summit is the maximum local density associated with the modal point, the valley between two adjacent mountains including a pass of density.
  • the pass is the set of lowest points between two mountains belonging to the same ridge.
  • the persistence of the mountain measures the elevation difference between the bottom of the pass of greater than zero density and the top of that mountain.
  • a modal segment has a weak persistence, it can generally be represented by a stop which detaches little from the adjacent mountain, for example on the side of this adjacent mountain.
  • the merging step makes it possible, for example, to merge such a stop and this adjacent mountain. Consequently, the method of the invention advantageously makes it possible not to give importance to disturbances of the density function caused by noise. Noise is associated with a low persistence value, so it will be merged with an adjacent modal segment for a reasonable choice of persistence threshold.
  • the two parameters p and q are predetermined in a heuristic study on a large number of data. Therefore, advantageously, the choice of these parameters does not depend on the operator, which makes it possible to have a process with an analysis robustness independent of the operator.
  • the threshold persistence (ie, persistence threshold) associated with a level determines the number of classes of this level, that is to say the grain size of the representation.
  • the value of the threshold persistences makes it possible to choose the numbers of classes associated with each level of the hierarchical structure.
  • the choice of the values of the threshold persistences makes it possible to study or analyze simultaneously different levels of the hierarchical structure, representing for example on the one hand the general population formed by all the biological objects studied, and on the other hand a sub-population within the general population.
  • the method described makes it possible to explore the hierarchical structure obtained by defining different granularities for different areas of the hierarchical structure.
  • the method described here differs from other methods where a single representation particle size, ie a uniform particle size, can be chosen.
  • the method described here does not only aim to determine a plurality of homogeneous main groupings, but rather to have access to multi-scale data, that is to say data comprising subsets of data represented at different scales on the same representation.
  • multi-scale data that is to say data comprising subsets of data represented at different scales on the same representation.
  • Having access to multi-scale data makes it possible to have access at any time to all the data, without loss of information. This allows the user to be able to access at any time the data corresponding to a sub-population of his choice, potentially more interesting and relevant for him.
  • the step of segmenting the cloud of points ( ) into modal segments (M ; ), comprises for each point (Xj), proceeding from the point having the highest density to the point with the lowest density:
  • the persistence (fi) is determined as a difference between the density of the modal point and the greatest density among the densities of the points of the cloud in the density saddle between the model segment (Mj) and the said at least one adjacent modal segment (M t ).
  • the method comprises a preliminary step of receiving the set of data associated with a plurality of biological objects.
  • the biological objects are:
  • vesicles of cellular origin chosen from exosomes, ectosomes, microvesicles, microparticles, prostasomes, oncosomes, matrix/calcification vesicles or apoptotic bodies,
  • acellular microorganisms chosen from viruses, viroids and prions, and/or - biofunctionalized materials comprising a material of synthetic or biological origin chosen from a nanoparticle (such as a nanobead, a nanosphere or a nanocapsule), a microparticle (such as a microbead, a microsphere or a microcapsule), a lipid vesicle (such as a unilamellar vesicle, a multilamellar vesicle, a lipoplex, a polyplex, a lipopolyplex, a liposome, a niosome, a cochleate, a virosome, an immunostimulating complex (ISCOM®)), said material of synthetic or biological origin being coupled to, or coated with, one or more peptide(s), protein(s), antibody, antibody fragment(s), receptor(s), cytokine(s), chemokine(s), toxin(s), oligonucle
  • the cytometric parameters are chosen from among the size of the biological objects, their density, their granularity, their morphology, their shape, their refractive index, the composition of their membrane, their molecular content, their into a molecule, and/or the level of expression of a molecule.
  • one of the cytometric parameters measured is the level of expression of one or more protein(s), receptor(s), marker(s), and/or the level of expression of one or more nucleic acid(s) such as DNAs or RNAs.
  • the cytometric data 21 are obtained by flow cytometry (or FAC S for "fluorescence activated cell sorting"), by cell sorting activated by PCR (or PACS for “PCR-activated cell sorting”) , by "microsphere affinity proteomics” (MAP), by mass spectrometry, by chromatography, by CYTOF, by spectral cytometry, by mass cytometry, by image cytometry, by gene expression on chips (microarray), by sequencing, by example of DNA (“DNA-seq” or “single cell (sc)DNA-seq”) or RNA (“RNA-seq” or “single cell (sc)RNA-seq”), by in situ hybridization, and/ or by microscopy.
  • flow cytometry or FAC S for "fluorescence activated cell sorting”
  • PCR or PACS for "PCR-activated cell sorting”
  • MAP microsphere affinity proteomics
  • mass spectrometry by mass spectrometry
  • chromatography by CYTO
  • the step of outputting at least the hierarchical structure further comprises a step of displaying.
  • the hierarchical structure obtained by the method offers particularly advantageous flexibility for viewing and interpreting the data resulting from the cytometric measurements.
  • the step of displaying the hierarchical structure is configured to allow the operator to select one or more values of the predefined persistence threshold associated with at least one or more levels of the hierarchical structure. . This allows the operator to choose at what degree of granularity he wishes to display the cytometric data.
  • the hierarchical structure display stage can further be configured to allow the operator to directly select the classes to be displayed, independent of the level of membership.
  • said display step comprises displaying:
  • selection graph being a graphical representation of the classes and their respective relationships in the hierarchical structure, said selection graph being adapted to select at least one class by designating the corresponding class on said graphical representation;
  • each axis being associated with a respective cytometric parameter
  • said at least one presentation graph being configured to display the points of the cloud belonging to said at least one class selected thanks to the selection chart.
  • this embodiment makes it particularly easy to navigate in the hierarchical structure, in all the classes located at different levels. It thus makes it possible to identify relevant classes that are very difficult to identify with previous techniques.
  • the selection graph allows to select the classes in different levels, to visualize the points simultaneously thanks to the representation graphs.
  • the method of the invention makes it possible to visualize the "granulometry" of the classes of a level but also to "zoom in” on a or several selected classes or to "zoom out” by selecting a class of higher hierarchical level.
  • the selection graph further comprises a display means suitable for highlighting said at least one class selected on the graphical representation.
  • both of the hierarchical structure (ie, selection graph) and of the presentation graphs advantageously makes it possible to present the data set to the operator in a format that includes global information on the membership of one or more groups of biological objects to one or more classes with close hierarchical links and specific information on the distribution of the objects of the group(s) in relation to two or more three cytometric parameters.
  • This form of display does not simply have the advantage of conveying information in a way that an observer may intuitively find particularly attractive, clear or logical.
  • the simultaneous display of global information (ie, selection graph) and specific information (ie, presentation graphs) provides the operator with contextual information improving the accuracy of data analysis.
  • This combination of information at different scales gives the operator enriched information on the cytometric data, including in particular the community relations between populations of biological objects. Not only does this display allow easier and faster interpretation of the set of biological objects under analysis, but thanks to the additional information on the links remaining between subtypes of biological objects (ie, selection graph) and the display of their cytological parameter values (ie, presentation graphs), the operator can directly deduce conclusions concerning, for example, a clinical diagnosis, the prediction of the probability for a patient to develop a disease, the evaluation of the response of a patient to a treatment or the follow-up of a patient under treatment and possibly the adaptation of his treatment, etc.
  • the cognitive content of the information presented to the operator relates to the state of health of the patient.
  • the operator can therefore use this cognitive content to assess the state of health of the patient, make a diagnosis, propose a treatment or any other action to improve the patient's state of health.
  • the cytometric data relates to bio-functionalized materials
  • the operator can use the cognitive content of the display of the invention during a process of designing or testing the effectiveness of drug candidates in models. in vitro.
  • the selection graph is presented in the form of a dendrogram in which each node represents a class, the nodes being aligned in strata each representing the level of membership of the classes represented by said nodes of the stratum, and whose branches represent hierarchical links between the classes of the different levels.
  • the selection graph is presented in the form of a sunburst graph comprising concentric rings each representing a level, a ring having a larger diameter as it represents a low hierarchical level, the classes of a level being fractions of the ring corresponding to this level.
  • the specific shape of the selection graph in sunburst graph is particularly advantageous to allow the representation and the navigation between the different classes and levels present in the hierarchical structure.
  • the length of a said fraction is proportional to the number of points in the corresponding class.
  • the fractions representing classes having a direct hierarchical link ie, classes belonging to the same enlarged basin of attraction
  • the presentation graph is a scatter graph comprising visualization means configured to distinguish the points belonging to two or more selected classes.
  • said at least one selection graph is a dynamic graphical representation of the classes and their arrangements in the hierarchical structure, said dynamic graphical representation being configured to display the classes of lower hierarchy when the class which group is selected.
  • - p and/or q are greater than 20, preferably greater than 30, preferably greater than 40, and/or less than 80, preferably less than 70, preferably less than 60, preferably equal to 50;
  • said distance is representative of a mathematical distance, in particular average, between the first point and the neighboring points, said mathematical distance being preferably chosen from: a Euclidean distance, a Minkowski distance, a distance from Manhattan or a distance from Mahalanobis;
  • step a said densities are subjected to a definite increasing transformation, such as a logarithmic transformation.
  • the method further includes receiving a selection of one or more classes from the operator through use of the selection graph.
  • the method further includes outputting a medical or research report, and/or contacting a person associated with the cytometric events, in particular the person from whom the biological fluid originated. on which the cytometric measurements were made, for example sending a letter or an email, and/or manufacturing a device based on said analysis.
  • the present invention further relates to a data processing device comprising means for implementing the method according to any one of the embodiments described above.
  • the data processing device is configured for the analysis of a set of data associated with a plurality of biological objects chosen from cells, vesicles of cellular origin, acellular microorganisms and/or materials biofunctionalized; said data set comprising TV cytometric events, each associated with a biological object, each cytometric event being defined by at least two cytometric parameters measured for the corresponding biological object such that the data set is represented by a cloud ( ) of N points in a D-dimensional space; said device comprising:
  • At least one input configured to receive the set of data associated with a plurality of biological objects; at least one processor configured to: determine, for each point (Xj) of said cloud ( ), a density (w(Xj)) inversely proportional to the sum of the distances, raised to a power D, between said point (Xj) and a set of neighboring points (l ⁇ (Xj)) consisting of the p points of said cloud (X) closest to said point under consideration (Xj), segmenting said cloud of points (X) into modal segments (M ; ), each modal segment ( Mj) including a modal point locally having a maximum density, and the points of the cloud belonging to the basin of attraction of said modal point (mfi), the points of the basin of attraction being identified recursively on the basis of their density (w(Xj)) with respect to densities of their q nearest neighbors; for each modal segment (M ; ), determining a persistence (/?), said persistence (fi) being:
  • At least one output configured to provide at least the hierarchical structure representative of the different classes of biological objects and their mutual relationships.
  • the present invention further relates to a computer program product comprising instructions which, when the program is executed by a computer, lead the latter to implement the method according to any one of the embodiments described herein. -above.
  • the present invention further relates to a computer-readable recording medium comprising instructions which, when executed by a computer, cause the latter to implement the method according to any one of the embodiments describe above.
  • processor should not be interpreted as being limited to computer hardware (“hardware”) capable of executing software, and generally refers to a processing device, which may for example include a computer , a microprocessor, an integrated circuit or a programmable logic device (PLD).
  • the processor may also encompass one or more graphics processing units (GPUs), whether operated for computer graphics and image processing or other functions.
  • GPUs graphics processing units
  • the instructions and/or the data making it possible to execute the associated and/or resulting functionalities can be stored on any medium readable by the processor such as, for example, an integrated circuit, a hard disk, a CD (Compact Disc ), an optical disc such as a DVD (Digital Versatile Disc), RAM (Random-Access Memory) or ROM (Read-Only Memory).
  • the instructions may be stored in computer hardware, software, firmware (“firmware”) or any combination thereof.
  • Cytometry generally designates the detection and/or measurement of the characteristics of the cell, the basic structural, functional and biological unit of living organisms. By extension, cytometry also designates the detection and/or measurement of the characteristics of vesicles of cellular origin (such as extracellular or intracellular vesicles), or of particles of nano- or micrometric dimension such as acellular microorganisms (for example viruses), or bio-functionalized materials (for example microspheres coated with biological molecules such as proteins or nucleic acids, or microspheres coated with bioactive molecules such as an immunomodulatory molecule or a drug).
  • acellular microorganisms for example viruses
  • bio-functionalized materials for example microspheres coated with biological molecules such as proteins or nucleic acids, or microspheres coated with bioactive molecules such as an immunomodulatory molecule or a drug.
  • the “cells” can come from a unicellular or multicellular organism, of prokaryotic or eukaryotic origin, of animal, plant, fungal, protist, bacterial or archaebacterial origin. They can be alive, dead or fixed.
  • the cells can for example come from solid or liquid tissues (such as bone marrow, blood or lymph, etc.), or from bodily fluids (such as cerebrospinal fluid, urine, bronchoalveolar fluid, etc.).
  • the cells, vesicles or particles can be in suspension (aqueous or non-aqueous, biological or synthetic), or be immobilized on a solid support (for example a flask, a box single-well or multi-well cell culture, plate or microplate, glass slide, chip, etc.). They may have undergone prior treatment with one or more biological or chemical agent(s).
  • the cells, vesicles or particles to be analyzed can be present within one or more populations.
  • a “population” is a set of cells, vesicles or particles having identical or similar characteristics. A population can be subdivided into different subpopulations with different secondary characteristics from each other.
  • Vesicles of cellular origin are vesicles consisting of a membrane of cellular origin. They can be intracellular or extracellular vesicles. Extracellular vesicles have usually been secreted or excreted from a cell.
  • Cell-derived vesicles include, for example, exosomes, ectosomes, microvesicles, microparticles, prostasomes, oncosomes, matrix/calcification vesicles, apoptotic bodies, and other subsets of cellular vesicles.
  • Acellular microorganisms denote organisms of microscopic size whose structure is not cellular.
  • Cell-free microorganisms include, for example, viruses, viroids and prions.
  • Bio-functionalized materials or “functionalized biomaterials” or “bio-functionalized devices” or “bio-functionalized systems” designate any type of object comprising a material of synthetic or biological origin covered on its surface, coupled or bound to one or more molecule(s) or functional group(s) of biological origin.
  • the material of synthetic or biological origin can be a nanoparticle (such as a nanobead, a nanosphere or a nanocapsule), a microparticle (such as a microbead, a microsphere or a microcapsule), a lipid vesicle such as a unilamellar vesicle, a multilamellar vesicle, a lipoplex, a polyplex, a lipopolyplex, a liposome, a niosome, a cochleate, a virosome, an immunostimulating complex (ISCOM®), etc.
  • a nanoparticle such as a nanobead, a nanosphere or a nanocapsule
  • a microparticle such as a microbead, a microsphere or a microcapsule
  • a lipid vesicle such as a unilamellar vesicle, a multilamellar vesicle, a lipoplex
  • Nanoparticles and microparticles can be organic, inorganic, magnetic or radioactive.
  • the nanoparticles or microparticles can be metal, silica, alumina, titanium, glass, ceramic, polystyrene, polymethyl methacrylate, melamine, polylactide, latex, dextran, oxide, graphene, magnetic material, radioactive material, or a combination of these.
  • the material can be conjugated to, or coated with, one or more peptide(s), protein(s), antibody, fragment(s) of antibody, receptor(s), cytokine(s), chemokine(s), toxin(s), oligonucleotide(s), colored or fluorescent molecule(s), amine, carboxyl or hydroxyl group(s) , bioactive molecule(s) (such as an immunomodulatory molecule, small chemical molecule, peptido-mimetic, drug), biotin, avidin or streptavidin molecule(s), or a combination thereof -this.
  • bioactive molecule(s) such as an immunomodulatory molecule, small chemical molecule, peptido-mimetic, drug
  • cytometric when it qualifies data, parameters, measurements, events, can relate to cells, vesicles of cellular origin, or to particles such as acellular microorganisms or bio-functionalized materials.
  • Figure 1 is a block diagram illustrating an example of an analysis method according to the invention.
  • Figure 2 and Figure 3 illustrate examples of representation of point densities obtained according to the method of Figure 1.
  • Figure 4 is an example of a selection graph according to a first embodiment.
  • Figure 5 and Figure 6 illustrate a selection graph variant according to a second embodiment.
  • Figure 7 illustrates presentation graphics according to one embodiment.
  • Figure 8 represents an example of display comprising the selection graph and the presentation graphs according to the invention.
  • Figure 9 represents an example of use of the selection graph to modify the display on the presentation graphs according to the invention.
  • Figure 10 is a block diagram schematically representing a particular mode of a device for analyzing a set of data associated with a plurality of biological objects configured to perform the successive steps of the method of Figure 1.
  • Figure 11 schematically represents an apparatus integrating the functions of the analysis device of Figure 10.
  • the method is configured to perform the analysis of a set of data associated with a plurality of biological objects 21 (or cytometric data 21) representable in the form of a cloud X of N points x t in a space in D dimensions , each point x t representing a cytometric event and each dimension representing a cytometric parameter.
  • the method is configured to output a hierarchical structure 31 representative of the different classes of biological objects, represented in the set of input data, and their mutual relationships.
  • a hierarchical structure 31 is an organization at several levels L k , each level L k defining a respective presentation of the cloud of points and/or of the data associated with the points of the cloud, that is to say the positions of the points in space and point densities.
  • L k defining a respective presentation of the cloud of points and/or of the data associated with the points of the cloud, that is to say the positions of the points in space and point densities.
  • the structure is hierarchical in that the points of a class C kj - of a considered level L k : are also included in one and only one class of immediately higher hierarchical level L k+1 (if such a level exists above the considered level L k ), the considered class C kj - thus being the daughter of said class said level immediately above, itself being the parent of the class considered, and are also included in one or more classes C ⁇ k-1 of the level immediately below L k-1 ) (if such a level exists below the considered level L k ).
  • the method may comprise a step 41 of receiving a set of cytometric data 21 associated with a plurality of biological objects.
  • the biological objects can be:
  • vesicles of cellular origin chosen from exosomes, ectosomes, microvesicles, microparticles, prostasomes, oncosomes, matrix/calcification vesicles or apoptotic bodies,
  • microorganisms chosen from viruses, viroids and prions, and/or
  • - biofunctionalized materials comprising a material of synthetic or biological origin chosen from a nanoparticle (such as a nanobead, a nanosphere or a nanocapsule), a microparticle (such as a microbead, a microsphere or a microcapsule), a lipid vesicle (such as a unilamellar vesicle, a multilamellar vesicle, a lipoplex, a polyplex, a lipopolyplex, a liposome, a niosome, a cochleate, a virosome, an immunostimulating complex (ISCOM®)), said material of synthetic or biological origin being coupled to, or coated with, one or more peptide(s), protein(s), antibody, antibody fragment(s), receptor(s), cytokine(s), chemokine(s), toxin(s), oligonucleotide(s), colored or fluorescent molecule(s), amine, carboxyl or hydroxy
  • the cytometric data 21 can be obtained by any method making it possible to analyze, determine or measure the characteristics of a cell, vesicle or particle.
  • the analysis can relate to a sample comprising a plurality of cells, vesicles and/or particles.
  • the cytometric data 21 can be obtained from a biological sample of an individual, such as one or more organ(s), tissue(s), cell(s) or cell fragment(s) ( s) of the individual.
  • the cytometric data acquisition process 21 may be preceded by a sample preparation process comprising, for example, a step of isolating the cells, vesicles and/or particles, or of isolating prior components of said cells.
  • the method for preparing the sample comprising the biological objects with which the cytometric data 21 are associated may include, by way of non-limiting examples, one or more step(s) of magnetic cell sorting (or “MACS” for “magnetic-activated cell sorting”), microdissection by laser capture (or “LCM” for “laser capture microdissection”), manual harvesting of cells or micromanipulation, micro-fluidics, limiting dilution, separation by optical forceps, electrophoresis, separation by beads, immunoprecipitation, immunopanning, labeling, immunostaining, immunofluorescence, multiplexing and/or use of biochips.
  • MCS magnetic-activated cell sorting
  • LCD laser capture microdissection
  • the cytometric data 21 can be data from “omics” or “meta-omics” technologies, for example data from genomics, epigenomics, transcriptomics, proteomics, metabolomics, lipidomics, etc.
  • the cytometric data 21 may for example relate to the detection and/or quantification of DNAs (for example genes), RNAs, proteins (for example cytokines, receptors, etc.), sugars, amino acids and/or fatty acids present in or on the surface of the cell, vesicle or particle, or of any other molecule contained in the cell, vesicle or particle.
  • the cytometric data 21 may also relate to the detection of the presence or absence of a particular molecule or of a particular assembly in or on the surface of the cell, vesicle or particle, or to the detection of interactions between molecules present in or on the surface of the cell, vesicle or particle, or the detection of interactions between cells and/or objects of the vesicle type, microorganisms, or bio-functionalized materials.
  • the cytometric parameters measured or analyzed can be the level of expression of one or more proteins intracellular or extracellular, or the level of expression of one or more receptors or markers on the surface of the cell, vesicle or particle.
  • cytometric parameters include the size of the cells, vesicles or particles, their density, their granularity, their morphology/shape, their refractive index, the composition of their membrane, their molecular content (such as the presence or absence of an intracellular or surface molecule) or their content of this molecule (such as for example the intracellular content or the content of ions, DNA, RNA, etc.) or even the state of oxy do-reduction of the cell, its status in the cell cycle, its apoptotic state, or its level of phosphorylation...
  • Cytometric data 21 can be obtained by single cell analysis technologies.
  • the cytometric data 21 can be obtained by flow cytometry (or FACS for "fluorescence activated cell sorting”), by cell sorting activated by PCR (or PACS for “PCR-activated cell sorting”), by “microsphere affinity proteomics” (MAP), by mass spectrometry, by chromatography, by CYTOF, by spectral cytometry, by mass cytometry, by image cytometry, by gene expression on chips (microarray), by sequencing, for example of DNA (“DNA-seq” or “single cell (sc)DNA-seq”) or RNA (“RNA-seq” or “single cell (sc)RNA-seq”), by in situ hybridization , and/or by microscopy.
  • flow cytometry or FACS for "fluorescence activated cell sorting”
  • PCR or PACS for "PCR-activated cell sorting”
  • MAP microsphere affinity proteomics
  • mass spectrometry by mass spectrometry
  • chromatography by CYTOF
  • microscopy designates in particular atomic force microscopy (AFM), electrochemical detection (EC), scanning electron microscopy (SEM), transmission electron microscopy (TEM), plasma resonance imaging of surface (SPRi), Raman microspectroscopy. . .
  • the cytometric data 21 can also be obtained by combining several of these techniques.
  • multiplexed profiling of RNA and protein expression at the single cell level can be obtained simultaneously by combining the PLAYR (proximity ligation assay for RNA) technique, which makes it possible to measure the level expression of a large number of RNAs by flow or mass cytometry, with a technique for detecting surface or internal proteins labeled with antibodies.
  • PLAYR proximity ligation assay for RNA
  • cytometric data 21 Another purely illustrative example of a technique for obtaining cytometric data 21 is the profiling of single cells isolated in liquid droplets, enveloped by a thin semi-permeable membrane (microcapsules), by high-throughput RNA cytometry , for example by multiplexed RT-PCR.
  • the cytometric data 21 comprises a plurality of vectors, each comprising the D cytometric parameters measured for a cytometric event associated with a biological object. Each vector can be interpreted as the coordinates of a point in a dimensional space.
  • the cytometric data set 21 can therefore be represented by a cloud X of N points in a space in D dimensions.
  • the cytometric parameters subjected to cytometric measurements preferably comprise one of the following cytometric parameters and/or a combination of the following cytometric parameters: size of the particles of the biological fluid on which the cytometric measurements were made, structure of said particles, function of said particles, and any measured parameter directly or indirectly reflecting a characteristic and/or a function of a marker of interest (qualitatively and quantitatively), the marker of interest possibly being chosen in particular from proteins, nucleic acids, and molecules , alone or in complexes, as well as their interactions.
  • the number of dimensions D that is to say the number of cytometric parameters associated with each cytometric event, can be greater than 1, preferably greater than 10, preferably greater than 20, preferably greater than 30 , or even preferably greater than 40, and/or less than 200.
  • the number N of points is preferably greater than 10,000 and/or less than 10 9 .
  • the method may include a cytometric data preprocessing step 21 (step 42), in particular to facilitate subsequent use thereof.
  • a pre-processing can for example comprise a compensation of the cytometric data 21, a transformation of the cytometric data 21 into scales suitable for visualization and/or analysis, and/or a normalization of the cytometric data 21.
  • the compensation can be obtained by multiplying each vector representing a point of the cloud by the inverse of a compensation matrix of size DxD.
  • the compensation matrix can be obtained by any method known to those skilled in the art. It is thus possible to obtain a set of vectors, representing the points of the cloud, compensated.
  • the transformation of the data can correspond to the application of a mathematical function to the initial or compensated vectors associated with the points of the cloud, said mathematical function being able in particular to be chosen from among a linear, logarithmic, bi-exponential, or even arcsine function.
  • hyperbolic "arcsinh" In the illustrated embodiment, the “arcsinh” function is applied to the compensated point cloud.
  • the normalization of the data can be carried out in a manner known per se, in particular it can be of the “Min-max” type.
  • the compensated, transformed and/or normalized cloud of points X is then obtained (i.e., the vectors associated with the points of the cloud are compensated, transformed and/or normalized).
  • the method of the invention aims to obtain a segmentation of the point cloud on the basis of topological persistence which studies the evolution of the topology of the multilevel set of the density function of the point cloud.
  • the method includes a step 43 for determining the local density associated with each point of the cloud.
  • this step we proceed to the determination, for each point Xi of said cloud X, of a density w(%j) inversely proportional to the sum of the distances raised to the power D between said considered point x t and a set V p (Xi) consisting of the p points of said cloud closest to said considered point.
  • a point is close to the point considered, or is close to the point considered if it is one of the p points of the cloud closest to the point considered.
  • the proximity between two points is defined by a distance between these two points in the space in D dimensions of the cloud. A point can therefore be or not be close to the considered point depending on the choice of the parameter p and the chosen distance definition.
  • the proximity between two points can be calculated with a Euclidean distance, a Minkowski distance, or a Manhattan distance. It is not beyond the scope of the invention if other distances are used.
  • the distance is preferably an average Euclidean distance between the point considered and the p neighboring points.
  • other types of distances can be used such as a Minkowski distance, a Manhattan distance, or distances similar to this.
  • p is equal to 50, but other values of p can be retained, in particular according to the size of the point cloud, the nature of the cytometric data 21 or even according to the application of the target process.
  • the density w(Xj) is calculated to within a constant according to the following formula:
  • the densities w(Xj) of the points of the cloud are preferably subjected to a logarithmic transformation, which advantageously makes it possible to attenuate the relative differences in density.
  • FIG. 2 An example of representation of the density of the points obtained in step 43 is illustrated in FIG. 2.
  • the space is in two dimensions, the points of the cloud are in a plane and the values of the density of said points is represented on a third dimension orthogonal to the plane.
  • the method then comprises a step of segmenting the cloud X into modal segments Mj so as to define groupings (more commonly referred to by the English term “cluster”) of points x t .
  • a modal segment Mj delimits a region of space comprising a group of points in the cloud.
  • This set of points comprises a modal point, having a density greater than that of the other points of the modal segment, and other points which, in space, are neighbors of the modal point and have a density lower than that of the modal point.
  • the modal point A density, called modal density is thus associated, which is a local maximum of the density, that is to say which is greater than that associated with the other points of the modal segment Mj.
  • the modal segments Mj can be naturally identified with the basins of attraction of the vertices of an approximation of the density function.
  • a modal segment Mj is the set of all points x t that go to the same local maximum (or peak) along the flux defined by the gradient vector field of density function.
  • the identification of basins of attraction of the density makes it possible to segment the cloud of points into one or more modal segments M ; -, each modal segment Mj comprising a modal point mj associated with a local maximum of the density w(Xj), and all the points of the cloud belonging to its basin of attraction.
  • a modal segment adjacent (or connected) to another modal segment is a modal segment having the same density neck, said density neck being greater than zero. Consequently, conversely, two segments having at their common boundary values of zero density, because no point lies in this region of space, are not considered as adjacent modal segments, in the context of the method of the invention.
  • the points of each of these modal segments are associated with an increasing density as one moves away from said boundary. In other words, the boundary defines the bottom of a density pass.
  • two segments are adjacent if there is a point of the cloud containing at least one point belonging to the two modal segments in its vicinity.
  • the density saddle (or boundary) is then the point of lowest density among the points containing neighbors within the two adjacent modal segments.
  • This operation is based on knowing the distances between pairs of points in the cloud and the value of the density corresponding to each point in the cloud.
  • the method of the invention only requires knowledge of the (approximate) distances between pairs of cytometric data points 21, as well as approximate estimates of the density at these points. It is therefore virtually applicable in any arbitrary metric space chosen to represent the point cloud. Moreover, the complexity of the process remains reasonable: although the size of the input distance matrix can be quadratic with respect to the number N of points in the cloud, this process only uses a linear amount of main memory in A .
  • the parameters p and/or q may be greater than 20, preferably greater than 30, preferably greater than 40, and/or less than 80, preferably less than 70, preferably less than 60, preferably equal to 50.
  • the parameters p and can be identical or different. In the example shown, the number q is equal to 50.
  • each modal segment can be likened to a mountain whose summit is a local maximum of the density.
  • the method then comprises a step 45 of estimating the persistence for each modal segment Mj.
  • the persistence P of the modal segment M 7 is defined so as to: have an infinite value if there does not exist at least one adjacent modal segment M t presenting a point associated with a density greater than the density of its point modal ijOu, representative of the depth of a density neck between the modal segment Mj and said at least one adjacent modal segment M t otherwise.
  • the persistence P of the modal segment Mj having at least one adjacent modal segment can be calculated as a difference between the density of the modal point (ie, the highest density value between the points belonging to the modal segment Mj) and the highest density value among the density values associated with the points of the cloud located in the density neck between the model segment Mj and said au least one adjacent modal segment M t .
  • FIG. 3 An example of determination of the persistence is illustrated in figure 3, for a simplified representation in which the points of the cloud are associated with a single cytometric parameter and the density w(x) corresponds to the values on the ordinate axis .
  • the persistence Pi of the modal segment Mi that is to say the modal segment presenting the local maximum of density having the maximum value
  • the modal segment M 3 is adjacent only to the modal segment M 2 .
  • the persistence P3 of the modal segment M3 corresponds to the difference between its modal density, i.e. the value of the local maximum of the density wm 3 ) of the basin of attraction of the modal segment M3, and the value of the minimum local of density between the modal segment M3 and M2.
  • This persistence P3 therefore corresponds to the distance along the axis of the ordinates separating the two lines A′ 1 and A′ 2, in FIG. 3, and is equal, in the example considered, to approximately 0.032.
  • the modal segment M 2 has two adjacent modal segments M and M 3 exhibiting density values greater than that of said modal segment M 2 .
  • the persistence P2 of the modal segment M 2 corresponds to the difference between its modal density, wm 2 ) and the largest density value among the two local minima of the densities between the adjacent modal segments, i.e. the difference between the peak of the modal segment M2 and the highest neck between the modal segment M 2 and M .
  • the persistence P2 therefore corresponds to the distance along the axis of the ordinates separating the two lines Ai and A2, in FIG. 3, and is equal, in the example considered, to approximately 0.013.
  • the next step 46 of the method is configured to group together the modal segments Mj, thus the points comprised in the modal segments, on the basis of persistence values calculated in the previous step so as to construct a hierarchical structure.
  • the hierarchical structure 31 which is defined by this step 46 comprises / levels L k , k being between 2 and /.
  • the number / of levels is preferably greater than 2, preferably greater than 3, preferably greater than 4, and/or less than 100, preferably less than 50, even better less than 30.
  • Each level L k defines a segmentation of the cloud X into H classes C kh .
  • Each class C kh groups together the points of one or more modal segments Mj defined in step 44. All the modal segments Mj are associated with the classes of a level, no modal segment belonging to more than 1 class (ie, no segment modal being shared between several classes).
  • the base level L r is the result of the grouping of all the adjacent modal segments that can be grouped into a single common basin of attraction (ie, coarser segmentation).
  • the last level is the result of the finest segmentation.
  • the modal segment(s) Mj are grouped together according to the difference between their respective persistences P and a predefined persistence threshold p euti (22), which can be global (ie of identical value for all levels) or defined differently for each level L k .
  • Step 46 is configured to arbitrarily choose a starting modal segment Mj which has one or more adjacent modal segments M t .
  • the starting modal segment Mj is chosen based on the density value of its modal point rry
  • the starting modal segment Mj can be the modal segment having the modal point with the highest density value.
  • a modal segment Mj has several adjacent modal segments (M tl , M t2 , etc.) if the maximum depth of the density saddle between modal segment Mj and the two or more adjacent modal segments (M tl , M t2 , etc.) is equal.
  • step 42 is configured to first determine which, among the modal segment Mj and its adjacent modal segment(s) M t , has the highest basin of attraction (ie, has the modal point having the higher density value).
  • the modal segment having a lower basin of attraction is considered to be included in the modal segment having a higher basin of attraction, which gives us information to identify the hierarchical link between the modal segments considered Mj, M t ).
  • With the term “height” of the basin of attraction reference is made to the density value of the modal point of the modal segment (ie, local maximum of the density) associated with said basin of attraction.
  • the persistence of the modal segment Mj is compared with the predefined persistence threshold value p k euU (ie, for the first iteration P euU ) for the level L k corresponding. If the persistence of Mj is less than or equal to a predefined persistence threshold p euti then the modal segment Mj is merged with its adjacent modal segment(s) M t . This merging defines a new parent modal segment having a higher basin of attraction and having as modal point the point presenting the maximum density among the points of the merged modal segments.
  • the points of the cloud X which are attracted by the modal point are those that belong to ascending regions (ie, decreasing density values) that are eventually merged by persistence into the modal segment Mj before being merged into the segment (ie, basin of attraction) of any other peak having a persistence lower than the predefined persistence threshold s k threshold .
  • the persistence threshold 22 can be chosen so that each modal segment Mj obtained in step 44, and therefore all of its points, is associated with a class C ki of the level of the hierarchical structure.
  • Level designates the level with the lowest hierarchy in the hierarchical structure (ie, level having the highest granularity).
  • the parent modal segment obtained is associated with a class belonging to the hierarchical level directly above.
  • the class therefore has a direct hierarchical link with the classes C k ⁇ corresponding to the starting segment Mj and its adjacent modal segment(s) M t which have been merged.
  • the class can be considered as the mother class of these two or more classes of lower hierarchical levels L k
  • a preliminary parametrization step makes it possible to determine the threshold persistences that can be used as a function of the number of classes desired for each level.
  • This preliminary parameterization step comprises the execution of the steps of the method according to the invention for a single persistence threshold value (eg, threshold value equal to zero), which makes it possible to identify all the modal segments present in the cloud of points (ie, no merging is performed).
  • the values of the threshold persistence pseuu p Qur cjia q ue level its therefore chosen on the basis of the analysis of these modal segments and on the basis of the type of biological objects under examination. These low threshold persistence values are therefore predetermined and independent of the operator, allowing reproducibility of the results of the method between different operators.
  • the choice of persistence threshold values thus makes it possible to adapt the particle size of the classes, i.e. the scale of observation of the data according to the type of biological objects under examination, to meet the needs of the operator during the display step.
  • the step of outputting at least the hierarchical structure 31 further comprises its at least partial representation by an interface accessible to the operator.
  • the hierarchical structure 31 is represented on a screen. Before being presented, it can be stored in a computer memory.
  • the presentation of the hierarchical structure 31 aims to allow the operator to choose the classes of interest grouping together exclusively the points that the operator wishes to analyze.
  • the display step comprises the simultaneous display of at least at least one selection graph 20 and at least one presentation graph 40.
  • the at least one selection graph 20 is a graphical representation of the classes and their respective relationships in the hierarchical structure 31 and it is adapted to allow the operator to select at least one class C kh by designating the class corresponding on said graphical representation.
  • the method also represents at least one two-dimensional or three-dimensional presentation graph 40 in which each axis is associated with a respective cytometric parameter.
  • each axis is associated with a respective cytometric parameter.
  • the presentation graphs 40 are configured to each display the points of the cloud X belonging to the class(es) C kh selected using a selection graph 20.
  • An example of simultaneous display is illustrated in FIG. 4 where the left column includes 40 presentation graphics and on the right column the corresponding 20 selection graphics.
  • the selection graph 20 represents the classes by grouping them visually by level.
  • a class can be further from a reference point 22 of the selection graph if it belongs to a level far from the base level.
  • the reference point can be for example the top of a pyramid, each level corresponding to a stratum of the pyramid, as in figure 4, or a core of a circle, each level corresponding to a ring centered on this core, as in figure 5.
  • the operator via the graphical interface, can use a dynamic cursor (i.e., a mouse) to click and therefore select one of the classes represented on the graphical representation of the selection graph 20.
  • a dynamic cursor i.e., a mouse
  • the graphical representation of selection graph 20 is presented as a dendrogram, which is a tree diagram frequently used to illustrate the arrangement of groups generated by hierarchical clustering. .
  • each node 12 represents a class C kh and the branches 14 represent hierarchical links between the classes C kh .
  • the nodes 12 belonging to the same level L k can be aligned in strata.
  • the selection graph 20 has the form of a dendrogram, the levels L1-5 being the different branching levels, each node 12 representing a class C kh and each branch 14 representing a hierarchical link between a mother class C kh and a daughter class C k+1 ⁇ h .
  • selection graph 20 is presented as a sunburst graph.
  • This graph is represented as a disc cut into a plurality of sectors or "quarters", one sector representing all, and only representing the points (and/or the associated data) of a respective class of the base level, the highest .
  • the angle of a sector is proportional to the number of points of the class of the base level that it represents.
  • the sunray graph comprises concentric rings, each ring representing a level of the hierarchical structure 31.
  • a core associated with the level and l-1 concentric rings 24 representing each of the other levels L k for k between 2 and l-1 having a hierarchy lower than the level L 1 .
  • a ring has a larger diameter as it represents a lower hierarchical level.
  • the classes C kh of the same level L k can be represented as fractions of the corresponding ring and each fraction extends into the sector containing the classes of higher hierarchical level before a direct or indirect hierarchical link.
  • Two classes have a direct hierarchical link if only one branch connects it and a direct hierarchical link if they are connected by at least two branches.
  • a fraction representing a class extends around the center of the disk along an arc of a circle whose opening angle is proportional to the number of points in the class represented by the fraction.
  • Figure 5 illustrates an example of a sunburst graph, in which the levels are concentric rings 24 and all the closer to their center as they represent aggregated classes, the classes C kh of a level L k being fractions of the ring 24 corresponding to this level L k .
  • the diameter of a ring 24 is all the larger as it represents a level L2-5 far from the base level Li.
  • the fractions of a ring of a lower hierarchical level (ie, daughter) representing daughter classes of a parent class C kh are represented in the same angular sector as the fraction representing said parent class C kh in the ring associated with the higher hierarchical level (ie, parent). In this way, the fractions of the child classes externally overlays the fraction associated with parent class C kh .
  • a parent class when the objects analyzed are cells, a parent class may correspond to a cell population of lymphocytes.
  • This population of lymphocytes (parent class) can be subdivided into different cell subpopulations (corresponding to daughter classes of the parent class), such as for example a subpopulation of T lymphocytes and a subpopulation of B lymphocytes, these two types of subpopulations with different secondary cytometric parameters.
  • the different cell subpopulations are represented by a “daughter” ring surrounding the “mother” ring.
  • these T and B lymphocyte subpopulations can in turn be subdivided into subpopulations.
  • the analysis of the cytometric parameters can make it possible to distinguish a subpopulation of CD4+ T lymphocytes (T lymphocyte presenting the CD4 protein on its surface) and a subpopulation of lymphocytes T CD8+ (T lymphocyte presenting the CD8 protein on its surface).
  • the selection graph 20 can present the whole hierarchical structure 31 or, preferably, only a part of the hierarchical structure 31.
  • the selection graph 20 can further comprise a display means suitable for highlighting the class(es) selected on the graphical representation.
  • the visualization means can for example be configured to modify the color, the shape or the dimension of the representation of the class on the selection graph 20 (i.e., node 12 or of the fraction).
  • the selection graph 20 is further configured to provide a dynamic graphical representation of the classes and their arrangements. in the hierarchical structure. This dynamic graphical representation can be configured to display the lower hierarchy classes when the class that groups them is selected on the selection graph 20.
  • the selection graph 20 presents the classes of the base level by default. In this way, when the operator clicks on the representation of a "parent" class of the base level, the interface presents a representation of the child classes of said parent class. More generally, when the operator clicks on the representation of a "mother" class C kh of any level L k presented on the screen, the computer presents the child classes of said parent class C kh .
  • the operator can thus “develop” any class C kh which is presented by the selection graph 20 and which does not belong to the last level of the hierarchy.
  • developer a class, we mean presenting the daughter classes of this class.
  • the operator can thus focus on the cytometric events that interest him (see FIG. 6), which is particularly advantageous for the analysis.
  • the selection graph 20 presents only the classes of the base level, and the classes developed from the classes of said base level.
  • the operator can compact all the child classes of a parent class that are presented by the selection graph.
  • By compacting a set of child classes we mean erasing from the screen the representations of said child classes.
  • the operator can thus return to a more macroscopic representation of the cytometric events of the daughter classes (see figure 6).
  • FIG. 6 illustrates, from left to right, an example of developing classes, and from right to left, an example of compacting classes according to the invention.
  • the operator can thus easily choose the classes of interest, in different levels of the hierarchical structure.
  • a selection graph 20 that can be developed class by class, and not level by level, advantageously makes it possible to identify part of the hierarchical structure made up of only the classes of interest, chosen from different levels, or hierarchical substructure of interest, without needing to display the same granularity on other classes that do not have cytometric events relevant to the use case, as shown in Figure 6.
  • the graphical representation of the classes and their respective relationships in the hierarchical structure 31 of the selection graph 20 is therefore used to select the points of the only classes that the operator wishes to view in the presentation graph(s) 40.
  • a class is sectioned on the selection graph 20 all its points are represented on each of the presentation graphs 40.
  • Presentation graphics 40 may be represented as scatter plots.
  • a two- or three-dimensional scatter plot is just a projection of selected scatter plots onto a plane or 3D space associated with two or three cytological parameters chosen for the plane or 3D space, respectively.
  • the number of presentation graphics is preferably greater than 1, 2, 3 and/or less than 200, 100, 50, 30 or 10.
  • the points of the same class can all be represented in the same way.
  • These presentation graphs 40 therefore preferably include visualization means configured to distinguish the points belonging to two or more selected classes (FIG. 7).
  • These display means make it possible to present the points of the same class in an identical manner on the various presentation graphics and specific to said class, which allows the operator to identify them directly.
  • the points of the same class have a shape, a dimension and/or a color specific to the class.
  • the representation associated with a level shows the classes in the form of groups of points of different colors .
  • the granulometry is all the coarser as the level represented is located at the top in the hierarchical structure 31.
  • the classes belonging to the levels located at the bottom of the hierarchical structure 31 give a representation with a finer granularity of the populations and sub- populations present in the cytometric data 21. The selection of a level thus enables the operator to choose the scale at which he wishes to view the cytometric events.
  • FIG. 8 shows an example of a display according to the invention in which the selection graph 20 is a sunray graph and four representation graphs 40 of the scatter plot type are represented on the same screen of the operator interface.
  • the points must be represented with an appearance specific to the child class to which they belong.
  • the display means are therefore configured to modify the appearance of the points of the parent class so that each group of points belonging to one of its child classes has the same characteristic appearance of said class (i.e., differ from or other child classes), when the operator selects the child classes on the selection graph 20.
  • Figure 9 shows an example of modification of the display following the interaction of the operator with the selection graph 40.
  • the left column of this figure shows a first configuration of the display in which the class associated with the fraction of the ring 41 of the selection graph has been selected by the operator and the two presentation graphs 20 therefore show the points associated with the objects biologicals included in the selected class. In this example, the points are displayed in the same color as the fraction of the ring 41.
  • the right column shows how the display has been modified by the operator who has chosen to "zoom" on the parent class associated with the fraction of the ring 41 to view the two child classes, represented by the two fractions of the ring 42 and 43.
  • the display of the points on the presentation graphics 20 is modified so as to be able to distinguish between the points belonging to the two classes.
  • the color of the dots has been changed (black and gray on the overview chart 20 in the right column). Thanks to this display, the operator obtains at the same time information on the community relations between subtypes of selected biological objects (ie, hierarchical link between the mother class and the daughter classes) and specific information concerning their cytometric parameters. .
  • the method of the invention allows the operator to select, in at least one presentation graph, the class(es) of interest for which he wishes to view or not view the points using the interaction with the selection graph.
  • the mode of presentation implemented by the method of the present invention helps the operator to perform the technical task of evaluating the state of the system from which the cytometric data 21 originates (i.e., state of health of the patient ) through a human-computer interaction process.
  • the present invention relates, among other things, to a data processing device 1 configured to implement the steps of the method described above (FIG. 10).
  • the device 1 is advantageously an appliance, or a physical part of an appliance, designed, configured and/or adapted to perform the functions mentioned and produce the effects or results mentioned.
  • the device 1 is produced in the form of a set of devices or of physical parts of devices, whether they are grouped together in the same machine or in different machines, possibly remote ones.
  • the device 1 can for example have functions distributed on a cloud infrastructure (“cloud infrastructure”) and be available to users as a cloud service (“cloud-based service”), or have remote functions accessible by the through an API.
  • cloud infrastructure cloud infrastructure
  • cloud-based service cloud-based service
  • modules are to be understood as functional entities rather than as physically distinct, hardware components. They can therefore be materialized either as grouped together in the same tangible and concrete component, or distributed in several of these components. Similarly, each of these modules is optionally itself shared between at least two physical components. Further, modules are implemented as hardware, software, firmware, or any mixed form thereof.
  • the device 1 comprises a module 11 for receiving cytometric data 21 as well as predefined hyperparameters for the method 22 (i.e., p, q and/or predefined persistence threshold(s)) stored in one or more databases ) of local or remote data.
  • the latter may take the form of storage resources available from any type of suitable storage means, which may in particular be a RAM or an EEPROM (Electrically-Erasable Programmable Read-Only Memory) such as a Flash memory, possibly within an SSD (Solid-State Disk).
  • the hyperparameters 22 are received by a communication network.
  • the device 1 optionally comprises a module 12 for pre-processing cytometric data 21 configured to execute one or more of the operations associated with step 42 of the method.
  • the device 1 further comprises a module 13 for calculating the hierarchical structure 31 configured to execute one or more of the operations associated with steps 43, 44, 45 and 46 of the method.
  • the device 1 interacts with an operator interface 14, through which information can be entered and retrieved by a user.
  • the operator interface 14 comprises any suitable means for entering or retrieving data, information or instructions, in particular visual, tactile and/or sound capabilities which may include one or more of the following means well known to those skilled in the art: a screen, a keyboard, a trackball, a touch pad, a touch screen, a loudspeaker, a voice recognition system.
  • the device 1 can also comprise a display module 15 configured to execute the display step using the operator interface 14.
  • a particular device 9, visible in Figure 11, implements the device 1 described above. It corresponds, for example, to a workstation, a laptop, a tablet, a smartphone, or even a "head-mounted display” (HMD).
  • HMD head-mounted display
  • This device 9 is suitable for analyzing a set of data associated with a plurality of biological objects. It comprises the following elements, connected to each other by an address and data bus 95 which also carries a clock signal:
  • microprocessor 91 or CPU
  • graphics card 92 comprising several graphics processing units (or GPUs) 920 and a graphics random access memory (GRAM) 921;
  • I/O devices 94 such as for example a keyboard, a mouse, a trackball, a webcam; other modes of entering commands such as voice recognition are also possible; - a power source 98;
  • the power supply 98 is external to the device 9.
  • the device 9 also includes a display device 93 of the display screen type directly connected to the graphics card 92 to display synthesized images calculated and composed in the graphics card.
  • a dedicated bus to connect the display device 93 to the graphics card 92 offers the advantage of having much higher data transmission rates and therefore of reducing the latency time for the display of images. composed by the graphics card.
  • a display device is external to the device 9 and is connected to the latter by a cable or wirelessly to transmit the display signals.
  • the device 9, for example through the graphics card 92, comprises a transmission or connection interface suitable for transmitting a display signal to an external display means such as for example an LCD or plasma screen or a video projector.
  • the radio frequency unit 99 can be used for wireless transmissions.
  • register used below in the description of memories 97 and 921 can designate, in each of the memories mentioned, a low capacity memory zone (some binary data) as well as a memory zone large capacity (allowing to store an entire program or to calculate or display all or part of the data representative of the data).
  • the registers shown for RAM 97 and GRAM 921 can be arranged and made up in any way, and each of them does not necessarily correspond to adjacent memory locations and can be distributed in other ways (which covers especially the case where a register comprises several smaller registers).
  • the microprocessor 91 loads and executes the instructions of the program contained in the RAM 97.
  • the presence of the graphics card 92 is not mandatory, and may be replaced by full CPU processing and/or simpler visualization implementations.
  • Device 1 can be implemented differently from stand-alone software, and a device or set of devices comprising only parts of Device 9 can be operated through an API call. or a cloud interface.
  • a method according to the invention however provides a better compromise between reliability and acceptability than these algorithms.
  • the inventors compared, for different data sets (Levine32, Levinel3, SayogOl, SaongAll), the reliability obtained with different algorithms tested by Weber and that obtained with a method according to the invention.
  • a method according to the invention is thus considered to have the best compromise between reliability and acceptability (resulting in particular from excellent interpretability) by a specialist in cytometric analysis.
  • the invention provides a solution for analyzing cytometric data which:

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

La présente invention concerne un dispositif (1) et un procédé mis en œuvre par ordinateur pour l'analyse d'un ensemble de données associées à une pluralité d'objets biologiques (21) choisis parmi des cellules, vésicules d'origine cellulaire, microorganismes acellulaires et/ou matériaux biofonctionnalisés; ledit ensemble de données (21) comprenant N évènements cytométriques, chacun associé à un objet biologique, chaque évènement cytométrique étant défini par au moins deux paramètres cytométriques mesurés pour l'objet biologique correspondant de sorte à ce que l'ensemble de données (21) soit représenté par un nuage (X) de N points dans un espace en D dimensions; lesdits dispositif et procédé étant configurés pour fournir en sortie au moins la structure hiérarchique (31) représentative des différentes classes d'objets biologiques et leurs relations mutuelles.

Description

PROCEDE D’ANALYSE CYTOMETRIQUE
DOMAINE DE L’INVENTION
[0001] La présente invention se rapporte au domaine général de l'analyse de données cytométriques.
ÉTAT DE LA TECHNIQUE
[0002] L’apparition du séquençage des protéines, puis de l’ADN, et la mise au point de séquenceurs automatiques ont révolutionné la biologie. A l’approche classique descriptive et réductionniste (un gène, un ARN messager, une protéine) a succédé une compréhension plus globale des systèmes biologiques basée sur l’analyse d’ensembles d’éléments biologiques (« -ornes »). L’idée de base associée aux approches « omiques » consiste à appréhender la complexité du vivant dans son ensemble, au moyen de méthodologies les moins restrictives possibles sur le plan descriptif.
[0003] De telles approches comprennent principalement : la génomique (étude des gènes), la transcri ptomique (analyse de l’expression des gènes et sa régulation), la protéomique (étude des protéines), la métabolomique (analyse des métabolites) et la métabonomique (étude des profils métaboliques in vivo).
[0004] La génomique se divise en deux branches : la génomique structurale, qui porte sur le séquençage du génome entier, et la génomique fonctionnelle, qui vise à déterminer la fonction et l'expression des gènes séquencés. Dans la génomique fonctionnelle, les techniques sont appliquées à un grand nombre de gènes en parallèle : par exemple le phénotype de mutants peut ainsi être analysé pour toute une famille de gènes, ou l'expression de tous les gènes d'un organisme entier.
[0005] La transcriptomique est l'étude de l'ensemble des ARN messagers produits lors du processus de transcription d'un génome. Elle repose sur la quantification de l’ensemble de ces ARN messagers, ce qui permet d'avoir une indication relative du taux de transcription de différents gènes dans des conditions données. [0006] La protéomique est l’analyse de l'ensemble des protéines d'un organite, d'une cellule, d'un tissu, d'un organe ou d'un organisme dans des conditions données. La protéomique s'attache à identifier de manière globale les protéines extraites d'une culture cellulaire, d'un tissu ou d'un fluide biologique, leur localisation dans les compartiments cellulaires, leurs éventuelles modifications post-traductionnelles, ainsi que leur quantité. Elle permet de quantifier les variations de leur taux d'expression par exemple en fonction du temps, de leur environnement, de leur état de développement, de leur état physiologique et pathologique, de l'espèce d'origine... Elle étudie aussi les interactions que les protéines ont avec d'autres protéines, avec l'ADN ou l'ARN, ou d'autres substances.
[0007] La métabolomique étudie l'ensemble des métabolites (sucres, acides aminés, acides gras, etc.), tels que les substrats métaboliques, les intermédiaires, les produits, ainsi que les hormones, les autres molécules de signalisation et les métabolites secondaires, présents dans une cellule, un organe, un organisme.
[0008] La métabonomique consiste à surveiller les profils métaboliques in vivo, ce qui permet de fournir des informations sur la toxicité de médicaments, sur des processus pathologiques, et sur la fonction de gènes.
[0009] La cytomique correspond à l’analyse du cytome, ensemble des constituants cellulaires, notamment morphologiques, antigèniques et fonctionnels, qui permettent de définir ou de modéliser l’état et le fonctionnement d’une cellule à un instant t. L’analyse du cytome permet de décrire l'hétérogénéité structurelle et fonctionnelle des diverses cellules d'un organisme.
[0010] Les approches précédentes permettent d’ obtenir de très nombreuses informations sur la réponse cellulaire et/ou tissulaire à une exposition in vitro ou in vivo. Elles peuvent en particulier être utiles pour mettre en évidence et identifier de nouveaux biomarqueurs (de diagnostic, de susceptibilité, de pronostic, d’exposition, d’effet), générer de nouvelles connaissances sur le plan mécanistique (modes d’action), ou encore élaborer de nouveaux outils d’efficacité ou de toxicologie prédictive pour aider à l’identification de nouvelles cibles thérapeutiques ou de nouveaux médicaments candidats ou vaccins candidats. [0011] L’automatisation des techniques de séquençage et le développement des techniques à haut débit, rendus possibles notamment grâce à l’apparition de plateformes technologiques spécialisées, ont permis l’industrialisation de la production des données et l’analyse simultanée d’un grand nombre de variables.
[0012] Il en découle un très grand nombre de données à traiter, analyser, visualiser et interpréter de la manière la plus informative possible afin d'en extraire le maximum d’information sur le processus biologique ou sur le système biologique étudié.
[0013] Du point de vue biostatistique, les données obtenues par les approches « omiques » portent sur de très nombreuses variables qu’il convient d’analyser conjointement. Par exemple, les analyses transcri ptomiques permettent d’étudier simultanément l’expression de plusieurs milliers de gènes.
[0014] Il est donc souhaitable de disposer de moyens biostatistiques et bioinformatiques puissants permettant de traiter, analyser et interpréter la masse de données générées par les approches « omiques ».
[0015] Il existe de nombreuses techniques permettant l’acquisition de données « omiques », telles que, à titre d’exemples non limitatifs, les techniques de spectrométrie de masse, de chromatographie, de séquençage, de cytométrie spectrale, de cytométrie de masse, de cytométrie en flux, de cytométrie d'image. . .
[0016] La cytométrie désigne un ensemble de techniques d’analyse d’un échantillon biologique comprenant un ensemble d’« éléments biologiques », comme des cellules, vésicules ou particules, en suspension.
[0017] Les techniques de cytométrie sont des techniques analytiques incontournables pour l'identification et la caractérisation d'une population de cellules, vésicules ou particules. De plus, la cytomique peut aborder la question des processus intracellulaires ou extracellulaires et des interactions intercellulaires car la cytomique donne un aperçu unicellulaire de conglomérats cellulaires plus complexes, tels que les tissus dans les organismes multicellulaires ou les communautés dans le cas de bactéries unicellulaires, de levures, d’algues, etc. [0018] La fiabilité et la reproductibilité des résultats sont primordiales, cependant une source majeure de variation de la cytométrie réside dans l’analyse des données.
[0019] L'analyse de données de cytométrie conventionnelle implique la plupart du temps une sélection manuelle séquentielle (ou « gating ») de régions d'intérêt, généralement dans des diagrammes bidimensionnels en nuages de points ou en courbes de niveau, représentant un paramètre sur chacun de ces axes. C’est par exemple le cas lorsque l’analyse porte sur des données de cytométrie en flux. L'analyse est simple avec des données d'immunofluorescence à trois ou quatre couleurs, mais devient nettement plus complexe lors de l'examen d'un nombre croissant de marqueurs cellulaires, ce qui entraîne une augmentation de la variabilité liée à l'opérateur humain et des problèmes de reproductibilité.
[0020] Les techniques de cytométrie de pointe actuelles sont capables de mesurer des dizaines, voire des centaines ou milliers de paramètres, générant ainsi des ensembles de données multidimensionnelles complexes dont l’analyse manuelle est chronophage. La segmentation manuelle est donc subjective, laborieuse, peu fiable et coûteuse.
[0021] La segmentation peut être automatisée, les segments étant définis au moyen d’un logiciel, sans supervision par un opérateur. Elle peut avoir recours à de l’intelligence artificielle, mais les critères de regroupement des évènements cytométriques ne sont alors plus compréhensibles par l’opérateur. Alternativement, elle peut reposer sur des algorithmes d’analyse.
[0022] Plusieurs études comparatives ont évalué des méthodes de clustering non supervisées sur la base de leur capacité à reproduire la sélection (ou segmentation ou « gating ») manuelle et à détecter des populations de cellules rares, ainsi que de leur temps d'exécution. Bien que certaines méthodes puissent être efficaces pour certaines utilisations, aucune ne satisfait toutes les exigences requises pour être utilisée en toute confiance en routine par les utilisateurs.
[0023] De plus, les techniques automatisées permettent une analyse cytométrique sans variabilité manuelle, subjectivité et biais de segmentation, et par conséquent de nouvelles méthodes ont été développées dans ce domaine au cours de la dernière décennie. Cependant, de nombreuses techniques automatisées nécessitent toujours un paramétrage des algorithmes nécessitant une intervention de l’opérateur, ce qui introduit une part de subjectivité humaine substantielle, et donc une non-reproductibilité des résultats.
[0024] En conséquence, le recours à l'analyse automatisée chez les chercheurs des universités, des biotechnologies, de l’industrie pharmaceutique, ou de la recherche clinique a été lent et la segmentation manuelle reste la méthode par défaut et la norme.
[0025] Les principales raisons pour lesquelles les centres cliniques n'utilisent pas l'analyse automatisée ont été récemment identifiées comme étant le manque de confiance ou de compréhension des algorithmes utilisés, et le manque de ressources.
[0026] Pour que les techniques d'analyse automatisée prennent le pas sur la segmentation manuelle, non seulement les résultats d'identification de populations cellulaires doivent correspondre à l'analyse manuelle d’un expert, mais les résultats obtenus à partir des algorithmes doivent également être robustes, c’est-à-dire parfaitement reproductibles.
[0027] Dans l’exemple particulier de la cytométrie en flux, le liquide biologique contenant les cellules, vésicules ou particules à analyser circule en flux continu devant un détecteur. Pour chaque cellule, vésicule ou particule passant devant le détecteur, il est ainsi possible de mesurer des valeurs pour des paramètres cytométriques.
[0028] D’une façon générale, un « évènement cytométrique » est un vecteur associé à une particule et qui regroupe les valeurs mesurées des paramètres cytométriques pour cette particule, de manière ordonnée.
[0029] Classiquement, un évènement cytométrique regroupe, pour chaque particule, des valeurs pour plus de 10 paramètres cytométriques. Chaque valeur d’un paramètre cytométrique, pour une particule, est appelée « mesure cytométrique ».
[0030] Pour analyser l’ensemble des mesures cytométriques, des points représentant chacun un évènement cytométrique, peuvent être présentées dans un espace à une, deux ou trois dimensions sur des « graphiques de présentation ». Chaque dimension correspond à un paramètre cytométrique. Les graphiques représentant les évènements cytométriques sont donc des « projections » qui permettent de visualiser une, deux ou trois mesures cytométriques pour chaque évènement cytométrique.
[0031] Pour faciliter l’analyse, il est nécessaire de « segmenter » les nuages de points, c'est-à-dire de créer des groupes, ou « segments », rassemblant les évènements cytométriques présentant, pour plusieurs paramètres cytométriques, des valeurs similaires. L’analyse des segments ainsi obtenus, par exemple l’analyse de leurs poids respectifs, permet alors de caractériser le liquide biologique, par exemple pour détecter une anomalie biologique ou un risque pathologique.
[0032] Lorsque la segmentation est faite manuellement, l’opérateur définit les contours des segments sur les graphiques de présentation.
[0033] Le remplacement de la segmentation manuelle par une segmentation automatique non supervisée reste une problématique majeure dans le domaine de la cytométrie. Les quatre critères suivants sont généralement étudiés pour évaluer la qualité d’une méthode de segmentation automatique :
[0034] a) La corrélation avec une segmentation manuelle :
[0035] Le premier critère est un critère de performance, c’est-à-dire de forte corrélation avec une segmentation manuelle issue d’un consensus d’experts sur un jeu de données bien connues. Un expert d’un jeu de données doit pouvoir facilement retrouver les principales populations d’intérêt dans un découpage automatique effectué par un algorithme.
[0036] b) La prise en compte simultanée de toutes les dimensions :
[0037] Le deuxième critère concerne la prise en compte simultanée de toutes les dimensions de la donnée, ou d’un jeu de dimensions parmi celles-ci. En effet, dans une segmentation manuelle, les découpages sont effectués sur la donnée projetée sur des paires de marqueurs, au mieux sur des triplets. En se limitant à ce type de représentation, une partie de la richesse et de la complexité de la donnée et des structures qui la composent n’est pas prise en compte. Prendre en compte plusieurs voire toutes les dimensions en même temps permet de prendre en considération toute la complexité des données et par exemple de découvrir des populations non identifiées par segmentation manuelle.
[0038] c) La hiérarchie de la segmentation :
[0039] Lorsque l’expert segmente manuellement un fichier de cytométrie, il procède de manière récursive en identifiant des populations de plus en plus granulaires. Cette approche par hiérarchie est particulièrement intéressante car la Biologie elle-même classifie les cellules selon une approche hiérarchique. Une segmentation hiérarchique permet d’adapter le niveau de granularité selon le besoin de l’expert.
[0040] d) L’explicabilité et la robustesse de l’algorithme :
[0041] L’explicabilité des algorithmes est un point majeur en intelligence artificielle, et plus encore dans des applications médicales ou de recherche, ou l’application a besoin de garanties théoriques fortes. De plus, la robustesse et la répétabilité des résultats sur deux jeux de données identiques sont également des enjeux majeurs dans les applications médicales et diagnostiques.
[0042] De nombreuses méthodes existent pour segmenter automatiquement et de manière non supervisée des données de cytométrie. Cependant, aucune d’entre elles ne remplit complètement les quatre critères exposés ci-dessus, et aucune n’a fait l’objet d’une mise en œuvre dans des solutions autorisées à être mises sur le marché réglementé.
[0043] Concernant la corrélation avec une segmentation manuelle (a), la plupart des méthodes ont un certain niveau de corrélation avec la segmentation de l’expert, cependant peu parviennent à des niveaux de performances et de cohérences stables en fonction de la variété existante dans les jeux de données. Les méthodes donnant les meilleurs résultats sont généralement peu compatibles avec les exigences d’explicabilité.
[0044] Concernant la prise en compte simultanée de toutes les dimensions (b), la plupart des algorithmes utilisent toutes les dimensions simultanément. Cependant, certaines méthodes ne le font pas mais se contentent par exemple de projeter les données sur des paires de marqueurs prédéfinis. Ces méthodes ont l’avantage de coller de très près à ce que fait l’expert mais n’apportent quasiment aucune valeur ajoutée sur la découverte de populations plus pertinentes.
[0045] Concernant la segmentation hiérarchique (c), peu d’algorithmes dans l’état de l’art génèrent naturellement une segmentation hiérarchique. En effet, en général en apprentissage statistique, les méthodes de segmentation (clustering) ne sont majoritairement pas hiérarchiques. Ce biais se répercute directement sur les méthodes de segmentation de cytométrie qui sont issues de l’apprentissage statistique.
[0046] Pour pallier ce problème, une segmentation hiérarchique est généralement générée après la segmentation initiale. L’approche consiste à demander à l’algorithme un grand nombre de clusters (i.e., regroupements) dans un premier temps puis à appliquer une méthode de segmentation hiérarchique directement sur les clusters et non plus sur les points. Cette approche génère bien une segmentation hiérarchique mais elle a le défaut de découpler la procédure en deux temps distincts ce qui a tendance à créer un effet artéfactuel. De plus, la stabilité de la structure hiérarchique en fonction du nombre de groupes initialement demandés à la méthode est problématique.
[0047] Enfin, concernant l’explicabilité et la robustesse des algorithmes (d), là aussi peu de méthodes remplissent le critère. D’une part, de nombreux algorithmes dépendent d’une initialisation et/ou de paramètres aléatoires. Il est donc la plupart du temps nécessaire de relancer plusieurs fois ces algorithmes pour s’assurer des résultats. D’autre part, l’explicabilité des algorithmes reste une problématique majeure et généralement les algorithmes les plus explicables sont les plus simples et souvent les moins performants.
[0048] En outre, quelle que soit la méthode de segmentation, les segments issus de l’analyse d’une projection doivent pouvoir être comparés avec ceux issus de l’analyse des autres projections. Par exemple, après avoir isolés sur une première projection, les évènements cytométriques présentant des valeurs dans des plages prédéfinies pour des premier et deuxième paramètres cytométriques, et avoir ainsi créé un segment d’intérêt, il peut être utile de représenter de manière spécifique les évènements cytométriques de ce segment d’intérêt, dans une deuxième projection. [0049] L’efficacité de l’analyse est intimement liée à la capacité pour l’opérateur de réaliser de telles comparaisons.
[0050] Par conséquent, il existe un besoin pour un procédé d’analyse de mesures cytométriques mettant en œuvre une segmentation automatisée, qui fournisse des résultats fiables et reproductibles, qui soit facile à mettre en œuvre et robuste, et dont le fonctionnement soit compréhensible pour l’être humain (ce qui peut permettre une intervention humaine ou une vérification par l’utilisateur si besoin).
[0051] L’invention vise à répondre, au moins en partie, à ce besoin.
[0052] L’invention permet également à l'utilisateur d’obtenir un niveau de précision de la segmentation « à la demande » dans certaines zones de la structure des données.
RÉSUMÉ
[0053] L’invention concerne donc un procédé mis en œuvre par ordinateur pour l’analyse d’un ensemble de données associées à une pluralité d’objets biologiques choisis parmi des cellules, vésicules d’origine cellulaire, microorganismes acellulaires et/ou matériaux biofonctionnalisés ; ledit ensemble de données comprenant N évènements cytométriques, chacun associé à un objet biologique, chaque évènement cytométrique étant défini par au moins deux paramètres cytométriques mesurés pour l’objet biologique correspondant de sorte que l’ensemble de données soit représenté par un nuage ( ) de N points dans un espace en D dimensions.
[0054] Ledit procédé comprend : déterminer, pour chaque point (x^) dudit nuage ( ), une densité (w(Xj)) inversement proportionnelle à la somme des une distances, élevées à une puissance D, entre ledit point (x^) et un ensemble de points voisins (f >(Xj)) constitué des p points dudit nuage (X) les plus proches dudit point considéré (Xj), segmenter ledit nuage de points (X) en segments modaux (M;), chaque segment modal (Mj) comprenant un point modal présentant localement une densité maximale, et les points du nuage appartenant au bassin d’attraction dudit point modal les points du bassin d’ attraction étant identifiés récursivement sur la base de leur densité (w(bq)) vis-à-vis des densités de leurs q plus proches voisins ; pour chaque segment modal (M;), déterminer une persistance (/?), ladite persistance (fi) étant :
• de valeur infini si aucun segment modal (Mt) adjacent au segment modal (Mj) possède un point de densité supérieure à la densité de son point modal ; deux ou plusieurs segments modaux étant adjacents s’ils partagent un même col de densité supérieure à zéro ; sinon
• représentative de la profondeur d’un col de densité entre le segment modal Mj et ledit au moins un segment modal adjacent (Mt) en partant d’un segment modal (Md) :
• déterminer lequel, parmi celui considéré (Mj) et son(es) segment(s) modal(aux) adjacent(s) (Mt), celui qui correspond au bassin d’attraction le plus haut de sorte à identifier un lien hiérarchique entre le segment modal considéré (Mj) et son(es) segment(s) modal(aux) adjacent(s) (Mt) ;
• fusionner le segment modal considéré (Mj) et la(es) segment(s) modal(aux) avec le(s)quel(s) le segment modal considéré (Mj) a une persistance inférieure ou égale à un seuil de persistance prédéfini, de sorte à définir un segment modal père ayant un bassin d’attraction plus haut et ayant comme point modal (mfi) le point présentant la densité maximale parmi les points des segments modaux fusionnés ;
• répéter itérativement les opérations a) et b) en partant à chaque nouvelle itération du segment modal père ; de sorte à déterminer une structure hiérarchique définie sur la base de la persistance, ladite structure hiérarchique comprenant plusieurs niveaux (Lk), chaque niveau (Lk) définissant une segmentation du nuage ( ) en une pluralité de classes (Ckj), chaque classe comportant tous les points d’un ou de plusieurs segments modaux (Mj) et étant représentative d’un groupe de la pluralité d’objets biologiques ; fournir en sortie au moins la structure hiérarchique représentative des différentes classes d’objets biologiques et leurs relations mutuelles.
[0055] Comme on le verra plus en détail dans la suite de la description, le procédé met en œuvre de manière avantageuse une approche déterministe. En effet, le procédé utilise un calcul de densité sur la base de distances entre des points du nuage représentant l’ensemble des données à étudier. La densité calculée pour un point du nuage donné est ainsi représentative d’une concentration de points voisins autour dudit point. Le procédé décrit ici se distingue ainsi d’autres procédés utilisant des métriques aléatoires. Pour des nuages de points identiques ou quasi-identiques, des résultats sensiblement identiques sont donc obtenus. Ainsi, la reproductibilité et la rigueur des résultats sont assurées.
[0056] Par ailleurs, contrairement à des modèles d’intelligence artificielle aussi appelé « boites noires » et à d’autres procédés avec des étapes de nature aléatoire (telles qu’une étape de choix de points aléatoire) ou utilisant des métriques aléatoires, l’algorithme mis en œuvre dans le procédé de l’invention se base sur l’analyse de la densité de données cytométriques ce qui rend possible l’explicabilité et la traçabilité des résultats proposés (i.e., segments modaux dans la structure hiérarchique). Ceci le rend particulièrement adapté pour les analyses cliniques dans lesquelles le principe de transparence est un prérequis fondamental.
[0057] Enfin, des essais ont montré que les critères de segmentation du procédé proposé sont particulièrement pertinents pour une analyse cytométrique.
[0058] De plus, le procédé de l’invention permet de prendre en compte l’ensemble des dimensions présents dans la donnée (i.e., ensemble de données cytométriques associées à une pluralité d’objets biologiques) pour réaliser la segmentation. De manière avantageuse, la structure hiérarchique fournie en sortie de ce procédé permet d’exprimer la variabilité extrême d’un échantillon biologique.
[0059] En outre, les étapes du procédé sont conçues pour reproduire l’aspect hiérarchique et multi-échelle de la donnée en utilisant une analyse topologique, ce qui permet de manière avantageuse d’obtenir une représentation fine de la structure hiérarchique native de la donnée issue de la cytométrie, qui est une représentation différente par exemple d’un simple graphe de voisinage. Un tel graphe de voisinage vise à reproduire la topologie globale d’un nuage de points et intègre une notion de proximité entre regroupements, mais n’intègre pas de notion de hiérarchie.
[0060] Plus précisément, le procédé décrit ici exploite les valeurs de densité calculées afin de reproduire un aspect hiérarchique et multi-échelle. Ainsi, pour une structure hiérarchique avec plusieurs niveaux classés du plus élevé au plus bas, les points de forte densité seront par exemple représentés sur des niveaux élevés, tandis que les points de faible densité seront alors représentés sur des niveaux plus bas dans la structure hiérarchique. La valeur de la densité d’un point est utilisée et exploitée pour positionner ledit point dans la structure hiérarchique, et éventuellement dans une représentation de cette structure hiérarchique. Ainsi, dans le procédé décrit ici, deux points de densités très différentes ne seront pas positionnés sur un même niveau. Typiquement, une cellule rare, i.e. de faible densité, sera située à un niveau bas dans la hiérarchie. En d’autres termes, la structure hiérarchique fournie en sortie du procédé traduit les relations parentales entre différents niveaux constitués de classes. Ceci permet d’explorer ces différents niveaux ainsi que les classes constituant chaque niveau.
[0061] Le procédé décrit ici n’a pas pour but d’ignorer des différences relatives de densités entre des points du nuage. Au contraire, le procédé décrit ici exploite ces différences relatives afin de traduire les liens hiérarchiques (i.e. parentaux) entre différents niveaux. Ce procédé se distingue donc, et est incompatible, avec d’autres procédés visant à reproduire une topologie globale d’un nuage de points et, par exemple, à identifier des regroupements de points présentant une similarité, mais qui effacent en même temps les différences relatives de densités entre les points du nuage, par exemple par un échantillonnage adapté à la densité des points. Dans le procédé décrit ici, le calcul de densité effectué est utilisé pour obtenir la structure hiérarchique, mais pas à des fins d’échantillonnage.
[0062] A titre d’illustration, si l’espace est en deux dimensions, les points sont dans un plan. Si on représente la densité sur une troisième dimension orthogonale au plan, chaque segment modal correspond à une montagne dont le sommet est la densité maximale locale associé au point modal, la vallée entre deux montagnes adjacentes comprenant un col de densité. Le col est l’ensemble des points les plus bas entre deux montagnes appartenant à la même arête. La persistance de la montagne mesure la différence d’altitude entre le fond du col de densité supérieur à zéro et le sommet de cette montagne. Si un segment modal a une persistance faible, il peut être généralement représenté par une butée qui se détache peu de la montagne adjacente, par exemple à flanc de cette montagne adjacente. L’étape de fusion permet par exemple de fusionner une telle butée et cette montagne adjacente. En conséquence, le procédé de l’invention permet avantageusement de ne pas donner d’importance aux perturbations de la fonction densité causées par le bruit. Le bruit est associé à une valeur de persistance faible, et il sera donc fusionné avec un segment modal adjacent pour un choix raisonnable de seuil de persistance.
[0063] Dans un mode de réalisation, les deux paramètres p et q sont prédéterminés dans une étude heuristique sur un nombre élevé de données. Donc, de manière avantageuse, le choix de ces paramètres ne repose pas sur l’opérateur, ce qui permet d’avoir un procédé avec une robustesse d’analyse indépendante de l’opérateur.
[0064] La persistance de seuil (i.e., seuil de persistance) associée à un niveau détermine le nombre de classes de ce niveau, c'est-à-dire la granulométrie de la représentation. La valeur des persistances de seuil, permet de choisir les nombres de classes associés à chaque niveau de la structure hiérarchique. Autrement dit, le choix des valeurs des persistances de seuil permet d’étudier ou analyser simultanément des niveaux de la structure hiérarchique différents, représentant par exemple d’une part la population générale formée l’ensemble des objets biologiques étudiés, et d’autre part une sous- population parmi la population générale. Le procédé décrit permet d’explorer la structure hiérarchique obtenue en définissant différentes granularités pour différentes zones de la structure hiérarchique. Par cet aspect, le procédé décrit ici se distingue d’autres procédés où une seule granulométrie de représentation, i.e. une granulométrie uniforme, peut être choisie. Ainsi, le procédé décrit ici ne vise pas seulement à déterminer une pluralité de regroupements principaux homogènes, mais plutôt à avoir accès à des données multi- échelles, c’est-à-dire des données comprenant des sous-ensembles de données représentés à différentes échelles sur une même représentation. Avoir accès à des données multi- échelles, comme dans le procédé décrit ici, permet d’avoir accès à tout moment à l’ensemble des données, sans perte d’information. Cela permet à l’utilisateur de pouvoir accéder à tout moment aux données correspondant à une sous-population de son choix, potentiellement plus intéressantes et pertinentes pour lui.
[0065] Dans un mode de réalisation, l’étape de segmentation du nuage de points ( ) en segments modaux (M;), comprend pour chaque point (Xj), en procédant depuis le point ayant la densité la plus élevée jusqu’au point ayant la densité la plus faible :
- comparer la densité dudit point (x^) avec celle de ses q plus proches points voisins (W),
- si la densité du point considéré (Xj) est supérieure à la densité de tous ses q plus proches points voisins (P^ (x^)), définir un segment modal (Mj) comprenant le point considéré (x^), sinon
- inclure ledit point considéré (Xj) dans un segment modal comprenant le point ayant la densité plus élevée parmi ses q plus proches points voisins (P^ (Xj)).
[0066] Dans un mode de réalisation, dans le cas d’un ou plusieurs segments modaux adjacents (Mt) au segment modal Mj), la persistance (fi) est déterminée comme une différence entre la densité du point modal et la plus grande densité parmi les densités des points du nuage dans le col de densité entre le segment model (Mj) et ledit au moins un segment modal adjacent (Mt).
[0067] Dans un mode de réalisation, le procédé comprend une étape préliminaire de réception de l’ensemble de données associées à une pluralité d’objets biologiques.
[0068] Dans un mode de réalisation, les objets biologiques sont :
- des cellules d’origine animale, végétale, fongique, protiste, bactérienne ou archaeb actéri enne,
- des vésicules d’origine cellulaire choisies parmi des exosomes, des ectosomes, des microvésicules, des microparticules, des prostasomes, des oncosomes, des vésicules matricielles/de calcification ou des corps apoptotiques,
- des microorganismes acellulaires choisis parmi des virus, des viroïdes et des prions, et/ou - des matériaux biofonctionnalisés comprenant un matériau d’origine synthétique ou biologique choisi parmi une nanoparticule (telle qu'une nanobille, une nanosphère ou un nanocapsule), une microparticule (telle qu'une microbille, une microsphère ou une microcapsule), une vésicule lipidique (telle qu’une vésicule unilamellaire, une vésicule multilamellaire, un lipoplexe, un polyplexe, un lipopolyplexe un liposome, un niosome, un cochléate, un virosome, un complexe immunostimulant (ISCOM®)), ledit matériau d’origine synthétique ou biologique étant couplé à, ou recouvert de, un ou plusieurs peptide(s), protéine(s), anticorps, fragment(s) d’anticorps, récepteur(s), cytokine(s), chimiokine(s), toxine(s), oligonucléotide(s), molécule(s) colorée(s) ou fluorescente(s), groupement(s) amine, carboxyle ou hydroxyle, molécule(s) bioactive(s) (telle(s) qu’une molécule immunomodulatrice, une petite molécule chimique, un peptido-mimétique, un médicament), molécule(s) de biotine, avidine ou streptavidine, ou une combinaison de ceux-ci.
[0069] Dans un mode de réalisation, les paramètres cytométriques sont choisis parmi la taille des objets biologiques, leur densité, leur granularité, leur morphologie, leur forme, leur indice de réfraction, la composition de leur membrane, leur contenu moléculaire, leur teneur en une molécule, et/ou le niveau d’expression d’une molécule.
[0070] Dans un mode de réalisation, l’un des paramètres cytométriques mesurés est le niveau d’expression d’une ou de plusieurs protéine(s), récepteur(s), marqueur(s), et/ou le niveau d’expression d’un ou de plusieurs acide(s) nucléique(s) tels que des ADN ou des ARN.
[0071] Dans un mode de réalisation, les données cytométriques 21 sont obtenues par cytométrie en flux (ou FAC S pour « fluorescence activated cell sorting »), par tri cellulaire activé par PCR (ou PACS pour « PCR-activated cell sorting »), par « microsphere affinity proteomics » (MAP), par spectrométrie de masse, par chromatographie, par CYTOF, par cytométrie spectrale, par cytométrie de masse, par cytométrie d'image, par expression génique sur puces (microarray), par séquençage, par exemple des ADN (« DNA-seq » ou « single cell (sc)DNA-seq ») ou des ARN (« RNA- seq » ou « single cell (sc)RNA-seq »), par hybridation in situ, et/ou par microscopie. [0072] Dans un mode de réalisation, l’étape de fournir en sortie au moins la structure hiérarchique comprend en outre une étape d’affichage. En effet, comme on le verra plus en détail dans la suite de la description, la structure hiérarchique obtenue par le procédé offre une flexibilité particulièrement avantageuse pour visualiser et interpréter les données issues des mesures cytométriques.
[0073] Dans un mode de réalisation, l’étape d’affichage de la structure hiérarchique est configurée pour permettre à l’opérateur de sélectionner une ou plusieurs valeurs du seuil de persistance prédéfini associées à au moins un ou plusieurs niveaux de la structure hiérarchique. Ceci permet à l’opérateur de choisir avec quelle dégrée de granularité il souhaite afficher les données cytométriques. L’étape d’affichage de structure hiérarchique peut en outre être configuré pour permettre à l’opérateur de sélectionner directement les classes à afficher, indépendamment du niveau d’appartenance.
[0074] Dans un mode de réalisation, ladite étape d’affichage comprend afficher :
- au moins un graphique de sélection, ledit graphique de sélection étant une représentation graphique des classes et de leurs relations respectives dans la structure hiérarchique, ledit graphique de sélection étant adapté pour sélectionner au moins une classe en désignant la classe correspondante sur ladite représentation graphique ;
- au moins un graphique de présentation bi-dimensionnel ou tri-dimensionnel, chaque axe étant associé à un paramètre cytométrique respectif, ledit au moins un graphique de présentation étant configuré pour afficher les points du nuage appartenant à ladite au moins une classe sélectionnée grâce au graphique de sélection.
[0075] De manière avantageuse, ce mode de réalisation rend particulièrement facile la navigation dans la structure hiérarchique, dans toutes les classes situées à différent niveaux. Il permet ainsi de repérer des classes pertinentes très difficiles à identifier avec les techniques antérieures. De plus, le graphique de sélection permet de sélectionner les classes dans des niveaux différents, pour en visualiser simultanément les points grâce aux graphiques de représentation. Autrement dit, le procédé de l’invention rend possible de visualiser la « granulométrie » des classes d’un niveau mais aussi de « zoomer » sur une ou plusieurs classes choisies ou de « dé-zoomer » en sélectionnant une classe de niveau hiérarchique supérieure.
[0076] En outre, dans un mode de réalisation, le graphique de sélection comprend, en outre, un moyen de visualisation adapté pour mettre en évidence ladite au moins une classe sélectionnée sur la représentation graphique.
[0077] De plus, un tel affichage simultané, à la fois de la structure hiérarchique (i.e., graphique de sélection) et des graphiques de présentation, permet de manière avantageuse de présenter à l’opérateur l’ensemble de données dans un format qui comprend des informations globales sur l’appartenance d’un ou plusieurs groupes d’objets biologiques à une ou plusieurs classes avec des liens hiérarchiques étroits et des informations spécifiques sur la distribution des objets du(des) groupe(s) par rapports à deux ou trois paramètres cytométriques. Cette forme d’affichage n’a pas comme simple avantage celui de transmettre des informations d'une manière qu'un observateur peut considérer intuitivement comme particulièrement séduisante, limpide ou logique. L’affichage simultané des informations globales (i.e., graphique de sélection) et spécifiques (i.e., graphiques de présentation) fournit à l’opérateur des informations contextuelles améliorant la précision de l’analyse de la donnée. Cette combinaison d'informations à différentes échelles donne à l'opérateur des informations enrichies sur les données cytométriques, comprenant notamment les relations de communauté entre populations d’objets biologiques. Non seulement, cette affichage permet une interprétation plus facile et plus rapide de l’ensemble d’objets biologiques sous analyse, mais grâce aux informations additionnelles sur les liens subsistant entre sous-types d’objets biologiques (i.e., graphique de sélection) et l’affichage de leur valeurs des paramètres cytologiques (i.e., graphiques de présentation), l’opérateur peut en déduire directement des conclusions concernant par exemple un diagnostic clinique, la prédiction de probabilité pour un patient de développer une maladie, l’évaluation de la réponse d’un patient à un traitement ou le suivi d’un patient sous traitement et éventuellement l’adaptation de son traitement, etc. En général, notamment dans le cas de données cytométriques concernant un patient, le contenu cognitif des informations présentées à l'opérateur concerne l'état de santé du patient. L’opérateur peut donc utiliser ce contenu cognitif pour évaluer l’état de santé du patient, poser un diagnostic, proposer un traitement ou toutes autres actions permettant d’améliorer l’état de santé du patient. Dans un autre exemple dans lequel les données cytométriques concerne des matériaux bio-fonctionnalisés, l’opérateur peut utiliser le contenu cognitif de l’affichage de l’invention pendant un processus de conception ou de test de l’efficacité de candidats médicaments dans des modèles in vitro.
[0078] Avantageusement, il est possible de modifier de manière dynamique la représentation graphique afin de naviguer entre des affichages différents de la structure hiérarchique, par sélection par l’opérateur des valeurs du seuil de persistance associées à au moins un ou plusieurs niveaux de la structure hiérarchique, et par sélection par l’opérateur des classes à afficher. Par exemple, à un premier instant, l’opérateur peut visualiser une première sous-population d’objets biologiques. Puis à un instant ultérieur, l’opérateur peut visualiser une deuxième sous-population d’objets biologiques différente de la première sous-population, Puis, l’opérateur peut revenir à la visualisation de la première sous-population.
[0079] Dans un mode de réalisation, le graphique de sélection est présenté sous la forme d’un dendrogramme dont chaque nœud représente une classe, les nœuds étant alignés en strates représentant chacune le niveau d’appartenance des classes représentées par lesdits nœuds de la strate, et dont les branches représentent des liens hiérarchiques entre les classes des niveaux différents.
[0080] Dans un mode de réalisation alternatif, le graphique de sélection est présenté sous la forme d’un graphique en rayons de soleil comportant des anneaux concentriques représentant chacun un niveau, un anneau ayant un diamètre d’autant plus grand qu’il représente un niveau hiérarchique bas, les classes d’un niveau étant des fractions de l’anneau correspondant à ce niveau. La forme spécifique du graphique de sélection en graphique en rayons de soleil est particulièrement avantageuse pour permettre la représentation et la navigation entre les différentes classes et niveaux présents dans la structure hiérarchique.
[0081] Dans un mode de réalisation, la longueur d’une dite fraction est proportionnelle au nombre de points dans la classe correspondante. [0082] Dans un mode de réalisation, les fractions représentant des classes ayant un lien hiérarchique direct (i.e., classes appartenant à un même bassin d’attraction élargi), sont disposées dans un même secteur angulaire du graphique en rayons de soleil.
[0083] Dans un mode de réalisation, le graphique de présentation est un graphique à nuage de points comprenant des moyens de visualisation configurés pour distinguer les points appartenant à deux ou plusieurs classes sélectionnées.
[0084] Dans un mode de réalisation, ledit au moins un graphique de sélection est une représentation graphique dynamique des classes et de leurs agencements dans la structure hiérarchique, ladite représentation graphique dynamique étant configurée pour afficher les classes de hiérarchie inférieure quand la classe qui les regroupe est sélectionnée.
[0085] Un procédé selon l’invention comporte encore, de préférence, un ou plusieurs des modes de réalisation suivants :
- p et/ou q sont supérieurs à 20, de préférence supérieurs à 30, de préférence supérieurs à 40, et/ou inférieurs à 80, de préférence inférieurs à 70, de préférence inférieurs à 60, de préférence égaux à 50 ;
- à l’étape a), ladite distance est représentative d’une distance mathématique, notamment moyenne, entre le premier point et les points voisins, ladite distance mathématique étant de préférence choisie parmi : une distance euclidienne, une distance de Minkowski, une distance de Manhattan ou une distance de Mahalanobis ;
- en fin d’étape a), lesdites densités sont soumises à une transformation définie croissante, telle qu’une transformation logarithmique.
[0086] Dans un mode de réalisation, le procédé comprend en outre la réception d’une sélection d’une ou plusieurs classes de la part de l’opérateur par l’utilisation du graphique de sélection.
[0087] Dans un mode de réalisation, le procédé comprend en outre fournir en sortie un rapport médical ou de recherche, et/ou prendre contact avec une personne associée aux évènements cytométriques, en particulier la personne dont est issu le liquide biologique sur lequel les mesures cytométriques ont été faites, par exemple envoi un courrier ou d’un mail, et/ou fabrication d’un appareil en fonction de ladite analyse.
[0088] La présente invention concerne en outre un dispositif de traitement de données comprenant des moyens de mise en œuvre de la méthode selon l’une quelconque des modes de réalisation décrit ci-dessus.
[0089] Plus en détail, le dispositif de traitement de données est configuré pour l’analyse d’un ensemble de données associées à une pluralité d’objets biologiques choisis parmi des cellules, vésicules d’origine cellulaire, microorganismes acellulaires et/ou matériaux biofonctionnalisés ; ledit ensemble de données comprenant TV évènements cytométriques, chacun associé à un objet biologique, chaque évènement cytométrique étant défini par au moins deux paramètres cytométriques mesurés pour l’objet biologique correspondant de sorte à ce que l’ensemble de données soit représenté par un nuage ( ) de N points dans un espace en D dimensions ; ledit dispositif comprenant :
- au moins une entrée configurée pour recevoir l’ensemble de données associées à une pluralité d’objets biologiques ; au moins un processeur configuré pour : déterminer, pour chaque point (Xj) dudit nuage ( ), une densité (w(Xj)) inversement proportionnelle à la somme des distances, élevées à une puissance D, entre ledit point (Xj) et un ensemble de points voisins (l^(Xj)) constitué des p points dudit nuage (X) les plus proches dudit point considéré (Xj), segmenter ledit nuage de points (X) en segments modaux (M;), chaque segment modal (Mj) comprenant un point modal présentant localement une densité maximale, et les points du nuage appartenant au bassin d’attraction dudit point modal (mfi) les points du bassin d’attraction étant identifiés récursivement sur la base de leur densité (w(Xj)) vis-à-vis des densités de leurs q plus proches voisins ; pour chaque segment modal (M;), déterminer une persistance (/?), ladite persistance (fi) étant :
• de valeur infini si aucun segment modal (Mt) adjacent au segment modal Mj) possède un point de densité supérieure à la densité de son point modal deux ou plusieurs segments modaux étant adjacents s’ils partagent un même col de densité supérieure à zéro ; sinon
• représentative de la profondeur d’un col de densité entre le segment modal Mj) et ledit au moins un segment modal adjacent (Mt) en partant d’un segment modal (Md) : a) déterminer lequel, parmi celui considéré (Mj) et son(es) segment(s) modal(aux) adjacent(s) (Mt), celui qui correspond au bassin d’attraction le plus haut de sorte à identifier un lien hiérarchique entre le segment modal considéré (Mj) et son(es) segment(s) modal(aux) adjacent(s) (Mt) ; b) fusionner le segment modal considéré (Mj) et la(es) segment(s) modal(aux) avec le(s)quel(s) le segment modal considéré (Mj) à une persistance inférieure ou égale à un seuil de persistance prédéfini, de sorte à définir un segment modal père ayant un bassin d’attraction plus haut et ayant comme point modal le point présentant la densité maximale parmi les points des segments modaux fusionnés ; c) répéter itérativement les opérations a) et b) en partant à chaque nouvelle itération du segment modal père ; de sorte à déterminer une structure hiérarchique définie sur la base de la persistance, ladite structure hiérarchique comprenant plusieurs niveaux (Lk), chaque niveau (Lfc) définissant une segmentation du nuage ( ) en une pluralité de classes (Cfc7), chaque classe comportant tous les points d’un ou de plusieurs segments modaux (Mj) et étant représentative d’un groupe de la pluralité d’objets biologiques ;
- au moins une sortie configurée pour fournir au moins la structure hiérarchique représentative des différentes classes d’objets biologiques et leurs relations mutuelles.
[0090] La présente invention concerne en outre un produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode selon l’une quelconque des modes de réalisation décris ci-dessus. [0091] La présente invention concerne en outre un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode selon l’une quelconque des modes de réalisation décris ci-dessus.
DÉFINITIONS
[0092] Dans la présente invention, les termes ci-dessous sont définis de la manière suivante.
[0093] Le terme « processeur » ne doit pas être interprété comme étant limité au matériel informatique (« hardware ») capable d'exécuter un logiciel, et se réfère de manière générale à un dispositif de traitement, qui peut par exemple inclure un ordinateur, un microprocesseur, un circuit intégré ou un dispositif logique programmable (« programmable logic device », PLD). Le processeur peut également englober un ou plusieurs processeurs graphique (GPU), qu'ils soient exploités pour l'infographie et le traitement d'images ou d'autres fonctions. En outre, les instructions et/ou les données permettant d'exécuter les fonctionnalités associées et/ou résultantes peuvent être stockées sur tout support lisible par le processeur tel que, par exemple, un circuit intégré, un disque dur, un CD (Compact Disc), un disque optique tel qu'un DVD (Digital Versatile Disc), une RAM (Random- Access Memory) ou une ROM (Read-Only Memory). Les instructions peuvent notamment être stockées dans du matériel informatique, des logiciels, des microprogrammes (« firmware ») ou dans toute combinaison de ceux-ci.
[0094] La « cytométrie » désigne généralement la détection et/ou la mesure des caractéristiques de la cellule, unité structurale, fonctionnelle et biologique de base des organismes vivants. Par extension, la cytométrie désigne également la détection et/ou la mesure des caractéristiques de vésicules d’origine cellulaire (telles que des vésicules extracellulaires ou intracellulaires), ou de particules de dimension nano- ou micrométrique telles que des microorganismes acellulaires (par exemple des virus), ou des matériaux bio-fonctionnalisés (par exemple des microsphères recouvertes de molécules biologiques telles que des protéines ou des acides nucléiques, ou des microsphères recouvertes de molécules bioactives telles qu’une molécule immunomodulatrice ou un médicament).
[0095] Les « cellules » peuvent provenir d’un organisme unicellulaire ou pluricellulaire, d’origine procaryote ou eucaryote, d’origine animale, végétale, fongique, protiste, bactérienne ou archaebactérienne. Elles peuvent être vivantes, mortes ou fixées. Les cellules peuvent par exemple provenir de tissus solides ou liquides (tels que la moelle osseuse, le sang ou la lymphe, etc), ou de fluides corporels (tels que le liquide céphalorachidien, l’urine, le liquide bronchoalvéolaire, etc).
[0096] Durant le procédé d’acquisition des données cytométriques, les cellules, vésicules ou particules peuvent être en suspension (aqueuse ou non-aqueuse, biologique ou synthétique), ou être immobilisées sur un support solide (par exemple un flacon, une boîte de culture cellulaire à un ou plusieurs puits, une plaque ou une microplaque, une lame de verre, une puce, etc.). Elles peuvent avoir subi un traitement préalable avec un ou des agent(s) biologique(s) ou chimique(s).
[0097] Les cellules, vésicules ou particules à analyser peuvent être présentes au sein d’une ou plusieurs populations.
[0098] Une « population » est un ensemble de cellules, vésicules ou particules présentant des caractéristiques identiques ou similaires. Une population peut être subdivisée en différentes sous-populations présentant des caractéristiques secondaires différentes les unes par rapport aux autres.
[0099] Les « vésicules d’origine cellulaire » sont des vésicules constituées d’une membrane d’origine cellulaire. Il peut s’agir de vésiculaires intracellulaires ou extracellulaires. Les vésiculaires extracellulaires ont généralement été secrétées ou excrétées par une cellule. Les « vésicules d’origine cellulaire » comprennent par exemple les exosomes, les ectosomes, les microvésicules, les microparticules, les prostasomes, les oncosomes, les vésicules matricielles/de calcification, les corps apoptotiques et d’autres sous-ensembles de vésicules cellulaires.
[0100] Les « microorganismes acellulaires » désignent des organismes de taille microscopique dont la structure n’est pas cellulaire. Les « microorganismes acellulaires » comprennent par exemples les virus, les viroïdes et les prions. [0101] Les « matériaux bio-fonctionnalisés » ou « biomatériaux fonctionnalisés » ou « dispositifs bio-fonctionnalisés » ou « systèmes bio-fonctionnalisés » désignent tout type d’objet comprenant un matériau d’origine synthétique ou biologique recouvert à sa surface, couplé ou lié à un(e) ou plusieurs molécule(s) ou groupement(s) fonctionnel(s) d’origine biologique.
[0102] A titre d’ exemples non-limitatifs, le matériau d’ origine synthétique ou biologique peut être une nanoparticule (telle qu'une nanobille, une nanosphère ou un nanocapsule), une microparticule (telle qu'une microbille, une microsphère ou une microcapsule), une vésicule lipidique telle qu’une vésicule unilamellaire, une vésicule multilamellaire, un lipoplexe, un polyplexe, un lipopolyplexe un liposome, un niosome, un cochléate, un virosome, un complexe immunostimulant (ISCOM®), etc.
[0103] Les nanoparticules et les microparticules, telles que les billes, sphères ou capsules, peuvent être organiques, inorganiques, magnétiques ou radioactives. Par exemple, les nanoparticules ou microparticules peuvent être en métal, silice, alumine, titane, verre, céramique, polystyrène, polyméthacrylate de méthyle, mélamine, polylactide, latex, dextrane, oxyde, graphène, matériau magnétique, matériau radioactif, ou une combinaison de ceux-ci.
[0104] A titre d’exemples non-limitatifs, pour être bio-fonctionnalisé, le matériau peut être conjugué à, ou recouvert de, un ou plusieurs peptide(s), protéine(s), anticorps, fragment(s) d’anticorps, récepteur(s), cytokine(s), chimiokine(s), toxine(s), oligonucléotide(s), molécule(s) colorée(s) ou fluorescente(s), groupement(s) amine, carboxyle ou hydroxyle, molécule(s) bioactive(s) (telle(s) qu’une molécule immunomodulatrice, une petite molécule chimique, un peptido-mimétique, un médicament), molécule(s) de biotine, avidine ou streptavidine, ou une combinaison de ceux-ci.
[0105] Dans le contexte de la présente invention, le terme « cytométrique », lorsqu’il qualifie des données, des paramètres, des mesures, des événements, peut se rapporter à des cellules, des vésicules d’origine cellulaire, ou à des particules telles que des microorganismes acellulaires ou des matériaux bio-fonctionnalisés. BRÈVE DESCRIPTION DES FIGURES
[0106] Figure 1 est un schéma en blocs illustrant un exemple de procédé d’analyse selon l’invention.
[0107] Figure 2 et Figure 3 illustrent des exemples de représentation de densités de points obtenues selon le procédé de la figure 1.
[0108] Figure 4 est un exemple de graphique de sélection selon un premier mode de réalisation.
[0109] Figure 5 et Figure 6 illustrent une variante de graphique de sélection selon un deuxième mode de réalisation.
[0110] Figure 7 illustre des graphiques de présentation selon un mode de réalisation.
[OU I] Figure 8 représente un exemple d’affichage comprenant le graphique de sélection et les graphiques de présentation selon l’invention.
[0112] Figure 9 représente un exemple d’utilisation du graphique de sélection pour modifier l’affichage sur les graphiques de présentation selon l’invention.
[0113] Figure 10 est un schéma fonctionnel représentant schématiquement un mode particulier d'un dispositif pour l’analyse d’un ensemble de données associées à une pluralité d’objets biologiques configuré pour exécuter les étapes successives du procédé de la figure 1.
[0114] Figure 11 représente schématiquement un appareil intégrant les fonctions du dispositif d’analyse de la figure 10. DESCRIPTION DÉTAILLÉE
[0115] La présente description illustre les principes de la présente divulgation. Il sera donc apprécié que les hommes du métier seront en mesure de concevoir divers arrangements qui, bien que non explicitement décrits ou montrés ici, incarnent les principes de la divulgation et sont inclus dans sa portée.
[0116] Tous les exemples et le langage conditionnel cités ici sont destinés à des fins éducatives pour aider le lecteur à comprendre les principes de la divulgation et les concepts apportés par l'inventeur pour faire avancer l'état de l’art, et doivent être interprétés comme n'étant pas limités à ces exemples et conditions spécifiquement cités.
[0117] De plus, toutes les déclarations de principes, d'aspects et de modes de réalisation de la divulgation, ainsi que leurs exemples spécifiques, sont destinés à englober leurs équivalents structurels et fonctionnels. En outre, il est prévu que ces équivalents comprennent à la fois les équivalents actuellement connus et les équivalents développés à l'avenir, c'est-à-dire tous les éléments développés qui remplissent la même fonction, indépendamment de leur structure.
[0118] Ainsi, par exemple, l'homme du métier comprendra que les schémas de principe présentés ici peuvent représenter des vues conceptuelles de circuits illustratifs mettant en œuvre les principes de la divulgation. De même, il sera apprécié que tous les organigrammes, diagrammes de flux et autres représentent divers processus qui peuvent être essentiellement représentés sur un support lisible par ordinateur et ainsi exécutés par un ordinateur ou un processeur, que cet ordinateur ou ce processeur soit ou non explicitement représenté.
[0119] Les fonctions des divers éléments illustrés sur les figures peuvent être assurées par l'utilisation de matériel informatique dédié ainsi que de matériel informatique capable d'exécuter un logiciel en association avec un logiciel approprié. Lorsqu'elles sont assurées par un processeur, les fonctions peuvent être assurées par un seul processeur dédié, un seul processeur partagé ou une pluralité de processeurs individuels, dont certains peuvent être partagés. [0120] Il est entendu que les éléments illustrés dans les figures peuvent être mis en œuvre sous diverses formes de matériel informatique, de logiciel ou de combinaisons de ceux- ci. De préférence, ces éléments sont mis en œuvre dans une combinaison de matériel informatique et de logiciel sur un ou plusieurs dispositifs polyvalents programmés de manière appropriée, qui peuvent comprendre un processeur, une mémoire et des interfaces d'entrée/sortie.
[0121] On a illustré à la figure 1 un exemple de mise en œuvre d’un procédé d’analyse par ordinateur selon l’invention.
[0122] Le procédé est configuré pour effectuer l’analyse d’un ensemble de données associées à une pluralité d’objets biologiques 21 (ou données cytométriques 21) représentable sous forme un nuage X de N points xt dans un espace en D dimensions, chaque point xt représentant un évènement cytométrique et chaque dimension représentant un paramètre cytométrique.
[0123] Le procédé est configuré pour fournir en sortie une structure hiérarchique 31 représentative des différentes classes d’objets biologiques, représentés dans l’ensemble de données d’entrée, et leurs relations mutuelles.
[0124] Une structure hiérarchique 31 est une organisation à plusieurs niveaux Lk, chaque niveau Lk définissant une présentation respective du nuage de points et/ou des données associées aux points du nuage, c'est-à-dire les positions des points dans l’espace et les densités des points. Plus un niveau est haut dans la structure, plus le nombre de classes du niveau est faible. La structure est hiérarchique en ce que les points d’une classe Ckj- d’un niveau considéré Lk : sont compris aussi dans une et une seule classe de niveau hiérarchique immédiatement supérieur Lk+1 (si un tel niveau existe au-dessus du niveau considéré Lk), la classe considérée Ckj- étant ainsi la fille de ladite classe dudit niveau immédiatement au-dessus, elle-même étant la mère de la classe considérée, et sont compris aussi dans une ou plusieurs classes C^k-1 du niveau immédiatement inférieur L k-1 ) (si un tel niveau existe en dessous du niveau considéré Lk). [0125] Le procédé peut comprendre une étape de réception 41 d’ensemble de données cytométriques 21 associées à une pluralité d’objets biologiques.
[0126] Les objets biologiques peuvent être :
- des cellules d’origine animale, végétale, fongique, protiste, bactérienne ou archaeb actéri enne,
- des vésicules d’origine cellulaire choisies parmi des exosomes, des ectosomes, des microvésicules, des microparticules, des prostasomes, des oncosomes, des vésicules matricielles/de calcification ou des corps apoptotiques,
- des microorganismes acellulaires choisis parmi des virus, des viroïdes et des prions, et/ou
- des matériaux biofonctionnalisés comprenant un matériau d’origine synthétique ou biologique choisi parmi une nanoparticule (telle qu'une nanobille, une nanosphère ou un nanocapsule), une microparticule (telle qu'une microbille, une microsphère ou une microcapsule), une vésicule lipidique (telle qu’une vésicule unilamellaire, une vésicule multilamellaire, un lipoplexe, un polyplexe, un lipopolyplexe un liposome, un niosome, un cochléate, un virosome, un complexe immunostimulant (ISCOM®)), ledit matériau d’origine synthétique ou biologique étant couplé à, ou recouvert de, un ou plusieurs peptide(s), protéine(s), anticorps, fragment(s) d’anticorps, récepteur(s), cytokine(s), chimiokine(s), toxine(s), oligonucléotide(s), molécule(s) colorée(s) ou fluorescente(s), groupement(s) amine, carboxyle ou hydroxyle, molécule(s) bioactive(s) (telle(s) qu’une molécule immunomodulatrice, une petite molécule chimique, un peptido-mimétique, un médicament), molécule(s) de biotine, avidine ou streptavidine, ou une combinaison de ceux-ci.
[0127] Les données cytométriques 21 peuvent être obtenues par tout procédé permettant d’analyser, de déterminer ou de mesurer des caractéristiques d’une cellule, vésicule ou particule. L’analyse peut porter sur un échantillon comprenant une pluralité de cellules, vésicules et/ou particules. Par exemple, les données cytométriques 21 peuvent être obtenues à partir d’un échantillon biologique d’un individu, tel qu’un ou plusieurs organe(s), tissu(s), cellule(s) ou fragment(s) de cellule(s) de l’individu. [0128] Dans certains cas, le procédé d’acquisition des données cytométriques 21 peut être précédé d’un procédé de préparation de l’échantillon comprenant par exemple une étape d’isolement des cellules, vésicules et/ou particules, ou d’isolement préalable des composants desdites cellules.
[0129] Le procédé de préparation de l’échantillon comprenant les objets biologiques auxquels sont associées les données cytométriques 21 peut inclure, à titre d’exemples non limitatifs, une ou plusieurs étape(s) de tri cellulaire magnétique (ou « MACS » pour « magnetic-activated cell sorting »), de microdissection par capture laser (ou « LCM » pour « laser capture microdissection »), de récolte manuelle de cellules ou micromanipulation, de micro-fluidique, de dilution limite, de séparation par pince optique, d’électrophorèse, de séparation par billes, d’immunoprécipitation, d’immunopanning, d’étiquetage (« labeling »), d’immunomarquage, d’immunofluorescence, de multiplexage et/ou d’utilisation de biopuces.
[0130] Les données cytométriques 21 peuvent être des données de technologies « omiques » ou « méta-omiques », par exemple des données de génomique, d’épigénomique, de transcri ptomique, de protéomique, de métabolomique, de lipidomique, etc. Ainsi, les données cytométriques 21 peuvent par exemple être relatives à la détection et/ou à la quantification des ADN (par exemple des gènes), des ARN, des protéines (par exemple des cytokines, des récepteurs...), des sucres, des acides aminés et/ou des acides gras présents dans ou à la surface de la cellule, vésicule ou particule, ou de tout autre molécule contenue dans la cellule, vésicule ou particule. Les données cytométriques 21 peuvent aussi être relatives à la détection de la présence ou l’absence d’une molécule particulière ou d’un assemblage particulier dans ou à la surface de la cellule, vésicule ou particule, ou à la détection d’interactions entre des molécules présentes dans ou à la surface de la cellule, vésicule ou particule, ou à la détection d’interactions entre des cellules et/ou des objets de type vésicules, microorganismes, ou matériaux bio-fonctionnalisés.
[0131] A titre d’exemples non-limitatifs et purement illustratifs, lorsque les données cytométriques 21 sont de type protéomique, les paramètres cytométriques mesurés ou analysés peuvent être le niveau d’expression d’une ou de plusieurs protéines intracellulaires ou extracellulaires, ou le niveau d’expression d’un ou de plusieurs récepteurs ou marqueurs à la surface de la cellule, vésicule ou particule.
[0132] D’autres exemples de paramètres cytométriques incluent la taille des cellules, vésicules ou particules, leur densité, leur granularité, leur morphologie/forme, leur indice de réfraction, la composition de leur membrane, leur contenu moléculaire (comme par exemple la présence ou l’absence d’une molécule intracellulaire ou de surface) ou leur teneur en cette molécule (comme par exemple le contenu intracellulaire ou la teneur en ions, en ADN, en ARN,...) ou encore l’état d’oxy do-réduction de la cellule, son statut dans le cycle cellulaire, son état apoptotique, ou son niveau de phosphorylation...
[0133] Les données cytométriques 21 peuvent être obtenues par des technologies d'analyse sur cellule unique.
[0134] A titre d’exemples non-limitatifs, les données cytométriques 21 peuvent être obtenues par cytométrie en flux (ou FACS pour « fluorescence activated cell sorting »), par tri cellulaire activé par PCR (ou PACS pour « PCR-activated cell sorting »), par « microsphere affinity proteomics » (MAP), par spectrométrie de masse, par chromatographie, par CYTOF, par cytométrie spectrale, par cytométrie de masse, par cytométrie d'image, par expression génique sur puces (microarray), par séquençage, par exemple des ADN (« DNA-seq » ou « single cell (sc)DNA-seq ») ou des ARN (« RNA- seq » ou « single cell (sc)RNA-seq »), par hybridation in situ, et/ou par microscopie. Le terme « microscopie » désigne notamment la microscopie à force atomique (AFM), la détection électrochimique (EC), la microscopie électronique à balayage (MEB), la microscopie électronique à transmission (MET), l’imagerie par résonance plasm oni que de surface (SPRi), la microspectroscopie de Raman. . .
[0135] Les données cytométriques 21 peuvent également être obtenues par combinaison de plusieurs de ces techniques. A titre d’exemple purement illustratif, un profilage multiplexé de l'expression des ARN et des protéines au niveau de la cellule unique peut être obtenu simultanément en combinant la technique de PLAYR (proximity ligation assay for RNA), qui permet de mesurer le niveau d’expression d’un grand nombre d’ ARN par cytométrie en flux ou de masse, avec une technique de détection des protéines de surface ou internes marquées par des anticorps.
[0136] Un autre exemple purement illustratif de technique permettant d’obtenir les données cytométriques 21 est le profilage de cellules individuelles isolées dans des gouttelettes liquides, enveloppées par une fine membrane semi-perméable (microcapsules), par cytométrie d'ARN à haut débit, par exemple par RT-PCR multiplexée.
[0137] Les données cytométriques 21 comprennent une pluralité de vecteurs, chacun comprenant les D paramètres cytométriques mesurés pour un évènement cytométrique associé à un objet biologique. Chaque vecteur peut être interprété comme les coordonnes d’un point dans un espace à£> dimensions. L’ensemble de données cytométriques 21 peut donc être représenté par un nuage X de N points dans un espace en D dimensions.
[0138] Les paramètres cytométriques soumis à des mesures cytométriques comprennent de préférence un des paramètres cytométriques suivants et/ou une combinaison des paramètres cytométriques suivants: taille des particules du liquide biologique sur lequel les mesures cytométriques ont été faites, structure desdites particules, fonction desdites particules, et tout paramètre mesuré reflétant directement ou indirectement une caractéristique et/ou une fonction d'un marqueur d'intérêt (qualitativement et quantitatif), le marqueur d’intérêt pouvant être notamment choisi parmi les protéines, les acides nucléiques, et des molécules, seules ou en complexes, ainsi que leurs interactions.
[0139] Le nombre de dimensions D, c'est-à-dire le nombre de paramètres cytométriques associés à chaque évènement cytométrique, peut être supérieur à 1, de préférence supérieur à 10, de préférence supérieur à 20, de préférence supérieur à 30, voire de préférence supérieur à 40, et/ou inférieur à 200.
[0140] Le nombre N des points, c'est-à-dire le nombre d’objets biologiques compris dans le liquide biologique faisant l’objet des mesures cytométriques, est de préférence supérieur à 10 000 et/ou inférieur à 109. [0141] Le procédé peut comporter une étape de prétraitement des données cytométriques 21 (étape 42), notamment pour en faciliter l’exploitation ultérieure. Un prétraitement peut par exemple comporter une compensation des données cytométriques 21, une transformation des données cytométriques 21 en échelles adaptées à la visualisation et/ou à l'analyse, et/ou une normalisation des données cytométriques 21.
[0142] A titre d’exemple, la compensation peut être obtenue par la multiplication de chaque vecteur représentant un point du nuage par l’inverse d’une matrice de compensation de taille DxD. La matrice de compensation peut être obtenue par toute méthode connue de l’homme du métier. On peut ainsi obtenir un ensemble de vecteurs, représentant les points du nuage, compensés.
[0143] La transformation des données peut correspondre à l’application d’une fonction mathématique aux vecteurs initiaux ou compensés associés aux points du nuage, ladite fonction mathématique pouvant notamment être choisie parmi une fonction linéaire, logarithmique, bi-exponentielle, ou encore arcsinus hyperbolique « arcsinh ». Dans le mode de réalisation illustré, la fonction « arcsinh » est appliquée au nuage de points compensé.
[0144] Enfin, la normalisation des données peut être réalisée de manière connue en soi, notamment elle peut être de type « Min-max ».
[0145] En fin de l’étape 42, on obtient alors le nuage de points X compensé, transformé et/ou normalisé (i.e., les vecteurs associés aux points du nuage sont compensés transformés et/ou normalisés).
[0146] Le procédé de l’invention vise à obtenir une segmentation du nuage de points sur la base de la persistance topologique qui étudie l’évolution de la topologie de l’ensemble multiniveaux de la fonction de densité du nuage de points.
[0147] Le procédé comprend une étape 43 de détermination de la densité locale associé à chaque point du nuage. Dans cette étape on procède à la détermination, pour chaque point Xi dudit nuage X, d’une densité w(%j)inversement proportionnelle à la somme des distances élevées à la puissance D entre ledit point considéré xt et un ensemble Vp(Xi) constitué des p points dudit nuage les plus proches dudit point considéré.
[0148] Dans la présente divulgation, on considère qu’un point est à proximité du point considéré, ou est voisin du point, considéré si c’est un des p points du nuage les plus proches du point considéré. La proximité entre deux points est définie par une distance entre ces deux points dans l’espace en D dimensions du nuage. Un point peut donc être ou ne pas être voisin du point considéré en fonction du choix du paramètre p et de la définition de distance choisi. La proximité entre deux points peut être calculée avec une distance euclidienne, une distance de Minkowski, ou une distance de Manhattan. On ne sort pas du cadre de l’invention si d’autres distances sont utilisées.
[0149] Pour le calcul de la densité, le dénominateur correspond de préférence à la somme des distances euclidiennes (D=2) entre le point considéré xt et un ensemble Vp(xi) constitué des p points dudit nuage les plus proches dudit point considéré. La distance est de préférence une distance euclidienne moyenne entre le point considéré et les p points voisins. Toutefois, autres types de distances peuvent être utilisées comme une distance de Minkowski, une distance de Manhattan ou de distances semblable à celle-ci.
[0150] Dans l’exemple illustré, p est égale à 50, mais d’autres valeurs de p peuvent être retenues, notamment selon la taille du nuage de points, la nature des données cytométriques 21 ou encore en fonction de l’application du procédé visée.
[0151] Dans l’exemple préféré illustré, pour un point xt du nuage , la densité w(Xj) est calculée à constante près selon la formule suivante :
[0152] où || . || 2 est la norme euclidienne sur RD et représente le j-ème plus proche voisin de xt parmi les p plus proches points voisins du nuage X selon ladite norme euclidienne. [0153] En fin d’étape 43, les densités w(Xj) des points du nuage sont de préférence soumises à une transformation logarithmique, ce qui permet de manière avantageuse d’atténuer les différences relatives de densité.
[0154] Un exemple de représentation de la densité des points obtenue à l’étape 43 est illustré à la figure 2. Dans l’exemple illustré, l’espace est en deux dimensions, les points du nuage sont dans un plan et les valeurs de la densité desdits points est représentée sur une troisième dimension orthogonale au plan.
[0155] Le procédé comprend ensuite une étape de segmentation du nuage X dans des segments modaux Mj de manière à définir des regroupements (plus couramment désigné sur le terme anglais « cluster ») de points xt. Un segment modal Mj délimite une region de l’espace comprenant un groupe de points du nuage. Cet ensemble de points comprend un point modal, ayant une densité supérieure à celle des autres points du segment modal, et d’autres points qui, dans l’espace, sont voisins du point modal et présentent une densité inférieure à celle du point modal. Le point modal est associé ainsi une densité, dite densité modale, qui est un maximum local de la densité, c'est-à-dire qui est supérieure à celle associé des autres points du segment modal Mj.
[0156] Les segments modaux Mj peuvent être naturellement identifiés avec les bassins d'attraction des sommets d’une approximation de la fonction de densité. Intuitivement, en considérant la fonction de densité comme un terrain, un segment modal Mj est l'ensemble de tous les points xt qui se dirigent vers le même maximum local (ou pic) le long du flux défini par le champ vectoriel du gradient de fonction de densité. L’identification de bassins d’attraction de la densité permet de segmenter le nuage de points en un ou plusieurs segments modaux M;-, chaque segment modal Mj comprenant un point modal mj associé à un maximum local de la densité w(Xj), et tous les points du nuage appartenant à son basin d’attraction. Les points du bassin d’attraction sont donc identifiés récursivement sur la base de leur densité w(xz) vis-à-vis des densités de leurs q plus proches points voisins. [0157] Un segment modal adjacent (ou connecté) à un autre segment modal est un segment modal ayant un même col de densité, ledit col de densité étant supérieure à zéro. En conséquence, inversement, deux segments ayant à leur frontière commune des valeurs de densité nulle, car aucun point ne se trouve dans cette région de l’espace, ne sont pas considérés comme des segments modaux adjacents, dans le contexte du procédé de l’invention. Localement, de chaque côté de la frontière séparant deux segments modaux adjacents, les points de chacun de ces segments modaux sont associés à une densité croissante à mesure que l’on s’éloigne de ladite frontière. Autrement dit, la frontière définit le fond d’un col de densité.
[0158] Autrement dit, deux segments sont adjacents s'il existe un point du nuage contenant au moins un point appartenant aux deux segments modaux dans son voisinage. Le col de densité (ou la frontière) est alors le point de plus faible densité parmi les points contenants des voisins au sein des deux segments modaux adjacents.
[0159] Dans un mode de réalisation, on peut procéder suivant les opérations suivantes : pour chaque point xt dudit nuage, en procédant par densité décroissante, c'est-à-dire depuis le point ayant la densité la plus élevée jusqu’au point ayant la densité la plus faible, si la densité dudit point considéré est supérieure à chacune des densités de ses q plus proches points voisins Vq(x ), constitution d’un segment modal contenant ledit point considéré x sinon, inclusion dudit point considéré xt dans le segment modal contenant le point ayant la densité la plus élevée parmi ses q plus proches points voisins Vq(xi). Cette opération est basée sur la connaissance des distances entre paire de points du nuage et la valeur de la densité en correspondance de chaque point du nuage. De manière avantageuse, le procédé de l’invention ne nécessite que de connaître les distances (approximatives) entre paires des points de données cytométriques 21, ainsi que des estimations approximatives de la densité à ces points. Elle est donc virtuellement applicable dans tout espace métrique arbitraire choisi pour représenter le nuage de points. De plus, la complexité du procédé reste raisonnable : bien que la taille de la matrice de distance d'entrée peut être quadratique par rapport au nombre N de points du nuage, ce procédé n'utilise qu'une quantité de mémoire principale linéaire en A. [0160] Les paramètres p et/ou q peuvent être supérieurs à 20, de préférence supérieurs à 30, de préférence supérieurs à 40, et/ou inférieurs à 80, de préférence inférieurs à 70, de préférence inférieurs à 60, de préférence égaux à 50. Les paramètres p et peuvent être identiques ou différents. Dans l’exemple illustré, le nombre q est égal à 50.
[0161] Dans l’exemple illustré à la figure 2, six segments modaux Ml-6 ont été identifiés. Comme illustré, chaque segment modal peut être assimilé à une montagne dont le sommet est un maximum local de la densité.
[0162] Le procédé comprend par la suite une étape 45 d’estimation de la persistance pour chaque segment modal Mj .
[0163] La persistance P du segment modal M 7 est défini de sorte à : avoir une valeur infinie s’il n’existe pas au moins un segment modal adjacent Mt présentant un point associé à une densité supérieure à la densité de son point modal ijOu, représentative de la profondeur d’un col de densité entre le segment modal Mj et ledit au moins un segment modal adjacent Mt sinon.
[0164] La persistance P du segment modal Mj ayant au moins un segment modal adjacent peut être calculé comme une différence entre la densité du point modal (i.e., la valeur de densité plus élevée entre les points appartenant au segment modal Mj) et la valeur de densité plus élevé parmi les valeurs de densité associées aux points du nuage ses situant dans le col de densité entre le segment model Mj et ledit au moins un segment modal adjacent Mt.
[0165] Un exemple de détermination de la persistance est illustré à la figure 3, pour une représentation simplifiée dans laquelle les points du nuage sont associés à un seul paramètre cytométrique et la densité w(x) correspond aux valeurs sur l’axe des ordonnées. Dans l’exemple illustré, la persistance Pi du segment modal Mi, c’est-à-dire le segment modal présentant le maximum local de densité ayant la valeur maximale, est infinie. [0166] Le segment modal M3 est adjacent seulement au segment modal M2. Done la persistance P3 du segment modal M3 correspond à la différence entre sa densité modale, c’est-à-dire la valeur du maximum local de la densité w m3) du bassin d’attraction du segment modal M3, et la valeur du minimum local de densité entre le segment modal M3 et M2. Cette persistance P3 correspond donc à la distance long l’axe des ordonnées séparant les deux lignes A’ 1 et A’ 2, sur la figure 3, et est égale, dans l’exemple considéré, à environ 0.032.
[0167] Dans l’exemple illustré à la figure 3, le segment modal M2 possède deux segments modaux adjacents M et M3 présentant des valeurs de densité supérieure à celle dudit segment modal M2. La persistance P2 du segment modal M2 correspond à la différence entre sa densité modale, w m2) et la plus grande valeur de densité parmi les deux minimums locaux des densités entre les segments modaux adjacents, c'est-à-dire la différence entre le pic du segment modal M2 et le col le plus haut entre le segment modal M2 et M . Dans le cas illustré, la persistance P2 correspond donc à la distance le long l’axe des ordonnées séparant les deux lignes Ai et A2, sur la figure 3, et est égale, dans l’exemple considéré, à environ 0.013.
[0168] L’étape suivante 46 du procédé est configurée pour regrouper les segments modaux Mj, ainsi les points compris dans les segments modaux, sur la base de valeurs de persistance calculées à l’étape précédente de sorte à construire une structure hiérarchique.
[0169] La structure hiérarchique 31 qui est définie par cette étape 46 comprend / niveaux Lk, k étant compris entre 2 et /. Le nombre / de niveaux est de préférence supérieur à 2, de préférence supérieur à 3, de préférence supérieur à 4, et/ou inférieur à 100, de préférence inférieur à 50, encore mieux inférieur à 30.
[0170] Chaque niveau Lk définit une segmentation du nuage X en H classes Ckh. Chaque classe Ckh regroupe les points d’un ou plusieurs segments modaux Mj définis à l’étape 44. Tous les segments modaux Mj sont associés aux classes d’un niveau, aucun segment modal appartenant à plus de 1 classe (i.e., aucun segment modal étant partagé entre plusieurs classes). [0171] Plus le niveau est bas dans la structure hiérarchique 31 , plus le nombre de classes du niveau est grand. Le niveau de base Lr est le résultat du regroupement des tous les segments modaux adjacentes pouvant être regroupés dans un seul basin d’attraction commun (i.e., segmentation plus grossière). Le dernier niveau est le résultat de la segmentation la plus fine.
[0172] Pour définir les classes Ckh d’un niveau Lk, le ou les segments modaux Mj sont regroupés en fonction de la différence entre leurs persistances P respectives et un seuil de persistance prédéfini p euti (22), qui peut être global (i.e. de valeur identique pour tous les niveaux) ou défini différemment pour chaque niveau Lk.
[0173] L’étape 46 est configuré pour choisir arbitrairement un segment modal de départ Mj qui possède un ou plusieurs segments modaux adjacents Mt. Dans un mode de réalisation alternatif, le segment modal de départ Mj est choisi sur la base de la valeur de densité de son point modale rry Le segment modal de départ Mj peut être le segment modal ayant le point modal avec la valeur de densité la plus élevée. Selon le procédé de l’invention, un segment modal Mj a plusieurs segments modaux adjacents (Mtl, Mt2, etc.) si la profondeur maximale du col de densité entre segment modal Mj et le deux ou plusieurs segments modaux adjacents (Mtl, Mt2, etc.) est égale.
[0174] Pour ledit segment modal de départ Mj l’étape 42 est configurée pour déterminer d’abord lequel, parmi le segment modal Mj et son(es) segment(s) modal(aux) adjacent(s) Mt, possède le bassin d’attraction le plus haut (i.e., possède le point modal ayant la valeur de densité plus haute). Le segment modal ayant un bassin d’attraction plus bas est considéré comme compris dans le segment modal ayant un bassin d’attraction plus haut, ce qui nous donne des informations pour identifier le lien hiérarchique entre les segments modaux considérés Mj, Mt). Avec le terme « hauteur » du bassin d’attraction, il est fait référence à la valeur de densité du point modal du segment modal (i.e., maximum local de la densité) associée audit bassin d’attraction.
[0175] Ensuite, la persistance du segment modal Mj est comparée avec la valeur de seuil de persistance prédéfini pk euU (i.e., pour la première itération P euU) pour le niveau Lk correspondant. Si la persistance de Mj est inférieure ou égale à un seuil de persistance prédéfini p euti alors le segment modal Mj est fusionné avec son(es) segment(s) modal (aux) adjacent(s) Mt. Cette fusion définit un nouveau segment modal père ayant un bassin d’attraction plus haut et ayant comme point modal le point présentant la densité maximale parmi les points des segments modaux fusionnés. Autrement dit, les points du nuage X qui sont attirés par le point modal sont ceux qui appartiennent à des régions ascendantes (i.e., valeurs de densité en diminution) qui sont éventuellement fusionnés par persistance dans le segment modal Mj avant d’être fusionnés dans le segment (i.e., bassin d’attraction) de toute autre pic ayant une persistance inférieure au seuil de persistance prédéfini s k euil.
[0176] Dans un exemple, le seuil de persistance 22 peut être choisi de sorte que chaque segment modal Mj obtenu à l’étape 44, et donc tous ses points, est associé à une classe Cki du niveau de la structure hiérarchique. Le niveau désigne le niveau avec hiérarchie plus basse dans la structure hiérarchique (i.e., niveau ayant la granularité plus élevée). Le segment modal père obtenu est associé à une classe appartenant au niveau hiérarchique directement au-dessus. La classe a donc un lien hiérarchique direct avec les classes Ckï correspondant au segment de départ Mj et son(es) segment(s) modal(aux) adjacent(s) Mt qui ont été fusionnés. Notamment, la classe peut être considérée comme la classe mère de ces deux ou plusieurs classes de niveaux hiérarchique inferieur Lk
[0177] Enfin ces étapes de détermination et fusion sont répétées itérativement en utilisant comme segment modal de départ le nouveau segment père défini. Le même type de relation hiérarchique décrit ci-dessus est défini pour les segments modaux père créés dans les itérations suivantes. En conséquence, les fusions sont effectuées par ordre de persistance croissante.
[0178] L’itération de ces étapes permet donc de déterminer la structure hiérarchique 31 sur la base de la persistance, de sorte à donner une représentation des groupes d’objets biologiques compris dans les données cytométriques 21. [0179] Le nombre de classes d’un niveau Lk dépend de la persistance de seuil p euti associé audit niveau. Une étape de paramétrisation préliminaire permet de déterminer les persistances de seuil p euti en fonction du nombre de classes souhaitées pour chaque niveau. Cette étape de paramétrisation préliminaire comprend l’exécution des étapes du procédé selon l’invention pour une seule valeur de seuil de persistance (e.g., valeur de seuil égal à zéro), ce qui permet d’identifier tous les segments modaux présentes dans le nuage de points (i.e., aucune fusion n’est effectuée). Les valeurs des persistances de seuil pseuu pQur cjiaque niveau son donc choisi sur la base de l’analyse de ces segments modaux et sur la base du type d’objets biologiques sous examen. Ces valeurs de persistances de seuil p euti sont donc prédéterminées et indépendant de l’opérateur, permettant une reproductibilité des résultats du procédé entre opérateurs différents. Le choix des valeurs de seuil de la persistance permet ainsi d’adapter la granulométrie des classes, c'est-à-dire l’échelle d’observation des données selon le type d’objets biologiques sous examen, pour répondre au besoin de l’opérateur lors de l’étape d’affichage.
[0180] Dans un mode de réalisation, l’étape de fournir en sortie au moins la structure hiérarchique 31 comprend en outre sa représentation au moins partielle par une interface accessible à l’opérateur. De préférence, la structure hiérarchique 31 est représentée sur un écran. Avant d’être présentée, elle peut être mémorisée dans une mémoire informatique.
[0181] La présentation de la structure hiérarchique 31 a pour objectif de permettre à l’opérateur de choisir les classes d’intérêt regroupant exclusivement des points que l’opérateur souhaite analyser.
[0182] L’étape d’affichage comprend l’affichage simultané d’au moins au moins un graphique de sélection 20 et au moins un graphique de présentation 40.
[0183] L’au moins un graphique de sélection 20 est une représentation graphique des classes et de leurs relations respectives dans la structure hiérarchique 31 et il est adapté pour permettre à l’opérateur de sélectionner au moins une classe Ckh en désignant la classe correspondante sur ladite représentation graphique. [0184] Dans le même affichage, le procédé représente en outre au moins un graphique de présentation 40 bi-dimensionnel ou tri-dimensionnel dans lequel chaque axe est associé à un paramètre cytométrique respectif Dans le domaine de l’analyse de données cytométriques 21, il est particulièrement avantageux pour l’opérateur d’afficher simultanément plusieurs graphiques de présentations ayant couples d’axes différents. L’opérateur peut choisir les axes des graphiques de présentation 40 via l’interface graphique. Les graphiques de présentation 40 sont configurés pour afficher chacun les points du nuage X appartenant à la (aux) classe(s) Ckh sélectionné(s) grâce un graphique de sélection 20. Un exemple d’affichage simultané est illustré en figure 4 où la colonne de gauche comprend graphiques de présentation 40 et sur la colonne de droit les graphiques de sélection 20 correspondant.
[0185] De préférence, le graphique de sélection 20 représente les classes en les regroupant visuellement par niveau. Par exemple, une classe peut être d’autant plus éloignée d’un point de référence 22 du graphique de sélection qu’elle appartient à un niveau éloigné du niveau de base. Le point de référence peut être par exemple le sommet d’une pyramide, chaque niveau correspondant à une strate de la pyramide, comme sur la figure 4, ou un noyau d’un cercle, chaque niveau correspondant à un anneau centré sur ce noyau, comme sur la figure 5.
[0186] Concrètement, l’opérateur, via l’interface graphique, peut utiliser un curseur dynamique (i.e., une souris) pour cliquer et donc sélectionner l’une de classe représentée sur la représentation graphique du graphique de sélection 20.
[0187] Dans un mode de réalisation, la représentation graphique du graphique de sélection 20 est présentée sous la forme d’un dendrogramme, qui est un est un diagramme représentant un arbre fréquemment utilisé pour illustrer l'arrangement de groupes générés par un regroupement hiérarchique. Dans ce dendrogramme chaque nœud 12 représente une classe Ckh et les branches 14 représentent des liens hiérarchiques entre les classes Ckh. Les nœuds 12 appartenant à un même niveau Lk peuvent être alignés en strates.
[0188] Dans un exemple illustre en figure 4, le graphique de sélection 20 présente la forme d’un dendrogramme, les niveaux L1-5 étant les différents niveaux de ramification, chaque nœud 12 représentant une classe Ckh et chaque branche 14 représentant un lien hiérarchique entre une classe mère Ckh et une classe fille C k+1^h.
[0189] Dans un mode de réalisation, le graphique de sélection 20 est présenté sous la forme d’un graphique en rayons de soleil. Ce graphique est représenté comme un disque découpé en une pluralité de secteurs ou « quartiers », un secteur représentant tous, et ne représentant que les points (et/ou les données associées) d’une classe respective du niveau de base, le plus élevé. De préférence, l’angle d’un secteur est proportionnel au nombre de points de la classe du niveau de base qu’il représente. Le graphique en rayons de soleil comprend des anneaux concentriques, chaque anneau représentant un niveau de la structure hiérarchique 31. On distingue, notamment un noyau associé au niveau et l — 1 anneaux concentriques 24 représentant chacun des autres niveaux Lk pour k compris entre 2 et l — 1 ayant hiérarchie inferieur au niveau L1. Dans ce graphique en rayons de soleil, un anneau a un diamètre d’autant plus grand qu’il représente un niveau hiérarchique bas.
[0190] Les classes Ckh d’un même niveau Lk peuvent être représentés comme des fractions de l’anneau correspondant et chaque fraction s’étend dans le secteur contenant les classes de niveau hiérarchique plus élevé avant un lien hiérarchique direct ou indirect. Deux classes ont un lien hiérarchique direct si une seule branche le connecte et un lien hiérarchique directe s’ elles sont connectées par au moins deux branches.
[0191] De préférence, une fraction représentant une classe s’étend autour du centre du disque selon arc de cercle dont l’angle d’ouverture est proportionnel au nombre de points dans la classe représentée par la fraction.
[0192] Figure 5 illustre un exemple d’un graphique en rayons de soleil, en anglais « sun burst », dans lequel les niveaux sont des anneaux concentriques 24 et d’autant plus proches de leur centre qu’ils représentent des classes agrégées, les classes Ckh d’un niveau Lk étant des fractions de l’anneau 24 correspondant à ce niveau Lk.
Dans ce dernier mode de réalisation préféré, le diamètre d’un anneau 24 est d’autant plus grand qu’il représente un niveau L2-5 éloigné du niveau de base Li. [0193] De préférence, pour tous les niveaux, les fractions d’un anneau d’un niveau hiérarchique inferieur (i.e., fille) représentant des classes filles d’une classe mère Ckh sont représentées dans un même secteur angulaire que la fraction représentant ladite classe mère Ckh dans l’anneau associé au niveau hiérarchique supérieur (i.e., mère). De cette manière, les fractions des classes filles recouvert extérieurement la fraction associée à la classe mère Ckh.
[0194] A titre d’exemple illustratif et non limitatif, lorsque les objets analysés sont des cellules, une classe mère peut correspondre à une population cellulaire de lymphocytes. Cette population de lymphocytes (classe mère) peut être subdivisées en différentes sous- populations cellulaires (correspondant à des classes filles de la classe mère), telles que par exemple une sous-population de lymphocytes T et une sous-population de lymphocytes B, ces deux types de sous-populations présentant des paramètres cytométriques secondaires qui diffèrent. Sur le graphique de sélection 20 en rayons de soleil, les différentes sous-populations cellulaires sont représentées par un anneau « filles » entourant l’anneau « mère ».
[0195] De plus, ces sous-populations de lymphocytes T et B peuvent à leur tour être subdivisées en sous-populations. Par exemple, au sein de la sous-population de lymphocytes T, l’analyse des paramètres cytométriques peut permettre de distinguer une sous-population de lymphocytes T CD4+ (lymphocyte T présentant la protéine CD4 à sa surface) et une sous-population de lymphocytes T CD8+ (lymphocyte T présentant la protéine CD8 à sa surface). Le graphique de sélection 20 peut présenter toute la structure hiérarchique 31 ou, de préférence, une partie seulement de la structure hiérarchique 31.
[0196] Le graphique de sélection 20 peut comprendre, en outre, un moyen de visualisation adapté pour mettre en évidence la ou les classe(s) sélectionnée(s) sur la représentation graphique. Le moyen de visualisation peut être par exemple configuré pour modifier la couleur, la forme ou la dimension de la représentation de la classe sur le graphique de sélection 20 (i.e., nœud 12 ou de la fraction).
[0197] Dans un mode de réalisation, le graphique de sélection 20 est en outre configuré pour fournir une représentation graphique dynamique des classes et de leurs agencements dans la structure hiérarchique. Cette représentation graphique dynamique peut être configurée pour afficher les classes de hiérarchie inférieure quand la classe qui les regroupe est sélectionnée sur le graphique de sélection 20.
[0198] Dans ce mode de réalisation, le graphique de sélection 20 présente par défaut les classes du niveau de base. De cette façon, quand l’opérateur clique sur la représentation d’une classe « mère » du niveau de base, l’interface présente une représentation des classes filles de ladite classe mère. De manière plus générale, quand l’opérateur clique sur la représentation d’une classe « mère » Ckh d’un niveau Lk quelconque présenté sur l’écran, l’ordinateur présente les classes filles de ladite classe mère Ckh.
[0199] Grace à ce mode de réalisation, l’opérateur peut ainsi « développer » toute classe Ckh qui est présentée par le graphique de sélection 20 et qui n’appartient pas au dernier niveau de la hiérarchie. Par « développer » une classe, on entend présenter les classes filles de cette classe. L’opérateur peut ainsi se focaliser sur des évènements cytométriques qui l’intéressent (voir figure 6), ce qui est particulièrement avantageux pour l’analyse.
[0200] De préférence, le graphique de sélection 20 ne présente que les classes du niveau de base, et les classes développées à partir des classes dudit niveau de base.
[0201] Réciproquement, grâce à ce mode de réalisation, l’opérateur peut compacter l’ensemble des classes filles d’une classe mère qui sont présentées par le graphique de sélection. Par compacter un ensemble des classes filles, on entend effacer de l’écran les représentations desdites classes filles. L’opérateur peut ainsi revenir à une représentation plus macroscopique des évènements cytométriques des classes filles (voir figure 6).
[0202] La figure 6 illustre, de gauche à droite, un exemple de développement de classes, et de droite à gauche, un exemple de compactage de classes selon l’invention. Dans cet exemple, la sélection des classes C2,j et C4,k des niveaux L2 et L4, respectivement permet d’accéder à leurs classes filles respectives, à savoir C3,ji,C3j2, Cs,ki et Cs,k2 des niveaux L3 et L5.
[0203] De la même manière, le développement des classes C3j2 et Cs,ki permet d’afficher à leurs classes filles C4,j3,C4j4, Cô,k3 et CÔ [0204] De manière semblable, en sélectionnant les classes C4j3 et Cô,k3, cela permet à l’opérateur d’accéder aux classes filles de celles-ci C5j5,C4,j6, C?,k5 et Cô,k6.
[0205] Avantageusement, l’opérateur peut ainsi facilement choisir les classes d’intérêt, dans différents niveaux de la structure hiérarchique.
[0206] Un graphique de sélection 20 développable classe par classe, et non pas niveau par niveau, permet avantageusement d’identifier une partie de la structure hiérarchique constituée des seules classes d’intérêt, choisies dans différents niveaux, ou sous-structure hiérarchique d’intérêt, sans avoir besoin d’afficher la même granularité sur d’autres classes qui ne comportent pas d’événements cytométriques pertinents pour le cas d’usage, comme illustré à la figure 6.
[0207] La représentation graphique des classes et de leurs relations respectives dans la structure hiérarchique 31 du graphique de sélection 20 est donc utilisée pour sélectionner les points des seules classes que l’opérateur souhaite visualiser dans le ou les graphiques de présentation 40. Quand une classe est sectionnée sur le graphique de sélection 20 tous ses points sont représentés sur chacun des graphiques de présentation 40.
[0208] Les graphiques de présentation 40 peuvent être représentés sous forme des graphiques à nuage de points. Un graphique à nuage de point en deux ou trois dimensions n’est qu’une projection des points du nuage sélectionnés sur un plan ou un espace 3D associé avec deux ou trois paramètres cytologiques choisis respectivement pour le plan ou l’espace 3D.
[0209] Le nombre de graphiques de présentation est de préférence supérieur à 1, à 2, à 3 et/ou inférieur à 200, à 100, à 50, à 30 ou à 10.
[0210] Les points d’une même classe peuvent tous être représentés de la même façon. Ces graphiques de présentation 40 comprennent donc, de préférence, des moyens de visualisation configurés pour distinguer les points appartenant à deux ou plusieurs classes sélectionnées (figure 7). Ces moyens de visualisation permettent de présenter les points d’une même classe de manière identique sur les différents graphiques de présentation et spécifique à ladite classe, ce qui permet à l’opérateur de les identifier directement. Par exemple, les points d’une même classe présentent une forme, une dimension et/ou une couleur spécifique à la classe.
[0211] Lorsque les points du nuage sont représentés différemment en fonction de leur classe d’appartenance, par exemple ont une couleur spécifique à la classe, la représentation associée à un niveau fait apparaître les classes sous la forme de groupes de points de différentes couleurs. La granulométrie est d’autant plus grossière que le niveau représenté est situé en haut dans la structure hiérarchique 31. Inversement, les classes appartenant aux niveaux situés en bas de la structure hiérarchique 31 donnent une représentation avec une granularité plus fine des populations et sous-populations présentes dans le données cytométriques 21. La sélection d’un niveau permet ainsi à l’opérateur de choisir l’échelle à laquelle il veut visualiser les évènements cytométriques.
[0212] Dans l’exemple illustré à la figure 7, les points d’une même classe présentent une même couleur spécifique à ladite classe.
[0213] Figure 8 montre un exemple d’affichage selon l’invention dans lequel le graphique de sélection 20 est un graphique en rayons de soleil et quatre graphiques de représentations 40 du type graphique en nuage de points sont représentés sur un même écran de l’interface opérateur.
[0214] Si l’opérateur souhaite zoomer sur une classe mère pour faire apparaître ses classes filles, les points doivent être représentés avec une apparence spécifique à la classe fille à laquelle ils appartiennent. Les moyens de visualisation sont donc configurés pour modifier l’apparence des points de la classe mère de sorte à que chaque groupe de points appartenant à une de ses classes filles ait la même apparence caractéristique de ladite classe (i.e., diffèrent de ou d’autres classes filles), lorsque l’opérateur sélectionne les classes filles sur le graphique de sélection 20.
[0215] La figure 9 montre un exemple de modification de l’affichage suite à l’interaction de l’opérateur avec le graphique de sélection 40. La colonne de gauche de cette figure montre une première configuration de l’affichage dans lequel la classe associée à la fraction de l’anneau 41 du graphique de sélection a été sélectionné par l’opérateur et les deux graphiques de présentation 20 montrent donc les points associés aux objets biologiques compris dans la classe sélectionnée. Dans cet exemple, les points sont affichés dans la même couleur que la fraction de l’anneau 41. La colonne de droite montre comment l’affichage a été modifié par l’opérateur qui a choisi de « zoomer » sur la classe mère associée à la fraction de l’anneau 41 pour visualiser les deux classes filles, représentées par les deux fractions de l’anneau 42 et 43. Cette action de zoomer en sélectionnant les deux fractions de l’anneau 42 et 43, permet en outre de modifier l’affichage des points associés aux deux classes filles de manière simultanée ou quasi- simultanée à la sélection des classes filles. L’affichage des points sur les graphiques de présentation 20 est modifié de sorte à pouvoir faire la distinction entre les points appartenant aux deux classes. Dans cet exemple, la couleur des points a été modifiée (noir et gris sur le graphique de présentation 20 de la colonne de droite). Grâce à cet affichage, l’opérateur obtient en même temps les informations sur les relations de communautés entre sous-types d’objets biologiques sélectionnés (i.e., lien hiérarchique entre la classe mère et les classes filles) et les informations spécifiques concernant leurs paramètres cytométriques.
[0216] De manière avantageuse, le procédé de l’invention permet à l’opérateur de sélectionner, dans au moins un graphique de présentation, la ou les classes d’intérêt dont il souhaite visualiser ou ne pas visualiser les points grâce à l’interaction avec le graphique de sélection. Avantageusement, il est ainsi notamment possible de ne pas afficher des points considérés comme non pertinents, par exemple du bruit constitué par des débris de cellules, de matrice, ou des cristaux par exemple. Pour conclure, le mode de présentation mis en œuvre par le procédé de la présente invention aide l'opérateur à effectuer la tâche technique d’évaluation de l’état du système duquel les données cytométriques 21 sont originaires (i.e., état de santé du patient) au moyen d'un processus d'interaction homme- machine.
[0217] La présente invention concerne en autres un dispositif 1 de traitement de données configuré pour mettre en œuvre les étapes du procédé décrit ci-dessus (figure 10).
[0218] Bien que le dispositif 1 actuellement décrit soient polyvalents et doté de plusieurs fonctions qui peuvent être exécutées alternativement ou de n'importe quelle manière cumulative, d'autres mises en œuvre dans le cadre de la présente divulgation comprennent des dispositifs n'ayant que des parties des fonctionnalités décrites dans la présente divulgation.
[0219] Le dispositif 1 est avantageusement un appareil, ou une partie physique d'un appareil, conçu, configuré et/ou adapté pour exécuter les fonctions mentionnées et produire les effets ou résultats mentionnés. Dans des mises en œuvre alternatives, le dispositif 1 est réalisé sous la forme d'un ensemble d'appareils ou de parties physiques d'appareils, qu'ils soient regroupés dans une même machine ou dans des machines différentes, éventuellement distantes. Le dispositif 1 peut par exemple avoir des fonctions distribuées sur une infrastructure en nuage (« cloud infrastructure ») et être disponibles pour les utilisateurs en tant que service en nuage (« cloud-based service »), ou avoir des fonctions distantes accessibles par le biais d'une API.
[0220] Dans les divulgations ce qui suivent, les modules doivent être compris comme des entités fonctionnelles plutôt que comme des composants matériels, physiquement distincts. Ils peuvent donc être matérialisés soit comme regroupés dans un même composant tangible et concret, soit répartis dans plusieurs de ces composants. De même, chacun de ces modules est éventuellement lui-même partagé entre au moins deux composants physiques. En outre, les modules sont mis en œuvre sous forme de matériel, de logiciel, de microprogramme ou sous toute forme mixte de ceux-ci.
[0221] Le dispositif 1 comprend un module 11 de réception des données cytométriques 21 ainsi que des hyperparamètres prédéfinis pour le procédé 22 (i.e., p, q et/ou seuil(s) de persistance prédéfini) stockés dans une ou plusieurs base(s) de données 10 locales ou distantes. Cette dernière peut prendre la forme de ressources de stockage disponibles à partir de tout type de moyens de stockage appropriés, qui peuvent être notamment une RAM ou une EEPROM (Electrically-Erasable Programmable Read-Only Memory) comme une mémoire Flash, éventuellement au sein d'un SSD (Solid-State Disk). En variante, les hyperparamètres 22 sont reçus par un réseau de communication.
[0222] Le dispositif 1 comprend optionnellement un module 12 de prétraitement des données cytométriques 21 configuré pour exécuter une ou plusieurs des opérations associées à l’étape 42 du procédé. [0223] Le dispositif 1 comprend en outre un module 13 de calcul de la structure hiérarchique 31 configuré pour exécuter une ou plusieurs des opérations associées aux étapes 43, 44, 45 et 46 du procédé.
[0224] Le dispositif 1 interagit avec une interface opérateur 14, par laquelle des informations peuvent être entrées et récupérées par un utilisateur. L'interface opérateur 14 comprend tout moyen approprié pour entrer ou récupérer des données, des informations ou des instructions, notamment des capacités visuelles, tactiles et/ou sonores pouvant englober un ou plusieurs des moyens suivants bien connus de l'homme du métier : un écran, un clavier, une boule de commande, une tablette tactile, un écran tactile, un haut-parleur, un système de reconnaissance vocale.
[0225] Le dispositif 1 peut en autre comprendre un module d’affichage 15 configuré pour exécuter l’étape d’affichage à l’aide de l’interface opérateur 14.
[0226] Un appareil particulier 9, visible sur la figure 11, met en œuvre le dispositif 1 décrit ci-dessus. Il correspond par exemple à une station de travail, à un ordinateur portable, à une tablette, à un smartphone, ou encore à un « head-mounted display » (HMD).
[0227] Cet appareil 9 est adapté à l’analyse d’un ensemble de données associées à une pluralité d’objets biologiques. Il comprend les éléments suivants, reliés les uns aux autres par un bus 95 d'adresses et de données qui transporte également un signal d'horloge (« clock signal ») :
- un microprocesseur 91 (ou CPU) ;
- une carte graphique 92 comprenant plusieurs unités de traitement graphique (ou GPU) 920 et une mémoire vive graphique (GRAM) 921 ;
- une mémoire non volatile de type ROM 96 ;
- une mémoire vive 97 ;
- un ou plusieurs dispositifs d'entrée/ sortie (E/S) 94 comme par exemple un clavier, une souris, une boule de commande, une webcam ; d'autres modes d'introduction de commandes comme par exemple la reconnaissance vocale sont également possibles ; - une source d'alimentation 98 ; et
- une unité de radiofréquence 99.
[0228] Selon une variante, l'alimentation électrique 98 est externe à l'appareil 9.
[0229] L'appareil 9 comprend également un dispositif d'affichage 93 de type écran d'affichage directement connecté à la carte graphique 92 pour afficher des images synthétisées calculées et composées dans la carte graphique. L'utilisation d'un bus dédié pour connecter le dispositif d'affichage 93 à la carte graphique 92 offre l'avantage de disposer de débits de transmission de données beaucoup plus importants et donc de réduire le temps de latence pour l'affichage des images composées par la carte graphique.
[0230] Selon une variante, un dispositif d'affichage est externe à l'appareil 9 et est relié à celui-ci par un câble ou sans fil pour transmettre les signaux d'affichage. L'appareil 9, par exemple au travers de la carte graphique 92, comprend une interface de transmission ou de connexion adaptée pour transmettre un signal d'affichage à un moyen d'affichage externe tel que par exemple un écran LCD ou plasma ou un vidéoprojecteur. A cet égard, l'unité radiofréquence 99 peut être utilisée pour des transmissions sans fil.
[0231] Il est à noter que le mot "registre" utilisé ci-après dans la description des mémoires 97 et 921 peut désigner dans chacune des mémoires mentionnées, une zone mémoire de faible capacité (quelques données binaires) ainsi qu'une zone mémoire de grande capacité (permettant de stocker tout un programme ou de calculer ou d'afficher tout ou partie des données représentatives des données). De même, les registres représentés pour la RAM 97 et la GRAM 921 peuvent être disposés et constitués de n'importe quelle manière, et chacun d'entre eux ne correspond pas nécessairement à des emplacements mémoire adjacents et peut être réparti autrement (ce qui couvre notamment le cas où un registre comprend plusieurs registres plus petits).
[0232] A la mise sous tension, le microprocesseur 91 charge et exécute les instructions du programme contenu dans la RAM 97. [0233] Comme le comprendra l'homme du métier, la présence de la carte graphique 92 n'est pas obligatoire, et peut être remplacée par un traitement complet par l'unité centrale et/ou des implémentations de visualisation plus simples.
[0234] En outre, le dispositif 1 peut être mis en œuvre différemment d'un logiciel autonome, et un appareil ou un ensemble d'appareils comprenant uniquement des parties de l'appareil 9 peut être exploité par le biais d'un appel API ou d'une interface cloud.
EXEMPLES
[0235] De nombreux algorithmes ont été testés dans Weber, L.M. and Robinson, M.D. (2016), Comparison of clustering methods for high-dimensional single-cell flow and mass cytometry data. Cytometry 2016, 89(12): 1084-1096 (doi: 10.1002/cyto.a.23030).
[0236] Un procédé selon l’invention fournit cependant un meilleur compromis entre fiabilité et acceptabilité que ces algorithmes.
[0237] En particulier, les inventeurs ont comparé, pour différents jeux de données (Levine32, Levinel3, SamusikOl, SamusikAll), la fiabilité obtenue avec différents algorithmes testés par Weber et celle obtenue avec un procédé selon l’invention.
[0238] La fiabilité a été mesurée par le F score, qui est une mesure classique de concordance entre les résultats d’un algorithme et la ‘vérité’ terrain.
[0239] Le tableau 1 suivant résume les F scores obtenus. [0240] Ce tableau montre qu’un procédé selon l’invention offre une fiabilité comparable à celle des meilleurs algorithmes de l’art antérieur.
[0241] Cependant, il permet d’obtenir non seulement une segmentation fiable, mais aussi des résultats acceptables par tout spécialiste de l’analyse cytométrique, notamment car :
- ces résultats sont particulièrement robustes, c'est-à-dire reproductibles ;
- ces résultats ne résultent pas de la mise en œuvre d’un algorithme fondé sur de l’intelligence artificielle, dont les conclusions sont difficiles à expliquer, mais se fondent sur des densités, ce qui permet d’expliquer de manière objective les regroupements des évènements cytométriques dans les classes ;
- ces résultats ne nécessitent pas un paramétrage initial subjectif du procédé ;
- ces résultats peuvent être organisés d’une manière bien adaptée à la cytométrie, à savoir sous une forme hiérarchique, alors que les cellules sont elles-mêmes classiquement classées de manière hiérarchique.
[0242] Un procédé selon l’invention est ainsi considéré comme présentant le meilleur compromis entre fiabilité et acceptabilité (résultant notamment d’une excellente interprétabilité) par un spécialiste de l’analyse cytométrique.
[0243] Comme cela apparaît clairement, l'invention fournit une solution pour analyser des données cytométriques qui :
- fournit une segmentation pertinente,
- est facilement interprétable, vérifiable et acceptable par tout spécialiste de l’analyse cytométrique ; permet une navigation très souple parmi les évènements cytométriques ;
- permet une sélection rapide des représentations des évènements cytométriques.
[0244] L’analyse du liquide biologique offre ainsi un compromis amélioré entre fiabilité, efficacité et acceptabilité.

Claims

53
REVENDICATIONS Procédé mis en œuvre par ordinateur pour l’analyse d’un ensemble de données (21) associées à une pluralité d’objets biologiques choisis parmi des cellules, vésicules d’origine cellulaire, microorganismes acellulaires et/ou matériaux biofonctionnalisés ; ledit ensemble de données (21) comprenant N évènements cytométriques, chacun associé à un objet biologique, chaque évènement cytométrique étant défini par au moins deux paramètres cytométriques mesurés pour l’objet biologique correspondant de sorte à ce que l’ensemble de données (21) soit représenté par un nuage ( ) de N points dans un espace en D dimensions ; le procédé comprenant : déterminer (43), pour chaque point (Xj) dudit nuage ( ), une densité (w(Xj)) inversement proportionnelle à la somme des distances, élevées à une puissance D, entre ledit point (x^) et un ensemble de points voisins (t (Xj)) constitué des p points dudit nuage (X) les plus proches dudit point considéré segmenter (44) ledit nuage de points (X) en segments modaux (M7), chaque segment modal (Mj) comprenant un point modal (m7), présentant localement une densité maximale, et les points du nuage appartenant au bassin d’attraction dudit point modal (m7) ; les points du bassin d’attraction étant identifiés récursivement sur la base de leur densité (w(Xj)) vis-à-vis des densités de leurs q plus proches points voisins ; pour chaque segment modal (M7), déterminer (45) une persistance (/?), ladite persistance (/3) étant :
• de valeur infini si aucun segment modal (Mt) adjacent au segment modal Mj) possède un point de densité supérieure à la densité de son point modal (m7) ; deux ou plusieurs segments modaux étant adjacents s’ils partagent un même col de densité supérieure à zéro ; sinon
• représentative de la profondeur d’un col de densité entre le segment modal Mj et ledit au moins un segment modal adjacent (Mt) 54 en partant d’un segment modal (Mj) : a) déterminer lequel, parmi celui considéré (Mj) et son(es) segment(s) modal (aux) adjacent(s) (Mt), celui qui correspond au bassin d’attraction le plus haut de sorte à identifier un lien hiérarchique entre le segment modal considéré (Mj) et son(es) segment(s) modal(aux) adjacent(s) (Mt) b) fusionner le segment modal considéré (Mj) et la(es) segment(s) modal(aux) avec le(s)quel(s) le segment modal considéré (Mj) a une persistance inférieure ou égale à un seuil de persistance prédéfini définir un segment modal père ayant un bassin d’attraction plus haut et ayant comme point modal le point présentant la densité maximale parmi les points des segments modaux fusionnés ; c) répéter itérativement les opérations a) et b) en partant à chaque nouvelle itération du segment modal père ; de sorte à déterminer(46) une structure hiérarchique (31) définie sur la base de la persistance, ladite structure hiérarchique (31) comprenant plusieurs niveaux (Lk), chaque niveau (Lk) définissant une segmentation du nuage ( ) en une pluralité de classes (Ckk), chaque classe (Ckk) comportant tous les points d’un ou de plusieurs segments modaux (Mj) et étant représentative d’un groupe de la pluralité d’objets biologiques ; fournir en sortie au moins la structure hiérarchique (31) représentative des différentes classes d’objets biologiques et leurs relations mutuelles. Procédé selon la revendication précédente, dans lequel la segmentation du nuage de points ( ) en segments modaux (Mj), comprend pour chaque point (Xj), en procédant depuis le point ayant la densité la plus élevée jusqu’au point ayant la densité la plus faible : comparer la densité dudit point (x^) avec celle de ses q plus proches points voisins 55 si la densité du point considéré (Xj) est supérieure à la densité de tous ses q plus proches points voisins ( (Xj)), définir un segment modal (Mj) comprenant le point considéré (x^), sinon inclure ledit point considéré (x^) dans un segment modal comprenant le point ayant la densité plus élevée parmi ses q plus proches points voisins (Vq(Xj)).
3. Procédé selon l’une quelconque des revendications 1 ou 2, dans lequel, en présence d’un ou plusieurs segments modaux adjacents (Mt) au segment modal Mj), déterminer la persistance (fi) comme une différence entre la densité du point modal et la plus grande densité parmi les densités des points du nuage dans le col de densité entre le segment model (Mj) et ledit au moins un segment modal adjacent (Mt).
4. Procédé selon l’une quelconque des revendications 1 à 3, dans lequel l’étape de fournir en sortie au moins la structure hiérarchique (31) comprend en outre l’affichage : au moins un graphique de sélection (20), ledit graphique de sélection (20) étant une représentation graphique des classes et de leurs relations respectives dans la structure hiérarchique (31), ledit graphique de sélection (20) étant adapté pour sélectionner au moins une classe (Ckh) en désignant la classe correspondante sur ladite représentation graphique ; au moins un graphique de présentation (40) bi-dimensionnel ou tridimensionnel, chaque axe étant associé à un paramètre cytométrique respectif, ledit au moins un graphique de présentation (40) étant configuré pour afficher les points du nuage ( ) appartenant à ladite au moins une classe (Ckh) sélectionnée grâce au graphique de sélection (20).
5. Procédé selon la revendication 4, dans lequel la représentation graphique est présentée sous la forme de :
- un dendrogramme dont chaque nœud (12) représente une classe, les nœuds (12) étant alignés en strates représentant chacune le niveau (Lk) d’appartenance des classes (Ckh) représentées par lesdits nœuds (12) de la 56 strate, et dont les branches (14) représentent des liens hiérarchiques entre les classes (Ckh) des niveaux différents ; ou
- un graphique en rayons de soleil (20) comportant des anneaux concentriques (24) représentant chacun un niveau (Lk), un anneau ayant un diamètre d’autant plus grand qu’il représente un niveau hiérarchique bas, les classes (Ckh) d’un niveau étant des fractions de l’anneau correspondant à ce niveau (Lk).
6. Procédé selon l’une quelconque des revendications 4 ou 5, dans lequel le graphique de sélection (20) comprend, en outre, un moyen de visualisation configuré pour mettre en évidence ladite au moins une classe (Ckh) sélectionnée sur le graphique de présentation (40).
7. Procédé selon l’une quelconque des revendications 4 à 6, dans lequel le graphique de présentation (40) est un graphique à nuage de points comprenant des moyens de visualisation configurés pour distinguer les points appartenant à deux ou plusieurs classes (Ckh) sélectionnées.
8. Procédé selon l’une quelconque des revendications 4 à 7, selon lequel ledit au moins un graphique de sélection (20) est une représentation graphique dynamique des classes et de leurs agencements dans la structure hiérarchique (31), ladite représentation graphique dynamique étant configurée pour afficher les classes de hiérarchie inférieure quand la classe qui les regroupe est sélectionnée.
9. Procédé selon l’une quelconque des revendications 1 à 8, dans lequel les objets biologiques sont :
- des cellules d’origine animale, végétale, fongique, protiste, bactérienne ou archaeb actéri enne,
- des vésicules d’origine cellulaire choisies parmi des exosomes, des ectosomes, des microvésicules, des microparticules, des prostasomes, des oncosomes, des vésicules matricielles/de calcification ou des corps apoptotiques,
- des microorganismes acellulaires choisis parmi des virus, des viroïdes et des prions, et/ou - des matériaux biofonctionnalisés comprenant un matériau d’origine synthétique ou biologique choisi parmi une nanoparticule (telle qu'une nanobille, une nanosphère ou un nanocapsule), une microparticule (telle qu'une microbille, une microsphère ou une microcapsule), une vésicule lipidique (telle qu’une vésicule unilamellaire, une vésicule multilamellaire, un lipoplexe, un polyplexe, un lipopolyplexe un liposome, un niosome, un cochléate, un virosome, un complexe immunostimulant (ISCOM®)), ledit matériau d’origine synthétique ou biologique étant couplé à, ou recouvert de, un ou plusieurs peptide(s), protéine(s), anticorps, fragment(s) d’anticorps, récepteur(s), cytokine(s), chimiokine(s), toxine(s), oligonucléotide(s), molécule(s) colorée(s) ou fluorescente(s), groupement(s) amine, carboxyle ou hydroxyle, molécule(s) bioactive(s) (telle(s) qu’une molécule immunomodulatrice, une petite molécule chimique, un peptido-mimétique, un médicament), molécule(s) de biotine, avidine ou streptavidine, ou une combinaison de ceux-ci.
10. Procédé selon l’une quelconque des revendications 1 à 9, dans lequel les paramètres cytométriques sont choisis parmi la taille des objets biologiques, leur densité, leur granularité, leur morphologie, leur forme, leur indice de réfraction, la composition de leur membrane, leur contenu moléculaire, leur teneur en une molécule, et/ou le niveau d’expression d’une molécule.
11. Procédé selon la revendication 10, dans lequel l’un des paramètres cytométriques mesurés est le niveau d’expression d’une ou de plusieurs protéine(s), récepteur(s), marqueur(s), et/ou le niveau d’expression d’un ou de plusieurs acide(s) nucléique(s) tels que des ADN ou des ARN.
12. Procédé selon l’une quelconque des revendications 1 à 11, dans lequel les données cytométriques 21 sont obtenues par cytométrie en flux (ou FACS pour « fluorescence activated cell sorting »), par tri cellulaire activé par PCR (ou PACS pour « PCR-activated cell sorting »), par « microsphere affinity proteomics » (MAP), par spectrométrie de masse, par chromatographie, par CYTOF, par cytométrie spectrale, par cytométrie de masse, par cytométrie d'image, par expression génique sur puces (microarray), par séquençage (par exemple scDNA- seq ou scRNA-seq), par hybridation in situ, et/ou par microscopie. Produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre la méthode selon l’une quelconque des revendications 1 à 12. Dispositif de traitement de données comprenant des moyens de mettre en œuvre le procédé selon l’une quelconque des revendications 1 à 12.
EP22822132.1A 2021-11-25 2022-11-25 Procede d'analyse cytometrique Pending EP4437513A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP21306640 2021-11-25
PCT/EP2022/083349 WO2023094625A1 (fr) 2021-11-25 2022-11-25 Procede d'analyse cytometrique

Publications (1)

Publication Number Publication Date
EP4437513A1 true EP4437513A1 (fr) 2024-10-02

Family

ID=79024147

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22822132.1A Pending EP4437513A1 (fr) 2021-11-25 2022-11-25 Procede d'analyse cytometrique

Country Status (5)

Country Link
US (1) US20250014674A1 (fr)
EP (1) EP4437513A1 (fr)
JP (1) JP2024543173A (fr)
CN (1) CN118871956A (fr)
WO (1) WO2023094625A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4645321A1 (fr) 2024-05-03 2025-11-05 Metafora Biosystems Procédé de regroupement, visualisation et interprétation de données de cellule unique

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170371886A1 (en) * 2016-06-22 2017-12-28 Agency For Science, Technology And Research Methods for identifying clusters in a dataset, methods of analyzing cytometry data with the aid of a computer and methods of detecting cell sub-populations in a plurality of cells

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10289802B2 (en) * 2010-12-27 2019-05-14 The Board Of Trustees Of The Leland Stanford Junior University Spanning-tree progression analysis of density-normalized events (SPADE)
EP3516391B1 (fr) * 2016-09-19 2025-06-04 HematoLogics, Inc. Système, procédé et article pour détecter des cellules anormales à l'aide d'une analyse multidimensionnelle
ES2867860T3 (es) * 2016-12-23 2021-10-21 Cytognos S L Método de clasificación de información digital

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170371886A1 (en) * 2016-06-22 2017-12-28 Agency For Science, Technology And Research Methods for identifying clusters in a dataset, methods of analyzing cytometry data with the aid of a computer and methods of detecting cell sub-populations in a plurality of cells

Also Published As

Publication number Publication date
US20250014674A1 (en) 2025-01-09
CN118871956A (zh) 2024-10-29
JP2024543173A (ja) 2024-11-19
WO2023094625A1 (fr) 2023-06-01

Similar Documents

Publication Publication Date Title
US11756286B2 (en) Systems and methods for identifying morphological patterns in tissue samplers
US11164082B2 (en) Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
US10360499B2 (en) Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
Huang et al. From quantitative microscopy to automated image understanding
Sun et al. Deep learning‐based single‐cell optical image studies
JP5602717B2 (ja) 高密度細胞集団の自動セグメンテーション方法およびシステム
Watson et al. Computational methods for single-cell imaging and omics data integration
US12586391B2 (en) Systems and methods for deconvolving cell types in histology slide images, using super-resolution spatial transcriptomics data
Colin et al. Quantitative 3D-imaging for cell biology and ecology of environmental microbial eukaryotes
Milosevic Different approaches to Imaging Mass Cytometry data analysis
WO2019173233A1 (fr) Procédés d'utilisation d'analyse de réseaux neuronaux artificiels sur des données de cytométrie en flux pour le diagnostic du cancer
Kiewisz et al. Accurate and fast segmentation of filaments and membranes in micrographs and tomograms with TARDIS
EP4657395A1 (fr) Procédé de segmentation 3d d'un échantillon
CN110140176A (zh) 用于检测最优候选化合物的计算机装置及其方法
KR20210117796A (ko) 3차원 굴절률 영상과 인공지능을 이용한 세포의 세부 분류 구분 방법 및 장치
Xu et al. Template-free detection of macromolecular complexes in cryo electron tomograms
Song et al. VONet: A deep learning network for 3D reconstruction of organoid structures with a minimal number of confocal images
EP4437513A1 (fr) Procede d'analyse cytometrique
Derwae et al. Spatiochemical characterization of the pancreas using mass spectrometry imaging and topological data analysis
Niederlein et al. Image analysis in high content screening
Vasan et al. Applications and challenges of machine learning to enable realistic cellular simulations
WO2025096951A1 (fr) Classificateur tissulaire de l'inflammation des allogreffes
Prabhakaran et al. Addressing persistent challenges in digital image analysis of cancerous tissues
Durkee et al. Pseudo-spectral angle mapping for automated pixel-level analysis of highly multiplexed tissue image data
Fishman et al. Segmenting nuclei in brightfield images with neural networks

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240625

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20251125