Les principaux workflows avec lesquels commencer sont :
- le pipeline de Nowicka et al. du labo de Mark Robinson.
- l’abécédaire de BioSurf pour le data scientist (R pipeline). Voir aussi le précieux abécédaire pour le cytométriste.
Le laboratoire de Mark Robinson développe d’excellent packages et workflows:
- CATALYST (Cytometry dATa anALYSis Tools) permet le Preprocessing et la Differential discovery.
- diffcyt (Differential discovery in high-dimensional cytometry via high-resolution clustering) proposes un workflow pour analyser les abondances différentielles (DA) et les états différentiels (DS, expression médiane des marqueurs d’état cellulaire par échantillon).
- censcyt (Differential abundance analysis with a right censored covariate in high-dimensional cytometry) aborde le défi de l’analyse de données censurées.
Le labo d’Yvan Saeys propose le package FlowSOM développé par Sofie Van Gassen. FlowSOM offre des options de visualisation pour les données de cytométrie, en utilisant le clustering Self-Organizing Map et les Minimal Spanning Trees.
Le labo de Jonathan Irish propose des méthodes bassées sur les cartes tSNE ou UMAP, T-REX (Tracking Responders Expanding) and RAPID (Risk Assessment Population and Identification). MEM (Marker Enrichment Modeling) permet de faciliter l’annotation des clusters.
Nicolas Tchitchek a développé un pipeline exploratoire et statistique SPADEViZR. Initialement basé sur les résultats de SPADE, les fonctions peuvent être utilisées avec le résultat d’autres algorithmes pour effectuer des graphiques intéressants. Il a aussi développé CytoCompare qui compare le phenotype de clusters dans le but de déterminer les différences.
Pier Frederico Gherardini a développé la méthode Scaffold. Il a refondu Scaffold en 3 étapes et il présente un workflow intégral pour analyser des données de cytométrie de masse. Le package grappolo effectue le clustering des cellules. Le package vite effectue une visualisation non supervisée. Le package panorama permet d’explorer les cartes/graphes.