Methods and Software for Digital Spatial Proteomic Profiling data
(2022) KIMM05 20222Department of Immunotechnology
- Abstract
- Technical development often precedes scientific breakthrough but can also pose new challenges to the scientific community. This is the case for Digital Spatial Profiling (DSP), where recent breakthroughs allow for collecting multi-plex spatial proteomic/transcriptomic data from tissue and it is prophesied a promising future in cancer research. A challenge, however, is handling its output data with few available guidelines. This study revolves around a dataset containing 636 ovarian cancer (OC) samples, collected using GeoMx DSP from Nanostring. By evaluation of normalization procedures, existing methods for statistical analysis and the extraction of additional spatial information by image analysis, we attempt to shed some light on current... (More)
- Technical development often precedes scientific breakthrough but can also pose new challenges to the scientific community. This is the case for Digital Spatial Profiling (DSP), where recent breakthroughs allow for collecting multi-plex spatial proteomic/transcriptomic data from tissue and it is prophesied a promising future in cancer research. A challenge, however, is handling its output data with few available guidelines. This study revolves around a dataset containing 636 ovarian cancer (OC) samples, collected using GeoMx DSP from Nanostring. By evaluation of normalization procedures, existing methods for statistical analysis and the extraction of additional spatial information by image analysis, we attempt to shed some light on current and future methods for analysis of digital spatial proteomic profiling (DSPP) data. We are highlighting possible improvements in current normalization procedure for DSPP data as well as concluding that regression based on linear mixed effects, cox mixed effect and Kaplan Meier analysis perform well for analysing DSPP data. Four interactive applications facilitating DSPP data analysis were developed, available at https://github.com/eeliascarlsson/apps geomx. Further, by using an image analysis workflow, spatial information from the samples was extracted and integrated it into the dataset, something we believe to have a great future potential for developing spatial signatures for tumor stratification (Less)
- Popular Abstract (Swedish)
- Utveckling av metoder och interaktiva webbapplikationer för analys av spatiell cancerdata.
Immunterapi är en nyare behandlingsform som bygger på att kroppens egna immunförsvar tar sig an cancercellerna. Den är effektiv och leder i regel till färre biverkningar än klassiska behandlingar, såsom kemoterapi eller strålning. Tyvärr svarar inte alla cancertyper på Immunterapi. Äggstockscancer är ett exempel där behandlingen varit mindre framgångsrikt. Detta tros delvis bero på en stor variation i struktur och molekylär miljö bland äggstockstumörer. Genom att kartlägga vilka immunceller som finns i olika tumörer och hur de påverkar cancern, kan vi få en bättre förståelse för vilken typ av behandling som kommer fungera bäst för olika... (More) - Utveckling av metoder och interaktiva webbapplikationer för analys av spatiell cancerdata.
Immunterapi är en nyare behandlingsform som bygger på att kroppens egna immunförsvar tar sig an cancercellerna. Den är effektiv och leder i regel till färre biverkningar än klassiska behandlingar, såsom kemoterapi eller strålning. Tyvärr svarar inte alla cancertyper på Immunterapi. Äggstockscancer är ett exempel där behandlingen varit mindre framgångsrikt. Detta tros delvis bero på en stor variation i struktur och molekylär miljö bland äggstockstumörer. Genom att kartlägga vilka immunceller som finns i olika tumörer och hur de påverkar cancern, kan vi få en bättre förståelse för vilken typ av behandling som kommer fungera bäst för olika patientgrupper.
Som ett steg i den riktningen samlades ett stort dataset in från äggstockstumörer på Institutionen för immunteknologi på Lunds Universitet. Datasetet samlades in med en ny och lovande teknologi, kallad Digital Spatial Profiling. Men för att vi ska kunna dra pålitliga slutsatser från datasetet krävs det att det behandlas på ett korrekt sätt. Eftersom tekniken är så pass ny finns det få riktlinjer för sådan hantering. Detta examensarbete fokuserade därför på att undersöka olika metoder för att hantera denna typ av data.
En slutsats från arbetet är att denna typ av data ofta kan normaliseras på ett bättre sätt en vad som görs idag, vilket hade lett till säkrare slutsatser. Att normalisera är att skala data på ett sätt som gör att man kan jämföra data från olika typer av prover. Därefter vill man på ett statistiskt riktigt sätt kunna analysera datan, exempelvis jämföra vilka molekyler och celler som finns i olika grupper av patienter eller i olika regioner av en tumör. Slutligen vill man förstå vilka av de här cellerna och molekylerna som har störst påverkan på cancerutvecklingen, för att (i slutändan) kunna föreslå behandlingar som är bättre anpassade för varje patient.
En utmaning med stora dataset är att man kan vända och vrida på det i all oändlighet och varje gång ser vi vårt dataset ur en ny vinkel. För att underlätta analysen av datasetet utvecklade jag fyra applikationer. Väl installerade kan användare utforska cancerdata interaktivt utan att skriva en rad kod. Tack vare detta arbete kan det gå betydligt lättare att förstå den här typen av komplex data, och snabbare ta fram resultat som i förlängningen kommer gagna enskilda patienter. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9102323
- author
- Carlsson, Elias LU
- supervisor
- organization
- course
- KIMM05 20222
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Data analysis, bioinformatic, image analysis, immunotechnology, ovarian cancer
- language
- English
- id
- 9102323
- date added to LUP
- 2022-10-26 16:01:47
- date last changed
- 2022-10-26 16:01:47
@misc{9102323,
abstract = {{Technical development often precedes scientific breakthrough but can also pose new challenges to the scientific community. This is the case for Digital Spatial Profiling (DSP), where recent breakthroughs allow for collecting multi-plex spatial proteomic/transcriptomic data from tissue and it is prophesied a promising future in cancer research. A challenge, however, is handling its output data with few available guidelines. This study revolves around a dataset containing 636 ovarian cancer (OC) samples, collected using GeoMx DSP from Nanostring. By evaluation of normalization procedures, existing methods for statistical analysis and the extraction of additional spatial information by image analysis, we attempt to shed some light on current and future methods for analysis of digital spatial proteomic profiling (DSPP) data. We are highlighting possible improvements in current normalization procedure for DSPP data as well as concluding that regression based on linear mixed effects, cox mixed effect and Kaplan Meier analysis perform well for analysing DSPP data. Four interactive applications facilitating DSPP data analysis were developed, available at https://github.com/eeliascarlsson/apps geomx. Further, by using an image analysis workflow, spatial information from the samples was extracted and integrated it into the dataset, something we believe to have a great future potential for developing spatial signatures for tumor stratification}},
author = {{Carlsson, Elias}},
language = {{eng}},
note = {{Student Paper}},
title = {{Methods and Software for Digital Spatial Proteomic Profiling data}},
year = {{2022}},
}