使用HyperFinder算法、FlowJo™ 软件和 BD FACSDiva™ 软件进行计算机分选
对新细胞群进行设门
使用tSNE、UMAP、CITRUS和CellCNN等机器学习工具分析流式细胞仪数据时，可能会发现具有独特表面标记模式的新细胞类型。然而，如果没有设门策略，则难以对新细胞群进行分选从而进行进一步探索，因为现有的细胞分选仪需要通过一系列的一维或二维设门进行分选。
原则上，这个问题可以通过一个解决方案解决：创建出所有可能的设门策略，然后确定一个最能捕获目标细胞群的策略。设门策略的拟合优度可以通过产量（最后一个设门中采集的目标细胞百分比）和纯度（属于目标细胞群最后一个设门中的目标细胞百分比）进行量化。出于简化目的，这些指标可以合并为一个F值：产量和纯度的调和平均数。因此，具有最高F值的设门策略即为目标细胞群的正确设门策略。
找到正确的设门策略
以往提出了GateFinder 和 Hypergate之类的算法，以帮助解决找到正确的设门策略，这些算法无需一一筛选大量可能的设门策略。然而，这两种方法都有其局限性。通过分析所有双轴图、围绕目标细胞群圈出一个凸形设门并从一系列凸形设门中迭代创建一系列候选设门，GateFinder会从该系列候选设门中选择正确的设门，但它仅对低维数据集有效。相比之下，Hypergate在目标细胞群周围拟合一个多维框（超矩形）并为搜索算法创建一组矩形门，当矩形门未捕获到实际案例时，这种算法通常以失败告终。上述两种方法均需R编程语言知识，降低了其使用便利性，并且导出的设门输出格式无法轻易被 FACS 软件读取，例如BD FACSDiva™ 软件。
HyperFinder操作流程
HyperFinder 结合了GateFinder 和 Hypergate的核心原理，对设门策略进行优化。HyperFinder需要输入标记为阳性和阴性的细胞，尝试找到一种设门策略捕获最多的阳性细胞（产量最大化），同时尽可能去除阴性细胞（纯度最大化）。为平衡这两个参数，HyperFinder使用Fβ值（产量和纯度的加权调和平均数），其中的β参数可使用户选择更好的设门策略。
HyperFinder用作一种FlowJo™软件插件，界面简单，无需任何专业编程语言知识。使用FlowJo™（v10.6）软件或更高版本，用户可以将HyperFinder生成的设门直接导出到BD FACSDiva™ 软件工作表中，以便在BD FACSAria™ 细胞分选仪或BD FACSymphony™ S6细胞分选仪上实现完整的聚类分析-分选工作流程。
所有FlowJo™软件插件均可从flowjo.com/exchange/#/下载。
在此，我们提供了一份白皮书，其中讨论了HyperFinder使用BD FACSDiva™ 软件在三个测试案例中的细胞分选情况。
