Abstract Advances in single cell analysis, especially cytometric approaches, have profoundly innovated immunological research. This has resulted in an expansion of high dimensional data, posing great challenges for comprehensive and unbiased analysis. Conventional manual analysis thus becomes untenable, while most computational methods lack flexibility and interoperability, hampering usability. Here, for the first time, we adapted Seurat, a single cell RNA sequencing (scRNA-seq) analysis package, for end-to-end flow cytometric data analysis. We showcased its robust analytical capacity by analyzing the adult blood and cord blood T cell profiles, which was validated by Spectre, another cytometric data analysis package, and manual analysis. Importantly, a unique CD8 + CD45RA + CD27 + CD161 + T cell subset, was identified in cord blood and characterized using flow cytometry and scRNA-seq analysis from a published dataset. Collectively, Seurat possesses great potential for cytometric data analysis. It facilitates thorough interpretations of high dimensional data using a single pipeline, implementing data-driven investigation in clinical immunology.

Summary Multiple sclerosis (MS) is a common central nervous system (CNS) autoimmune disease, and diets and nutrients are emerging as critical contributing factors. However, a comprehensive understanding of their impacts and the underlying mechanisms involved is lacking. Harnessing state-of-the-art nutritional geometry analytical methods, we first revealed that globally, increased carbohydrate supply was associated with increased MS disease burden, while fat supply had an opposite effect. Furthermore, in a preclinical MS mouse model, experimental autoimmune encephalomyelitis (EAE), we found that an isocaloric diet high in carbohydrate aggravated EAE, while a diet enriched in fat was fully protective. This was reflected by reduced neuroinflammation and skewing towards anti-inflammatory phenotypes, which involved transcriptomic, epigenetic and immunometabolic changes. We showcased that manipulating diets is a potentially efficient and cost-effective approach to prevent and/or ameliorate EAE. This exhibits translational potentials for intervention/prevention of MS and possibly other autoimmune diseases.

Abstract Advances in single‐cell level analytical techniques, especially cytometric approaches, have led to profound innovation in biomedical research, particularly in the field of clinical immunology. This has resulted in an expansion of high‐dimensional data, posing great challenges for comprehensive and unbiased analysis. Conventional manual analysis is thus becoming untenable to handle these challenges. Furthermore, most newly developed computational methods lack flexibility and interoperability, hampering their accessibility and usability. Here, we adapted Seurat, an R package originally developed for single‐cell RNA sequencing (scRNA‐seq) analysis, for high‐dimensional flow cytometric data analysis. Based on a 20‐marker antibody panel and analyses of T‐cell profiles in both adult blood and cord blood (CB), we showcased the robust capacity of Seurat in flow cytometric data analysis, which was further validated by Spectre, another high‐dimensional cytometric data analysis package, and conventional manual analysis. Importantly, we identified a unique CD8 + T‐cell population defined as CD8 + CD45RA + CD27 + CD161 + T cell that was predominantly present in CB. We characterised its IFN‐γ‐producing and potential cytotoxic properties using flow cytometry experiments and scRNA‐seq analysis from a published dataset. Collectively, we identified a unique human CB CD8 + CD45RA + CD27 + CD161 + T‐cell subset and demonstrated that Seurat, a widely used package for scRNA‐seq analysis, possesses great potential to be repurposed for cytometric data analysis. This facilitates an unbiased and thorough interpretation of complicated high‐dimensional data using a single analytical pipeline and opens a novel avenue for data‐driven investigation in clinical immunology.