Method Article

Markierungsfreie Identifikation von Lymphozyten-Subtypen mit dreidimensionale Quantitative Phase Bildgebung und maschinelles lernen

DOI:

10.3791/58305

⸱

November 19th, 2018

 ,  ,  ,  ,  ,  ,  , 
1Department of Physics, University of Cambridge, 2Department of Physics, Korea Advanced Institute of Science and Technology, 3KAIST Institute for Health Science and Technology, Korea Advanced Institute of Science and Technology, 4Tomocube, Inc., 5Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology, 6Department of Biological Sciences, Korea Advanced Institute of Science and Technology, 7Department of Applied Physics, Stanford University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir beschreiben ein Protokoll für die markierungsfreie Identifizierung von Lymphozyten-Subtypen mit quantitativen Phase Bildgebung und ein maschinelles lernen-Algorithmus. Messungen der 3D Brechungsindex Schichtbilder von Lymphozyten präsentieren 3D morphologische und biochemische Informationen für einzelne Zellen, die dann mit einem Computerlernen Algorithmus zur Identifizierung von Zelltypen analysiert wird.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir beschreiben hier ein Protokoll für die markierungsfreie Identifizierung von Lymphozyten-Subtypen mit quantitativen Phase Bildverarbeitung und maschinelles lernen. Identifizierung von Lymphozyten-Subtypen ist wichtig für das Studium der Immunologie sowie Diagnostik und Behandlung von verschiedenen Krankheiten. Standard-Methoden zur Klassifizierung von Lymphozyten Arten setzen derzeit, auf Kennzeichnung bestimmte Membranproteine über Antigen-Antikörper-Reaktionen. Diese Kennzeichnung Techniken tragen jedoch die möglichen Risiken der Zellfunktionen zu verändern. Das hier beschriebene Protokoll überwindet diese Herausforderungen durch die Ausnutzung der intrinsischen optische Kontraste durch 3D quantitativen Phase Bildgebung und eine Maschine Lernalgorithmus gemessen. Messung der 3D Brechungsindex (RI) Schichtbilder von Lymphozyten liefert quantitative Informationen über 3D Morphologie und Phänotypen der einzelnen Zellen. Die biophysikalischen Parameter aus der gemessenen 3D RI Schichtbilder extrahiert werden dann mit einem Algorithmus für maschinelles lernen, die markierungsfreie Identifizierung der Lymphozyten-Typen auf eine einzelne Zelle Ebene ermöglichen quantitativ analysiert. Wir messen die 3D RI Schichtbilder von B, T CD4 + und CD8 + T-Lymphozyten und identifiziert ihre Zelltypen mit über 80 % Genauigkeit. In diesem Protokoll beschreiben wir die einzelnen Schritte zum Lymphozyten isoliert, 3D quantitativen Phase Bildverarbeitung und maschinelles Lernen zur Ermittlung Lymphozyten Typen.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lymphozyten lassen sich einteilen in verschiedene Subtypen einschließlich B, Helfer (CD4 +) T, zytotoxische (CD8 +) T und regulatorischen T Zellen. Jeder Lymphozyten-Typ hat eine andere Rolle in der adaptiven Immunsystems; zum Beispiel produzieren B-Lymphozyten Antikörper, wobei T-Lymphozyten spezifische Antigene erkennen, Beseitigung von abnormen Zellen und B-Lymphozyten zu regulieren. Lymphozyten Funktion und Regulation ist fest geregelt und im Zusammenhang mit verschiedenen Krankheiten einschließlich Krebs1, Autoimmunerkrankungen2und Virusinfektionen3. So ist die Identifizierung von Lymphozyten Arten wichtig zu verstehen, ihre pathophysiologischen Rollen in solchen Krankheiten und für die Immuntherapie in Kliniken.

Setzen derzeit, Methoden zur Klassifizierung von Lymphozyten Arten auf Antigen-Antikörper-Reaktionen durch gezielte, spezifische Oberfläche Membranproteine oder Oberflächenmarker4. Targeting Oberflächenmarker ist eine exakte und genaue Methode, Lymphozyten Arten zu bestimmen. Es erfordert jedoch teure Reagenzien und zeitaufwändigen Verfahren. Darüber hinaus trägt es Risiken für die Änderung der Membran-Protein-Strukturen und die Veränderung des zellulären Funktionen.

Um diese Herausforderungen zu bewältigen, stellt das hier beschriebene Protokoll die markierungsfreie Identifizierung von Lymphozyten Typen mit 3D quantitativen Phase imaging (QPI) und Machine learning-5. Diese Methode ermöglicht die Klassifizierung der Lymphozyten-Typen auf eine einzellige Ebene basierend auf morphologische Informationen aus markierungsfreie 3D-Bildgebung einzelne Lymphozyten. Im Gegensatz zu herkömmlichen Fluoreszenz-Mikroskopie-Techniken nutzt QPI Brechungsindex (RI) Verteilungen (intrinsische optischen Eigenschaften von lebenden Zellen und Geweben) als optischer Kontrast6,7. Der RI Schichtbilder der einzelnen Lymphozyten darstellen phänotypischen spezifische Informationen für Subtypen von Lymphozyten. In diesem Fall um 3D RI Schichtbilder der einzelnen Lymphozyten systemisch nutzen zu können, wurde ein Algorithmus für betreute maschinelles Lernen genutzt.

Mit verschiedenen QPI-Techniken, die 3D RI Schichtbilder der Zellen aktiv werden seit der Studie der Zelle Pathophysiologie weil sie markierungsfreie, liefern quantitative imaging-Funktion8,9,10, 11,12,13. Darüber hinaus können die 3D RI Verteilungen der einzelnen Zellen morphologische, biochemische und biomechanische über Zellen informieren. 3D RI Schichtbilder wurden früher genutzt, in den Bereichen Hämatologie14,15,16,17, Infektionskrankheiten18,19, 20, Immunologie21, Zelle Biologie22,23, Entzündung24, Krebs25, Neurowissenschaften26,27, Entwicklungsbiologie28, Toxikologie 29und Mikrobiologie12,30,31,32.

Obwohl 3D RI Schichtbilder morphologische und biochemische Zellen ausführlich beschrieben, ist die Klassifizierung der Lymphozyten Subtypen schwer zu erreichen durch einfach bildgebende 3D RI Schichtbilder5. Um systematisch und quantitativ die gemessenen 3D RI Schichtbilder zur Zelle Art Klassifikation auszunutzen, haben wir einen Algorithmus für maschinelles Lernen verwendet. Vor kurzem wurden mehrere Werke beschrieben in welchem quantitativen, die Phase Aufnahmen von Zellen analysiert wurden mit verschiedenen Machine learning Algorithmen33, einschließlich den Nachweis von Mikroorganismen34, Klassifikation der bakteriellen Gattung35 , 36, schnellen und markierungsfreie Nachweis von Anthrax-Sporen-37, automatisierte Analyse von Samenzellen38, Analyse von Krebs Zellen39,40und Erkennung von Makrophagen Aktivierung41.

Dieses Protokoll enthält detaillierte Schritte zum markierungsfreie Identifizierung der Lymphozyten-Typen auf die einzelne Zellenebene mit 3D QPI und maschinelles Lernen führen. Dazu gehören: (1) Lymphozyten isoliert von Maus Blut, 2) Lymphozyten sortieren über Flow Cytometry, 3) 3D QPI 4) quantitative Merkmalsextraktion aus 3D RI Schnittbildern und (5) überwachten Lernen zur Ermittlung Lymphozyten Typen.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tierbetreuung und experimentelle Verfahren wurden unter Zustimmung des institutionellen Tier Pflege und Nutzung Ausschuss KAIST (KA2010-21, KA2014-01 und KA2015-03) durchgeführt. Alle Versuche in dieser Studie wurden gemäß den genehmigten Richtlinien durchgeführt.

(1) Lymphozyten Isolation aus Maus Blut

  1. Sobald eine Maus C57BL/6J durch CO2 Einatmen eingeschläfert, 26 G Nadel ins Herz Maus und 0,3 mL Blut zu sammeln. Direkt ins Blut ein Rohr mit 100 U/mL Heparin-Lösung mit 1 mL der Phosphat-gepufferte Kochsalzlösung (PBS) verdünnt.
    Hinweis: Alternativ können Lymphozyten aus der Milz isoliert werden.
  2. Zentrifugieren Sie das Rohr auf 400 X g für 5 min bei 4 ° C.
  3. Das Rohr 0,5 mL Ammonium-Chlorid-Kalium Lysiereinrichtung Puffer hinzu und invertieren Sie es sanft ein paar Mal um die Lösung zu mischen.
  4. Inkubieren Sie das Rohr bei Raumtemperatur (RT) für 5 min.
  5. Waschen Sie die Zellen durch Hinzufügen von 4,5 mL PBS und Zentrifugieren bei 400 X g für 5 min bei 4 ° C, zweimal.
  6. Entfernen Sie den Überstand und Aufschwemmen der Zelle Pellet in 100 µL frisches RPMI-1640 Medium mit 10 % fetalen bovine Serum (FBS).
  7. Das Rohr für die Sperrung 0,1 µg des Antikörpers CD16/32 (2.4G2) hinzufügen.
  8. Halten Sie das Rohr auf dem Eis.

(2) flow Cytometry und Sortierung der Lymphozyten-Subtypen

Hinweis: Sortierung Lymphozyten je nach Zelltyp ist wesentlich für den Aufbau der Boden-Wahrheit (d. h. richtige) Zelle geben Sie Beschriftungen zu trainieren und testen Sie eine Zelle Art Klassifizierung im überwachten lernen. Durchflusszytometrie, eine Gold-Standard-Methode wird verwendet, um zu identifizieren und Lymphozyten42zu trennen.

  1. Machen Sie eine Mischung von Surface Marker Färbung Antikörper in 100 µL frisches RPMI-1640 Medium [mit 10 % FBS, 0,1 µg des CD3e (17A2), CD8a (53-6,7), CD19 (1D 3), CD45R (B220, RA3-6B2) und NK1.1 (PK136)] und 0,25 µg CD4 (GK1.5) Antikörper zu Ziel B, T CD4 + und CD8 + T Lymphozyten.
  2. Die Zellsuspension (erhältlich im Schritt 1,8) fügen Sie 100 µL der Antikörper-Mischung hinzu.
  3. Inkubieren Sie für 25 min auf Eis.
  4. Waschen Sie die Zellen durch Hinzufügen von 5 mL PBS und Zentrifugieren bei 400 X g für 5 min bei 4 ° C, zweimal.
  5. Aufschwemmen der Zelle Pellet in 5 mL frisches RPMI-1640 Medium mit 10 % FBS und 2,5 µg DAPI (4', 6-Diamidino-2-Phenylindole).
  6. Sammeln Sie jede Art von Lymphozyten abgesondert mit Durchflusszytometrie mit der Fluoreszenz-Ebenen der oben beschriebenen Marker. Gleichzeitig ausschließen abgestorbene Zellen mit DAPI-Signale.
    Hinweis: Ausführliche Protokolle über Flow Cytometry-basierte Zellsortierung gewesen zuvor beschriebenen42.

3. 3D quantitativen Phase Imaging

  1. Halten Sie die sortierten Lymphozyten auf Eis in den bildgebenden Verfahren, die innerhalb von 5 h (seit Lymphozyten isoliert von der Maus) abgeschlossen sein soll, Zellschäden und biochemischen Veränderungen zu vermeiden.
  2. Wählen Sie einen sortierte Zelltyp (unter B, T CD4 + und CD8 + T-Lymphozyten) und verdünnen der Probe (in Schritt 2,6), 180 Zellen/µL mit RPMI Medium für optimale Bildgebung Zustand (d. h. eine Zelle pro Feld Einzelansicht).
  3. Laden Sie 120 μL der verdünnten Probe in einer bildgebenden Kammer durch langsame Injektion. Überprüfen Sie gründlich auf das Vorhandensein von Luftblasen in der bildgebenden Kammer mit der Probe. Treten Bläschen auf, entfernen Sie diese sorgfältig, wie sie die Qualität der Messungen beeinträchtigen werden.
  4. 3D RI Schichtbilder mit einem kommerziellen 3D quantitativen Phase Mikroskop, oder Holotomography und imaging-Software zu erwerben.
    Hinweis: Detaillierte Informationen über den Versuchsaufbau finden Sie in der ursprünglichen Manuskript-5.
    1. Geben Sie einen Tropfen destilliertes Wasser auf das Objektiv des Mikroskops.
    2. Legen Sie die bildgebende Kammer mit der Probe auf der Bühne der Übersetzung des Mikroskops und einstellen Sie seiner Lage so, dass die Probe mit der Objektivlinse richtet.
    3. Anpassen der axialen Positionen der Objektive und Kondensator Linsen, indem er Fokus und Oberfläche, bzw. im Register "Kalibrierung" der "Mikroskop" Perspektive der imaging-Software.
    4. Richten Sie die Ziel und Kondensator-Objektive durch Klicken auf Auto-Modus. Alternativ verwenden Sie den Scan-Modus und passen Sie die Objektive manuell an, damit die Beleuchtung Muster im zentralen Bereich des Sehfeldes lokalisiert sind.
    5. Zurück in den Normalmodus und passen Sie die Verschiebetisch um eine Zelle in das Blickfeld zu finden.
    6. Finden Sie die Brennebene durch die axiale Position des Objektivs einstellen. Perfekte Fokussierung macht die Probe-Grenze auf dem Bildschirm visualisiert fast unsichtbar.
    7. Passen Sie die Übersetzung-Bühne, um einen Standort ohne eine Zelle zu finden.
    8. Klicken Sie auf kalibrieren um mehrere 2D Hologramme mit unterschiedlicher Beleuchtung Winkel zu messen.
    9. Passen Sie die Verschiebetisch um eine Zelle in der Mitte des Sehfeldes zu finden.
    10. Bewegen Sie zur Registerkarte "Erwerb" und klicken Sie auf 3D Snapshot um die Hologramme der Zelle mit der identischen Beleuchtung Winkel zu messen, wie in Schritt 3.4.8 getan.
    11. Wenn die erfassten Daten im Feld "Data Management" präsentiert werden, mit der rechten Maustaste auf die erfassten Daten und klicken Sie auf Prozess um ein 3D RI-Tomogramm aus der Hologramme, gemessen in den Schritten 3.4.8 und 3.4.10, die Beugung Tomographie Algorithmus zu rekonstruieren 9 , 10 in der imaging-Software implementiert.
    12. Wiederholen Sie die Schritte 3.4.5-3.4.11 zur Messung von mehr als 100 Zellen um statistische Aussagekraft für maschinelles Lernen zu gewährleisten.
    13. Alle Bilder, die durch den Schritt 3.4.11 verarbeitet werden. können visualisiert werden. Im Bereich "Data Management" mit der rechten Maustaste der das und klicken Sie auf öffnen, um die Daten zu visualisieren. Bereich "Datenmanager" RI-Tomogramm anklicken. Klicken Sie auf der Registerkarte "Voreinstellungen" auf Laden und doppelklicken Sie auf "lymphocyte.xml", die eine vordefinierte Übertragungsfunktion der imaging Software Tomogramm nach 3D RI Distributionen zu visualisieren ist.
  5. Wiederholen Sie die Schritte 3.2-3.4, 3D RI Schichtbilder alle Lymphozyten Subtypen zu messen.

4. quantitative morphologische und biochemische Merkmalsextraktion aus 3D RI Schichtbilder

  1. Legen Sie die tomographischen Daten in einem einzigen Ordner oben gemessen. Die Zelltypen in die Unterordner dieses Ordners aufgeteilt. Bereiten Sie jedes Tomogramm eine einzelne .mat Datei sein.
  2. Ergänzende Datei 1 - Feature Extraction (geschrieben für ein Bildbearbeitungsprogramm) öffnen.
  3. Bearbeiten Sie die Zeile 14, vorbereitet im Schritt 4.1 Tomogramm-Ordner zu benennen.
  4. Bearbeiten Sie Zeile 15, einen Ordner zum Speichern der extrahierten Feature-Daten zu benennen.
  5. Optional, bearbeiten Sie Zeile 17 RI Schwelle für Merkmalsextraktion Anpassung. Die Standardoption ist 20 RI Schwellenwerte von 1.340-1.378, mit einem Inkrement von 0,002 wie zuvor beschrieben5.
  6. Führen Sie den Code. Der Code berechnet für jeden Tomogramm im Dataset, fünf Funktionen: Oberflächen-Bereich (SA), zelluläre Volumen (CV), Sphärizität (SI), Protein-Dichte (PD) und Trockenmasse (DM), pro RI Schwelle. Die detaillierte Algorithmen zur Merkmalsextraktion werden an anderer Stelle beschrieben5.
  7. Um die Merkmalsextraktion zu überwachen, während der Ausführung überprüfen Sie auf dem Bildschirm RI Schwelle-basierte Zelle Segmentierung zu visualisieren.
  8. Aktivieren Sie den extrahierten Objektdaten als .mat Datei pro Tomogramm, in dem in Schritt 4.4 benannten Ordner gespeichert.

(5) betreutes Lernen und Identifikation

  1. Nach dem Zufallsprinzip aufgeteilt die Objektdaten in Schritt 4.8 Training (70 %) und Prüfung (30 %)-Sets mit separaten Ordnern erhalten.
  2. Offenen ergänzende Datei 2 - Zug (geschrieben für ein Bildbearbeitungsprogramm).
  3. Bearbeiten Sie die Zeile 14, benennen, die die Ausbildung gesetzt, die im Schritt 5.1 vorbereitet.
  4. Bearbeiten Sie Zeile 16, einen Ordner zum Speichern der ausgebildeten Sichter zu benennen.
  5. Bearbeiten Sie Zeile 17, einen Dateinamen für die Klassifizierung festlegen.
  6. Optional, bearbeiten Sie Zeile 19, die Funktionen für die Ausbildung wählen. Die Standardoption wurde wie zuvor angegeben5, verwendet, um die nachstehenden repräsentative Ergebnisse zu erhalten.
  7. Führen Sie den Code. Mit Hilfe der ausgewählten Funktionen die Ausbildung gesetzt, der Code bildet eine Klassifizierung mit dem k-nächster Nachbar-Algorithmus (k -NN; k = 4) und speichert dann die Klassifizierung (wie in Schritt 5.5 genannt) in den Ordner in Schritt 5.4 bezeichnet.
  8. Überprüfen Sie auf dem Bildschirm visualisiert die Sichter-Leistung und die Genauigkeit der Kreuzvalidierung.
  9. Optional, Zug mehrere Klassifikatoren mit verschiedenen Merkmalskombinationen durch Wiederholen der Schritte 5.5-5.7. Wählen Sie dann die Klassifizierung mit der höchsten Genauigkeit der Kreuzvalidierung.
  10. Öffnen Sie ergänzende Datei 3 - Test (geschrieben für ein Bildbearbeitungsprogramm).
  11. Bearbeiten Sie die Zeilen 14-15, benennen die trainierten Klassifikator getestet werden.
  12. Bearbeiten Sie Zeile 17, benennen, die das Test-Set im Schritt 5.1 vorbereitet.
  13. Führen Sie den Code. Der Sichter, die oben beschriebenen identifiziert die Zelltypen der einzelnen Lymphozyten in den Test.
  14. Überprüfen Sie auf dem Bildschirm die Identifikation-Leistung und die Prüfgenauigkeit visualisieren.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Abbildung 1 zeigt schematisch das gesamte Protokoll. Bei der hier vorgestellten Verfahren wir isolierte B (n = 149), CD4 + T (n = 95), und CD8 + T (n = 112) Lymphozyten. Um Phase und Amplitude Informationen in verschiedenen Winkeln der Beleuchtung zu erhalten, wurden mehrere 2D Hologramme von einzelnen Lymphozyten gemessen durch Veränderung des Winkels der Beleuchtung (von-60 ° bis 60 ° c). In der Regel 50 Hologramme können verwendet werden, um eine 3D RI...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir präsentieren Ihnen eine Protokoll, die die markierungsfreie Identifizierung von Lymphozyten-Typen, die Nutzung von 3D quantitativen Phase Bildverarbeitung und maschinelles Lernen ermöglicht. Wichtige Schritte dieses Protokolls sind quantitative Phase Bildgebung und Feature-Auswahl. Für die optimale holographische Bildgebung sollte die Dichte der Zellen kontrolliert werden, wie oben beschrieben. Mechanische Stabilität der Zellen ist auch wichtig, eine genaue 3D RI-Verteilung zu erhalten, weil frei verschiebbar oder Sc...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Prof. Y. Park, Y.-Jo, Y. S. Kim und S. Lee haben finanzielle Interessen in Tomocube, Inc., ein Unternehmen, das vertreibt optische Beugung Tomographie und quantitativen Phase imaging Instrumente und ist einer der Sponsoren des Werkes.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wurde von der KAIST BK21 + Programm, Tomocube, Inc., und der National Research Foundation of Korea (2015R1A3A2066550, 2017M3C1A3013923, 2018 K 000396) unterstützt. Y. Jo erkennt Unterstützung seitens der KAIST Presidential Fellowship und Asan Stiftung biomedizinische Wissenschaft Stipendium.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MausDaehan BiolinkC57BL/6J Mäuse Geschlecht und Alter, 6 & 8 Wochen
Falcon konisches ZentrifugenröhrchenThermoFisher Scientific14-959-53A15 mL
Phosphatgepufferte KochsalzlösungSigma-Aldrich806544-500ML
Ammoniumchlorid-Kalium-Lysing-PufferThermoFisher ScientificA1049201
RPMI-1640 MediumSigma-AldrichR8758
Fötales RinderserumThermoFisher Scientific10438018
AntikörperBD Biosciences553140 (RRID:AB_394655)CD16/32 (Klon 2.4G2)
AntikörperBD Biosciences555275 (RRID:AB_395699)CD3ε (Klon 17A2)
AntikörperBiolegnd100734 (RRID:AB_2075238)CD8α (Klon 53-6.7)
AntikörperBD Biosciences557655 (RRID:AB_396770)CD19 (Klon 1D3)
AntikörperBD Biosciences557683 (RRID:AB_396793)CD45R/B220 (Klon RA3-6B2)
AntikörperBD Biosciences552878 (RRID:AB_394507)NK1.1 (Klon PK136)
AntikörpereBioscience11-0041-85 (RRID:AB_464893)CD4 (Klon GK1.5)
DAPI Roche102362760014,6-Diamidino-2-phenylindol
Durchflusszytometrie BD BiosciencesAria II oder III 
BildgebungskammerTomocube, Inc.TomoDish
HolotomographieTomocube, Inc.HT-1H
Holotomographie-BildgebungssoftwareTomocube, Inc.TomoStudio
Image-SoftwareMathWorksMatlab R2017b

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Alizadeh, A. A., et al. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature. 403 (6769), 503(2000).
  2. Von Boehmer, H., Melchers, F. Checkpoints in lymphocyte development and autoimmune disease. Nature Immunology. 11 (1), 14(2010).
  3. Sáez-Cirión, A., et al. HIV controllers exhibit potent CD8 T cell capacity to suppress HIV infection ex vivo and peculiar cytotoxic T lymphocyte activation phenotype. Proceedings of the National Academy of Sciences. 104 (16), 6776-6781 (2007).
  4. Fischer, K., et al. Isolation and characterization of human antigen-specific TCRαβ+ CD4-CD8-double-negative regulatory T cells. Blood. 105 (7), 2828-2835 (2005).
  5. Yoon, J., et al. Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning. Scientific Reports. 7 (1), 6654(2017).
  6. Popescu, G. Quantitative phase imaging of cells and tissues. , McGraw Hill Professional. (2011).
  7. Lee, K., et al. Quantitative phase imaging techniques for the study of cell pathophysiology: from principles to applications. Sensors. 13 (4), 4170-4191 (2013).
  8. Kim, D., et al. Refractive index as an intrinsic imaging contrast for 3-D label-free live cell imaging. bioRxiv. , 106328(2017).
  9. Kim, K., et al. Optical diffraction tomography techniques for the study of cell pathophysiology. Journal of Biomedical Photonics & Engineering. 2 (2), (2016).
  10. Wolf, E. Three-dimensional structure determination of semi-transparent objects from holographic data. Optics Communications. 1 (4), 153-156 (1969).
  11. Kus, A., Dudek, M., Kemper, B., Kujawinska, M., Vollmer, A. Tomographic phase microscopy of living three-dimensional cell cultures. Journal of Biomedical Optics. 19 (4), 046009(2014).
  12. Kim, T., et al. White-light diffraction tomography of unlabelled live cells. Nature Photonics. 8 (3), 256(2014).
  13. Simon, B., et al. Tomographic diffractive microscopy with isotropic resolution. Optica. 4 (4), 460-463 (2017).
  14. Kim, Y., et al. Profiling individual human red blood cells using common-path diffraction optical tomography. Scientific Reports. 4, (2014).
  15. Park, H., et al. Measuring cell surface area and deformability of individual human red blood cells over blood storage using quantitative phase imaging. Scientific Reports. 6, (2016).
  16. Lee, S., et al. Refractive index tomograms and dynamic membrane fluctuations of red blood cells from patients with diabetes mellitus. Scientific Reports. 7, (2017).
  17. Merola, F., et al. Tomographic flow cytometry by digital holography. Light-Science & Applications. 6, (2017).
  18. Park, Y., et al. Refractive index maps and membrane dynamics of human red blood cells parasitized by Plasmodium falciparum. Proceedings of the National Academy of Sciences. 105, 13730-13735 (2008).
  19. Park, H., et al. Characterizations of individual mouse red blood cells parasitized by Babesia microti using 3-D holographic microscopy. Scientific Reports. 5, 10827(2015).
  20. Chandramohanadas, R., et al. Biophysics of malarial parasite exit from infected erythrocytes. Public Library of Science ONE. 6 (6), 20869(2011).
  21. Yoon, J., et al. Label-free characterization of white blood cells by measuring 3D refractive index maps. Biomedical Optics Express. 6 (10), 3865-3875 (2015).
  22. Kim, K., et al. Three-dimensional label-free imaging and quantification of lipid droplets in live hepatocytes. Scientific Reports. 6, 36815(2016).
  23. Kim, D., et al. Label-free high-resolution 3-D imaging of gold nanoparticles inside live cells using optical diffraction tomography. Methods. , (2017).
  24. Lenz, P., et al. Multimodal Quantitative Phase Imaging with Digital Holographic Microscopy Accurately Assesses Intestinal Inflammation and Epithelial Wound Healing. Journal of Visualized Experiments. (115), (2016).
  25. Huang, J., Guo, P., Moses, M. A. A Time-lapse, Label-free, Quantitative Phase Imaging Study of Dormant and Active Human Cancer Cells. Journal of Visualized Experiments. (132), (2018).
  26. Yang, S. A., Yoon, J., Kim, K., Park, Y. Measurements of morphological and biochemical alterations in individual neuron cells associated with early neurotoxic effects in Parkinson's disease. Cytometry Part A. 91 (5), 510-518 (2017).
  27. Cotte, Y., et al. Marker-free phase nanoscopy. Nature Photonics. 7 (2), 113-117 (2013).
  28. Nguyen, T. H., Kandel, M. E., Rubessa, M., Wheeler, M. B., Popescu, G. Gradient light interference microscopy for 3D imaging of unlabeled specimens. Nature Communications. 8 (1), 210(2017).
  29. Kwon, S., et al. Mitochondria-targeting indolizino [3, 2-c] quinolines as novel class of photosensitizers for photodynamic anticancer activity. European Journal of Medicinal Chemistry. 148, 116-127 (2018).
  30. Bennet, M., Gur, D., Yoon, J., Park, Y., Faivre, D. A Bacteria-Based Remotely Tunable Photonic Device. Advanced Optical Materials. , (2016).
  31. Kim, T. I., et al. Antibacterial Activities of Graphene Oxide-Molybdenum Disulfide Nanocomposite Films. ACS Applied Materials & Interfaces. 9 (9), 7908-7917 (2017).
  32. Bedrossian, M., Barr, C., Lindensmith, C. A., Nealson, K., Nadeau, J. L. Quantifying Microorganisms at Low Concentrations Using Digital Holographic Microscopy (DHM). Journal of Visualized Experiments. (129), (2017).
  33. Jo, Y., et al. Quantitative Phase Imaging and Artificial Intelligence: A Review. arXiv preprint. , arXiv:1806.03982 (2018).
  34. Javidi, B., Moon, I., Yeom, S., Carapezza, E. Three-dimensional imaging and recognition of microorganism using single-exposure on-line (SEOL) digital holography. Optics Express. 13 (12), 4492-4506 (2005).
  35. Jo, Y., et al. Label-free identification of individual bacteria using Fourier transform light scattering. Optics Express. 23 (12), 15792-15805 (2015).
  36. Jo, Y., et al. Angle-resolved light scattering of individual rod-shaped bacteria based on Fourier transform light scattering. Scientific Reports. 4, 5090(2014).
  37. Jo, Y., et al. Holographic deep learning for rapid optical screening of anthrax spores. Science Advances. 3 (8), 1700606(2017).
  38. Mirsky, S. K., Barnea, I., Levi, M., Greenspan, H., Shaked, N. T. Automated analysis of individual sperm cells using stain-free interferometric phase microscopy and machine learning. Cytometry Part A. 91 (9), 893-900 (2017).
  39. Roitshtain, D., et al. Quantitative phase microscopy spatial signatures of cancer cells. Cytometry Part A. 91 (5), 482-493 (2017).
  40. Lam, V. K., Nguyen, T. C., Chung, B. M., Nehmetallah, G., Raub, C. B. Quantitative assessment of cancer cell morphology and motility using telecentric digital holographic microscopy and machine learning. Cytometry Part A. , (2017).
  41. Pavillon, N., Hobro, A. J., Akira, S., Smith, N. I. Noninvasive detection of macrophage activation with single-cell resolution through machine learning. Proceedings of the National Academy of Sciences. , (2018).
  42. Basu, S., Campbell, H. M., Dittel, B. N., Ray, A. Purification of Specific Cell Population by Fluorescence Activated Cell Sorting (FACS). Journal of Visualized Experiments. (41), e1546(2010).
  43. Takeda, M., Ina, H., Kobayashi, S. Fourier-transform method of fringe-pattern analysis for computer-based topography and interferometry. Journal of the Optical Society of America. 72 (1), 156-160 (1982).
  44. Debnath, S. K., Park, Y. Real-time quantitative phase imaging with a spatial phase-shifting algorithm. Optics Letters. 36 (23), 4677-4679 (2011).
  45. Kim, K., et al. High-resolution three-dimensional imaging of red blood cells parasitized by Plasmodium falciparum and in situ hemozoin crystals using optical diffraction tomography. Journal of Biomedical Optics. 19 (1), 011005(2013).
  46. Vercruysse, D., et al. Three-part differential of unlabeled leukocytes with a compact lens-free imaging flow cytometer. Lab on a Chip. 15 (4), 1123-1132 (2015).
  47. Kim, K., et al. Correlative three-dimensional fluorescence and refractive index tomography: bridging the gap between molecular specificity and quantitative bioimaging. Biomedical Optics Express. 8 (12), 5688-5697 (2017).
  48. Shin, S., Kim, D., Kim, K., Park, Y. Super-resolution three-dimensional fluorescence and optical diffraction tomography of live cells using structured illumination generated by a digital micromirror device. arXiv preprint. , arXiv:1801.00854 (2018).
  49. Chowdhury, S., Eldridge, W. J., Wax, A., Izatt, J. A. Structured illumination multimodal 3D-resolved quantitative phase and fluorescence sub-diffraction microscopy. Biomedical Optics Express. 8 (5), 2496-2518 (2017).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Lymphocyte SubtypesQuantitative Phase ImagingMachine Learning3D Refractive IndexLabel Free IdentificationLymphocyte IsolationFeature ExtractionK Nearest NeighborSingle Cell AnalysisCell Classification

Related Articles