Automatisation du test du micronoyau à l’aide de la cytométrie en flux d’imagerie et de l’intelligence artificielle

Résumé

Le test du micronoyau (MN) est un test bien établi pour quantifier les dommages à l’ADN. Cependant, la notation du test à l’aide de techniques conventionnelles telles que la microscopie manuelle ou l’analyse d’images basée sur des caractéristiques est laborieuse et difficile. Cet article décrit la méthodologie pour développer un modèle d’intelligence artificielle pour noter le test MN à l’aide de données de cytométrie de flux d’imagerie.

Résumé

Le test du micronoyau (MN) est utilisé dans le monde entier par les organismes de réglementation pour évaluer la toxicité génétique des produits chimiques. Le test peut être effectué de deux manières: en marquant MN dans des cellules binucléées une fois divisées, bloquées par cytocinèse ou des cellules mononucléées entièrement divisées. Historiquement, la microscopie optique a été la méthode de référence pour noter le test, mais elle est laborieuse et subjective. La cytométrie en flux a été utilisée ces dernières années pour évaluer le test, mais elle est limitée par l’incapacité de confirmer visuellement les aspects clés de l’imagerie cellulaire. La cytométrie de flux d’imagerie (IFC) combine la capture d’images à haut débit et l’analyse automatisée des images, et a été appliquée avec succès pour acquérir rapidement des images et marquer tous les événements clés du test MN. Récemment, il a été démontré que les méthodes d’intelligence artificielle (IA) basées sur des réseaux neuronaux convolutifs peuvent être utilisées pour évaluer les données de test MN acquises par IFC. Ce document décrit toutes les étapes d’utilisation d’un logiciel d’IA pour créer un modèle d’apprentissage en profondeur afin de noter tous les événements clés et d’appliquer ce modèle pour noter automatiquement des données supplémentaires. Les résultats du modèle d’apprentissage profond de l’IA se comparent bien à la microscopie manuelle, permettant ainsi une notation entièrement automatisée du test MN en combinant IFC et IA.

Introduction

Le test du micronoyau (MN) est fondamental en toxicologie génétique pour évaluer les dommages à l’ADN dans le développement de cosmétiques, de produits pharmaceutiques et de produits chimiques à usage humain 1,2,3,4. Les micronoyaux sont formés à partir de chromosomes entiers ou de fragments de chromosomes qui ne s’incorporent pas dans le noyau après la division et se condensent en petits corps circulaires séparés du noyau. Ainsi, MN peut être utilisé comme critère d’évaluation pour quantifier les dommages à l’ADN dans les essais de génotoxicité¹.

La méthode préférée pour quantifier la MN est dans les cellules binucléées (BNC) une fois divisées en bloquant la division à l’aide de la cytochalasine-B (Cyt-B). Dans cette version du test, la cytotoxicité est également évaluée en marquant les cellules mononucléées (MONO) et polynucléées (POLY). Le test peut également être effectué en marquant MN dans les cellules MONO non bloquées, ce qui est plus rapide et plus facile à noter, la cytotoxicité étant évaluée à l’aide du nombre de cellules pré- et post-exposition pour évaluer la prolifération ^5,6.

La notation physique du test a toujours été effectuée par microscopie manuelle, car cela permet une confirmation visuelle de tous les événements clés. Cependant, la microscopie manuelle est difficile et subjective¹. Ainsi, des techniques automatisées ont été développées, y compris le balayage de lames de microscope et la cytométrie en flux, chacune avec ses propres avantages et limites. Alors que les méthodes de balayage des lames permettent de visualiser les événements clés, les lames doivent être créées à une densité cellulaire optimale, ce qui peut être difficile à réaliser. De plus, cette technique manque souvent de visualisation cytoplasmique, ce qui peut compromettre la notation des cellules MONO et POLY ^7,8. Bien que la cytométrie en flux offre une capture de données à haut débit, les cellules doivent être lysées, ce qui ne permet pas l’utilisation de la forme Cyt-B du test. De plus, en tant que technique non d’imagerie, la cytométrie en flux conventionnelle ne permet pas de valider visuellement les événements clés ^9,10.

Par conséquent, la cytométrie de flux d’imagerie (IFC) a été étudiée pour effectuer le test MN. L’ImageStream^X Mk II combine la vitesse et la robustesse statistique de la cytométrie en flux conventionnelle avec les capacités d’imagerie haute résolution de la microscopie dans un seul système¹¹. Il a été démontré qu’en utilisant IFC, l’imagerie haute résolution de tous les événements clés peut être capturée et notée automatiquement à l’aide de techniques basées sur les caractéristiques 12,13 ou d’intelligence artificielle (IA) ^14,15. En utilisant IFC pour effectuer le test MN, la notation automatique de beaucoup plus de cellules par rapport à la microscopie dans un laps de temps plus court est réalisable.

Ce travail s’écarte d’un flux de travail d’analyse d’images^{décrit précédemment 16} et traite de toutes les étapes nécessaires pour développer et entraîner un modèle de forêt aléatoire (RF) et / ou de réseau neuronal convolutif (CNN) à l’aide du logiciel Amnis AI (ci-après dénommé « logiciel d’IA »). Toutes les étapes nécessaires sont décrites, y compris le remplissage des données de réalité sur le terrain à l’aide d’outils de marquage assistés par l’IA, l’interprétation des résultats de formation du modèle et l’application du modèle pour classer des données supplémentaires, permettant de calculer la génotoxicité et la cytotoxicité¹⁵.

Protocole

1. Acquisition de données par cytométrie de flux d’imagerie

REMARQUE : Se reporter à Rodrigues et ^al.16 avec les modifications suivantes, en notant que les régions d’acquisition utilisant IFC peuvent devoir être modifiées pour une capture d’image optimale :

1. Pour la méthode non-Cyt-B, effectuer une numération cellulaire à l’aide d’un compteur de cellules disponible dans le commerce en suivant les instructions du fabricant (voir le tableau des matériaux) sur chaque culture immédiatement avant la culture et immédiatement après la période de récupération.
2. Si vous exécutez des échantillons sur un cytomètre en flux d’imagerie à caméra unique, placez le Brightfield (BF) dans le canal 4. Remplacez M01 par M04 et M07 par M01.
   REMARQUE: « M » fait référence au canal de la caméra sur l’IFC.
3. Utilisez le grossissement 40x lors de l’acquisition.
4. Sur le diagramme du rapport d’aspect BF par rapport au format BF lors de l’acquisition, utilisez les coordonnées régionales suivantes :
   Coordonnées X: 100 et 900; Coordonnées Y: 0,7 et 1 (méthode Cyt-B)
   Coordonnées X: 100 et 600; Coordonnées Y: 0.7 et 1
5. Sur le diagramme d’intensité de Hoechst, utilisez les coordonnées régionales suivantes :
   Coordonnées X: 55 et 75; Coordonnées Y: 9.5 et 15 (méthode Cyt-B)
   Coordonnées X: 55 et 75; Coordonnées Y: 13 et 21 (méthode non-Cyt-B)
6. Pour supprimer des images d’objets apoptotiques et nécrotiques des données, lancez le progiciel IDEAS 6.3 (ci-après dénommé « logiciel d’analyse d’images » ; voir Tableau des matériaux).
   REMARQUE: Le logiciel AI a été conçu pour fonctionner avec les fichiers .daf qui ont été traités à l’aide de la dernière version du logiciel d’analyse d’image. Assurez-vous que le logiciel d’analyse d’images est à jour.
7. Enregistrez ce travail en tant que fichier de modèle (.ast).

2. Création de fichiers .daf pour tous les fichiers .rif

1. Le logiciel d’IA permet uniquement l’importation de fichiers .daf. Créez des fichiers .daf pour tous les fichiers .rif de l’expérience via le traitement par lots.
2. Dans le menu Outils , cliquez sur Fichiers de données par lots , puis sur Ajouter un lot.
3. Dans la nouvelle fenêtre, sélectionnez Ajouter des fichiers et sélectionnez les fichiers .rif à ajouter au lot. Sous l’option Sélectionner un modèle ou un fichier d’analyse de données (.ast, .daf), sélectionnez le fichier .ast créé précédemment.
4. Attribuez un nom de lot si nécessaire et cliquez sur OK pour créer des fichiers .daf pour tous les fichiers .rif chargés.

3. Créer une expérience dans le logiciel d’IA

1. Reportez-vous à l’organigramme de la figure 1 qui décrit le processus de création d’un modèle d’apprentissage profond à l’aide du logiciel d’IA.
2. Lancez le logiciel d’IA et assurez-vous que la version la plus récente est installée en cliquant sur À propos dans le coin inférieur gauche de la fenêtre. Si la version la plus récente n’est pas installée, contactez support@luminexcorp.com pour l’obtenir.
3. L’écran par défaut dans le logiciel est l’écran Nouvelle expérience . Utilisez l’icône Dossier pour choisir l’emplacement d’enregistrement de l’expérience et tapez un nom pour l’expérience (par exemple, « Modèle MN »).
4. Sous Type d’expérience, cliquez sur la case d’option en regard de Train pour démarrer une expérience d’apprentissage et commencer à créer le modèle CNN. Cliquez sur Suivant.
   1. Facultatif : si un modèle a déjà été formé, il peut être utilisé comme modèle pour un nouveau modèle d’IA et peut être sélectionné comme modèle pour la création d’un nouveau modèle à partir de l’écran Sélectionner un modèle de modèle . Si aucun modèle de modèle n’existe, ignorez simplement cette étape en cliquant sur Suivant.
5. L’écran suivant est l’écran Définir un nouveau modèle . Sous Modèle, le nom donné au modèle à l’étape 3.3 sera automatiquement renseigné.
   1. Sous Description, tapez une description pour le modèle (facultatif) et laissez la taille d’image maximale à 150 pixels.
   2. Sous Canaux, cliquez sur Ajouter un BF pour ajouter un canal en fond clair à la liste. Sous Nom, double-cliquez sur Brightfield et renommez cette chaîne en BF. Cliquez sur Ajouter FL pour ajouter un canal fluorescent à la liste. Sous Nom, double-cliquez sur Fluorescent et renommez ce canal en DNA.
   3. Sous Noms de classe, cliquez sur Ajouter. Dans la fenêtre pop-up, tapez Mononucleated et cliquez sur OK. Cela ajoute la classe mononucléée à la liste des noms de classe. Répétez ce processus pour vous assurer que les six classes suivantes sont définies dans la liste :
      Mononucléé
      Mononucléé avec MN
      Binucléé
      Binucléé avec MN
      Polynucléé
      Morphologie irrégulière
      Cliquez sur Suivant.
      NOTE: Ces six classes de modèles de vérité de terrain représenteront les événements clés à noter, ainsi que des images dont la morphologie diffère du critère de notation^{accepté 5}.
      1. Facultatif : Si vous le souhaitez, le modèle d’analyse de la version 1.7 peut être inclus pour utiliser les fonctionnalités du logiciel d’analyse d’images. Si vous souhaitez inclure ces fonctionnalités dans le modèle d’IA, recherchez le fichier .ast, puis dans les listes déroulantes spécifiques au canal, choisissez les sous-ensembles de fonctionnalités que vous souhaitez inclure.
   4. Sous Sélectionner des fichiers, cliquez sur Ajouter des fichiers et recherchez les fichiers souhaités à ajouter au logiciel d’IA pour créer les données de réalité sur le terrain. Cliquez sur Suivant.
      REMARQUE : Il est important d’ajouter plusieurs fichiers de données (p. ex., données de contrôle positif et négatif) qui contiennent un nombre suffisant de tous les événements clés.
6. Ensuite, dans l’écran Sélectionner les populations de base , recherchez la population non apoptotique dans la hiérarchie des populations. Cliquez avec le bouton droit sur la population non apoptotique et sélectionnez Sélectionner toutes les populations correspondantes. Cliquez sur Suivant.
   REMARQUE : Il est important d’exclure toutes les populations qui ne devraient pas être classées (p. ex. perles, débris, doublets, etc.).
7. Cet écran est l’écran Sélectionner les populations de vérité .
   1. Si les populations de vérité marquées des événements clés n’ont pas été créées dans le logiciel d’analyse d’images, cliquez sur Suivant.
   2. Si des populations de vérité balisées ont été créées dans le logiciel d’analyse d’images, affectez-les à la classe de modèle appropriée.
   3. Pour attribuer une population de vérité balisée de cellules MONO avec MN, cliquez sur la classe Mononucléé avec MN sous Classes modèles à gauche. Cliquez ensuite sur la population de vérité balisée appropriée à droite qui contient ces événements.
   4. Si les populations de vérité balisées ont été créées dans plusieurs fichiers de données, cliquez avec le bouton droit sur l’une des populations de vérité et sélectionnez Sélectionner toutes les populations correspondantes pour ajouter des populations balisées de plusieurs fichiers à la classe appropriée.
   5. Une fois que toutes les populations de vérité appropriées ont été attribuées, cliquez sur Suivant.
8. Dans l’écran Sélectionner les canaux , choisissez les canaux appropriés pour l’expérience. Ici, réglez BF sur le canal 1 et Hoechst sur le canal 7. Cliquez avec le bouton droit sur une chaîne et sélectionnez Appliquer à tous. Cliquez sur Suivant.
9. Enfin, sur l’écran de confirmation , cliquez sur Créer une expérience.
10. Le logiciel d’IA charge les images à partir des fichiers de données et crée les classes de modèle définies à l’étape 3.5.3 avec l’imagerie de réalité de terrain qui a été attribuée à l’étape 3.7. Cliquez sur Terminer.
11. Une fois l’expérience créée, cinq options sont présentées :
    Expérience : fournit des détails sur l’expérience, y compris les fichiers de données chargés, les canaux choisis et les classes de modèles de vérité de terrain définies.
    Balisage: lance l’outil de marquage grâce auquel les utilisateurs peuvent remplir les données de réalité du terrain.
    Formation : forme un modèle basé sur les données de réalité terrain.
    Classifier : utilise des modèles formés pour classer les données.
    Résultats : fournit les résultats d’une expérience d’apprentissage et d’une expérience de classification.

4. Remplir les données de réalité sur le terrain à l’aide d’outils de marquage assistés par l’IA

1. Cliquez sur Balisage pour lancer l’interface de l’outil de balisage .
   1. Cliquez sur les outils de zoom (icônes de loupe) pour recadrer les images et faciliter la visualisation.
   2. Cliquez sur la barre de défilement pour ajuster la taille de l’image afin de changer le nombre d’images affichées dans la galerie.
   3. Cliquez sur l’option Paramètres d’affichage et choisissez Min-Max, qui fournit la meilleure image de contraste pour identifier tous les événements clés.
   4. Cliquez sur Configurer l’affichage de la galerie pour changer la couleur de l’image ADN en jaune ou blanc, ce qui améliorera la visualisation de petits objets (par exemple, MN).
2. Cliquez sur Cluster pour exécuter l’algorithme permettant de regrouper des objets de morphologie similaire. Une fois le clustering terminé, les clusters individuels avec le nombre d’objets par cluster sont affichés dans une liste sous Populations inconnues. Sélectionnez les clusters individuels pour afficher les objets dans le cluster et affecter ces objets à leurs classes de modèle appropriées.
3. Une fois qu’un minimum de 25 objets a été affecté à chaque classe de modèle, l’algorithme Predict devient disponible. Cliquez sur Prédire.
   REMARQUE: Les objets qui ne correspondent pas bien à une population restent classés comme inconnus. Au fur et à mesure que de plus en plus d’objets sont ajoutés aux populations de vérité, la précision de la prédiction s’améliore.
4. Continuez à remplir les classes de modèle de vérité de terrain avec des images appropriées jusqu’à ce qu’un nombre suffisant d’objets dans chaque classe soit atteint.
5. Une fois qu’un minimum de 100 objets a été affecté à chaque classe de modèle, cliquez sur l’onglet Formation en haut de l’écran. Cliquez sur le bouton Train pour créer un modèle à l’aide des algorithmes Random Forest et CNN.
   REMARQUE: Le logiciel d’IA crée des modèles en utilisant à la fois les algorithmes Random Forest et CNN, les cases à cocher permettent la création de modèles en utilisant uniquement les algorithmes Random Forest of CNN.

5. Évaluation de l’exactitude du modèle

1. Une fois la formation du modèle terminée, cliquez sur Afficher les résultats.
2. Utilisez l’écran des résultats pour évaluer la précision du modèle. Utilisez le menu déroulant pour basculer entre Random Forest et CNN.
   REMARQUE : Les populations de vérité peuvent être mises à jour et le modèle peut être réformé ou utilisé tel quel pour classer des données supplémentaires.
   1. Pour mettre à jour les populations de vérité, cliquez sur Balisage en haut et suivez la section 4.

6. Classification des données à l’aide du modèle

1. Lancez le logiciel d’IA. L’écran par défaut est l’écran Nouvelle expérience . Utilisez l’icône Dossier pour choisir l’emplacement d’enregistrement de l’expérience et tapez un nom pour l’expérience.
2. Sous Type d’expérience, cliquez sur la case d’option en regard de Classifier pour démarrer une expérience de classification. Cliquez sur Suivant.
3. Cliquez sur le modèle à utiliser pour la classification, puis cliquez sur Suivant.
4. Sur l’écran Sélectionner des fichiers , cliquez sur Ajouter des fichiers et recherchez les fichiers à classer selon le modèle CNN. Cliquez sur Suivant.
5. Ensuite, dans l’écran Sélectionner les populations de base , cliquez sur la case à cocher en regard de la population non apoptotique dans l’un des fichiers chargés. Faites un clic droit sur la population non apoptotique et cliquez sur Sélectionner toutes les populations correspondantes pour sélectionner cette population parmi tous les fichiers chargés. Cliquez sur Suivant.
6. Facultatif : si les données à classer contiennent des populations de vérité, elles peuvent être affectées aux classes de modèles appropriées sur l’écran Sélectionner les populations de vérité. Sinon, cliquez sur Suivant pour ignorer cette étape.
7. Sur l’écran Select Channels (Sélectionner les canaux ), choisissez Channel 1 pour brightfield et Channel 7 pour la coloration ADN. Faites un clic droit sur une chaîne et cliquez sur Appliquer à tous. Cliquez ensuite sur Suivant.
8. Enfin, sur l’écran de confirmation , cliquez sur Créer une expérience. Le logiciel d’IA charge le modèle sélectionné et toutes les images des fichiers de données choisis. Cliquez sur Terminer.
9. Cliquez sur Classifier pour lancer l’écran de classification. Cliquez sur le bouton Classer . Cela commence le processus d’utilisation des modèles RF et CNN pour classer des données supplémentaires et identifier tous les objets qui appartiennent aux classes de modèle spécifiées.
   REMARQUE: Les cases à cocher peuvent être utilisées pour sélectionner le modèle RF et / ou le modèle CNN.
10. Une fois la classification terminée, cliquez sur Afficher les résultats.
11. Cliquez sur le bouton Mettre à jour les fichiers DAF pour afficher la fenêtre Mettre à jour les fichiers DAF avec résultats de classification. Cliquez sur OK pour mettre à jour les fichiers .daf.

7. Générer un rapport des résultats de la classification

1. Sur l’écran Résultats, cliquez sur Générer un rapport. Cochez la case en regard de Créer un rapport pour chaque DAF d’entrée si un rapport individuel pour chaque DAF d’entrée est requis. Cliquez sur OK.
2. Une fois terminé, ouvrez le dossier dans lequel les fichiers de rapport ont été enregistrés. Dans le dossier, il existe un rapport d’expérience .pdf et un dossier Ressources .
3. Ouvrez la .pdf pour afficher le rapport. Le rapport contient des informations sur le modèle et l’expérience, la liste des fichiers .daf d’entrée, le nombre de classes et les pourcentages de classe sous forme de tableau et d’histogramme, ainsi qu’une matrice de confusion résumant la probabilité médiane de prédiction dans tous les fichiers .daf d’entrée.
4. Ouvrez le dossier Ressources , puis le dossier CNN . Dans ce dossier se trouvent .png fichiers des graphiques à barres de classe et de pourcentage, ainsi que la matrice de confusion. En outre, il existe .csv fichiers contenant le nombre de classes et les pourcentages pour chaque fichier d’entrée.

8. Détermination de la fréquence et de la cytotoxicité des MN

1. Calcul de la fréquence MN
   1. Méthode non Cyt-B : pour déterminer la fréquence MN, ouvrez le fichier class_count.csv de l’étape 7.4. Pour chaque fichier d’entrée, divisez les comptes dans la population « Mononucléés avec MN » par les nombres dans la population « Mononucléés » et multipliez par 100 :
      
   2. Méthode Cyt-B : Pour déterminer la fréquence MN, ouvrez le fichier class_count.csv de l’étape 7.4. Pour chaque fichier d’entrée, divisez les comptes dans la population « Binucléée avec MN » par les nombres dans la population « Binucléée » et multipliez par 100 :
      
2. Calcul de la cytotoxicité
   1. Méthode non Cyt-B:
      1. À l’aide du nombre initial de cellules et du nombre de cellules post-traitement, calculez d’abord le doublement de la population () pour chaque échantillon² :
         
      2. Ensuite, calculez le doublement de la population relative² :
         
      3. Enfin, calculez la cytotoxicité² pour chaque échantillon :
         
   2. Méthode Cyt-B :
      1. Pour calculer l’indice de prolifération par bloc de cytocinèse (CBPI)², utilisez les numérations des classes mononucléées, binucléées et polynucléées pour chaque échantillon du fichier class_count.csv :
         
      2. Pour calculer la cytotoxicité², utiliser l’IPBC des cultures témoins (C) et des cultures exposées (T) :
         

Résultats

La figure 1 montre le flux de travail pour l’utilisation du logiciel d’IA afin de créer un modèle pour le test MN. L’utilisateur charge les fichiers .daf souhaités dans le logiciel d’IA, puis affecte des objets aux classes de modèles de réalité sur le terrain à l’aide des algorithmes de marquage de cluster assisté par l’IA (Figure 2) et de prédiction (Figure 3). Une fois que toutes les classes de modèles de vérité de terrain ont été...

Discussion

Le travail présenté ici décrit l’utilisation d’algorithmes d’apprentissage profond pour automatiser la notation du test MN. Plusieurs publications récentes ont montré que des outils intuitifs et interactifs permettent la création de modèles d’apprentissage profond pour analyser les données d’images sans avoir besoin de connaissances informatiques approfondies^18,19. Le protocole décrit dans ce travail à l’aide d’un progiciel piloté par interface utilisateur a été ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Tube à centrifuger 15 mL	Nettoyant 352096
Falcon - Coulter Clenz ;	Beckman Coulter	8546931	Remplissez le récipient avec 200 ml de nettoyant.  ; https://www.beckmancoulter.com/wsrportal/page/itemDetails?itemNumber=8546931#2/10//0/25/ 1/0/asc/2/8546931///0/1//0/
Colchicine	MilliporeSigma	64-86-8
Corning Filtre sous vide pour flacon  ;	MilliporeSigma	CLS430769	0,22 et micro ; Filtre m, flacon de 500 mL
Cytochalasine B	MilliporeSigma	14930-96-2	Flacon de 5 mg
Débulleur - 70 % d’isopropanol	MilliporeSigma	1.3704	Remplir le récipient avec 200 mL de débulleur. http://www.emdmillipore.com/US/en/product/2-Propanol-70%25-%28V%2FV%29-0.1-%C2%B5m-filtred,MDA_CHEM-137040?ReferrerURL=https%3A%2F%2Fwww.google.com%2F
Diméthyl Sulfoxyde (DMSO)	MilliporeSigma	67-68-5
Dulbecco’s Phosphate Buffered Saline 1X	EMD Millipore	BSS-1006-B	PBS Ca++MG++ Gratuit  ;
Sérum fœtal de bovin	HyClone	SH30071.03
Formaldéhyde, 10 %, sans méthanol, Ultra Pure	Polysciences, Inc.	04018	C’est ce qui est utilisé pour le formol à 4 % et 1 %. ATTENTION : Formolo/Formaldéhyde toxique par inhalation et en cas d’ingestion. Irritant pour les yeux, les systèmes respiratoires et la peau. Peut provoquer une sensibilisation par inhalation ou par contact avec la peau. Risque de lésions oculaires graves. Risque potentiel de cancer. http://www.polysciences.com/default/catalog-products/life-sciences/histology-microscopy/fixatives/formaldehydes/formaldehyde-10-methanol-free-pure/
Analyseur de cellules Guava Muse	Luminex	0500-3115	Une configuration standard L’analyseur de cellules Guava Muse a été utilisé.
Hoechst 33342	Thermo Fisher	H3570	10 mg/mL solution
Mannitol	MilliporeSigma	69-65-8
MEM Acides aminés non essentiels 100X	HyClone	SH30238.01
MIFC - ImageStreamX Mark II	Luminex, une société DiaSorin	100220	Une caméra ImageStreamX Mark II à 2 caméras a été équipée des lasers 405 nm, 488 nm et 642 nm.
Logiciel d’analyse MIFC - IDEAS	Luminex, a DiaSorin	company 100220	"Image analysis sofware" Le logiciel compagnon du MIFC (ImageStreamX MKII)
Logiciel MIFC - INSPIRE	Luminex, a DiaSorin	Company 100220	"Logiciel d’acquisition d’images" Il s’agit du logiciel qui exécute le logiciel MIFC (ImageStreamX MKII)
Logiciel Amnis AI	Luminex, une société	DiaSorin100221	"Logiciel d’IA" Il s’agit du logiciel qui permet la création de modèles d’intelligence artificielle pour analyser les données
Mitomycine C	MilliporeSigma	50-07-7
NEAA Mixture 100x	Lonza BioWhittaker	13-114E
Penicllin/Streptomycin/Glutamine solution 100X	Gibco	15070063
Chlorure de potassium (KCl)	MilliporeSigma	P9541
Rinçage - Eau ultrapure ou eau déminéralisée	NA	NA Utilisez	de l’eau ultrapure ou de l’eau déminéralisée. Remplissez le récipient avec 900 ml de rinçage.
RNase	MilliporeSigma	9001-99-4
RPMI-1640 Moyen 1x	HyClone	SH30027.01
Gaine - PBS	MilliporeSigma	BSS-1006-B	C’est le même que le Saline tamponné au phosphate de Dulbecco 1x  ; Ca++MG++ gratuit.  ; Remplissez le récipient avec 900 mL de gaine.
Stérilisateur à eau stérile	HyClone	SH30529.01
- 0,4 %&ndash ; 0,7 % d’hypochlorite	VWR	JT9416-1	Il s’agit généralement d’un agent de blanchiment Clorox à 10 % qui peut être fabriqué en éluant l’eau de Javel Clorox avec de l’eau. Remplissez le récipient avec 200 ml de stérilisateur.
Gourde T25	Falcon	353109
Bouteille T75	Falcon	353136
cellules TK6	MilliporeSigma	95111735