Identificazione dei sottotipi del linfocita usando la formazione immagine tridimensionale fase quantitativa privo di etichetta e Machine Learning

Jonghee Yoon; YoungJu Jo; Young Seo Kim; Yeongjin Yu; Jiyeon Park; Sumin Lee; Wei Sun Park; YongKeun Park

doi:10.3791/58305

È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Identificazione dei sottotipi del linfocita usando la formazione immagine tridimensionale fase quantitativa privo di etichetta e Machine Learning

11.8K visualizzazioni

⸱

DOI:

10.3791/58305

⸱

19 novembre 2018

Jonghee Yoon¹ , YoungJu Jo²^,³^,⁴^,⁷ , Young Seo Kim³^,⁴^,⁵ , Yeongjin Yu²^,³ , Jiyeon Park⁶ , Sumin Lee⁴ , Wei Sun Park²^,³ , YongKeun Park²^,³^,⁴

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 questo articolo

Sommario

Descriviamo un protocollo per l'identificazione di sottotipi del linfocita usando formazione immagine fase quantitativa e un algoritmo di apprendimento automatico privo di etichetta. Misurazioni dell'indice di rifrazione 3D tomogrammi dei linfociti presentano 3D informazioni morfologiche e biochimiche per le singole celle, che viene quindi analizzati con un algoritmo di apprendimento automatico per l'identificazione di tipi delle cellule.

Abstract

Descriviamo qui un protocollo per l'identificazione di sottotipi del linfocita usando formazione immagine fase quantitativa e apprendimento automatico privo di etichetta. L'identificazione di sottotipi del linfocita è importante per lo studio di immunologia, come pure la diagnosi ed il trattamento di varie malattie. Attualmente, metodi standard per la classificazione dei tipi di linfocita si basano sull'etichettatura di proteine di membrana specifici tramite reazioni antigene-anticorpo. Tuttavia, queste tecniche d'etichettatura trasportano i potenziali rischi di alterare le funzioni cellulari. Il protocollo descritto qui supera queste sfide sfruttando intrinseci contrasti ottici misurati da formazione immagine 3D fase quantitativa e un algoritmo di apprendimento automatico. Misurazione dell'indice di rifrazione 3D (RI) tomogrammi dei linfociti fornisce informazioni quantitative sulla morfologia 3D e fenotipi di singole celle. I parametri biofisici estratti dal misura 3D RI tomogrammi vengono poi analizzati quantitativamente con un algoritmo di apprendimento della macchina, che consente di identificare tipi di linfocita a livello di singola cellula privo di etichetta. Misuriamo i tomogrammi RI 3D dei linfociti B, T CD4 + e CD8 + T e identificati i tipi di cellule con oltre l'80% precisione. In questo protocollo, descriviamo la procedura dettagliata per l'isolamento, imaging 3D fase quantitativa e apprendimento automatico per l'identificazione dei tipi del linfocita.

Introduzione

I linfociti possono essere classificati in diversi sottotipi, tra cui B, helper (CD4 +) T, linfociti T citotossici (CD8 +) e T regolatorie cellule. Ogni tipo di linfocita ha un ruolo diverso nel sistema immunitario adattivo; ad esempio, i linfociti B producono anticorpi, mentre i linfociti T rilevare antigeni specifici, eliminano le cellule anormali e regolano i linfociti B. Regolamento e funzione del linfocita è strettamente controllato da e relative alle varie malattie tra cui tumori¹, malattie autoimmuni²e infezioni virali³. Così, l'identificazione dei tipi del linfocita è importante comprender....