Name: ラベル無料三次元定量的な位相画像を用いたリンパ球サブタイプの同定と機械学習 (動画) | JoVE Journal
Uploaded: 2018-11-19T13:00:00.000+00:00
Duration: 8 min 58 s
Description: 学ぶ三次元定量的位相画像と機械学習を用いたリンパ球サブタイプのラベル無し同定法。迅速かつ正確な細胞識別が血液がんや自己免疫疾患の診断・治療に応用可能です。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この作品は、KAIST bk 21 + プログラム、Tomocube、株式会社と、国立研究財団 (2015R1A3A2066550, 2017M3C1A3013923, 2018 K 000396) によって支えられました。Y. ジョーは、KAIST 大統領交わりからアサン財団生物医学科学奨学金サポートを認めています。

動物介護施設使用 (KA2010 21, KA2014-01 と KA2015-03) 委員会の KAIST の承認の下で動物の世話と実験手順を行った。承認されたガイドラインに基づき本研究のすべての実験を行った。
1 マウスの血液からリンパ球の隔離
<ol><li>C57bl/6 j マウスに CO2吸入による安楽死は一度マウスの心臓に 26 G 針を挿入し、血液の 0.3 mL を収集します。直接リン酸緩衝生理食塩水 (PBS) 1 mL で希釈 100 U/mL ヘパリン溶液をチューブ内に血液を置きます。 注: また、脾臓からのリンパ球分離できます。</li>
	<li>4 ° C で 5 分間 400 x g でチューブを遠心分離します。</li>
	<li>チューブに 0.5 mL のアンモニウム塩化カリウムの溶解バッファーを追加し、そっとそれのいくつかを反転ソリューションをミックスする回。</li>
	<li>5 分間室温 (RT) で管を孵化させなさい。</li>
	<li>4.5 mL の PBS を追加し、2 回の 4 ° C で 5 分間 400 × g で遠心分離によって細胞を洗浄します。</li>
	<li>上澄みを除去し、新鮮な RPMI 1640 媒体 10% 牛胎児血清 (FBS) の 100 μ L で細胞ペレットを再懸濁します。</li>
	<li>CD16/32 (2.4G2) 抗体の 0.1 μ g をブロックするためチューブに追加します。</li>
	<li>氷の上の管を保ちます。</li>
</ol>2. 流れの Cytometry とリンパ球サブタイプの並べ替え
注意: リンパ球細胞の種類に応じて並べ替え地上真実 (すなわち、正しい) 細胞を確立するため重要ですトレーニングおよび学習の細胞型分類をテストするラベルを入力します。識別し、別のリンパ球42フローサイトメトリー、金標準の方法が使用されます。
<ol><li>RPMI 1640 培の 100 μ L の抗体染色表面マーカーの混合物を作る [10 %fbs、CD3e の 0.1 μ g (17A2)、CD8a (53-6.7)、CD19 (1 D 3) CD45R (B220、RA3 6B2) と NK1.1 (PK136)] とターゲット B、cd 4 + T、および cd 8 + T に CD4 (GK1.5) 抗体の 0.25 μ gリンパ球。</li>
	<li>(1.8 の手順で得られた) 細胞懸濁液を 100 μ L の抗体の混合物を追加します。</li>
	<li>氷の上の 25 分間インキュベートします。</li>
	<li>5 mL の PBS を追加し、2 回の 4 ° C で 5 分間 400 × g で遠心分離によって細胞を洗います。</li>
	<li>10 RPMI 1640 培の 5 mL の細胞ペレットを再懸濁します %fbs、DAPI (4', 6-diamidino-2-phenylindole) の 2.5 μ g。</li>
	<li>上記マーカーの蛍光レベルを用いたフローサイトメトリーによるリンパ球の種類ごとを個別に収集します。DAPI 信号を使用して、同時にセル除外死んだ。 注: フローサイトメトリーを用いた細胞選別されているフローに関する詳細なプロトコル42前述。</li>
</ol>3. 3 D 定量位相イメージング
<ol><li>並べ替えられたリンパ球の細胞の損傷の生化学的変化を避けるために (マウスからリンパ球の隔離) 以来 5 時間内で完了する必要があります画像検査手順の中で氷の上を保ちます。</li>
	<li>(B、cd 4 + T、および cd8 陽性 T リンパ球) の間で並べ替えられた細胞タイプを選択し、最適な撮像条件 (すなわち、単一フィールドのビューごとに 1 つのセル) に RPMI 培地で 180 細胞/μ L (2.6 の手順で得られた)、サンプルを希釈します。</li>
	<li>低速注入によるイメージング室に希釈サンプルの 120 μ L を読み込みます。サンプル画像処理室における気泡の存在を徹底的にチェックします。気泡が存在する場合は、測定値の品質を妥協すると、それらを削除慎重に。</li>
	<li>商業 3 D の定量位相顕微鏡、または holotomography とそのイメージング ソフトウェアを使用して 3 D の RI 断層を取得します。 注: 実験のセットアップの詳細については、5の元の原稿で見つけることが。<ol>
<li>顕微鏡の対物レンズの上に水の滴を配置します。</li>
		<li>顕微鏡の翻訳段階でイメージング チャンバー内に試料を置き、対物レンズとサンプルが揃うように、その位置を調整します。</li>
		<li>フォーカスと表面、それぞれタブをクリックして、「校正」イメージング ソフトウェアの「顕微鏡」視点の目標とコンデンサー レンズの軸の位置を調整します。</li>
		<li>自動モードをクリックして目的とコンデンサー レンズを合わせます。また、スキャン モードを使用し、ビューのフィールドの中央領域に局在する照明パターンは、手動でレンズを調節します。</li>
		<li>通常モードに戻るし、ビューのフィールドのセルを検索する翻訳段階を調整します。</li>
		<li>対物レンズの軸方向の位置を調整することにより焦点面を見つけます。ほとんど目に見えない画面で視覚化されるサンプル境界を作る完璧な焦点します。</li>
		<li>セルなしの場所を見つけるに翻訳段階を調整します。</li>
		<li>さまざまな照明の角度で複数の 2 D ホログラムを測定するための調整をクリックします。</li>
		<li>ビューのフィールドの中央にセルを特定する翻訳段階を調整します。</li>
		<li>「取得」タブに移動し、ステップ 3.4.8 で同一の照明角度を持つセルのホログラムを測定する3 D スナップショット] をクリックして。</li>
		<li>取得したデータは、「データ管理」パネルに発表は、集録したデータを右クリックし、3.4.8 と 3.4.10, 回折トモグラフィ アルゴリズムを使用しての手順で測定したホログラムからの 3次元 RI 断層を再構築するプロセス] をクリックしてください9,10は、イメージング ソフトウェアで実装されています。</li>
		<li>機械学習のための検定力を確保するため 100 以上のセルを測定する手順 3.4.5-3.4.11 を繰り返します。</li>
		<li>3.4.11 ステップによって処理されるすべての画像。視覚化できます。「データ管理」パネル データを右クリックしてしデータを視覚化する開くをクリック。「データ マネージャー」パネルを RI 断層をクリックしてします。「プリセット」タブ ロードをクリックし、3 D の RI 分布よると断層像を可視化するイメージング ソフトウェアによって提供される定義済みの伝達関数である"lymphocyte.xml"をダブルクリックします。</li>
	</ol>
</li>
	<li>リンパ球サブタイプのすべての 3 D の RI 断層を測定する 3.2 3.4 の手順を繰り返します。</li>
</ol>4 3 D RI 断層から定量的形態学的および生化学的特徴抽出
<ol><li>単一のフォルダーに上記の測定すべての断層データを配置します。このフォルダーのサブフォルダー内のセル型を分割します。各断層を単一.matファイルを準備します。</li>
	<li>補足ファイル 1 - 特徴抽出 (画像処理ソフトウェアの書かれた) を開きます。</li>
	<li>4.1 準備した断層フォルダーを指定の 14 行目を編集します。</li>
	<li>特徴データを保存するフォルダーを指定するのには 15 行目を編集します。</li>
	<li>必要に応じて、特徴抽出のための RI のしきい値パラメーターを調整する 17 行目を編集します。既定のオプションは 1.340 1.378、0.002、5を前述のインクリメントでから 20 里しきい値です。</li>
	<li>コードを実行します。データセット内のすべての断層画像のコードは、5 つの機能を計算します: RI しきい値あたり表面積 (SA)、細胞容積 (CV)、真球度 (SI)、蛋白質密度 (PD) と乾燥質量 (DM)。詳細な特徴抽出アルゴリズムの場所で述べる5。</li>
	<li>特徴抽出を監視するためを実行中に RI 閾値に基づくセル分割を可視化画面に確認します。</li>
	<li>4.4 の手順で指定したフォルダーに保存されている断層あたり.matファイルとして抽出した特徴データを確認します。</li>
</ol>5. 監修の学習と識別
<ol><li>ランダムに別々 のフォルダーに手順 4.8 トレーニング (70%) とテスト (30%) のセットで得られたフィーチャ データを分割します。</li>
	<li>オープン補助ファイル 2 - 鉄道 (画像処理ソフトウェアの書かれた)。</li>
	<li>5.1 準備したトレーニング セットを指定する 14 行目を編集します。</li>
	<li>訓練された分類器を保存するフォルダーを指定するのには 16 行目を編集します。</li>
	<li>分類子のファイル名を設定するのには 17 行目を編集します。</li>
	<li>必要に応じて、トレーニングの機能を選択する 19 行目を編集します。5、以前に指定された既定のオプション以下の代表的な結果を取得する使用だった。</li>
	<li>コードを実行します。トレーニング セットの選択機能を使用して、コード列車kである分類子-最近傍アルゴリズム (k -NN; k = 4) し、5.4 の手順で指定したフォルダーで分類 (手順 5.5 で名前) としてを保存します。</li>
	<li>識別性能とクロス検証の精度を可視化画面上を確認します。</li>
	<li>必要に応じて、手順 5.5 5.7 を繰り返すことによってさまざまな機能の組み合わせで複数の識別器を学習します。クロス検証精度の高い分類子を選択します。</li>
	<li>補足ファイル 3 - テストを開く (画像処理ソフトウェアの書かれた)。</li>
	<li>14-15 テストする訓練された分類器を指定するための行を編集します。</li>
	<li>5.1 準備したテスト セットを指定するのには 17 行目を編集します。</li>
	<li>コードを実行します。上記分類は、テスト セット内の個々 のリンパ球の細胞の種類を識別します。</li>
	<li>話者識別の性能と試験精度可視化画面上を確認します。</li>
</ol>

・ S ・ リー、Y. S. キム Y. チョ教授 Y の公園 Tomocube 株式会社、光回折トモグラフィと定量位相イメージング機器を製品化、作業のスポンサーの 1 つは、会社の金銭的な利益があります。

3 D 定量位相イメージングと機械学習を利用したリンパ球の種類の無料のラベル識別を可能にするプロトコルを提案します。このプロトコルの重要なステップは、定量的な位相画像と機能の選択です。最適なホログラフィック画像上記のように細胞の密度を制御する必要があります。細胞の機械的安定性も浮動または振動の細胞挙動は照明角度変更時にホログラム測定を妨げるので正確な 3次元 RI 分布を取得する重要です。我々 は、したがってまでサンプルになり安定した静的イメージング室でホログラムを計測する前に数分を待っていた。イメージング室の内部気泡が問題のある空気と、サンプルの RI の違いによりホログラムを測定するとき最後に、したがって、イメージングの商工会議所にサンプルを注意深く読み込む必要があります。
特徴抽出、選択、分類法の識別性能を決定に役立ちます。5 定量的形態 (CV、SA、SI) を用いて、生化学 (PD, DM) 20 異なる RI のしきい値値で 3 D の RI 分布から機能したがって、合計 100 の機能を抽出しました。我々 は余すところなく最高のクロス検証の精度が選択されたことを示す最...

B、レギュラトリー T 細胞 (cd 8 +) T、(cd 4 +) T ヘルパーを含む様々 なサブタイプに分けられるリンパ球細胞。各リンパ球型適応免疫システムに異なった役割を持ってください。たとえば、B リンパ球は T リンパ球特異抗原を検出、異常な細胞を排除して B リンパ球を調節するのに対し、抗体を生成します。リンパ球機能と規制は密によって制御され癌1、自己免疫疾患2、ウイルス感染症3を含む様々 な疾患に関連。したがって、リンパ球の種類の同定はこのような疾患、免疫療法の診療所での病態生理学的役割を理解することが重要です。
現在、リンパ球の種類を分類するための方法は、特定の表面膜蛋白質または表面マーカー4対象に抗原抗体反応に依存します。表面のマーカーをターゲットはリンパ球の種類を決定する正確かつ正確な方法です。ただし、高価な試薬および時間のかかる手順が必要です。さらに、それは膜蛋白質の構造の変更や細胞機能の変化のリスクを運ぶ。
これらの課題を克服するためには、ここで説明されているプロトコルは、3 D 定量位相イメージング (QPI) と機械学習5を使用してリンパ球タイプのラベル フリー識別を紹介します。このメソッドは、個々 のリンパ球のラベル無料 3 D 画像から抽出した形態学的情報に基づく単一細胞レベルでリンパ球型の分類できます。従来の蛍光顕微鏡技術とは異なり QPI は光のコントラスト6,7として屈折率 (RI) 分布 (生きている細胞や組織の本質的な光学特性) を利用しています。個々 のリンパ球の RI 断層は、リンパ球のサブタイプに固有表現型情報を表します。この場合は、全身の個々 のリンパ球の 3 D の RI 断層を利用する教師つき機械学習アルゴリズムが利用されました。
QPI のさまざまなテクニックを使用して、セルの 3 D RI 断層使用されている積極的に細胞病態学ラベル無料提供するため定量的イメージング機能8,9,10, 11,12,13。また、個々 のセルの 3 D RI 分布細胞形態学的、生化学的、および生体力学的情報を提供します。3 D の RI 断層は、以前血液14,15,16,17, 感染症18,19、の分野で利用されている20、免疫学21、細胞生物学22,23、炎症24、がん25, 神経科学26,27、発生生物学28, 毒物学29、および微生物学12,30,31,32。
3 D RI 断層は、細胞の形態学的および生化学的な詳細を提供する、リンパ球サブタイプの分類は単にイメージング 3 D RI 断層5で達成するために困難であります。体系的かつ定量的細胞型分類のため測定された 3 D RI 断層を悪用、機械学習アルゴリズムを利用しました。最近では、いくつかの作品報告されているどの定量細胞の画像を分析した様々 な機械学習アルゴリズム33、微生物34、35細菌属の分類の検出など,36, 炭疽菌胞子37, 迅速かつ無料のラベル検出は、精子細胞38の解析、マクロファージ活性化41の癌細胞39,40, の分析と検出を自動化しました。
このプロトコルは、3 D QPI と機械学習を用いた個々 の細胞レベルでのリンパ球型の無料のラベル識別を実行する詳細な手順を提供します。これが含まれます: 1) リンパ球分離マウス血、2) リンパ球が 3 D の RI 断層から流れ cytometry、3) 3 D QPI 4) 定量的特徴抽出による並べ替えおよび 5) リンパ球の種類を識別するための学習から。

<table><tbody><tr><td>マウス</td><td>Daehan Biolink</td><td>C57BL/6J マウス&nbsp;</td><td>性別と年齢が一致している、6 &ndash; 8週間</td></tr><tr><td>Falcon 円錐形遠心分離管</td><td>ThermoFisher Scientific</td><td>14-959-53A</td><td>15 mL</td></tr><tr><td>リン酸緩衝生理食塩水&nbsp;</td><td>Sigma-Aldrich</td><td>806544-500ML</td><td></td></tr><tr><td>塩化アンモニウム-カリウム溶解バッファー&nbsp;</td><td>サーモフィッシャーサイエンティフィック</td><td>A1049201</td><td></td></tr><tr><td>RPMI-1640培地</td><td>Sigma-Aldrich</td><td>R8758</td><td></td></tr><tr><td>ウシ胎児血清</td><td>サーモフィッシャーサイエンティフィック</td><td>10438018</td><td></td></tr><tr><td>抗体</td><td>BD バイオサイエンス</td><td>553140 (RRID:AB_394655)</td><td>CD16/32 (クローン 2.4G2)</td></tr><tr><td>抗体</td><td>BD バイオサイエンス</td><td>555275 (RRID:AB_395699)</td><td>CD3&epsilon;(クローン17A2)</td></tr><tr><td>抗体</td><td>バイオレッグ</td><td>ド100734(RRID:AB_2075238)</td><td>CD8&α;(クローン53-6.7)</td></tr><tr><td>抗体</td><td>BD Biosciences</td><td>557655 (RRID:AB_396770)</td><td>CD19 (clone 1D3)</td></tr><tr><td>Antibody</td><td>BD Biosciences</td><td>557683 (RRID:AB_396793)</td><td>CD45R/B220 (clone RA3-6B2)</td></tr><tr><td>Antibody</td><td>BD Biosciences</td><td>552878 (RRID:AB_394507)</td><td>NK1.1 (clone PK136)</td></tr><tr><td>Antibody</td><td>eBioscience</td><td>11-0041-85 (RRID:AB_464893)</td><td>CD4 (clone GK1.5)</td></tr><tr><td>DAPI&nbsp;</td><td>ロシュ</td><td>10236276001</td><td>4,6-ジアミジノ-2-フェニルインドール</td></tr><tr><td>フローサイトメトリー&nbsp;</td><td>BDバイオサイエンス</td><td>Aria IIまたはIII&nbsp;</td><td></td></tr><tr><td>イメージングチャンバー</td><td>トモキューブ株式会社</td><td>TomoDish</td><td></td></tr><tr><td>ホロトモグラフィー</td><td>Tomocube, Inc.</td><td>HT-1H</td><td></td></tr><tr><td>ホロトモグラフィーイメージングソフトウェア</td><td>株式会社トモキューブ</td><td>TomoStudio</td><td></td></tr><tr><td>画像公開ソフトウェア</td><td>MathWorks</td><td>Matlab R2017b</td><td></td></tr></tbody></table>

ラベル無料三次元定量的な位相画像を用いたリンパ球サブタイプの同定と機械学習

Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning

我々 はここで定量的な位相画像と機械学習を用いたリンパ球サブタイプの無料のラベル識別のためのプロトコルについて説明します。リンパ球サブタイプの同定診断と同様に、免疫学の研究や様々 な疾患の治療が重要です。現在、リンパ球の種類を分類するための標準的な方法は、抗原抗体反応による特定の膜タンパク質をラベルに依存します。ただし、これらの分類の技術は、細胞機能の変更の潜在的なリスクを運ぶ。ここで説明されているプロトコルは、3 D の定量位相イメージングと機械学習アルゴリズムを用いて本質的な光のコントラストを利用してこれらの課題を克服します。リンパ球の三次元屈折率 (RI) 断層の測定は、3 D 形態、個々 のセルの表現型についての定量的な情報を提供します。測定 3 D RI 断層から抽出された生物物理パラメーターは、単一細胞レベルでリンパ球型のラベル フリーの識別を有効にする機械学習アルゴリズムを用いた定量的に分析しています。B、T cd4 および cd8 陽性 T リンパ球の 3 D RI 断層を測定し、80% 以上で、細胞の種類を識別精度。このプロトコルではリンパ球の隔離、3 D 定量位相イメージング、およびリンパ球の種類を識別するための機械学習のための詳細な手順をについて説明します。

図1は、プロトコル全体のプロセスの概略を示しています。ここに示す手順を使用して、我々 は B を分離した (n = 149)、cd 4 + T (n = 95)、および cd 8 + の T (n = 112) リンパ球。照明の様々 な角度での位相および振幅情報を取得するには、(-60 ° ~ 60 °) からの照明の角度を変更することによって各リンパ球の複数の 2 D ホログラムを測定しました。通常、3 D の RI 断層像を再構築する 50 のホログラムを使用ことができますが、イメージングの速度と品質を考慮した 2 D ホログラム数を調整することができます。フーリエ変換43,44に基づいてフィールド検索アルゴリズムを使用して測定されたホログラムの振幅と位相の情報が取得されます。各リンパ球の 3 D RI 断層は、複数 2D 取得した位相と振幅の情報から様々 な角度で照明光の回折トモグラ...

定量位相イメージングと機械学習アルゴリズムを用いたリンパ球サブタイプの無料のラベル識別のためのプロトコルについて述べる。リンパ球の 3 D の屈折断層の測定は、細胞の種類を識別するための機械学習アルゴリズムで分析します個々 のセル、3 D の形態学的および生化学的情報を提示します。

We describe here a protocol for the label-free identification of lymphocyte subtypes using quantitative phase imaging and machine learning. Identification ...

この方法は、従来の蛍光標識およびフローサイトメトリー分析手順に代わるものを提供し、これは時間がかかり、コストがかかり、サンプルの細胞機能を変化させるリスクを生じさせる。この技術の主な利点は、三次元屈折率断層撮影と機械学習は、迅速かつ正確なリンパ球同定を可能にするラベルフリーかつ定量的な方法である。この技術の意味は、リンパ球の同定が疾患診断および適切な治療アプリケーションにとって極めて重要であり得るため、血液癌および自己免疫疾患の治療に及ぶ。この方法はリンパ球集団に関する洞察を提供することができるが、細菌を含む他の目的の単一細胞の分析にも適用することができる。3D定量位相イメージング技術の視覚的実証は、技術の実行方法の明確な指示を容易にし、その応用に関する洞察を提供することができるため、非常に重要です。蛍光活性化細胞選別により、各リンパ球サブセットを採取することから始めます。最適なイメージングのために、各細胞サンプルをRPMI培地のマイクロリットル当たり180細胞の濃度に希釈し、最初の希釈サンプルの120マイクロリットルをイメージングチャンバーにゆっくりと注入する。チャンバー内の気泡の不足を確認した後、蒸留水を3D定量位相顕微鏡の対物レンズに一滴置き、イメージングチャンバーを顕微鏡の翻訳段階に置きます。サンプルが対物レンズに合うようにステージを調整し、撮像ソフトウェアの顕微鏡視点のキャリブレーションタブでフォーカスと表面をクリックして、目的レンズと凝縮レンズの軸方向の位置を調整します。[自動]モードをクリックして、目的レンズと凝縮レンズを揃えます。アライメントを最適化するには、スキャンモードを開き、レンズを手動で調整して、デジタルマイクロミラーデバイスパターンを中央に合わせます。次に、標準モードに戻り、変換ステージを調整して、視野内のセルを見つけます。対物レンズの軸方向の位置を調整して、画面で視覚化されたサンプル境界がほとんど見えなくなるまで焦点面を見つけます。最適な3DRIトモグラムを生成するために、セルの焦点を完全に調整することが重要です。画像が正しく撮影されないと、3D再構成が損なわれ、騒がしいトモグラムが生じます。変換ステージを調整してセルのない位置を見つけ、[キャリブレーション]をクリックして、さまざまな照明角度を持つ複数の 2D ホログラムを測定します。変換ステージを調整して、視野の中央にセルを配置します。[取得] タブで、イメージ化するサンプルに名前を付けます。[3D スナップショット]をクリックして、測定した 2D ホログラムと同じ照明角度を使用してセルのホログラムを測定します。取得したデータが [データ管理] パネルに表示されたら、データを右クリックして [プロセス] をクリックし、イメージング ソフトウェアに実装されているデ折断層撮影アルゴリズムを使用して、2D ホログラムから 3D 屈折インデックス断層を再構築します。イメージング後、[データ管理]パネルでデータを右クリックし、[開く]をクリックしてデータを視覚化します。セルの中央をクリックして位置を変更し、データ・マネージャー・パネルの「RI」をクリックします。[プリセット] タブで [読み込み] をクリックし、リンパ球をダブルクリックします。xmlは、イメージングソフトウェアが提供する事前定義転送機能であり、3DRI分布に従ってトモグラムを可視化する。マウスをスクロールして拡大し、セルをドラッグして任意の方向に回転させます。定量的形態学的および生化学的特徴抽出では、すべての断層データを単一のフォルダに配置し、メインフォルダ内の個々のサブフォルダ内でセルタイプを分割します。次に、適切な撮像ソフトウェアで補足機能抽出ファイルを開き、行14を編集して、データの抽出元のトモグラムフォルダを指定する。15 行目を編集して、抽出されたフィーチャ データを保存するフォルダを指定し、コードを実行します。データセット内のすべてのトモグラムについて、コードは表面積、細胞容積、球数、球数、タンパク密度、および屈折率閾値あたりの乾燥質量を計算します。教師付き学習と識別のために、MATLABの単純なランダム分割アルゴリズムを使用して、抽出されたフィーチャデータを別々のトレーニングおよびテストセットフォルダにランダムに分割します。補助トレーニング ファイルを開き、14 行目を編集してトレーニング セット フォルダを指定し、トレーニング済み分類子を保存するフォルダを指定する行 16、分類子のファイル名を設定する 17 行目を編集します。次に、コードを実行します。トレーニングセットの選択された機能を使用して、コードは K 最も近い近傍アルゴリズムを使用して分類子をトレーニングし、指定されたフォルダーに分類子を保存します。次に、補助テスト ファイル 3 を開き、14 行目から 15 行目を編集して、トレーニング済みの分類子をテストする場合、17 行目を指定して、トレーニング済みのテスト セットを指定します。次に、コードを実行します。分類器は、テストセット内の個々のリンパ球の細胞タイプを識別する。ここでBリンパ球の代表的な3Dレンダリング屈折率断血図、CD4陽性Tリンパ球、およびCD8陽性Tリンパ球が異なる配色で、イメージングソフトウェアを介して割り当てられた屈折率値に応じて割り当てが示されている。屈折率値から定量形態学的および生化学的特徴を算出することができる。この実験では、Tリンパ球とBリンパ球の分類の精度は、トレーニングとテストケースでそれぞれ93.15%と89.81%であった。CD4陽性およびCD8陽性Tリンパ球は統計的に分類され、精度はそれぞれトレーニングセットとテストセットで87.41%と84.38%であった。最後に、多クラスの細胞型分類器の精度は、それぞれトレーニングステージとテストステージで80.65%と75.93%であった。この技術を成功させるためには、画像の品質と数が不可欠です。画像の品質が高く、データ量が高いほど、識別精度が向上します。ディープラーニングを使用すると、より完全にトモグラムの複雑なデータを分析することができ、識別性能を高めることができます。また、蛍光および3D定量相イメージングを用いて、同定されたリンパ球の生理学的役割の経路を調べることができる。その開発後、この技術は、細胞生物学と生物医学の分野の研究者が異なる生物の中で関心のある特定の疾患を探求する道を開いた。実際、特に免疫学者は、関心のある集団を特定するためにこの新しい技術を使用することから利益を得るかもしれない。

label-free-identification-lymphocyte-subtypes-using-three-dimensional

Research

JoVE Journal

Immunology and Infection

免疫学と感染症

二光子イメージングには、基礎条件の下でリンパ節内および免疫応答1の間にリンパ球運動と細胞間相互作用を明らかにした。ここで、我々はT細胞、リンパ節の分離、およびCD4 +植リンパ節におけるT細胞のイメージング運動の養子移入を示しています。...

解剖とマウスの末梢リンパ節の2 - フォトンイメージング

このビデオは、3D定量的位相イメージングによるリンパ球の形態と生化学のラベルフリー同定を示しています。この技術により、リンパ球の徹底的な分析が可能になり、ラベリング手順を必要とせずにリンパ球の内部構造と特性を明らかにすることができます。...

リンパ球のサブタイプを特徴付けるための三次元定量的位相イメージング

成体マウスのリンパ節における120μmの深さまでの造影による高解像度の生体内イメージングは​​、空間的に多重焦点二光子顕微鏡の励磁パターンを調節することによって達成される。 100μmの深さでは、このように散乱や回折限界を回避し、（横）487 nmおよび551 nmの（軸方向）の解像度を測定した。...

胚中心の高解像度生体内ストライプ照明顕微鏡

レンズ無料ビデオ顕微鏡は、インキュベーターの中に直接培養細胞を監視することが出来ます。ここで集録し、解析を培養 HeLa 細胞の 2.7 日間の長い取得するために使用完全なプロトコルについて述べる、2.2 x 10 のデータセットにつながる個々 の細胞の形態や 10584...

レンズ無料のビデオ顕微鏡、付着性細胞培養の定量的解析

休止状態とアクティブな癌細胞の表現型は、定量的な位相画像を用いた特徴付けられました。細胞の増殖、移行、および形態の試金を統合し、1...

時間経過、ラベル無料、定量的相休眠とアクティブなひと癌細胞のイメージング研究

ここでは、光シート顕微鏡を用いた三次元 (3 D) コラーゲン マトリックスに埋め込まれた免疫細胞を可視化するためのプロトコルを提案する.このプロトコルはまた、3 D の細胞の移動を追跡する方法を詳しく説明します。3 D...

人間の免疫細胞の三次元可視化のための光シート顕微鏡

このプロトコルの目的は、ラティス光シート顕微鏡を使用して、生細胞の表面受容体ダイナミクスを4次元的に可視化する方法を示すことを目的としています。ここで、CD4+一次T細胞上のT細胞受容体が示されている。...

格子光シート顕微鏡による表面T細胞受容体ダイナミクスの可視化4次元的な研究

凍結組織に対してマルチスペクトルイメージングを行う迅速な染色法について述べます。...

凍結組織切片の多スペクトル蛍光イメージングの迅速な方法

この記事では、腹膜転移の三次元構造を特徴付けるために最適化されたマルチプレックス免疫蛍光法のプロトコルについて説明します。...

反復漂白法を用いた担腫瘍組織の三次元イメージングは、マルチプレキシック性アプローチを拡張します

このプロトコルは、生きたヒト乳がん細胞のラベルフリー、非侵襲的な表現型解析のためのラマン分光法と断層撮影位相顕微鏡を組み合わせたマルチモーダルアプローチを提示します。これには、迅速で定量的な形態化学分析のためのユーザーフレンドリーでヒューマンバイアスのない分析パイプラインが含まれており、がん研究や細胞生物学への応用で詳細な分子および構造の洞察を提供します。...

生きたラベルフリー乳がん細胞の表現型解析を進めるためのマルチモーダルイメージングフレームワーク

このプロトコルは、レンズフリーシャドウイメージング技術を使用して、ナチュラルキラー(NK)細胞数および活性の迅速な単一細胞分析のためのラベルフリー法を記述しています。この方法は、回折パターンをコンピュータで分析することにより、個々のNK細胞の形態学的変化を定量化します。...

ナチュラルキラー細胞活性化の迅速なラベルフリー分析のためのフィールド展開可能なレンズフリーイメージングプラットフォーム

学ぶ三次元定量的位相画像と機械学習を用いたリンパ球サブタイプのラベル無し同定法。迅速かつ正確な細胞識別が血液がんや自己免疫疾患の診断・治療に応用可能です。

ラベル無料三次元定量的な位相画像を用いたリンパ球サブタイプの同定と機械学習

さらに動画を探す