Method Article

Analyse van multidimensionale microscopiegegevens met behulp van Cell-ACDC

DOI:

10.3791/68954

⸱

November 7th, 2025

 ,  ,  , 
1Institute of Functional Epigenetics, Molecular Targets and Therapeutics Center, Helmholtz Zentrum München, 2Institute of Network Biology, Molecular Targets and Therapeutics Center, Helmholtz Zentrum München, 3Institute of AI for Health, Computational Health Center, Helmholtz Zentrum München

In This Article

Summary

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

Nauwkeurige analyse van multidimensionale microscopiegegevens vereist complexe workflows. In dit artikel wordt gedemonstreerd hoe u de software Cell-ACDC kunt gebruiken. Het maakt gebruik van state-of-the-art AI-gestuurde modellen voor segmentatie, tracking, celstamboomanalyse en kwantificering van microscopiegegevens. Cruciaal is dat het deze modellen aanvult met een innovatief raamwerk voor semi-geautomatiseerde correctie van de output van de modellen.

Abstract

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

Recente ontwikkelingen in kwantitatieve microscopie voor de levenswetenschappen hebben experimentele biologen in staat gesteld cellen te onderzoeken met een ongekende resolutie en snelheid. Tegelijkertijd heeft de AI-revolutie de hoeveelheid informatie die uit multidimensionale microscopiegegevens kan worden gehaald, drastisch vergroot. De grote hoeveelheid gegenereerde gegevens en de complexiteit van state-of-the-art AI-modellen vormen echter een ernstig knelpunt in de fase van beeldanalyse. Cell-ACDC is open-source, gebruiksvriendelijke software die een krachtige end-to-end oplossing biedt voor segmentatie, tracking en kwantitatieve analyse van afzonderlijke cellen in multidimensionale microscopiegegevens. Het is op maat gemaakt voor experimentele biologen die mogelijk niet over de geavanceerde technische expertise beschikken die nodig is om dergelijke modellen te implementeren. Dit artikel laat zien hoe u het raamwerk kunt gebruiken om eenvoudig gebruik te maken van de meest recente modellen, samen met vele tools voor slimme en semi-geautomatiseerde gegevenscorrectie, om de hoeveelheid biologische informatie die kan worden verkregen te maximaliseren. Cell-ACDC ondersteunt multi-channel, time-lapse en z-stack microscopiegegevens en biedt een speciale toolset die is afgestemd op elk type gegevensdimensionaliteit. Vanwege het modulaire ontwerp, waardoor nieuwe modellen naadloos kunnen worden geïntegreerd en direct toegankelijk zijn voor biologen, heeft Cell-ACDC het potentieel om te dienen als referentie-instrument voor microscopiegegevensanalyse.

Introduction

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

Microscopie is van fundamenteel belang geworden om biologische ontdekkingen te versnellen in elke fase van onderzoek en ontwikkeling, van basiswetenschap 1,2,3 tot ontdekking en testen van geneesmiddelen 4,5 en in een opmerkelijk scala aan maten, van celculturen tot weefsels 6,7, organoïden 8,9 en hele organismen10. Deze geavanceerde microscopietechnieken hebben echter twee belangrijke nadelen. Ten eerste zijn microscopiegegevens inherent groot11, vooral bij het verkrijgen van meerdere dimensies (bijv. tijd en volumes). Ten tweede vereist nauwkeurige extractie van de rijke biologische informatie in de gegevens de inzet van geavanceerde kaders voor beeldanalyse die vaak voortbouwen op AI-modellen. Deze taak kan ontmoedigend zijn voor experimentele biologen. Daarom kunnen de stappen van gegevensverwerking, -verwerking en -analyse wetenschappelijk onderzoek aanzienlijk vertragen en tegelijkertijd het potentieel voor nieuwe ontdekkingen verminderen. Idealiter zouden softwareframeworks voor bio-image-analyse de gebruiker moeten helpen bij elke stap van de analyse, van het verwerken van onbewerkte microscopiebestanden via segmentatie en tracking tot downstream-analyse voor het extraheren van biologische inzichten. In de praktijk is de snelle ontwikkeling van nieuwe software voor biobeeldanalyse weliswaar een positief resultaat, maar heeft het neveneffect gehad dat er een versnipperd landschap van tools is ontstaan die specifiek zijn voor een bepaalde analysestap of die geavanceerde programmeerexpertise vereisen. Dit laat de gebruiker achter met de uitdagende taak om de analyseworkflow samen te stellen, wat vaak resulteert in suboptimale pijplijnen waarin gegevens meerdere keren worden opgeslagen, gemanipuleerd en geconverteerd om ze compatibel te maken met de volgende tool. Bovendien is de ontwikkeling van bioimage-analyse niet gestandaardiseerd op een enkele programmeertaal, maar worden veel tools ontwikkeld als ImageJ12 of QuPath13 plugins (Java), Napari plugins (Python)14 of Python scripts. In sommige gevallen leidt deze uitdagende omgeving ertoe dat wetenschappers kiezen voor handmatige analyse, een proces dat niet alleen traag is, maar ook menselijke vooroordelen introduceert en de reproduceerbaarheid belemmert.

Om dit op te lossen, werd Cell-ACDC (Cell-Analysis of the Cell Division Cycle)15 ontwikkeld, een open-source GUI-gebaseerde softwaretoolset geschreven in Python om multidimensionale microscopiegegevens te analyseren. Cruciaal is dat Cell-ACDC een groot aantal vooraf geïmplementeerde en automatisch geïnstalleerde (indien nodig) state-of-the-art modellen biedt voor zowel segmentatie (Cellpose, StarDist, Segment Anything, YeaZ, YeastMate, enz.16,17,18,19,20,21,22,23,24,25,26,27,28) en tracking (Trackastra, Trackpy, Bayesian Tracker, Cell-ACDC, etc.19,29,30,31,32,33,34). Deze modellen worden aangevuld met een raamwerk voor het visualiseren van geannoteerde gegevens en computerondersteunde handmatige correcties. Bovendien biedt Cell-ACDC binnen hetzelfde kader een module voor elke stap van de beeldanalysepijplijn, die automatisch zorgt voor gegevensverwerking, -verwerking en -opslag (Afbeelding 1). Meer specifiek stelt het de gebruiker in staat om instantiesegmentatie (bijv. afzonderlijke cellen), objecttracking, annotatie van celtoestanden (bijv. celcyclusfase) en verschillende vormen van kwantificering uit te voeren, waaronder analyse van de beschikbare fluorescentiekanalen.

Een van de belangrijkste sterke punten van Cell-ACDC is de analyse van live-cell time-lapse-microscopiegegevens, wat aanzienlijke uitdagingen met zich meebrengt vanwege de behoefte aan consistentie op verschillende tijdstippen. Hoewel er tal van modellen bestaan voor geautomatiseerde segmentatie en tracking van afzonderlijke cellen, blijven handmatige correcties essentieel voor het aanpakken van complexe biologische vragen. Cell-ACDC biedt een reeks tools die speciaal zijn ontworpen om het correctieproces te stroomlijnen. Het integreert intelligente algoritmen om het aantal handmatige aanpassingen te minimaliseren. Correcties worden met name automatisch doorgegeven aan alle relevante toekomstige en eerdere frames, waardoor de gegevensintegriteit tijdens de analyse behouden blijft. Gezien het modulaire ontwerp en het groeiende gebruikersbestand is de voortdurende ontwikkeling van deze software een prioriteit, met voortdurende inspanningen gericht op het integreren van nieuwe modellen en het inspelen op de veranderende behoeften van de gemeenschap.

Protocol

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

OPMERKING: Cell-ACDC is ontworpen om zo duidelijk en intuïtief mogelijk te zijn voor gebruikers zonder programmeerachtergrond. Dit wordt voornamelijk bereikt door de analyseworkflow op te splitsen in kleinere, gemakkelijk te volgen stappen en aanvullende informatie te verstrekken via tooltips en infoknoppen. Aangezien Cell-ACDC een breed scala aan stappen omvat waarvan de volgorde van uitvoering vaak niet opeenvolgend is, wordt een beslissingsgrafiek weergegeven in Figuur 2. In de volgende handleiding wordt een specifiek voorbeeld doorgenomen. Stap 10 en 11 kunnen worden gebruikt om andere gegevens te importeren in plaats van de verstrekte gegevens te gebruiken die in stap 3 zijn gedownload.

1. Cell-ACDC installeren

OPMERKING: Cell-ACDC wordt momenteel gedistribueerd als een Python-pakket via de Python Package Index (PyPI) en kan worden geïnstalleerd met de opdracht pip install "cellacdc[torch]".

  1. Opstelling Miniforge
    1. Download het installatieprogramma van de Miniforge-website (zie de materiaaltabel voor meer informatie).
    2. Installeer Miniforge: Voer voor Windows het gedownloade installatieprogramma uit en volg de instructies. Voor Mac of Linux opent u de terminal en voert u de volgende opdracht uit:
      krul -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh
    3. Zodra de installatie is voltooid, opent u de juiste terminal door de onderstaande instructies te volgen:
      1. Voor Windows drukt u op Win + S, typt u Miniforge Prompt en drukt u op Enter.
      2. Voor Mac/Linux: open de Terminal-app.
  2. Beheer de virtuele omgeving.
    1. Typ in de prompt de volgende opdracht om een virtuele omgeving te maken. Druk vervolgens op Enter om de opdracht uit te voeren.
      Conda maken -y -n ACDC Python=3.12
    2. Activeer de omgeving door het volgende uit te voeren:
      Conda ACDC activeren
  3. Installatie
    1. Terwijl de omgeving actief is, installeert u Cell-ACDC door de volgende opdracht uit te voeren:
      pip installeren "cellacdc[torch]"
    2. Voer na de installatie Cell-ACDC -y uit om de software de installatie te laten voltooien.

2. Lopende cel-ACDC

  1. Open de juiste klem (zie stap 1.1.3).
  2. Activeer de omgeving door de opdracht uit te voeren:
    Conda ACDC activeren
  3. Start Cell-ACDC door de volgende opdracht uit te voeren:
    Cel-ACDC

3. Voorbeeldgegevens downloaden

OPMERKING: De voorbeeldgegevens worden gedownload naar "C:\Users\%USERNAME%\acdc-appdata\acdc-examples\TimeLapse_2D\Position_8" op Windows, en naar "~/acdc-appdata/acdc-examples/TimeLapse_2D/Position_8" op MacOS en Linux. Als de welkomstgids niet wordt weergegeven, selecteert u Help > Welkomstgids (Afbeelding 3B) in de menubalk van het hoofdstartvenster van Cell-ACDC (Afbeelding 1), .

  1. Selecteer Downloaden en testen met een time-lapse-voorbeeld (Afbeelding 3B).
  2. Wacht tot het downloaden is voltooid.
  3. Klik op Nee, om te stoppen met het rechtstreeks laden van de gegevens in de GUI.

4. Module voor gegevensvoorbereiding

OPMERKING: Gegevens kunnen worden uitgelijnd voordat ze worden gesegmenteerd en interessegebieden (ROI's) kunnen worden geselecteerd. Deze stappen zijn optioneel, maar nuttig als het gezichtsveld in de loop van de tijd wordt verplaatst of als slechts delen van de gegevens van belang zijn.

  1. Klik op Start data prep module... in het hoofdvenster om de data preparation module te openen (Figuur 1A, Data pre-processing module).
  2. Selecteer de map met de gegevens.
    1. Klik op het mappictogram in de werkbalk van het nieuwe venster om de microscopiegegevens te laden (Figuur 4A).
    2. Selecteer de map met de gegevens en bevestig vervolgens de selectie door op Map selecteren te drukken.
  3. Selecteer een kanaal voor het uitlijningsproces door het vervolgkeuzemenu te gebruiken om het phase_contr kanaal te selecteren. Druk vervolgens op Ok om de selectie te bevestigen (Afbeelding 4B).
  4. Druk op Ok om de afbeeldingseigenschappen te bevestigen (Afbeelding 4C).
    OPMERKING: Als u met z-stack-gegevens werkt, maar er slechts één segment mag worden gebruikt voor segmentatie, selecteert u de juiste z-slice met behulp van de schuifregelaar. Gebruik de knoppen in de werkbalk om de selectie indien nodig op andere kaders toe te passen.
  5. Voer het uitlijningsproces uit.
    1. Klik op de startknop , die zich ook in de werkbalk bevindt (Figuur 5A).
    2. Klik op Ja om het uitlijningsproces te starten.
      OPMERKING: Klik op Nee om de uitlijning over te slaan.
    3. Druk op Ok om te bevestigen dat de informatie over opvulling is bevestigd.
      OPMERKING: Het uitlijnen kan enige tijd duren, afhankelijk van de gegevensgrootte.
    4. Druk op OK om de uitlijning te voltooien zodra het proces is voltooid.
  6. Stel ROI's en ROI's op de achtergrond in.
    1. Ga naar het laatste frame van de segmentatievideo met behulp van de schuifregelaar voor frameselectie in het onderste deel van de GUI voor gegevensvoorbereiding.
    2. Pas de automatisch toegevoegde achtergrond-ROI aan door deze over de afbeelding te slepen of het formaat te wijzigen met behulp van de ruiten. Zorg ervoor dat de ROI op de achtergrond geen cellen bevat. Laat de ROI zoals deze is (Figuur 5B).
      OPMERKING: Als u extra ROI's wilt definiëren, klikt u op de knop ROI bijsnijden toevoegen (in de werkbalk) en selecteert u deze in de viewer. Gewoonlijk moet de ROI zo klein mogelijk zijn, terwijl alle interessante cellen in relevante frames nog steeds worden omvat. Om de reproduceerbaarheid binnen dit protocol te garanderen, wordt echter aanbevolen om het niet te wijzigen.
  7. Als u de geselecteerde ROI's wilt bijsnijden tot nieuwe afbeeldingsbestanden, klikt u op de meest linkse knop Bijsnijden .
    OPMERKING: Deze stap is optioneel. Als bijgesneden afbeeldingen niet nodig zijn, kan het venster worden gesloten. De coördinaten van alle ROI's en ROI's op de achtergrond worden automatisch opgeslagen en kunnen later worden gebruikt voor segmentatie. Als de ROI niet is gewijzigd, zullen deze knoppen niets doen. Opties voor bijsnijden zijn onder andere XY-richtingen, z-segmenten of specifieke perioden. Elke knop is gelabeld met de afmetingen die worden bijgesneden.
  8. Sla de uitgelijnde gegevens op
    1. Sluit het venster met de knop voor het sluiten van het venster (bijvoorbeeld de X in de rechterbovenhoek in Windows of de rode stip in de linkerbovenhoek op macOS of Linux).
    2. Druk op Ja, uitgelijnde gegevens opslaan om de uitgelijnde gegevens op te slaan.
    3. Klik nogmaals op Ja, uitgelijnde gegevens opslaan om te bevestigen.
  9. Sla bijgesneden gegevens op als stap 4.7 niet is overgeslagen en de ROI niet is gewijzigd.
    1. Selecteer Ja, bijgesneden gegevens opslaan om de bijgesneden gegevens op te slaan.
    2. Druk op Ja, bijsnijden alstublieft om het opslaan van het gewas te bevestigen.
    3. Klik op OK om het standaardmappad te bevestigen.
      OPMERKING: Selecteer een andere map om de niet-bijgesneden gegevens te bewaren.
    4. Selecteer Ja, overschrijven om te controleren of het standaardpad eerder is gebruikt.
    5. Druk op Ok om te bevestigen nadat het proces is voltooid.

5. Het beste model en de beste parameters voor segmentatie vinden

OPMERKING: Cell-ACDC biedt een GUI met real-time feedback om de beste segmentatieparameters te vinden (Afbeelding 6). Over het algemeen worden deze modellen aangeleverd door derden, elk met hun eigen documentatie. Het is de verantwoordelijkheid van de gebruiker om het beste segmentatiemodel en de optimale parameters te bepalen, en gebruikers moeten de documentatie van het respectieve model dat ze proberen raadplegen voor meer informatie.

  1. Klik op Launch GUI... in het hoofdvenster (Figuur 1A, Module visualiseren en corrigeren).
  2. Laad de voorbeeldgegevens.
    1. Klik op het mappictogram in de werkbalk van het nieuwe venster om het mapselectiemenu te openen.
    2. Selecteer de map met de gegevens en druk vervolgens op Map selecteren om de selectie te bevestigen.
  3. Selecteer een kanaal voor visualisatie. Gebruik het vervolgkeuzemenu om het kanaal te selecteren phase_contr voor segmentatie en selecteer vervolgens Ok om te bevestigen.
  4. Voltooi het laden van de gegevens.
    1. Druk op Ok om de naam van het standaardsegmentatiemasker te bevestigen.
    2. Klik op Ok voor geladen posities om de eigenschappen van de afbeelding te bevestigen.
    3. Selecteer Nee om te voorkomen dat er extra fluorescentiegegevens worden geladen.
  5. Selecteer in de moduskeuzeschakelaar (Afbeelding 6, "Moduskiezer") de modus Segmentatie en Tracking.
  6. Vind de beste instellingen voor voorverwerking.
    1. Navigeer naar Afbeelding > Voorbewerking... in de bovenste menubalk om het venster voor aangepaste voorverwerking te openen (Afbeelding 7A).
    2. Selecteer Hotpixels verwijderen of een andere gewenste voorverwerkingsstap in het vervolgkeuzemenu.
    3. Gebruik het tandwielpictogram om de instellingen voor een stap te initialiseren en te wijzigen. Gebruik de infoknop om informatie over de stap en beschikbare parameters weer te geven. Laat de instellingen ongewijzigd.
    4. Gebruik het pluspictogram om nog een stap toe te voegen.
    5. Selecteer Intensiteiten herschalen en bevestig de instellingen door stap 5.6.1 en 5.6.2 te herhalen.
    6. Vink het aankruisvak voorbeeld aan om de effecten van de stappen in realtime te zien.
    7. Klik op Toepassen op alle frames (Afbeelding 7B).
    8. Druk op Vooraf verwerkte gegevens opslaan om het opslagproces te starten.
    9. Druk op Ok om de standaardnaam te bevestigen.
    10. Sluit het venster met voorbewerkingen .
  7. Vind de beste segmentatie-instellingen.
    1. Selecteer Segment > Segment weergegeven kader in het bovenste lint en selecteer vervolgens YeaZ_v2 (Afbeelding 8A).
    2. Druk op Ok om YeaZ_v2 te downloaden als daarom wordt gevraagd.
      OPMERKING: Het downloaden kan enkele minuten duren. De voortgang wordt weergegeven in het consolevenster. Sluit de GUI niet tijdens het downloaden, zelfs niet als deze niet reageert.
    3. Laat de standaardparameters ongewijzigd.
      OPMERKING: De meeste parameters hebben infoknoppen die gedetailleerde richtlijnen bieden.
    4. Schakel nabewerking in door de segmentatieparameters voor nabewerking te controleren (Afbeelding 8B).
    5. Accepteer de parameters door op OK te klikken.
      OPMERKING: Segmentatie kan even duren, afhankelijk van de complexiteit van het model, de afbeeldingsgrootte en de computerspecificaties. Vooral Cellpose versie 4 kan erg traag zijn.
    6. Als u wordt gevraagd naar het activeren van automatische segmentatie, selecteert u Nee.
    7. Controleer of de segmentatie goed werkt.
    8. Herhaal stap 5.7.1 om de segmentatieparameters opnieuw te openen.
    9. Als de segmentatieresultaten zijn zoals verwacht, drukt u op Alle parameters opslaan in receptbestand. Wijzig anders de segmentatieparameters en herhaal stap 5.7.4 tot 5.7.8.
    10. Gebruik de tekstinvoer om het segmentatierecept de naamtest te geven.
    11. Klik op OK om de naam te accepteren.
    12. Druk op Ok om het opslaan van de workflow te voltooien.
    13. Sluit het parameterselectiescherm.
  8. Het GUI-venster sluiten
    1. Sluit het GUI-venster.
    2. Druk op Nee om niet op te slaan voordat u sluit.

6. Segmenteren en traceren (batchverwerking)

  1. Klik op Segmentatie module starten... in het hoofdvenster (Figuur 1A, module "Segmenteren en volgen").
    1. Selecteer de voorbeeldgegevens. Gebruik de mapkiezer van Cell-ACDC om de map met de gegevens te kiezen en druk vervolgens op Map selecteren om de selectie te bevestigen.
  2. Selecteer de parameters voor batchverwerking.
    1. Selecteer het kanaal phase_contr_preprocessed als het kanaal voor segmentatie. Druk op Ok om de selectie te bevestigen.
      OPMERKING: Sommige modellen gebruiken een extra kanaal als invoer. Dit kanaal kan later worden geselecteerd bij het instellen van andere segmentatieparameters.
    2. Controleer de eigenschappen van de afbeelding door op OK te klikken.
  3. Stel de instellingen van het segmentatiemodel in.
    1. Kies YeaZ_v2 als het model dat moet worden gebruikt voor segmentatie en bevestig vervolgens de selectie door op OK te klikken.
    2. Klik op de knop Opgeslagen recept... laden om het eerder opgeslagen recept te laden.
    3. Selecteer segmentation_recipe_test.ini in de lijst en bevestig de selectie door op OK te klikken.
    4. Sluit het succesvolle laadbericht door op OK te drukken.
    5. Bevestig de parameters door OK te selecteren.
  4. Bevestig andere segmentatie-instellingen.
    1. Druk op Ok om de standaardnaam voor het segmentatiebestand te accepteren.
    2. Selecteer Nee om te bevestigen dat de hele afbeelding moet worden gesegmenteerd.
    3. Selecteer Ok om het stopframe in te stellen als het laatste frame van de timelapse.
  5. Stel de trackinginstellingen in. Selecteer YeaZ als de trackingmethode die moet worden gebruikt en bevestig vervolgens de selectie door op OK te drukken.
  6. Voer de segmentatie- en trackingroutine uit.
    1. Klik op Nu uitvoeren om de segmentatie- en traceringspijplijn uit te voeren.
      OPMERKING: Dit kan enkele uren duren, afhankelijk van de afbeeldingsgrootte, de complexiteit van het model en de computerspecificaties. In testruns duurde de segmentatie van de testgegevens met YeaZ_v2 ongeveer 2 minuten op een apparaat zonder GPU.
    2. Klik op OK om de segmentatie te voltooien.

7. Segmentatie- en trackingfouten corrigeren

OPMERKING: Over het algemeen worden cellen die ontbreken in het huidige frame in vergelijking met het vorige, aangegeven met een gele contour en ID. Nieuw gedetecteerde cellen worden weergegeven met een rode ID en een dikke contour. Cellen die als verloren zijn geaccepteerd, worden weergegeven met een groene contour en ID.

  1. Klik op Launch GUI... in het hoofdvenster (Figuur 1A, module "Visualiseren en corrigeren").
  2. Laad de voorbeeldgegevens.
    1. Klik op het mappictogram in de werkbalk van het nieuwe venster.
    2. Selecteer de map met de gegevens en druk vervolgens op Map selecteren om de selectie te bevestigen.
  3. Selecteer een kanaal voor visualisatie. Gebruik het vervolgkeuzemenu om het kanaal te selecteren phase_contr_preprocessed en selecteer vervolgens Ok om te bevestigen.
  4. Selecteer de naam van het segmentatiemasker. Selecteer Laden geselecteerd om het segmentatiebestand te laden dat in de vorige stap is gemaakt.
  5. Voltooi het laden van de gegevens.
    1. Bevestig de afbeeldingseigenschappen door op Ok te klikken voor geladen posities.
    2. Selecteer Nee om te voorkomen dat er extra fluorescentiegegevens worden geladen.
  6. Gebruik de moduskeuzeschakelaar (Afbeelding 6, "Moduskiezer") om de segmentatie- en volgmodus te selecteren.
    OPMERKING: Gebruik de selectievakjes onder aan de GUI om de weergegeven annotaties te wijzigen. De linker- en rechterafbeelding kunnen verschillende annotaties weergeven.
  7. Selecteer een real-time tracker. Navigeer in de menubalk (Afbeelding 6, "Menubalk") naar Tracking > Selecteer real-time trackingalgoritme en selecteer de gewenste real-time tracker. Gebruik Cell-ACDC of Cell-ACDC 2 stappen voor ontluikende gist of Cell-ACDC symmetrische deling voor andere organismen.
  8. Corrigeer de segmentatie en tracking.
    1. Gebruik de pijltjestoetsen links en rechts om tussen frames te navigeren.
    2. Navigeer naar frame 10.
    3. Druk op de toets S om het handmatige gereedschap voor het scheiden van knoppen te activeren.
    4. Klik met de rechtermuisknop om het segmentatiemasker van cel 1 automatisch te splitsen.
    5. Navigeer naar frame 14.
    6. Druk op de toets B om het penseel te activeren.
    7. Teken het ontbrekende segmentatiemasker voor de knop met de linkermuisknop.
    8. Doorloop de volgende frames terwijl u segmentatie- en volgfouten corrigeert. Gebruik de beschikbare tools (Afbeelding 6, "Werkbalk bewerken"). Corrigeer in ieder geval tot frame 42.
      OPMERKING: De meeste tools hebben een tooltip waarin de functionaliteit wordt uitgelegd. Plaats de muisaanwijzer op een tool om de tooltip weer te geven.

8. Annotaties van celcycli

OPMERKING: Ga pas naar deze stap nadat u de segmentatie en volgcorrecties voor alle interessante frames hebt voltooid. Gebruik de juiste annotatiemodus, afhankelijk van het type celdeling (symmetrisch, bijv. zoogdiercellen, of asymmetrisch, bijv. ontluikende gist). Zie voor de voorbeeldgegevens "Asymmetrisch delende cellen", stap 8.1. In stap 8.2 wordt de algemene workflow voor symmetrische delende cellen beschreven.

  1. Asymmetrisch delende cellen
    OPMERKING: Voor organismen zoals ontluikende gist kunnen knoppen worden toegewezen aan moeders. Beide objecten moeten in hetzelfde kader aanwezig zijn. Standaard wordt de verwachte fase van de celcyclus op basis van de annotaties voor ontluikende gist weergegeven. Het stadium van de celcyclus van knoppen wordt in rood weergegeven, terwijl dat van alle andere objecten in het wit wordt weergegeven. Moeders zijn met hun knoppen verbonden door een gestippelde, gele lijn.
    1. Activeer de analyse van de celcyclus met behulp van de moduskeuzeschakelaar (Afbeelding 6, "Moduskeuzeschakelaar").
    2. Selecteer Ja, ga naar frame 1 wanneer daarom wordt gevraagd.
    3. Gebruik de pijltjestoetsen links en rechts om tussen frames te navigeren.
    4. Navigeer naar frame 41. Klik op OK om de initialisatie van de tabel met celcyclusannotatie te accepteren wanneer daarom wordt gevraagd.
    5. Klik met de rechtermuisknop op cel 1 of de knop om de verbinding te scheiden en de celdelingsgebeurtenis te annoteren.
    6. Ga door totdat alle relevante frames zijn bekeken. Corrigeer fouten in de automatische toewijzing van moederknoppen met behulp van de beschikbare hulpmiddelen (Figuur 6, "Werkbalk bewerken").
    7. Beschikbare tools
      OPMERKING: Deze tools, met uitzondering van de Break/Rebind Mother-Bud Association-tool , kunnen worden geactiveerd met behulp van een aanpasbare snelkoppeling of door op de bijbehorende knoppen in de werkbalk te drukken.
      1. Knop toewijzen aan moeder (A): Activeer de tool Knop toewijzen aan moeder . Houd de rechtermuisknop op de knop ingedrukt. Sleep naar de corresponderende moedercel en laat de muisknop los.
        OPMERKING: Gebruik dit hulpmiddel wanneer de automatische toewijzing van knoppen aan moeders onjuist is.
      2. Onbekende geschiedenis annoteren (U): Activeer de tool Onbekende geschiedenis annoteren . Gebruik de rechtermuisknop om op de cel te klikken die moet worden geannoteerd als een cel met een onbekende geschiedenis.
        OPMERKING: Gebruik deze tool om cellen met een onbekende geschiedenis handmatig te annoteren, waardoor onduidelijkheden in de herkomst worden gecorrigeerd waar automatische deductie onvoldoende is.
      3. Annotatie celcyclus opnieuw initialiseren
        OPMERKING: Gebruik deze optie om het annotatiealgoritme voor de celcyclus opnieuw uit te voeren vanaf het huidige frame. Dit zorgt voor consistentie met recente correcties of updates van segmentatie-/trackinggegevens.
      4. Moeder-knopassociatie verbreken/opnieuw binden: Zorg ervoor dat er geen ander hulpmiddel is geselecteerd. Klik met de rechtermuisknop op een bestaand moeder-knoppaar om de koppeling te verbreken, of klik nogmaals met de rechtermuisknop om de verbinding te herstellen.
  2. Symmetrische delende cellen
    OPMERKING: Deze functie wordt momenteel in bètatest getest en wordt binnenkort officieel uitgebracht. Het is mogelijk om twee of meer dochtercellen toe te wijzen aan een enkele moedercel. Potentiële moedercellen zijn de cellen die aanwezig zijn in het vorige frame maar afwezig zijn in het huidige, terwijl potentiële dochtercellen nieuw verschijnende cellen zijn in het huidige frame.
    1. Activeer Normale deling: Afstammingsboom met behulp van de moduskiezer (Afbeelding 6, "Moduskiezer").
    2. Selecteer Ja, ga naar frame 1 wanneer daarom wordt gevraagd.
    3. Gebruik de pijltjestoetsen links en rechts om tussen frames te navigeren.
    4. Corrigeer fouten in de automatische moeder-dochtertoewijzingen met behulp van de beschikbare tools (Figuur 6, "Werkbalk bewerken").
    5. Wijzigingen doorgeven wanneer daarom wordt gevraagd door op Doorgeven te klikken.
    6. Beschikbare tools
      OPMERKING: Deze tools kunnen worden geactiveerd met behulp van de snelkoppeling of de respectievelijke knoppen in de werkbalk.
      1. De moeder zoeken voor een nieuwe cel-ID (F): Activeer de tool Moeder zoeken voor een nieuwe cel-ID . Klik met de rechtermuisknop op de nieuwe cel om door kandidaat-moedercellen te bladeren. Shift + klik met de rechtermuisknop om terug door de kandidaten te bladeren.
        OPMERKING: Gebruik dit hulpmiddel om de moeder van een dochtercel toe te wijzen of te wijzigen.
      2. Onbekende moeder instellen (U): Activeer de tool Onbekende moeder instellen . Klik met de rechtermuisknop op de cel waarvan de moeder onbekend is.
        OPMERKING: Gebruik deze tool om de moeder van een cel handmatig aan te wijzen als onbekend.

9. Gegevens opslaan

  1. Navigeer naar Bestand > Opslaan in het bovenste lint.
  2. Klik op Afmetingen instellen... om de gewenste afmetingen te selecteren.
  3. Vink het selectievakje naast mCitrien-metriek of andere gewenste metingen aan.
  4. Klik op OK om te bevestigen.
  5. Klik op Ja om de metingen op te slaan.
  6. Klik op Ok om het frame te bevestigen tot welke metingen moeten worden opgeslagen.
  7. Klik op Nee wanneer u wordt gevraagd naar aaneenschakeling van gegevens.

10. Creëer de datastructuur

OPMERKING: In dit gedeelte wordt het voorbereiden van de microscopiegegevens voor segmentatie en tracking besproken. Dit kan worden overgeslagen wanneer demonstratiegegevens worden gebruikt, die worden gedownload in "Voorbeeldgegevens downloaden". De gegevensstructuur die zal worden gegenereerd, wordt geschetst in figuur 9.

  1. Plaats de microscopiebestanden in een lege map.
    OPMERKING: Microscopie-indelingen zoals .czi (Zeiss), .lif (Leica) en .nd2 (Nikon), evenals enkele .tif- en .png-bestanden worden ondersteund.
  2. Klik op de module 0. Gegevensstructuur maken... in het hoofdvenster (Figuur 1A, module "Gegevensstructuur maken").
  3. Selecteer BioIO of Fiji Macro.
    1. Als Windows wordt gebruikt, klikt u op BioIO gebruiken, terwijl voor MacOS- en Linux-gebruikers Fiji Macro gebruiken selecteert.
      OPMERKING: In het volgende wordt aangenomen dat Windows wordt gebruikt.
    2. Als u wordt gevraagd om BioIO te installeren, drukt u op Ok om te installeren.
    3. Selecteer de indeling van het microscopiebestand. Selecteer de optie die overeenkomt met de rangschikking van microscopiebestanden met behulp van het vervolgkeuzemenu en druk vervolgens op Ok om te bevestigen.
  4. Selecteer bron- en doelmappen en strategie voor het laden van gegevens
    1. Druk op Gereed om te controleren of de bestanden zich in een verder lege map bevinden.
    2. Gebruik de mapkiezer van Cell-ACDC om de map te kiezen die de bestanden bevat.
    3. Druk op Map selecteren om een map te kiezen.
    4. Druk nogmaals op Map selecteren om dezelfde map te kiezen als de doelmap.
      OPMERKING: Het onbewerkte microscopiebestand wordt niet verwijderd.
    5. Selecteer Ja, laad de hele positie in één keer.
  5. Als u wordt gevraagd om een BioIO-subpakket te installeren, drukt u op Ok om te installeren.
  6. Stel de metagegevens voor het invoerbestand in.
    1. Corrigeer de metadata.
      OPMERKING: Controleer de "Volgorde van afmetingen" nogmaals door op het oogje naast de kanaalnaamvelden te klikken. Andere metagegevens die niet vanuit het RAW-bestand konden worden geladen, worden gemarkeerd.
    2. Druk op Ok om de metadata te bevestigen.
    3. Druk op Ja om de volgorde van de afmetingen te bevestigen.
  7. Wacht tot het proces is voltooid.
  8. Druk op Ja om het venster te sluiten wanneer het proces is voltooid.
    OPMERKING: Het maken van de gegevensstructuur kan uren duren, afhankelijk van de gegevensgrootte.

11. Hulpprogramma's voor gegevensvoorverwerking

OPMERKING: In het hoofdvenster zijn verschillende opties beschikbaar voor het verwerken van afbeeldingen voordat u overgaat tot analyse. Om toegang te krijgen tot deze tools, gaat u naar het vervolgkeuzemenu Hulpprogramma's in de menubalk van het hoofdvenster (Afbeelding 1B, "Hulpprogramma's"), plaatst u de muisaanwijzer op Beeldvoorverwerking en selecteert u vervolgens de optie die moet worden gebruikt. Twee voorbeelden zijn:

  1. Kanalen combineren: Gebruik dit om twee of meer afbeeldingskanalen samen te voegen.
    OPMERKING: Er kan bijvoorbeeld het gemiddelde worden genomen van twee fluorescentiekanalen.
  2. Formaat van afbeeldingen wijzigen: gebruik dit om de grootte van zeer grote afbeeldingsgegevenssets te verkleinen.
    OPMERKING: Dit kan de verwerkingstijd aanzienlijk versnellen en heeft in veel gevallen weinig of geen invloed op de segmentatiekwaliteit.

12. Problemen oplossen

  1. Als Cell-ACDC vastloopt, maakt u een bugrapport op de Cell-ACDC GitHub-pagina door naar het tabblad Problemen te navigeren en op de groene knop Nieuw probleem te klikken. Volg de meegeleverde sjabloon om alle relevante details op te nemen die nodig zijn om het probleem te diagnosticeren en op te lossen. U kunt ook hulp zoeken in het image.sc forum met behulp van de tag #cell-acdc of contact opnemen met een van de corresponderende auteurs. In veel gevallen, vooral na het installeren van een pakket, kan het probleem worden opgelost door de software opnieuw op te starten.
  2. Als Cell-ACDC vastloopt of niet meer reageert, controleert u de console op voortgangsupdates. Lange segmentatietijden, vooral bij het gebruik van rekenintensieve modellen, zoals Cellpose versie 4, of het verwerken van grote datasets, zijn normaal. Als Cell-ACDC niet reageert, raadpleegt u stap 12.1 voor verdere instructies.
  3. Als de achtergrond ten onrechte is opgenomen in automatische segmentatie, controleert u of de achtergrond door een voorverwerkingsstap mogelijk te veel is gladgestreken. Veel segmentatiemodellen zijn getraind op onbewerkte (niet-voorbewerkte) afbeeldingen en kunnen slecht presteren wanneer de achtergrond onvoldoende textuur heeft.

Results

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

Kwantificering van nucleair volume in tumorsferoïden in 3D

Geautomatiseerde 3D-microscopie (z-stacks) stelt wetenschappers in staat om complexe meercellige systemen zoals organoïden te visualiseren. Om morfologische en fluorescentiesignaaleigenschappen op het niveau van één cel te kwantificeren, is vaak celsegmentatie in 3D vereist. Het volgende voorbeeld laat zien hoe Cell-ACDC de kernen in organoïden met duizenden cellen uit het nucleaire kleuringskanaal kan segmenteren en hun volume kan kwantificeren (gegevens uit Ref.9). Segmentatie werd uitgevoerd met behulp van een aangepast Cellpose-model dat werd getraind en gepubliceerd in Ref.9. Het getrainde Cellpose-model kan rechtstreeks in Cell-ACDC worden gebruikt door het pad van het gewichtenbestand in de GUI op te geven bij het selecteren van de modelparameters voor Cellpose v2. De segmentatie werd uitgevoerd met behulp van de tweede module van Cell-ACDC om alle afbeeldingen in batches te verwerken (Figuur 1A, module "Segmenteren en volgen"). Vervolgens werd het resultaat gevisualiseerd in de derde module GUI (Figuur 1A, module "Visualiseren en corrigeren"). Deze module is geoptimaliseerd om duizenden afzonderlijke objecten te visualiseren met meerdere annotatie-opties (bijv. contouren, overlappende segmentatiemaskers of tekst-ID's). Nadat de metingen van de 3D-maskers waren berekend, werden alle beschikbare metingen direct in de GUI gedocumenteerd. Ze zijn toegankelijk door naar de bovenste menubalk te gaan (Afbeelding 6, "Menubalk"), het menu Metingen te selecteren en vervolgens Afmetingen instellen.... In het pop-upvenster kunnen gebruikers meetspecifieke informatie verkrijgen via de infoknoppen en selecteren welke metingen ze willen opslaan. Voor de representatieve resultaten in Figuur 10 werd "cell_vol_fl_3D" gebruikt, het volume van elk object dat wordt berekend door het totale aantal voxels in het object te vermenigvuldigen met de pixelgrootte in het kwadraat en de voxeldiepte. Deze eigenschappen worden automatisch geëxtraheerd uit het raw-bestand voor microscopie of door de gebruiker verstrekt. Voor de berekening van de metingen van deze GUI moeten de onbewerkte afbeeldingen worden geladen. Om het proces te stroomlijnen en batchverwerking mogelijk te maken, kunnen de metingen dus ook worden berekend vanuit het menu Hulpprogramma's (Afbeelding 1B, "Hulpprogramma's"), door naar het submenu Metingen te gaan en vervolgens naar Metingen berekenen voor een of meer experimenten. Ten slotte werd de verdeling van het nucleaire volume uitgezet als een representatief resultaat (figuur 10). Deze analyse onthult een aanzienlijk deel van kleine kernen, waarschijnlijk als gevolg van segmentatie-artefacten. Ze kunnen eenvoudig worden verwijderd door kleine objecten uit het segmentatiemasker te filteren. Tegelijkertijd kunnen de zeer grote kernen te wijten zijn aan samengevoegde kernen tijdens segmentatie. Het wordt altijd aanbevolen om de volumeverdeling van objecten (bijv. afzonderlijke cellen) in kaart te brengen om artefacten te identificeren en aanvullende biologische informatie over celgrootte te extraheren.

Kwantificering van time-lapse-microscopiegegevens

Met time-lapse-microscopie kan de cellulaire dynamiek direct worden waargenomen op het niveau van één cel. Naast celsegmentatie vereist het extraheren van temporele dynamiek aanvullende analyse, waaronder celtracking en annotatie van celstambomen. Door de onderlinge afhankelijkheid van deze analysefasen kunnen fouten die vroeg in de pijplijn worden geïntroduceerd, zich doorgeven aan latere stappen. Als gevolg hiervan zijn voortdurende visualisatie en correctie van segmentatie-, tracking- en annotatiefouten noodzakelijk. Het volgende toont aan dat Cell-ACDC geschikt is om deze taken aan te pakken. Er werden twee datasets van twee verschillende modelorganismen geselecteerd: 1) ontluikende gist (stam DCY001-1 uit Ref.35, waarbij de twee histon H2B-eiwitten, Htb1 en Htb2, zijn gelabeld met mCitrine), en 2) embryonale stamcellen van muizen (mESC's, gegevens uit Ref.22).

Deze twee datasets belichten twee annotatiemodi die beschikbaar zijn in Cell-ACDC: asymmetrische en symmetrische (d.w.z. symmetrische cytokinese of "normale") celdeling. Omdat de manier van delen verschilt, hebben de twee organismen een ander volg- en annotatiekader nodig.

Bij asymmetrische deling vormt de moedercel een knop die groeit en uiteindelijk scheidt om een dochtercel te worden. Na deling behoudt de moedercel zijn oorspronkelijke cel-ID en wordt het generatienummer met één verhoogd, terwijl de dochtercel een nieuwe cel-ID krijgt toegewezen en het generatienummer op één wordt gezet. De knopfase komt overeen met de S/G2/M-fasen van de celcyclus en wordt als zodanig geannoteerd in Cell-ACDC. Deze annotatiekeuzes helpen bij het beantwoorden van typische biologische vragen met betrekking tot de celcyclus in ontluikende gist.

In het geval van "symmetrische" deling (bijv. zoogdiercellen) deelt de moedercel zich in twee dochtercellen. De moedercel, d.w.z. zijn ID, verdwijnt bij deling en de twee dochtercellen krijgen nieuwe ID's. Bovendien wordt het generatiegetal van de dochtercellen met één verhoogd ten opzichte van de moedercel. Cell-ACDC houdt ook de bovenliggende ID, de root-ID (de oorspronkelijke vooroudercel aan het begin van een afstamming) en de zuster-ID bij.

Voor beide annotatiemodi is een innovatief raamwerk ontwikkeld om annotatiefouten te corrigeren, waarbij de correctie automatisch wordt doorgegeven aan alle relevante tijdstippen uit het verleden en de toekomst. De visualisatie, annotatie en correctie werden uitgevoerd in de derde module GUI (Figuur 1A, module "Visualiseren en corrigeren" en Figuur 6). Om de cellen in dataset 1 te segmenteren en te volgen, werd het model YeaZ_v226 toegepast op het fasecontrastkanaal, terwijl voor het nucleaire (histon) kanaal het StarDist25-model werd gebruikt. Vervolgens, met behulp van het hulpprogramma Tracking en afstamming > Subcellulaire objecten volgen en/of tellen (Figuur 1B, menubalk Hulpprogramma's ), wees Cell-ACDC elke kern de cel-ID van de corresponderende cel toe, waardoor consistentie werd gegarandeerd tussen de tabellen die werden gegenereerd op basis van cel- en kernmaskers.

Voor dataset 2 is het segmentatiemodel DeepSea22 gebruikt. Alle drie de modellen zijn al beschikbaar in Cell-ACDC, wat het voordeel onderstreept van de integratie van verschillende segmentatiemodellen in de software.

Nadat segmentatie- en volgfouten waren gecorrigeerd, werden celstambomen geannoteerd, numerieke kenmerken berekend en downstream-analyse uitgevoerd. Voor dataset 1 werden de kolom TaYFP_amount_autoBkgr en het aantal gesegmenteerde kernen (Figuur 11A) uitgezet tegen de tijd. "TaYFP" is de naam van het nucleaire kanaal. "amount_autoBkgr" is een proxy voor de totale hoeveelheid cellulair eiwit die wordt geëxtraheerd uit epifluorescentiebeelden36. Het wordt berekend als het verschil tussen de gemiddelde fluorescentie-intensiteit in elk celmasker en de achtergrondmediaan, vermenigvuldigd met het celoppervlak (in pixels). Hier wordt de achtergrondmediaan berekend op basis van alle pixels die niet als cellen zijn gesegmenteerd. Zoals verwacht begint de H2B-hoeveelheid toe te nemen bij het verschijnen van de knop (Figuur 11A-ii) en bereikt een constante waarde vóór nucleaire deling (Figuur 11A-iii). Dit is een belangrijke kwaliteitscontrole in de homeostase van histon-eiwitten, aangezien de hoeveelheid histon-eiwitten naar verwachting afhankelijk is van de celcyclus. Bovendien bevestigt het uitzetten van het aantal kernen in de tijd dat de hoeveelheden histon-eiwitten het maximum bereiken ongeveer rond de kerndeling.

Voor dataset 2 werd het celoppervlak in de tijd uitgezet voor een geselecteerde cel die celdeling onderging. Zoals verwacht neemt het celoppervlak toe tot het bereiken van een maximale waarde (Figuur 11B-i). Daarna neemt het af tot de celdeling (Figuur 11B-ii) terwijl de cel samentrekt. Ten slotte begint de cyclus opnieuw voor de twee dochtercellen. Dit is een andere aanbevolen analyse, aangezien het controleren van veranderingen in de celgrootte gedurende de celcyclus essentieel is om te bevestigen dat cellen groeien en delen zoals verwacht (of niet in het geval van specifieke mutanten).

figure-results-1
Figuur 1: Cel-ACDC-modules. (A) Overzicht van de 4 belangrijkste modules die kunnen worden gelanceerd vanaf de hoofdlauncher van Cell-ACDC. Na het segmenteren, volgen en annoteren van microscopiegegevens, kunnen numerieke kenmerken worden berekend vanuit de derde module ("Visualiseren en corrigeren"), of vanuit (B) het menu Hulpprogramma's op de bovenste menubalk. De "Utilities" zijn de routines die automatisch op meerdere datasets kunnen worden uitgevoerd zonder input van de gebruiker. Naast het berekenen van de metingen, omvatten andere hulpprogramma's de aaneenschakeling van meerdere uitvoertabellen in een enkele tabel, het volgen van subcellulaire objecten en het voorbewerken van afbeeldingen. Cell-ACDC ondersteunt 2D-, 3D- (z-stack of time-lapse) en 4D-gegevens (z-stacks in de loop van de tijd), met een willekeurig aantal extra kanalen. De uitvoertabel met de numerieke kenmerken kan vervolgens worden gebruikt voor stroomafwaartse analyse en biologische ontdekkingen (Figuur 10 en Figuur 11). Hiervoor zijn Jupyter-notebooks op de Cell-ACDC GitHub-pagina beschikbaar, die voorbeelden bevatten van plots die kunnen worden verkregen uit de uitvoertabel. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Stroomschema voor beslissingen tussen cellen en ACDC's. Een stroomdiagram met een overzicht van de module die moet worden gebruikt, afhankelijk van het type gegevensset en de analysevereisten. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Download voorbeeldgegevens. (a) Open welkomstgids. (B) Download voorbeeldgegevens die nodig zijn om het protocol te repliceren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Laad gegevens voor gegevensvoorbereiding. (A) Laad gegevens in de GUI voor gegevensvoorbereiding. (B) Selecteer het kanaal om te laden. (C) Bewerk en bevestig de metagegevens van de afbeelding. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Afbeelding 5: Gegevensvoorbereidingsproces uitvoeren. (A) Start het proces. (B) Positioneer ROI's (voor bijsnijden) en achtergrond-ROI's. Klik hier om een grotere versie van deze afbeelding te bekijken.

figure-results-6
Afbeelding 6: Derde module GUI om resultaten te visualiseren en te corrigeren. Screenshot van de derde module GUI ("Visualiseren en corrigeren" in Figuur 1A) met gemarkeerde items. Merk op dat de meeste knoppen op de werkbalken een tooltip hebben (toegankelijk door de muisaanwijzer over de knop te bewegen) waarin wordt uitgelegd hoe die specifieke functie moet worden gebruikt. De modusselector kan worden gebruikt om te schakelen tussen 5 modi: "Viewer", "Segmentatie en tracking", "Celcyclusanalyse" (voor asymmetrisch delende cellen), "Normale deling: afstammingsboom" (voor symmetrisch delende cellen, bijv. zoogdiercellen) en "Aangepaste annotaties". Merk op dat er vaak een werkbalk of menubalk aanwezig is in de andere GUI's (bijv. module "Gegevensvoorverwerking", Figuur 1). De werkbalk Bewerken bevat alle functies die kunnen worden gebruikt om segmentatie- en volgfouten te bewerken en te corrigeren (bijv. penseel, gum, bewerkings-ID, enz.). De geladen afbeelding wordt weergegeven in een weergave met twee panelen, wat handig is wanneer verschillende annotatie-opties nodig zijn (bijv. informatie over de celcyclus op de linkerafbeelding en ID's op de rechterafbeelding). De juiste afbeelding kan ook worden uitgeschakeld (klik met de rechtermuisknop op de afbeelding en deselecteer Gespiegelde afbeelding weergeven). Elk afbeeldingspaneel bevat een LUT-schuifregelaar aan de zijkant om snel de intensiteitsniveaus aan te passen. Door met de rechtermuisknop op de LUT-regelaar te klikken, kan de gebruiker verschillende kleurenkaarten selecteren voor de intensiteitsafbeeldingen. Bovendien is er aan de rechterkant een LUT-selector voor de kleur van de segmentatielabels om over de intensiteitsbeelden te leggen (annotatieoptie genaamd Segm. maskers). Aan de linkerkant van de annotatie-opties voor de linkerafbeelding zijn er extra schakelaars om enkele instellingen te beheren, zoals automatisch opslaan, lettergrootte, enz. Klik hier om een grotere versie van deze afbeelding te bekijken.

figure-results-7
Figuur 7: Visualiseer de voorverwerking in de hoofd-GUI. (A) Open het dialoogvenster voor voorbewerking. (B) Dialoog vóór de verwerking met parameters die worden gebruikt in het geïnitialiseerde protocol. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-8
Afbeelding 8: Visualiseer de segmentatie-uitvoer in de hoofd-GUI. (A) Selecteer een segmentatiemodel. (B) Stel segmentatieparameters in. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-9
Figuur 9: Mappenstructuur vereist door Cell-ACDC. Om met Cell-ACDC te kunnen werken, moeten de gegevens in een specifieke mappenstructuur worden gerangschikt. Hoewel Cell-ACDC een module biedt om deze structuur automatisch te genereren, is het belangrijk om te begrijpen hoe deze structuur eruit moet zien. Ten eerste moeten alle bestanden zich in een map met de naam Afbeeldingen bevinden. Vervolgens moeten ze allemaal met dezelfde naam beginnen, de zogenaamde "basename_". De minimale set van vereiste bestanden is een single-channel TIFF-bestand (2D, 3D z-stack of 3D+time) en een CSV-bestand dat eindigt op "_metadata.csv". Dit bestand moet een tabel zijn met twee kolommen, de eerste kolom met de naam Beschrijving en de tweede kolom met de naam waarden, en het moet ten minste items bevatten voor SizeT en SizeZ voor respectievelijk het aantal frames en z-slices. Als een afbeeldingsbestand geen z-slices bevat, moet GrootteZ worden ingesteld op 1. Hetzelfde geldt voor geen time-lapse-afbeeldingen, waarbij maat T 1 moet zijn. Omdat het een CSV-bestand is, is een item een enkele regel met een Description,value, gescheiden door een komma, bijvoorbeeld SizeZ,1. Voor meerdere kanalen moet één TIFF-bestand per kanaal worden gegenereerd. De map Afbeeldingen moet dan in een map met de naam "Position_1" worden geplaatst. Meerdere posities zijn toegestaan en ze moeten worden benoemd met een opeenvolgend nummer. Bij het laden van gegevens in een van de Cell-ACDC-modules kan de gebruiker een specifieke Position-map of de volledige experimentmap selecteren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-10
Figuur 10: 3D-kwantificering van tumororganoïden. Screenshot van een representatieve tumororganoïde (gegevens vanaf9) geladen in de derde module GUI van Cell-ACDC (links), voorbeeld z-plakjes met rode contouren die de segmentatiemaskers markeren (midden), en histogram van de celvolumeverdeling berekend op basis van de 3D-segmentatiemaskers (rechts). Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-11
Figuur 11: Kwantificering van time-lapse microscopiegegevens. (A) Screenshot van time-lapse-microscopiegegevens van ontluikende gistcellen geladen in de derde module GUI van Cell-ACDC (links), en kwantificering van de hoeveelheid histon H2B-eiwit in de loop van de tijd in een representatieve celcyclus (rechts). De ingezoomde afbeeldingen tonen de voorbeeldcel en zijn knop (witte pijlen) aan het begin van de celcyclus (i), bij het verschijnen van de knop (ii) en bij de kerndeling (iii). Gegevens zijn afkomstig van Chatzitheodoridou et al.35 (B) Screenshot van time-lapse-microscopiegegevens van embryonale stamcellen van muizen geladen in de derde module GUI van Cell-ACDC (links) en celgebied (μm2) uitgezet als een functie van de tijd van een representatieve cel die celdeling ondergaat. De ingezoomde afbeeldingen tonen de voorbeeldcel en zijn dochters op het maximale celoppervlak vóór deling (i), deling in twee dochtercellen (ii) en het laatst geanalyseerde frame na deling (iii). De gegevens zijn afkomstig van Zargari et al.22,33. Klik hier om een grotere versie van deze figuur te bekijken.

Discussion

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

De analyse van multidimensionale microscopiegegevens vereist vaak het gebruik van geavanceerde AI-gestuurde modellen. Deze tools worden echter snel ontwikkeld en hebben een aanzienlijke toetredingsdrempel voor adoptie. Bovendien hebben biologen vaak visualisatie van het resultaat nodig voor een effectieve foutcorrectie. Hier wordt gedemonstreerd hoe wetenschappers Cell-ACDC kunnen gebruiken om deze uitdagingen aan te gaan.

Een cruciale stap van het gepresenteerde protocol is het selecteren van het optimale segmentatiemodel. Cell-ACDC bevat een GUI die visuele selectie mogelijk maakt (Figuur 1A, module "Visualiseren en corrigeren"). Er zijn ook hulpmiddelen beschikbaar voor het voorbereiden van gegevens en batchverwerking van meerdere gegevenssets (Figuur 1A, Gegevensstructuur maken, Gegevensvoorverwerking, Segment- en volgmodules en Hulpprogramma's). Gebruikers worden aangemoedigd om problemen te melden en feedback te geven op het image.sc forum (met behulp van de tag #cell-acdc) of door een probleem te openen op de Cell-ACDC GitHub-pagina.

Hoewel Cell-ACDC al is gebruikt voor relatief grote gegevens, zoals met sferoïden in afbeeldingen met duizendenkernen 9, of time-lapse-gegevens van ontluikende gist met honderden cellen per frame, moet het programma de volledige single-channel gegevens in het RAM laden om correct te kunnen functioneren. Het wordt aanbevolen om ongeveer drie keer de bestandsgrootte van de afbeelding in het beschikbare geheugen te hebben om stabiele prestaties te garanderen. Op dit moment kunnen datasets die het beschikbare systeemgeheugen overschrijden niet worden verwerkt, maar ondersteuning voor out-of-core (lui) laden is gepland door de integratie van OME-Zarr37.

Momenteel is een van de belangrijkste beperkingen van Cell-ACDC de gedeeltelijke ondersteuning voor 3D+time datasets, aangezien de meeste tools zijn ontwikkeld voor 3D z-stack of 2D+time data. Daarom zullen toekomstige versies van Cell-ACDC zijn mogelijkheden uitbreiden met volledige ondersteuning voor 3D+time-gegevens. Daarnaast werken we aan het uitbreiden van het annotatiekader voor celstambomen voor "symmetrisch" delende cellen (bijv. zoogdiercellen), dit zijn die cellen waarbij de moedercel zich deelt in twee dochtercellen (in tegenstelling tot ontluikende gist, waar de moedercel, eenmaal per celcyclus, aanleiding geeft tot een enkele dochtercel door knopvorming). Ten slotte is Cell-ACDC vanaf nu beperkt tot gegevens waarvan de single-channel gegevens volledig in het RAM passen. Daarom zijn we van plan om lazy loading te implementeren zoals hierboven vermeld.

Sinds de release is Cell-ACDC voortdurend verbeterd, bijvoorbeeld door nieuwe segmentatie- en trackingmodellen toe te voegen, nieuwe annotatiekaders (bijvoorbeeld voor zoogdiercellen, die momenteel in bètatest zijn) en verschillende prestatieverbeteringen. Dankzij deze ontwikkelingen konden wetenschappers Cell-ACDC gebruiken om onderzoek te versnellen en wetenschappelijke ontdekkingen mogelijk te maken 6,9,16,35,38,39,40,41,42,43,44,45,46,47,48 ,49. Wat dit softwareframework uniek maakt in vergelijking met bestaande methoden 14,27,50,51 is het vermogen om bestaande modellen te benutten en aan te vullen, waardoor wordt geprofiteerd van de ontwikkelingen van de gemeenschap. De verdere ontwikkeling van Cell-ACDC wordt actief voortgezet om het te vestigen als een referentiekader voor het analyseren van multidimensionale microscopiegegevens.

Disclosures

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

De auteurs verklaren dat ze geen belangenconflict hebben.

Acknowledgements

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

We danken Mario Vitacolonna en Rudolf Rüdiger voor het delen van de sferoïdengegevens in Fig. 10, en collega's van het Institute of Functional Epigenetics, Pascal Falter-Braun en Carsten Marr, voor waardevolle discussies. Speciale dank aan de verschillende gebruikers die onschatbare feedback hebben gegeven, nieuwe functies hebben getest en geduldig problemen hebben gemeld. Dit werk werd gefinancierd door de Deutsche Forschungsgemeinschaft (DFG, Duitse Onderzoeksstichting) via project 416098229, de Helmholtz Association en de gezamenlijke onderzoeksschool Munich School for Data Science.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BABYJulian Pietsch10.7554/eLife.79812Segmentation and tracking software, optional, can be automatically installed with Cell-ACDC
Bayesian trackerKristina Ulicna10.3389/fcomp.2021.734559Tracking software, optional, can be automatically installed with Cell-ACDC
Cell-ACDCFrancesco Padovani10.1186/s12915-022-01372-6Software
Cellpose germline NucleiCristina Piñeiro López / Ana Rita Rodrigues Neves / Ivana figure-materials-1avka10.17912/MICROPUB.BIOLOGY.001062Segmentation software, optional, can be automatically installed with Cell-ACDC
Cellpose version 2Carsen Stringer10.1038/s41592-020-01018-xSegmentation software, optional, can be automatically installed with Cell-ACDC
Cellpose version 3Carsen Stringer10.1038/s41592-025-02595-5Segmentation software, optional, can be automatically installed with Cell-ACDC
Cellpose version 4 (Cellpose-SAM)Marius Pachitariu10.1101/2025.04.28.651001Segmentation software, optional, can be automatically installed with Cell-ACDC
Computer--See recommended specifications below
Computer - CPUAny-Recommended minimum 4 Cores, 2.5Ghz 
Computer - GPUNvidia (preferred) -(Optional) Recommended minimum 8GB VRAM
Computer - Hard drive spaceAny-4GB + 3 x microscopy file size
Computer - Operating SystemMicrosoft, Apple, others-Windows, MacOS and Linux are supported
Computer - RAMAny-3 x file size of single position, minimum 16GB
DeepSeaAbolfazl Zargari10.1016/j.crmeth.2023.100500Segmentation and tracking software, optional, can be automatically installed with Cell-ACDC
DeLTA Jean-Baptiste Lugagne / Owen M. O’Connor10.1101/720615 / 10.1371/journal.pcbi.1009797Segmentation and tracking software, optional, can be automatically installed with Cell-ACDC
InstanSegThibaut Goldsborough10.48550/arXiv.2408.15954Segmentation software, optional, can be automatically installed with Cell-ACDC
Miniforgeconda-forge-Link to download the installer from the Miniforge website: https://conda-forge.org/download/
OmniposeKevin Cutler10.1038/s41592-022-01639-4Segmentation software, optional, can be automatically installed with Cell-ACDC
pomBseenMakoto Ohira10.1371/journal.pone.0291391Segmentation software, optional, can be automatically installed with Cell-ACDC
SAM (Segment Anything Model)Alexander Kirillov10.48550/arXiv.2304.02643Segmentation software, optional, can be automatically installed with Cell-ACDC
StarDistUwe Schmidt / Martin Weigert10.1007/978-3-030-00934-2_30 / 10.1109/WACV45572.2020.9093435 / 10.1109/ISBIC56247.2022.9854534Segmentation software, optional, can be automatically installed with Cell-ACDC
TAPIRCarl Doersch10.48550/arXiv.2306.08637Tracking software, optional, can be automatically installed with Cell-ACDC
TrackastraBenjamin Gallusserhttps://doi.org/10.48550/arXiv.2405.1570Tracking software, optional, can be automatically installed with Cell-ACDC
TrackpyDaniel Allan10.5281/zenodo.1213240Tracking software, optional, can be automatically installed with Cell-ACDC
YeastMateDavid Bunk10.1093/bioinformatics/btac107Segmentation software, optional, can be automatically installed with Cell-ACDC
YeaZNicola Dietler10.1038/s41467-020-19557-4Segmentation and tracking software, optional, can be automatically installed with Cell-ACDC

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Live cell microscopy: from image to insight. Biophys Rev. 3, 021302(2022).">Cuny, A. P., Schlottmann, F. P., Ewald, J. C., Pelet, S., Schmoller, K. M. Live cell microscopy: from image to insight. Biophys Rev. 3, 021302(2022).
  2. Quantitative single-molecule localization microscopy. Annu Rev Biophys. 52, 139-160 (2023).">Hugelier, S., Colosi, P. L., Lakadamyali, M. Quantitative single-molecule localization microscopy. Annu Rev Biophys. 52, 139-160 (2023).
  3. Light-microscopy-based connectomic reconstruction of mammalian brain tissue. Nature. 642, 398-410 (2025).">Tavakoli, M. R., et al. Light-microscopy-based connectomic reconstruction of mammalian brain tissue. Nature. 642, 398-410 (2025).
  4. Cell painting: a decade of discovery and innovation in cellular imaging. Nat Methods. 22, 254-268 (2025).">Seal, S., et al. Cell painting: a decade of discovery and innovation in cellular imaging. Nat Methods. 22, 254-268 (2025).
  5. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47, 124-135 (2022).">Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47, 124-135 (2022).
  6. Fasting shapes chromatin architecture through an mTOR/RNA Pol I axis. Nat Cell Biol. 26, 1903-1917 (2024).">Al-Refaie, N., et al. Fasting shapes chromatin architecture through an mTOR/RNA Pol I axis. Nat Cell Biol. 26, 1903-1917 (2024).
  7. Tissue clearing and its applications in neuroscience. Nat Rev Neurosci. 21, 61-79 (2020).">Ueda, H. R., et al. Tissue clearing and its applications in neuroscience. Nat Rev Neurosci. 21, 61-79 (2020).
  8. Revealing the clinical potential of high-resolution organoids. Adv Drug Deliv Rev. 207, 115202(2024).">Ko, J., Hyung, S., Cheong, S., Chung, Y., Li Jeon, N. Revealing the clinical potential of high-resolution organoids. Adv Drug Deliv Rev. 207, 115202(2024).
  9. A multiparametric analysis including single-cell and subcellular feature assessment reveals differential behavior of spheroid cultures on distinct ultra-low attachment plate types. Front Bioeng Biotechnol. 12, 1422235(2024).">Vitacolonna, M., et al. A multiparametric analysis including single-cell and subcellular feature assessment reveals differential behavior of spheroid cultures on distinct ultra-low attachment plate types. Front Bioeng Biotechnol. 12, 1422235(2024).
  10. Spatial transcriptomic imaging of an intact organism using volumetric DNA microscopy. Nat Biotechnol. , (2025).">Qian, N., Weinstein, J. A. Spatial transcriptomic imaging of an intact organism using volumetric DNA microscopy. Nat Biotechnol. , (2025).
  11. Data management and archiving in a large microscopy-and-imaging, multi-user facility: microscopy and data management. Mol Reprod Dev. 82, 630-634 (2015).">Wallace, C. T., St. Croix, C. M., Watkins, S. C. Data management and archiving in a large microscopy-and-imaging, multi-user facility: microscopy and data management. Mol Reprod Dev. 82, 630-634 (2015).
  12. Fiji: an open-source platform for biological-image analysis. Nat Methods. 9, 676-682 (2012).">Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nat Methods. 9, 676-682 (2012).
  13. QuPath: open source software for digital pathology image analysis. Sci Rep. 7, 16878(2017).">Bankhead, P., et al. QuPath: open source software for digital pathology image analysis. Sci Rep. 7, 16878(2017).
  14. napari: a multi-dimensional image viewer for Python. Zenodo. , (2025).">Sofroniew, N., et al. napari: a multi-dimensional image viewer for Python. Zenodo. , (2025).
  15. Segmentation, tracking and cell cycle analysis of live-cell imaging data with Cell-ACDC. BMC Biol. 20, 174(2022).">Padovani, F., Mairhörmann, B., Falter-Braun, P., Lengefeld, J., Schmoller, K. M. Segmentation, tracking and cell cycle analysis of live-cell imaging data with Cell-ACDC. BMC Biol. 20, 174(2022).
  16. Segmentation of C. elegans germline nuclei. microPubl Biol. , (2023).">Piñeiro López, C., Rodrigues Neves, A. R., Čavka, I., Gros, O. J., Köhler, S. Segmentation of C. elegans germline nuclei. microPubl Biol. , (2023).
  17. pomBseen: an automated pipeline for analysis of fission yeast images. PLoS One. 18, e0291391(2023).">Ohira, M., Rhind, N. pomBseen: an automated pipeline for analysis of fission yeast images. PLoS One. 18, e0291391(2023).
  18. InstanSeg: an embedding-based instance segmentation algorithm optimized for accurate, efficient and portable cell segmentation. arXiv. , (2024).">Goldsborough, T., et al. InstanSeg: an embedding-based instance segmentation algorithm optimized for accurate, efficient and portable cell segmentation. arXiv. , (2024).
  19. Determining growth rates from bright-field images of budding cells through identifying overlaps. Elife. 12, e79812(2023).">Pietsch, J. M., et al. Determining growth rates from bright-field images of budding cells through identifying overlaps. Elife. 12, e79812(2023).
  20. YeastMate: neural network-assisted segmentation of mating and budding events in Saccharomyces cerevisiae. Bioinformatics. 38, 2667-2669 (2022).">Bunk, D., et al. YeastMate: neural network-assisted segmentation of mating and budding events in Saccharomyces cerevisiae. Bioinformatics. 38, 2667-2669 (2022).
  21. Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation. Nat Methods. 19, 1438-1448 (2022).">Cutler, K. J., et al. Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation. Nat Methods. 19, 1438-1448 (2022).
  22. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).">Zargari, A., et al. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).
  23. DeLTA: automated cell segmentation, tracking, and lineage reconstruction using deep learning. PLoS Comput Biol. 16, e1007673(2020).">Lugagne, J. B., Lin, H., Dunlop, M. J. DeLTA: automated cell segmentation, tracking, and lineage reconstruction using deep learning. PLoS Comput Biol. 16, e1007673(2020).
  24. Segment anything. arXiv. , (2023).">Kirillov, A., et al. Segment anything. arXiv. , (2023).
  25. Nuclei instance segmentation and classification in histopathology images with StarDist. IEEE Int Symp Biomed Imaging Challenges (ISBIC). , (2022).">Weigert, M., Schmidt, U. Nuclei instance segmentation and classification in histopathology images with StarDist. IEEE Int Symp Biomed Imaging Challenges (ISBIC). , (2022).
  26. A convolutional neural network segments yeast microscopy images with high accuracy. Nat Commun. 11, 5723(2020).">Dietler, N., et al. A convolutional neural network segments yeast microscopy images with high accuracy. Nat Commun. 11, 5723(2020).
  27. Cellpose3: one-click image restoration for improved cellular segmentation. Nat Methods. 22, 592-599 (2025).">Stringer, C., Pachitariu, M. Cellpose3: one-click image restoration for improved cellular segmentation. Nat Methods. 22, 592-599 (2025).
  28. Cellpose 2.0: how to train your own model. Nat Methods. 19, 1634-1641 (2022).">Pachitariu, M., Stringer, C. Cellpose 2.0: how to train your own model. Nat Methods. 19, 1634-1641 (2022).
  29. Trackastra: transformer-based cell tracking for live-cell microscopy. arXiv. , (2024).">Gallusser, B., Weigert, M. Trackastra: transformer-based cell tracking for live-cell microscopy. arXiv. , (2024).
  30. soft-matter/trackpy: v0.6.4. Zenodo. , (2024).">Allan, D. B., Caswell, T., Keim, N. C., van der Wel, C. M., Verweij, R. W. soft-matter/trackpy: v0.6.4. Zenodo. , (2024).
  31. Automated deep lineage tree analysis using a Bayesian single cell tracking approach. Front Comput Sci. 3, 734559(2021).">Ulicna, K., Vallardi, G., Charras, G., Lowe, A. R. Automated deep lineage tree analysis using a Bayesian single cell tracking approach. Front Comput Sci. 3, 734559(2021).
  32. TAPIR: tracking any point with per-frame initialization and temporal refinement. arXiv. , (2023).">Doersch, C., et al. TAPIR: tracking any point with per-frame initialization and temporal refinement. arXiv. , (2023).
  33. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).">Zargari, A., et al. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).
  34. DeLTA 2.0: a deep learning pipeline for quantifying single-cell spatial and temporal dynamics. PLoS Comput Biol. 18, e1009797(2022).">O'Connor, O. M., Alnahhas, R. N., Lugagne, J. B., Dunlop, M. J. DeLTA 2.0: a deep learning pipeline for quantifying single-cell spatial and temporal dynamics. PLoS Comput Biol. 18, e1009797(2022).
  35. Decoupled transcript and protein concentrations ensure histone homeostasis in different nutrients. EMBO J. 43, 5141-5168 (2024).">Chatzitheodoridou, D., Bureik, D., Padovani, F., Nadimpalli, K. V., Schmoller, K. M. Decoupled transcript and protein concentrations ensure histone homeostasis in different nutrients. EMBO J. 43, 5141-5168 (2024).
  36. Dilution of the cell cycle inhibitor Whi5 controls budding-yeast cell size. Nature. 526, 268-272 (2015).">Schmoller, K. M., Turner, J. J., Kõivomägi, M., Skotheim, J. M. Dilution of the cell cycle inhibitor Whi5 controls budding-yeast cell size. Nature. 526, 268-272 (2015).
  37. OME-Zarr: a cloud-optimized bioimaging file format with international community support. Histochem Cell Biol. 160, 223-251 (2023).">Moore, J., et al. OME-Zarr: a cloud-optimized bioimaging file format with international community support. Histochem Cell Biol. 160, 223-251 (2023).
  38. Exonuclease action of replicative polymerase gamma drives damage-induced mitochondrial DNA clearance. EMBO Rep. 26, 1385-1405 (2025).">Seshadri, A., Badrinarayanan, A. Exonuclease action of replicative polymerase gamma drives damage-induced mitochondrial DNA clearance. EMBO Rep. 26, 1385-1405 (2025).
  39. When mitochondria fall apart: unbalanced mitochondrial segregation triggers loss of mtDNA in the absence of mitochondrial fusion. bioRxiv. , (2025).">Dengler, L., et al. When mitochondria fall apart: unbalanced mitochondrial segregation triggers loss of mtDNA in the absence of mitochondrial fusion. bioRxiv. , (2025).
  40. Whi5 hypo- and hyper-phosphorylation dynamics control cell-cycle entry and progression. Curr Biol. 34, 2434-2447.e5 (2024).">Xiao, J., Turner, J. J., Kõivomägi, M., Skotheim, J. M. Whi5 hypo- and hyper-phosphorylation dynamics control cell-cycle entry and progression. Curr Biol. 34, 2434-2447.e5 (2024).
  41. Real-time assessment of mitochondrial DNA heteroplasmy dynamics at the single-cell level. EMBO J. 43, 5340-5359 (2024).">Roussou, R., et al. Real-time assessment of mitochondrial DNA heteroplasmy dynamics at the single-cell level. EMBO J. 43, 5340-5359 (2024).
  42. SpotMAX: a generalist framework for multi-dimensional automatic spot detection and quantification. bioRxiv. , (2024).">Padovani, F., et al. SpotMAX: a generalist framework for multi-dimensional automatic spot detection and quantification. bioRxiv. , (2024).
  43. Genome dilution by cell growth drives starvation-like proteome remodeling in mammalian and yeast cells. Nat Struct Mol Biol. 31, 1859-1871 (2024).">Lanz, M. C., et al. Genome dilution by cell growth drives starvation-like proteome remodeling in mammalian and yeast cells. Nat Struct Mol Biol. 31, 1859-1871 (2024).
  44. The origin of septin ring size control in budding yeast. bioRxiv. , (2024).">Kukhtevich, I., et al. The origin of septin ring size control in budding yeast. bioRxiv. , (2024).
  45. Single-cell imaging reveals a key role of Bck2 in budding yeast cell size adaptation to nutrient challenges. bioRxiv. , (2024).">Chadha, Y., Kukhtevich, I. V., Padovani, F., Schneider, R., Schmoller, K. M. Single-cell imaging reveals a key role of Bck2 in budding yeast cell size adaptation to nutrient challenges. bioRxiv. , (2024).
  46. Regulation with cell size ensures mitochondrial DNA homeostasis during cell growth. Nat Struct Mol Biol. 30, 1549-1560 (2023).">Seel, A., et al. Regulation with cell size ensures mitochondrial DNA homeostasis during cell growth. Nat Struct Mol Biol. 30, 1549-1560 (2023).
  47. Altered expression response upon repeated gene repression in single yeast cells. PLoS Comput Biol. 18, e1010640(2022).">Schuh, L., et al. Altered expression response upon repeated gene repression in single yeast cells. PLoS Comput Biol. 18, e1010640(2022).
  48. Quantitative RNA imaging in single live cells reveals age-dependent asymmetric inheritance. Cell Rep. 41 (7), 111656(2022).">Kukhtevich, I. V., et al. Quantitative RNA imaging in single live cells reveals age-dependent asymmetric inheritance. Cell Rep. 41 (7), 111656(2022).
  49. Single-molecule experiments reveal the elbow as an essential folding guide in SMC coiled-coil arms. Biophys J. 121, 4702-4713 (2022).">Freitag, M., et al. Single-molecule experiments reveal the elbow as an essential folding guide in SMC coiled-coil arms. Biophys J. 121, 4702-4713 (2022).
  50. Tracking cell lineages in 3D by incremental deep learning. Elife. 11, e69380(2022).">Sugawara, K., Çevrim, Ç, Averof, M. Tracking cell lineages in 3D by incremental deep learning. Elife. 11, e69380(2022).
  51. TrackMate 7: integrating state-of-the-art segmentation algorithms into tracking pipelines. Nat Methods. 19, 829-832 (2022).">Ershov, D., et al. TrackMate 7: integrating state-of-the-art segmentation algorithms into tracking pipelines. Nat Methods. 19, 829-832 (2022).

Reprints and Permissions

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

Request Permission

Tags

Multidimensional MicroscopyCell ACDCBioimage AnalysisCell SegmentationCell TrackingCell Cycle AnalysisTumor OrganoidsBudding YeastNuclear SegmentationTime Lapse Microscopy

Related Articles