Automatyzacja testu mikrojądrowego z wykorzystaniem obrazowania, cytometrii przepływowej i sztucznej inteligencji

Summary

Test mikrojądrowy (MN) jest sprawdzonym testem do ilościowego określania uszkodzeń DNA. Jednak ocena testu przy użyciu konwencjonalnych technik, takich jak mikroskopia ręczna lub analiza obrazu oparta na cechach, jest pracochłonna i wymagająca. W artykule opisano metodologię opracowania modelu sztucznej inteligencji do oceny testu MN przy użyciu danych z obrazowej cytometrii przepływowej.

Abstract

Test mikrojądrowy (MN) jest używany na całym świecie przez organy regulacyjne do oceny chemikaliów pod kątem toksyczności genetycznej. Test można przeprowadzić na dwa sposoby: poprzez ocenę MN w raz podzielonych, zablokowanych przez cytokinezę komórkach dwujądrowych lub w pełni podzielonych komórkach jednojądrowych. Historycznie rzecz biorąc, mikroskopia świetlna była złotym standardem metody oceny testu, ale jest pracochłonna i subiektywna. Cytometria przepływowa była stosowana w ostatnich latach do oceny testu, ale jest ograniczona przez niemożność wizualnego potwierdzenia kluczowych aspektów obrazowania komórkowego. Obrazowa cytometria przepływowa (IFC) łączy w sobie wysokoprzepustowe przechwytywanie obrazu i zautomatyzowaną analizę obrazu i jest z powodzeniem stosowana do szybkiego pozyskiwania obrazów i oceny wszystkich kluczowych zdarzeń w teście MN. Ostatnio wykazano, że metody sztucznej inteligencji (AI) oparte na konwolucyjnych sieciach neuronowych mogą być wykorzystywane do oceny danych testowych MN pozyskanych przez IFC. W tym dokumencie opisano wszystkie kroki korzystania z oprogramowania sztucznej inteligencji do tworzenia modelu uczenia głębokiego w celu oceny wszystkich kluczowych zdarzeń i zastosowania tego modelu do automatycznego oceniania dodatkowych danych. Wyniki z modelu głębokiego uczenia się AI wypadają dobrze w porównaniu z mikroskopią ręczną, umożliwiając w ten sposób w pełni zautomatyzowaną ocenę testu MN poprzez połączenie IFC i AI.

Introduction

Test mikrojądrowy (MN) ma fundamentalne znaczenie w toksykologii genetycznej do oceny uszkodzeń DNA podczas opracowywania kosmetyków, farmaceutyków i substancji chemicznych stosowanych u ludzi^1,2,3,4. Mikrojądra powstają z całych chromosomów lub fragmentów chromosomów, które nie włączają się do jądra po podziale i kondensują się w małe, koliste ciała oddzielone od jądra. W związku z tym MN może być używany jako punkt końcowy do ilościowego określania uszkodzeń DNA w testach genotoksyczności¹.

Preferowaną metodą do ilościowego oznaczania MN jest blokowanie podziału za pomocą Cytochalasin-B (Cyt-B). W tej wersji testu cytotoksyczność jest również oceniana poprzez ocenę komórek jednojądrowych (MONO) i wielojądrowych (POLY). Test można również przeprowadzić, oceniając MN w niezablokowanych komórkach MONO, co jest szybsze i łatwiejsze do oceny, przy czym cytotoksyczność ocenia się za pomocą liczby komórek przed i po ekspozycji w celu oceny proliferacji^5,6.

Historycznie fizyczna ocena testu była przeprowadzana za pomocą ręcznej mikroskopii, ponieważ pozwala to na wizualne potwierdzenie wszystkich kluczowych zdarzeń. Jednak mikroskopia manualna jest trudna i subiektywna¹. W ten sposób opracowano zautomatyzowane techniki, w tym skanowanie szkiełek mikroskopowych i cytometrię przepływową, z których każda ma swoje zalety i ograniczenia. Podczas gdy metody skanowania slajdów umożliwiają wizualizację kluczowych wydarzeń, slajdy muszą być tworzone w optymalnej gęstości komórek, co może być trudne do osiągnięcia. Ponadto w tej technice często brakuje wizualizacji cytoplazmatycznej, co może zagrozić punktacji komórek MONO i POLY^7,8. Podczas gdy cytometria przepływowa zapewnia wysokoprzepustowe przechwytywanie danych, komórki muszą być poddawane lizie, co nie pozwala na użycie formy Cyt-B testu. Dodatkowo, jako technika nieobrazowa, konwencjonalna cytometria przepływowa nie zapewnia wizualnej walidacji kluczowych zdarzeń^9,10.

Dlatego też badano obrazową cytometrię przepływową (IFC) w celu przeprowadzenia testu MN. ImageStream^X Mk II łączy w sobie szybkość i niezawodność statystyczną konwencjonalnej cytometrii przepływowej z możliwościami obrazowania mikroskopowego w wysokiej rozdzielczości w jednym systemie¹¹. Wykazano, że korzystając z IFC, obrazy wszystkich kluczowych zdarzeń w wysokiej rozdzielczości mogą być rejestrowane i automatycznie oceniane za pomocą feature-based^12,13 lub technik sztucznej inteligencji (AI)^14,15. Dzięki zastosowaniu IFC do przeprowadzenia testu MN możliwe jest uzyskanie automatycznej oceny znacznie większej liczby komórek w porównaniu z mikroskopią w krótszym czasie.

Ta praca odbiega od wcześniej opisanego przepływu pracy analizy obrazu¹⁶ i omawia wszystkie kroki wymagane do opracowania i wytrenowania modelu Random Forest (RF) i/lub konwolucyjnej sieci neuronowej (CNN) przy użyciu oprogramowania Amnis AI (zwanego dalej "oprogramowaniem AI"). Opisano wszystkie niezbędne kroki, w tym wypełnianie danych o prawdzie gruntowej za pomocą narzędzi do tagowania wspomaganych przez sztuczną inteligencję, interpretację wyników trenowania modelu oraz zastosowanie modelu do klasyfikacji dodatkowych danych, co pozwala na obliczenie genotoksyczności i cytotoksyczności¹⁵.

Protocol

1. Akwizycja danych za pomocą obrazowej cytometrii przepływowej

UWAGA: Zapoznaj się z Rodrigues et al.¹⁶ z następującymi modyfikacjami, zauważając, że obszary akwizycji za pomocą IFC mogą wymagać modyfikacji w celu optymalnego przechwytywania obrazu:

1. W przypadku metody innej niż Cyt-B należy przeprowadzić zliczanie komórek przy użyciu dostępnego w handlu licznika komórek zgodnie z instrukcjami producenta (patrz tabela materiałów) na każdej hodowli bezpośrednio przed hodowlą i bezpośrednio po okresie rekonwalescencji.
2. Jeśli uruchamiasz próbki na cytometrze przepływowym obrazującym jedną kamerę, umieść Brightfield (BF) w kanale 4. Zamień M01 na M04, a M07 na M01.
   UWAGA: "M" odnosi się do kanału kamery w IFC.
3. Użyj 40-krotnego powiększenia podczas akwizycji.
4. Na wykresie obszaru BF w funkcji współczynnika proporcji BF podczas akwizycji użyj następujących współrzędnych regionu:
   Współrzędne X: 100 i 900; Współrzędne Y: 0,7 i 1 (metoda Cyt-B)
   Współrzędne X: 100 i 600; Współrzędne Y: 0,7 i 1
5. Na wykresie intensywności Hoechsta użyj następujących współrzędnych regionu:
   Współrzędne X: 55 i 75; Współrzędne Y: 9,5 i 15 (metoda Cyt-B)
   Współrzędne X: 55 i 75; Współrzędne Y: 13 i 21 (metoda inna niż Cyt-B)
6. Aby usunąć obrazy obiektów apoptotycznych i nekrotycznych z danych, uruchom pakiet oprogramowania IDEAS 6.3 (zwany dalej "oprogramowaniem do analizy obrazu"; patrz Spis materiałów).
   UWAGA: Oprogramowanie AI zostało zaprojektowane do pracy z plikami .daf, które zostały przetworzone przy użyciu najnowszej wersji oprogramowania do analizy obrazu. Upewnij się, że oprogramowanie do analizy obrazu jest aktualne.
7. Zapisz tę pracę jako plik szablonu (.ast).

2. Tworzenie plików .daf dla wszystkich plików .rif

1. Oprogramowanie AI pozwala tylko na importowanie plików .daf. Utwórz pliki .daf dla wszystkich plików rif w eksperymencie za pomocą przetwarzania wsadowego.
2. W menu Narzędzia kliknij Pliki danych wsadowych, a następnie kliknij Dodaj wsad.
3. W nowym oknie wybierz pozycję Dodaj pliki i wybierz pliki rif, które mają zostać dodane do partii. W obszarze opcji Wybierz szablon lub plik analizy danych (ast, .daf) wybierz plik .ast, który został utworzony wcześniej.
4. W razie potrzeby przypisz nazwę partii i kliknij OK, aby utworzyć pliki .daf dla wszystkich załadowanych plików .rif.

3. Tworzenie eksperymentu w oprogramowaniu AI

1. Zapoznaj się ze schematem blokowym w Rysunek 1, który opisuje proces tworzenia modelu głębokiego uczenia się przy użyciu oprogramowania AI.
2. Uruchom oprogramowanie AI i upewnij się, że zainstalowana jest najnowsza wersja, klikając Informacje w lewym dolnym rogu okna. Jeśli najnowsza wersja nie jest zainstalowana, skontaktuj się z support@luminexcorp.com, aby ją uzyskać.
3. Domyślnym ekranem w oprogramowaniu jest ekran nowego eksperymentu. Użyj ikony folderu, aby wybrać miejsce zapisania eksperymentu, a następnie wpisz nazwę eksperymentu (np. "model MN").
4. W obszarze Typ eksperymentu kliknij przycisk radiowy obok opcji Trenuj, aby rozpocząć eksperyment szkoleniowy w celu rozpoczęcia tworzenia modelu CNN. Kliknij Dalej.
   1. Opcjonalnie: jeśli model został wcześniej wytrenowany, może być używany jako szablon dla nowego modelu AI i może być wybrany jako szablon do tworzenia nowego modelu na ekranie Wybierz model szablonu. Jeśli nie istnieje żaden model szablonu, po prostu pomiń ten krok, klikając przycisk Dalej.
5. Następny ekran to ekran Definiowanie nowego modelu. W obszarze Model zostanie automatycznie wypełniona nazwa nadana modelowi w kroku 3.3.
   1. W polu Opis wpisz opis modelu (opcjonalnie) i pozostaw maksymalny rozmiar obrazu na poziomie 150 pikseli.
   2. W sekcji Kanały kliknij Dodaj BF, aby dodać kanał brightfield do listy. W obszarze Nazwa kliknij dwukrotnie Brightfield i zmień nazwę tego kanału na BF. Kliknij Dodaj FL, aby dodać kanał fluorescencyjny do listy. W obszarze Nazwa kliknij dwukrotnie Fluorescencyjny i zmień nazwę tego kanału na DNA.
   3. W obszarze Nazwy klas kliknij przycisk Dodaj. W wyskakującym okienku wpisz Mononucleated i kliknij OK. Spowoduje to dodanie klasy monojądrowej do listy nazw klas. Powtórz ten proces, aby upewnić się, że na liście zdefiniowano następujące sześć klas:
      Monojądrowy
      Monojądrowany MN
      Dwujądrowy
      Dwujądrowy z MN
      Polijądrowy
      Nieregularna morfologia
      Kliknij Dalej.
      UWAGA: Te sześć klas modeli prawdy podstawowej będzie reprezentować kluczowe zdarzenia, które mają być oceniane, a także obrazy o morfologii, która różni się od akceptowanych kryteriów punktacji⁵.
      1. Opcjonalnie: W razie potrzeby można dołączyć szablon analizy z wersji 1.7, aby wykorzystać funkcje oprogramowania do analizy obrazu. Jeśli chcesz uwzględnić te funkcje w modelu AI, wyszukaj plik .ast, a następnie z list rozwijanych specyficznych dla kanału wybierz podzbiory funkcji, które chcesz uwzględnić.
   4. W obszarze Wybierz pliki kliknij Dodaj pliki i wyszukaj żądane pliki, które mają zostać dodane do oprogramowania AI, aby zbudować podstawowe dane prawdy. Kliknij Next.
      UWAGA: Ważne jest, aby dodać wiele plików danych (np. dane dotyczące kontroli dodatniej i ujemnej), które zawierają wystarczającą liczbę wszystkich kluczowych zdarzeń.
6. Następnie na ekranie Wybierz populacje bazowe zlokalizuj populację nieapoptotyczną w hierarchii populacji. Kliknij prawym przyciskiem myszy populację nieapoptotyczną i wybierz opcję Zaznacz wszystkie pasujące populacje. Kliknij Next.
   UWAGA: Ważne jest, aby wykluczyć wszelkie populacje, które nie powinny być klasyfikowane (np. koraliki, szczątki, dublety itp.)
7. Ten ekran to ekran Select Truth Populations (Wybieranie populacji prawdy).
   1. Jeśli oznaczone populacje prawdy kluczowych zdarzeń nie zostały utworzone w oprogramowaniu do analizy obrazu, kliknij przycisk Dalej.
   2. Jeśli w oprogramowaniu do analizy obrazów utworzono oznaczone populacje prawdy, przypisz je do odpowiedniej klasy modelu.
   3. Aby przypisać oznaczoną populację komórek MONO z MN, kliknij na klasę Mononucleated with MN w obszarze Model Classes po lewej stronie. Następnie kliknij odpowiednią oznaczoną populację prawdy po prawej stronie, która zawiera te zdarzenia.
   4. Jeśli oznaczone populacje prawdy zostały utworzone w więcej niż jednym pliku danych, kliknij prawym przyciskiem myszy jedną z populacji prawdy i wybierz opcję Wybierz wszystkie pasujące populacje, aby dodać oznaczone populacje z wielu plików do odpowiedniej klasy.
   5. Po przypisaniu wszystkich odpowiednich populacji prawdy kliknij przycisk Dalej.
8. Na ekranie Wybierz kanały wybierz odpowiednie kanały do eksperymentu. Tutaj ustaw BF na kanał 1 i Hoechst na kanał 7. Kliknij kanał prawym przyciskiem myszy i wybierz opcję Zastosuj do wszystkich. Kliknij Dalej.
9. Na koniec na ekranie potwierdzenia kliknij Utwórz eksperyment.
10. Oprogramowanie AI ładuje obrazy z plików danych i tworzy klasy modeli zdefiniowane w kroku 3.5.3 z obrazami prawdy podstawowej, które zostały przypisane w kroku 3.7. Kliknij Zakończ.
11. Po utworzeniu eksperymentu wyświetlanych jest pięć opcji:
    Eksperyment: zawiera szczegółowe informacje o eksperymencie, w tym załadowane pliki danych, wybrane kanały i zdefiniowane klasy modelu prawdy podstawowej.
    Tagowanie: uruchamia narzędzie do tagowania, za pomocą którego użytkownicy mogą wypełniać podstawowe dane prawdy.
    Szkolenie: trenuje model na podstawie podstawowych danych prawdy.
    Klasyfikuj: używa wytrenowanych modeli do klasyfikowania danych.
    Wyniki: zawiera wyniki zarówno z eksperymentu szkoleniowego, jak i eksperymentu klasyfikacji.

4. Wypełnianie podstawowych danych za pomocą narzędzi do tagowania wspomaganych przez sztuczną inteligencję

1. Kliknij Tagowanie, aby uruchomić interfejs narzędzia do tagowania.
   1. Kliknij narzędzia powiększania (ikony szkła powiększającego), aby przyciąć obrazy w celu łatwiejszego przeglądania.
   2. Kliknij suwak, aby dostosować rozmiar obrazu, aby zmienić liczbę obrazów wyświetlanych w galerii.
   3. Kliknij opcję Ustawienia wyświetlania i wybierz Min-Max, który zapewnia najlepszy kontrast obrazu do identyfikacji wszystkich kluczowych zdarzeń.
   4. Kliknij Setup Gallery Display, aby zmienić kolor obrazu DNA na żółty lub biały, co poprawi wizualizację małych obiektów (np. MN).
2. Kliknij Klaster, aby uruchomić algorytm w celu grupowania obiektów o podobnej morfologii. Po zakończeniu grupowania poszczególne klastry z liczbą obiektów na klaster są wyświetlane na liście w obszarze Nieznane populacje. Wybierz poszczególne klastry, aby wyświetlić obiekty w klastrze i przypisać te obiekty do odpowiednich klas modelu.
3. Po przypisaniu co najmniej 25 obiektów do każdej klasy modelu algorytm przewidywania staje się dostępny. Kliknij Predict.
   UWAGA: Obiekty, które nie pasują do żadnej populacji, pozostają sklasyfikowane jako Nieznane. W miarę dodawania kolejnych obiektów do populacji prawdy zwiększa się dokładność przewidywania.
4. Kontynuuj wypełnianie klas modelu prawdy naziemnej odpowiednimi obrazami, aż zostanie osiągnięta wystarczająca liczba obiektów w każdej klasie.
5. Po przypisaniu co najmniej 100 obiektów do każdej klasy modelu, kliknij zakładkę Trening u góry ekranu. Kliknij przycisk Train (Trenuj), aby utworzyć model przy użyciu algorytmów Random Forest i CNN.
   UWAGA: Oprogramowanie AI tworzy modele przy użyciu zarówno algorytmów Random Forest, jak i CNN, pola wyboru pozwalają na tworzenie modeli przy użyciu algorytmów Random Forest of CNN.

5. Ocena dokładności modelu

1. Po zakończeniu trenowania modelu kliknij pozycję Wyświetl wyniki.
2. Użyj ekranu wyników, aby ocenić dokładność modelu. Użyj menu rozwijanego, aby przełączać się między Random Forest i CNN.
   UWAGA: Populacje prawdy mogą być aktualizowane, a model może być ponownie trenowany lub używany w niezmienionej postaci do klasyfikowania dodatkowych danych.
   1. Aby zaktualizować populacje prawdy, kliknij Tagowanie u góry i postępuj zgodnie z sekcją 4.

6. Klasyfikacja danych za pomocą modelu

1. Uruchom oprogramowanie AI. Domyślnym ekranem jest ekran nowego eksperymentu. Użyj ikony folderu, aby wybrać miejsce zapisania eksperymentu i wpisać nazwę eksperymentu.
2. W obszarze Typ eksperymentu kliknij przycisk radiowy obok pozycji Klasyfikuj, aby rozpocząć eksperyment klasyfikacji. Kliknij Dalej.
3. Kliknij model, który ma zostać użyty do klasyfikacji, a następnie kliknij przycisk Dalej.
4. Na ekranie Select Files (Wybierz pliki) kliknij Add Files (Dodaj pliki) i wyszukaj pliki, które mają zostać sklasyfikowane przez model CNN. Kliknij Dalej.
5. Następnie na ekranie Select Base Populations (Wybierz populacje podstawowe) kliknij pole wyboru obok opcji Populacja nieapoptotyczna w jednym z załadowanych plików. Kliknij prawym przyciskiem myszy populację nieapoptotyczną i kliknij Wybierz wszystkie pasujące populacje, aby wybrać tę populację ze wszystkich załadowanych plików. Kliknij Dalej.
6. Opcjonalnie: jeśli dane do sklasyfikowania zawierają populacje prawdy, można je przypisać do odpowiednich klas modeli na ekranie Wybierz populacje prawdy. W przeciwnym razie kliknij przycisk Dalej, aby pominąć ten krok.
7. Na ekranie Select Channels (Wybierz kanały) wybierz Channel 1 (Kanał 1) dla jasnego pola i Channel 7 (Kanał 7) dla barwienia DNA. Kliknij kanał prawym przyciskiem myszy i kliknij Zastosuj do wszystkich. Następnie kliknij Dalej.
8. Na koniec na ekranie potwierdzenia kliknij Utwórz eksperyment. Oprogramowanie AI ładuje wybrany model i wszystkie obrazy z wybranych plików danych. Kliknij Zakończ.
9. Kliknij Klasyfikuj, aby uruchomić ekran klasyfikacji. Kliknij przycisk Klasyfikuj. Rozpoczyna to proces używania modelu RF i CNN do klasyfikowania dodatkowych danych i identyfikowania wszystkich obiektów, które należą do określonych klas modeli.
   UWAGA: Pól wyboru można użyć do wyboru modelu RF i/lub modelu CNN.
10. Po zakończeniu klasyfikacji kliknij Wyświetl wyniki.
11. Kliknij przycisk Aktualizuj DAF-y, aby wyświetlić okno Aktualizuj DAF-y z wynikami klasyfikacji. Kliknij OK, aby zaktualizować pliki .daf.

7. Generowanie raportu z wyników klasyfikacji

1. Na ekranie Wyniki kliknij przycisk Generuj raport. Zaznacz pole wyboru Utwórz raport dla każdego wejściowego DAF, jeśli wymagany jest osobny raport dla każdego wejściowego DAF. Kliknij OK.
2. Po zakończeniu otwórz folder, w którym zostały zapisane pliki raportu. W folderze znajduje się raport .pdf eksperymentu i folder Zasoby.
3. Otwórz .pdf, aby wyświetlić raport. Raport zawiera informacje o modelu i eksperymencie, listę wejściowych plików .daf, liczbę klas i wartości procentowe klas w formacie tabelarycznym i histogramu oraz macierz pomyłek podsumowującą medianę prawdopodobieństwa przewidywania we wszystkich wejściowych plikach .daf.
4. Otwórz folder Zasoby, a następnie folder CNN. W tym folderze znajdują się .png pliki z wykresami słupkowymi liczby klas i procentów, a także macierz pomyłek. Ponadto istnieje .csv plików zawierających liczbę klas i wartości procentowe dla każdego pliku wejściowego.

8. Określanie częstości występowania MN i cytotoksyczności

1. Obliczanie częstotliwości MN
   1. Metoda inna niż Cyt-B: Aby określić częstotliwość MN, otwórz plik class_count.csv z kroku 7.4. Dla każdego pliku wejściowego podziel liczby w populacji "Monojądro z MN" przez liczby w populacji "Monojądrowate" i pomnóż przez 100:
      
   2. Metoda Cyt-B: Aby określić częstotliwość MN, otwórz plik class_count.csv z kroku 7.4. Dla każdego pliku wejściowego podziel liczby w populacji "Dwujądrowej z MN" przez liczby w populacji "Dwujądrowej" i pomnóż przez 100:
      
2. Obliczanie cytotoksyczności
   1. Metoda inna niż Cyt-B:
      1. Korzystając z początkowej liczby komórek i liczby komórek po poddaniu działaniu substancji, najpierw oblicz podwojenie populacji (PD) dla każdej próbki²:
         
      2. Następnie oblicz względną populację podwajającą się²:
         
      3. Na koniec oblicz cytotoksyczność² dla każdej próbki:
         
   2. Metoda Cyt-B:
      1. Aby obliczyć wskaźnik proliferacji bloku cytokinezy (CBPI)², użyj liczb w klasach jednojądrowych, dwujądrowych i wielojądrowych dla każdej próbki z class_count.csv plik:
         
      2. Aby obliczyć cytotoksyczność², użyj CBPI z kultur kontrolnych (C) i kultur narażonych (T):
         

Results

Rysunek 1 pokazuje przebieg pracy przy użyciu oprogramowania AI do stworzenia modelu dla testu MN. Użytkownik ładuje żądane pliki .daf do oprogramowania AI, a następnie przypisuje obiekty do klas modelu prawdy naziemnej za pomocą algorytmów tagowania klastra wspomaganego przez sztuczną inteligencję (Rysunek 2) i predict (Rysunek 3). Gdy wszystkie klasy modeli prawdy gruntowej zostaną wypełnione wystarczającą liczbą obiektów, model m...

Discussion

Prezentowana praca opisuje wykorzystanie algorytmów głębokiego uczenia się do automatyzacji punktacji testu MN. Kilka ostatnich publikacji wykazało, że intuicyjne, interaktywne narzędzia pozwalają na tworzenie modeli głębokiego uczenia się w celu analizy danych obrazowych bez konieczności posiadania dogłębnej wiedzy obliczeniowej^18,19. Protokół opisany w tej pracy, wykorzystujący pakiet oprogramowania oparty na interfejsie użytkownika, został zaprojektowany tak, ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Probówka wirówkowa 15 ml	Falcon	352096
Cleanser - Coulter Clenz	Beckman Coulter	8546931	Pojemnik do napełniania 200 ml środka czyszczącego.  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 butelkowy filtr próżniowy	MilliporeSigma	CLS430769	0,22 i mikro; m filtr, butelka 500 ml
Cytochalazyna B	MiliporeSigma	14930-96-2	Butelka 5 mg
Debubbler - 70% Isopropanol	MilliporeSigma	1.3704	Napełnij pojemnik 200 ml Debubbler.  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
Dimetylosulfotlenek (DMSO)	MilliporeSigma	67-68-5
Sól fizjologiczna buforowana fosforanem Dulbecco 1X	EMD Milipore	BSS-1006-B	PBS Ca++MG++ Bezpłatny
Hyklon płodowej surowicy bydlęcej		SH30071.03
Formaldehyd, 10%, bez metanolu, Ultra Pure	Polysciences, Inc.	04018	To jest to, co jest używane do 4% i 1% formaliny. UWAGA: Formalina/formaldehyd toksyczny przez drogi oddechowe i po połknięciu. Działa drażniąco na oczy, drogi oddechowe i skórę. Może powodować uczulenie przez drogi oddechowe lub kontakt ze skórą. Ryzyko poważnego uszkodzenia oczu. Potencjalne zagrożenie rakiem.  http://www.polysciences.com/default/catalog-products/life-sciences/histology-microscopy/fixatives/formaldehydes/formaldehyde-10-methanol-free-pure/
Analizator komórek Guava Muse	Luminex	0500-3115	Zastosowano analizator komórek Guava Muse o standardowej konfiguracji.
Hoechst 33342	Thermo Fisher	H3570	10 mg/ml roztwór
Miliporów mannitoluSigma		69-65-8
MEM Aminokwasy endogenne 100X	Hyklon	SH30238.01
MIFC - ImageStreamX Mark II	Luminex, firma DiaSorin	100220	A 2 ImageStreamX Mark II wyposażoną w lasery 405 nm, 488 nm i 642 nm.
Oprogramowanie do analizy MIFC - IDEAS	Luminex, firma należąca do DiaSorin	100220	"Oprogramowanie do analizy obrazu" Oprogramowanie towarzyszące MIFC (ImageStreamX MKII)
Oprogramowanie MIFC - INSPIRE	Luminex, firma należąca do DiaSorin	100220	"Oprogramowanie do akwizycji obrazu" Jest to oprogramowanie, które uruchamia oprogramowanie MIFC (ImageStreamX MKII)
Oprogramowanie Amnis AI	Luminex, firma	DiaSorin100221	"Oprogramowanie AI" Jest to oprogramowanie, które pozwala na tworzenie modeli sztucznej inteligencji do analizy danych
Mitomycyna C	MiliporeSigma	50-07-7
Mieszanina NEAA 100x	Lonza BioWhittaker	13-114E
Penicllin/Streptomycyna/Glutamina roztwór 100X	Gibco	15070063
Chlorek potasu (KCl)	MilliporeSigma	P9541
Płukanie - Woda ultraczysta lub woda dejonizowana	NA	NA	Użyj dowolnej wody ultraczystej lub wody dejonizowanej.  Napełnij pojemnik 900 ml płukania.
RNase	MilliporeSigma	9001-99-4
RPMI-1640 Medium 1x	HyClone	SH30027.01
Osłona - PBS	MilliporeSigma	BSS-1006-B	To jest to samo, co sól fizjologiczna buforowana fosforanem Dulbecco 1x  Ca++MG++ za darmo.  Napełnij pojemnik 900 ml pochwy.
Sterylizator	HyClone	SH30529.01
0.4%– 0,7% podchlorynu	VWR	JT9416-1	Jest to zdecydowanie 10% wybielacza Clorox, który można uzyskać, rozcieńczając wybielacz Clorox wodą. Napełnij pojemnik 200 ml sterylizatora.
Kolba T25	Falcon	353109
Kolba T75	Falcon	353136
Ogniwa TK6	MilliporeSigma	95111735