Name: Analiza danych z mikroskopii wielowymiarowej z wykorzystaniem Cell-ACDC (Wideo) | JoVE Journal
Uploaded: 2025-11-07T13:40:00.000+00:00
Duration: 6 min 17 s
Description: Poznaj analizę danych z mikroskopii wielowymiarowej za pomocą oprogramowania Cell-ACDC z algorytmami AI. To narzędzie usprawnia segmentację, śledzenie i kwantyfikację cyklów podziału komórek.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dziękujemy Mario Vitacolonnie i Rudolfowi Rüdigerowi za podzielenie się danymi o sferoidach na rys. 10 oraz współpracownikom z Instytutu Epigenetyki Funkcjonalnej, Pascalowi Falter-Braunowi i Carstenowi Marrowi, za cenne dyskusje. Szczególne podziękowania dla kilku użytkowników, którzy udzielili nieocenionych opinii, przetestowali nowe funkcje i cierpliwie zgłaszali problemy. Prace te zostały sfinansowane przez Deutsche Forschungsgemeinschaft (DFG, Niemiecka Fundacja Badawcza) w ramach projektu 416098229, Stowarzyszenia Helmholtza oraz wspólną szkołę badawczą Munich School for Data Science.

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

Autorzy deklarują, że nie mają konfliktu interesów.

Analiza danych z mikroskopii wielowymiarowej często wymaga użycia nowoczesnych modeli opartych na AI. Jednak te narzędzia są rozwijane szybko i stanowią istotną barierę wejścia do ich adopcji. Dodatkowo biolodzy często potrzebują wizualizacji wyniku, aby skutecznie poprawić błędy. Tutaj pokazano, jak naukowcy mogą wykorzystać Cell-ACDC do rozwiązywania tych wyzwań.
Kluczowym krokiem przedstawionego protokołu jest wybór optymalnego modelu segmentacji. Cell-ACDC zawiera interfejs graficzny umożliwiający wizualny wybór (Rysunek 1A, moduł "Visualise and correct"). Dostępne są także narzędzia do przygotowywania danych i przetwarzania wsadowego wielu zbiorów danych (Rysunek 1A, Tworzenie struktury danych, Wstępne przetwarzanie danych, Moduły Segment i Śledzenie oraz Narzędzia). Użytkownicy są zachęcani do zgłaszania problemów i udzielania opinii na forum image.sc (używając tagu #cell-acdc) lub poprzez otwarcie numeru na stronie Cell-ACDC na GitHubie.
Chociaż Cell-ACDC był już używany na stosunkowo dużych danych, takich jak sferoidy na obrazach z tysiącami jąder9 lub dane poklatkowe z pączkującymi drożdżami z setkami komórek na klatkę, program musi załadować całe dane jednokanałowe do pamięci RAM, aby działać poprawnie. Zaleca się około trzykrotność rozmiaru pliku obrazu w dostępnej pamięci, aby zapewnić stabilną wydajność. Obecnie zbiory danych przekraczające dostępną pamięć systemową nie mogą być przetwarzane, ale planowane jest wsparcie dla ładowania poza rdzeniem (leniwe) poprzez integrację OME-Zarr37.
Obecnie jednym z głównych ograniczeń Cell-ACDC jest częściowe wsparcie dla zbiorów danych 3D+time, ponieważ większość narzędzi została opracowana zarówno do 3D z-stack, jak i 2D+time danych. W związku z tym przyszłe wersje Cell-ACDC rozszerzyą jego możliwości o pełne wsparcie dla danych 3D+time. Dodatkowo pracujemy nad rozszerzeniem ram adnotacji rodowodu komórkowego dla komórek dzielących się "symetrycznie" (np. komórek ssaków), czyli tych, w których komórka matka dzieli się na dwie komórki potomne (w przeciwieństwie do drożdży pączkowych, gdzie komórka matka raz na cykl komórkowy daje pojedynczą komórkę potomną poprzez pąkowanie). Na koniec, obecnie Cell-ACDC jest ograniczony do danych, których dane jednokanałowe mieszczą się całkowicie w pamięci RAM. Dlatego planujemy wdrożyć leniwe ładowanie, jak wspomniano powyżej.
Od momentu wprowadzenia Cell-ACDC jest nieustannie ulepszany, na przykład poprzez dodawanie nowych modeli segmentacji i śledzenia, nowych ram adnotacji (np. dla komórek ssaków, obecnie w fazie testów beta) oraz różnych usprawnień wydajności. Dzięki tym osiągnięciom naukowcy mogli wykorzystać Cell-ACDC do przyspieszenia badań i umożliwienia odkryć naukowych 6,9,16,35,38,39,40,41,42,43,44,45,46,47,48,49. To, co wyróżnia ten framework programowy w porównaniu z istniejącymi metodami 14,27,50,51, to jego zdolność do wykorzystywania i uzupełniania istniejących modeli, dzięki czemu korzysta z rozwoju społeczności. Dalszy rozwój Cell-ACDC jest aktywnie prowadzony, aby uczynić go ramą odniesienia do analizy danych z mikroskopii wielowymiarowej.

Mikroskopia stała się podstawą przyspieszenia odkryć biologicznych na każdym etapie badań i rozwoju, od nauk podstawowych 1,2,3 po odkrywanie i testowanie leków 4,5 oraz na zadziwiającym zakresie rozmiarów, od hodowli komórkowych po tkanki 6,7, organoidy 8,9 i całe organizmy10. Te zaawansowane techniki mikroskopii mają jednak dwie główne wady. Po pierwsze, dane mikroskopowe są z natury duże11, zwłaszcza przy pozyskiwaniu wielu wymiarów (np. czasu i objętości). Po drugie, dokładne wyodrębnienie bogatych informacji biologicznych z danych wymaga zastosowania zaawansowanych ram analizy obrazów, które często opierają się na modelach AI. To zadanie może być trudne dla biologów eksperymentalnych. Dlatego etapy przetwarzania, przetwarzania i analizy danych mogą znacznie spowolnić badania naukowe, jednocześnie zmniejszając potencjał do nowych odkryć. Idealnie byłoby, aby ramy programowe do analizy bioobrazów wspierały użytkownika na każdym etapie analizy, od obsługi surowych plików mikroskopowych, przez segmentację i śledzenie, po analizę dalszą w celu wydobycia biologicznych wniosków. W praktyce szybki rozwój nowego oprogramowania do analizy bioobrazów, choć był pozytywnym efektem, miał efekt uboczny w postaci stworzenia rozproszonego krajobrazu narzędzi specyficznych dla konkretnego etapu analizy lub wymagającego zaawansowanej wiedzy programistycznej. Pozostawia to użytkownika przed trudnym zadaniem stworzenia workflow analityki, co często skutkuje nieoptymalnymi potokami, w których dane są wielokrotnie zapisywane, przetwarzane i konwertowane, aby były kompatybilne z kolejnym narzędziem. Ponadto rozwój analizy bioimage nie jest ustandaryzowany do jednego języka programowania, wiele narzędzi jest rozwijanych jako wtyczki ImageJ12 lub QuPath13 (Java), wtyczki Napari (Python)14 czy skrypty Pythona. W niektórych przypadkach to trudne środowisko skłania naukowców do wyboru analizy ręcznej, co nie tylko jest powolne, ale także wprowadza uprzedzenia u ludzi i utrudnia powtarzalność.
Aby rozwiązać ten problem, opracowano Cell-ACDC (Cell-Analysis of the Cell Division Cycle)15, otwartoźródłowy zestaw narzędzi graficznych napisany w Pythonie do analizy danych z mikroskopii wielowymiarowej. Co istotne, Cell-ACDC oferuje wiele wstępnie zaimplementowanych i automatycznie instalowanych (w razie potrzeby) nowoczesnych modeli zarówno do segmentacji (Cellpose, StarDist, Segment Anything, YeaZ, YeastMate, itd.16,17,18,19,20,21,22,23,24,25,26 ,27,28) oraz śledzenia (Trackastra, Trackpy, Bayesian Tracker, Cell-ACDC itd.19,29,30,31,32,33,34). Modele te uzupełnione są ramami do wizualizacji danych adnotowanych oraz komputerowo wspomaganymi ręcznymi korektami. Dodatkowo, w ramach tych samych ram, Cell-ACDC udostępnia moduł dla każdego etapu potoku analizy obrazów, automatycznie dbając o obsługę, przetwarzanie i zapisywanie danych (Rysunek 1). Bardziej szczegółowo, umożliwia użytkownikowi wykonywanie segmentacji instancji (np. pojedynczych komórek), śledzenia obiektów, adnotacji stanów komórek (np. etap cyklu komórkowego) oraz różnych form ilościowości, w tym analizy dostępnych kanałów fluorescencyjnych.
Jedną z głównych zalet Cell-ACDC jest analiza danych z mikroskopii czasopoślizgowej na żywo z komórek, co stanowi poważne wyzwania ze względu na konieczność spójności między punktami czasowymi. Chociaż istnieje wiele modeli do automatycznej segmentacji i śledzenia pojedynczych komórek, ręczne korekty pozostają niezbędne do rozwiązywania złożonych zagadnień biologicznych. Cell-ACDC oferuje zestaw narzędzi specjalnie zaprojektowanych do usprawnienia procesu korekcji. Integruje inteligentne algorytmy, aby zminimalizować liczbę ręcznych regulacji. Co istotne, korekty są automatycznie propagowane we wszystkich istotnych ramach przyszłych i przeszłych, zachowując integralność danych przez całą analizę. Ze względu na modułową konstrukcję i rosnącą bazę użytkowników, priorytetem jest ciągły rozwój tego oprogramowania, a dalsze wysiłki koncentrowane są na integracji nowych modeli i odpowiadaniu na zmieniające się potrzeby społeczności.

<table><tbody><tr><td>NIEMOWLĘ</td><td>Julian Pietsch</td><td>10.7554/eLife.79812</td><td>Opcjonalne oprogramowanie do segmentacji i śledzenia może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Tracker bayesowski</td><td>Kristina Ulicna</td><td>10.3389/fcomp.2021.734559</td><td>Opcjonalne oprogramowanie do śledzenia może być automatycznie zainstalowane w Cell-ACDC</td></tr><tr><td>Cell-ACDC</td><td>Francesco Padovani</td><td>10.1186/s12915-022-01372-6</td><td>Oprogramowanie</td></tr><tr><td>Jądra linii zarodkowej komórkowej</td><td>Cristina Pi&ntilde; eiro L&oacute; pez / Ana Rita Rodrigues Neves / Ivana <img alt="Równanie 1" src="/files/ftp_upload/68954/68954eq1.jpg" style="margines: auto; "/>avka</td><td>10.17912/MICROPUB. BIOLOGIA.001062</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Cellpose wersja 2</td><td>Carsen Stringer</td><td>10.1038/s41592-020-01018-x</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Cellpose wersja 3</td><td>Carsen Stringer</td><td>10.1038/s41592-025-02595-5</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Cellpose wersja 4 (Cellpose-SAM)</td><td>Marius&nbsp; Pachitariu</td><td>10.1101/2025.04.28.651001</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Komputer</td><td>-</td><td>-</td><td>Zobacz zalecane specyfikacje poniżej</td></tr><tr><td>Komputer - CPU</td><td>Jakikolwiek</td><td>-</td><td>Zalecane minimum 4 rdzenie, 2,5 GHz i nbsp;</td></tr><tr><td>Komputer - GPU</td><td>Nvidia (preferowana) &nbsp;</td><td>-</td><td>(Opcjonalnie) Zalecana minimalna wartość 8GB VRAM</td></tr><tr><td>Komputer - Przestrzeń na dysku twardym</td><td>Jakikolwiek</td><td>-</td><td>4GB + 3 x rozmiar pliku mikroskopowego</td></tr><tr><td>Komputer - System operacyjny</td><td>Microsoft, Apple, inni</td><td>-</td><td>Obsługiwane są Windows, MacOS i Linux</td></tr><tr><td>Komputer - RAM</td><td>Jakikolwiek</td><td>-</td><td>3 x rozmiar pliku o pojedynczej pozycji, minimum 16GB</td></tr><tr><td>DeepSea</td><td>Abolfazl&nbsp; Zargari</td><td>10.1016/j.crmeth.2023.100500</td><td>Opcjonalne oprogramowanie do segmentacji i śledzenia może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>DeLTA&nbsp;</td><td>Jean-Baptiste Lugagne / Owen M. O' Connor</td><td>10.1101/720615 / 10.1371/journal.pcbi.1009797</td><td>Opcjonalne oprogramowanie do segmentacji i śledzenia może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>InstanSeg</td><td>Thibaut Goldsborough</td><td>10.48550/arXiv.2408.15954</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>Miniforge</td><td>Conda-Forge</td><td>-</td><td>Link do pobrania instalatora ze strony Miniforge: https://conda-forge.org/download/</td></tr><tr><td>Omnipose</td><td>Kevin Cutler</td><td>10.1038/s41592-022-01639-4</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>pomBseen</td><td>Makoto Ohira</td><td>10.1371/journal.pone.0291391</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>SAM (Model Segment Anything)</td><td>Aleksander Kirillow</td><td>10.48550/arXiv.2304.02643</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>StarDist</td><td>Uwe Schmidt / Martin Weigert</td><td>10.1007/978-3-030-00934-2_30 / 10.1109/WACV45572.2020.9093435 / 10.1109/ISBIC56247.2022.9854534</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>TAPIR</td><td>Carl Doersch</td><td>10.48550/arXiv.2306.08637</td><td>Opcjonalne oprogramowanie do śledzenia może być automatycznie zainstalowane w Cell-ACDC</td></tr><tr><td>Trackastra</td><td>Benjamin Gallusser</td><td>https://doi.org/10.48550/arXiv.2405.1570</td><td>Opcjonalne oprogramowanie do śledzenia może być automatycznie zainstalowane w Cell-ACDC</td></tr><tr><td>Trackpy</td><td>Daniel Allan</td><td>10.5281/zenodo.1213240</td><td>Opcjonalne oprogramowanie do śledzenia może być automatycznie zainstalowane w Cell-ACDC</td></tr><tr><td>YeastMate</td><td>David Bunk</td><td>10.1093/bioinformatyka/btac107</td><td>Opcjonalne oprogramowanie segmentacyjne może być automatycznie zainstalowane z Cell-ACDC</td></tr><tr><td>YeaZ</td><td>Nicola Dietler</td><td>10.1038/s41467-020-19557-4</td><td>Opcjonalne oprogramowanie do segmentacji i śledzenia może być automatycznie zainstalowane z Cell-ACDC</td></tr></tbody></table>

analiza danych z mikroskopii wielowymiarowej z wykorzystaniem cell-acdc

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

Najnowsze osiągnięcia w mikroskopii ilościowej dla nauk przyrodniczych umożliwiły biologom eksperymentalnym badanie komórek z niespotykaną dotąd rozdzielczością i szybkością. Jednocześnie rewolucja AI dramatycznie zwiększyła ilość informacji, które można wydobyć z danych z wielowymiarowej mikroskopii. Jednak ogromna ilość generowanych danych oraz złożoność nowoczesnych modeli AI stanowią poważne wąskie gardło na etapie analizy obrazów. Cell-ACDC to otwartoźródłowe, przyjazne użytkownikowi oprogramowanie, które zapewnia zaawansowane, kompleksowe rozwiązanie do segmentacji, śledzenia i analizy ilościowej pojedynczych komórek w danych mikroskopii wielowymiarowej. Jest dostosowany do biologów eksperymentalnych, którzy mogą nie posiadać zaawansowanej wiedzy technicznej potrzebnej do wdrożenia takich modeli. Ten artykuł pokazuje, jak wykorzystać ramy do łatwego wykorzystania najnowszych modeli oraz wielu narzędzi do inteligentnej i półautomatycznej korekcji danych, aby zmaksymalizować ilość dostępnych informacji biologicznych. Cell-ACDC obsługuje dane wielokanałowe, time-lapse oraz z-stack mikroskopii oraz zapewnia dedykowany zestaw narzędzi dostosowany do każdego typu wymiarowości danych. Dzięki modułowej konstrukcji, która umożliwia płynną integrację nowych modeli i bezpośredni dostęp do nich przez biologów, Cell-ACDC ma potencjał, by służyć jako narzędzie referencyjne do analizy danych mikroskopicznych.

Dokładna analiza danych z mikroskopii wielowymiarowej wymaga złożonych procesów pracy. Ten artykuł pokazuje, jak korzystać z oprogramowania Cell-ACDC. Wykorzystuje nowoczesne modele oparte na AI do segmentacji, śledzenia, analizy genetyki komórek oraz ilościowej analizy danych mikroskopowych. Co istotne, uzupełnia te modele innowacyjnym ramowym systemem półautomatycznej korekty wyników modeli.

Analiza danych z mikroskopii wielowymiarowej z wykorzystaniem Cell-ACDC

Recent advances in quantitative microscopy for the life sciences have enabled experimental biologists to probe cells with unprecedented resolution and ...

Ulepszamy analizę danych z mikroskopii wielowymiarowej, tworząc oprogramowanie do analizy cyklu podziału komórkowego, nazwane Cell-ACDC, aby przezwyciężyć wąskie gardła w szybkim odkrywaniu biologicznym. Obecne modele AI są często trudne do uzyskania. Dodatkowo, aby uzyskać wysokiej jakości, konieczne są wizualizacja i ręczna korekta.Te zadania jednak mogą stać się bardzo żmudne bez odpowiednich narzędzi. Aby zacząć, kliknij Launch GUI w głównym oknie modułu visualize and correct. Kliknij ikonę folderu na pasku narzędzi nowego okna i wybierz folder zawierający dane.Następnie naciśnij Wybierz folder, aby potwierdzić wybór. Użyj menu rozwijanego, aby wybrać wstępnie przetworzony kontrast fazowy kanału, a następnie naciśnij OK, aby potwierdzić. Wybierz nazwę maski segmentacji, a następnie kliknij Załaduj wybrany, aby załadować plik segmentacji utworzony w poprzednim kroku.Potwierdź właściwości obrazu, klikając OK, aby załadować pozycje. Po zapytaniu wybierz Nie, aby zapobiec ładowaniu dodatkowych danych fluorescencyjnych. Użyj selektora trybu, aby wybrać segmentację i tryb śledzenia.W pasku menu przejdź do Śledzenia, następnie wybierz algorytm śledzenia w czasie rzeczywistym i wybierz pożądany tracker w czasie rzeczywistym na podstawie organizmu. Używaj strzałek w lewo i prawo, aby nawigować między klatkami. Przejdź do klatki 10.Naciśnij S, aby aktywować narzędzie do ręcznego oddzielania pąków, a kliknięcie prawym mysłem automatycznie rozdzieli maskę segmentacji komórki pierwszej. Teraz przejdź do klatki 14. Naciśnij B, aby aktywować narzędzie pędzla i narysuj brakującą maskę segmentacji dla pączka za pomocą lewego przycisku myszy.Kontynuuj kolejne klatki, poprawiając błędy segmentacji i śledzenia za pomocą dostępnych narzędzi. Popraw przynajmniej do klatki 42. Aktywuj analizę cyklu komórkowego za pomocą selektora trybów.Po wypowiedzi wybierz Tak, aby przejść do klatki pierwszej. Używaj strzałek w lewo i prawo, aby nawigować między klatkami. Kliknij OK, aby zaakceptować inicjalizację tabeli adnotacji cyklu komórkowego po wywołaniu i przejdź do klatki 41.Kliknij prawym przyciskiem myszy na komórkę pierwszą lub jej pąk, aby oddzielić połączenie i zanotować zdarzenie podziału komórki. Kontynuuj przeglądanie wszystkich odpowiednich klatek i poprawiaj błędy w automatycznych przypisaniach matki za pomocą dostępnych narzędzi. Aby przypisać pąk do matki, aktywuj narzędzie przypisane do matki, naciskając A. Naciśnij i przytrzymaj prawy przycisk myszy na pączku, przeciągnij do odpowiedniej komórki matki i zwolnij przycisk myszy.Aby ponownie zainicjalizować adnotację cyklu komórkowego, wybierz odpowiednią opcję z paska narzędzi. Aby zerwać lub ponownie wiązać skojarzenie matka z pąkiem, upewnij się, że nie wybierasz żadnego narzędzia. Kliknij prawym przyciskiem myszy na istniejącą parę macierzy-pączki, aby przerwać połączenie, lub ponownie kliknij prawym przyciskiem, aby przywrócić połączenie.Aktywuj normalne drzewo linii linii podziałów za pomocą selektora trybu. Po pojawieniu się pytania wybierz Tak, aby przejść do klatki pierwszej, i użyj strzałek w lewo i prawo, aby nawigować między klatkami. Korygowanie błędów w automatycznych przypisaniach matka-córka za pomocą narzędzi dostępnych w pasku narzędzi Edycja.Po wywołaniu pytania kliknij Propaguj, aby zastosować zmiany. Aby przypisać matkę do nowego identyfikatora komórki, aktywuj narzędzie do wyszukiwania matki dla nowego identyfikatora komórki, naciskając przycisk F. Kliknij prawym przyciskiem myszy na nową komórkę, aby przełączać się między kandydatami na matki. Segmentacja jądrowa w kulistych guzach ujawniła szeroki rozkład objętości jąder, przy czym znaczna liczba obiektów wykazywała niewielkie objętości, a kilka bardzo duże objętości.Widok 3D organoidu guza pokazał liczne segmentowane jądra z oznaczonymi identyfikatorami, a wycinki z pokazywały czerwone kontury segmentacji zastosowane do każdego jądra. W drożdżach pączkujących ilość białka H2B gwałtownie wzrosła w momencie wyłaniania się pąków i ustabilizowała się przed podziałem jądrowym. Liczba jąder gwałtownie wzrosła w momencie podziału jądrowego w zbiorze danych drożdżowych.W embrionalnych komórkach macierzystych myszy obszar komórek stopniowo się powiększał aż do maksimum, następnie zmniejszał się podczas podziału komórkowego, a następnie zaczął ponownie rosnąć w komórkach potomnych. Cell-ACDC to otwartoźródłowy framework programowy, który umożliwia łatwy dostęp do modeli AI do analizy bioobrazów i zapewnia wysoką udostępnialność danych mikroskopicznych. Ważnym aspektem Cell-ACDC jest to, że społeczność może łatwo integrować nowe metody z istniejącym workflow za pomocą ustandaryzowanej struktury danych.Wykorzystanie skorygowanych danych z Cell-ACDC do precyzyjnego dostrojenia najnowocześniejszych metod może stworzyć fundament pod w pełni zautomatyzowaną analizę bioobrazów.

analysis-of-multidimensional-microscopy-data-using-cell-acdc

Research

JoVE Journal

Biology

Biologia

Adhezyjne mikrowzory normalizujące architekturę komórkową mogą być wykorzystane do zwiększenia czułości w wykrywaniu efektów działania leków, poprawy powtarzalności oraz uproszczenia zautomatyzowanego pozyskiwania i analizy obrazów. Taka technologia przyniesie korzyści w testach przesiewowych leków/siRNA, które są przeprowadzane na konwencjonalnych podłożach do hodowli komórkowej i w konsekwencji obarczone są nadmierną zmiennością międzykomórkową.

Udoskonalona wizualizacja i analiza ilościowa efektów działania leków z wykorzystaniem komórek rozmieszczonych w mikrowzorach

Opracowaliśmy platformę programową wykorzystującą Imaris Neuroscience, ImarisXT oraz MATLAB do pomiaru zmian morfologii nieokreślonego kształtu uzyskanego z trójwymiarowej konfokalnej fluorescencji pojedynczych komórek. To nowatorskie podejście może być wykorzystane do ilościowego określania zmian w kształcie komórek po aktywacji receptorów, stanowiąc tym samym potencjalne dodatkowe narzędzie w procesie odkrywania leków.

Narzędzie analityczne do ilościowej oceny zmian morfologii komórkowej na podstawie trójwymiarowych obrazów fluorescencyjnych

Presented to elastyczny przepływ pracy w informatyce, umożliwiający multipleksowaną analizę obrazów fluorescencyjnie znakowanych komórek. Przepływ pracy określa ilościowo markery jądrowe i cytoplazmatyczne oraz oblicza translokację markerów między tymi przedziałami. Przedstawiono procedury perturbacji komórek z wykorzystaniem siRNA oraz wiarygodną metodologię wykrywania markerów za pomocą immunofluorescencji pośredniej w formatach 96-dołkowych.

Przepływ pracy dla wysokiej zawartości, indywidualnej kwantyfikacji komórek markerów fluorescencyjnych na podstawie danych z mikroskopu uniwersalnego, wspierany przez oprogramowanie Open Source

Różnicowanie komórek jest regulowane przez wiele czynników mikrośrodowiskowych, w tym zarówno skład matrycy, jak i właściwości materiału substratu. Opisujemy tutaj technikę wykorzystującą mikromacierze komórkowe w połączeniu z mikroskopią sił trakcyjnych do oceny zarówno różnicowania komórek, jak i biomechanicznych interakcji komórka-substrat w funkcji kontekstu mikrośrodowiskowego.

Wysokowydajna platforma mikromacierzy komórkowych do korelacyjnej analizy różnicowania komórek i sił trakcyjnych

Ten artykuł przedstawia proces pracy mikroskopii o wysokiej zawartości do jednoczesnej kwantyfikacji wewnątrzkomórkowych poziomów ROS, jak również potencjału i morfologii błony mitochondrialnej - wspólnie określanych jako morfofunkcja mitochondriów - w żywych komórkach przylegających przy użyciu przenikających komórkę fluorescencyjnych cząsteczek reporterowych 5-(i-6)-chlorometylo-2',7'-dichlorodihydrofluoresceiny dioctanu, ester acetylowy (CM-H2DCFDA) i ester metylowy tetrametylodaminy (TMRM).

Profilowanie redoks komórkowe przy użyciu mikroskopii o wysokiej zawartości

Ten artykuł opisuje szczegółową metodologię przygotowania matrycy Multiplexed Artificial Cellular MicroEnvironment (MACME) do wysokoprzepustowej manipulacji fizycznych i chemicznych sygnałów naśladujących mikrośrodowiska komórkowe in vivo oraz do identyfikacji optymalnego środowiska komórkowego dla ludzkich pluripotencjalnych komórek macierzystych (hPSC) z profilowaniem pojedynczych komórek.

Wytwarzanie multipleksowanej sztucznej macierzy mikrośrodowiska komórkowego

Przedstawiona tutaj metoda wykorzystuje mikrowzorce wraz z obrazowaniem ilościowym, aby ujawnić organizację przestrzenną w kulturach ssaków. Technika ta jest łatwa do wdrożenia w standardowym laboratorium biologii komórki i oferuje elastyczny system do badania wzorców in vitro.

Mapowanie wyłaniającej się organizacji przestrzennej komórek ssaków za pomocą mikrowzorców i obrazowania ilościowego

Tutaj prezentowany jest protokół do optycznego wyodrębniania i katalogowania wrodzonych sygnatur fluorescencji komórkowej (tj. autofluorescencji komórkowej) z każdej pojedynczej żywej komórki rozmieszczonej w przestrzeni trójwymiarowej. Metoda ta jest odpowiednia do badania wrodzonej sygnatury fluorescencyjnej różnych układów biologicznych w rozdzielczości pojedynczej komórki, w tym komórek bakterii, grzybów, drożdży, roślin i zwierząt.

Rekonstrukcja wrodzonych sygnatur fluorescencyjnych pojedynczych komórek za pomocą mikroskopii konfokalnej

Prezentujemy metodę, która wykorzystuje uogólnioną analizę obrazu opartą na obszarze do identyfikacji liczby komórek. Analiza różnych populacji komórek pozwoliła na wykorzystanie znacznych różnic w wysokości i strukturze komórek między różnymi typami komórek w ramach algorytmu adaptacyjnego.

Algorytm analizy obrazu oparty na obszarze do ilościowego oznaczania kokultur makrofagów i fibroblastów

Platforma iTACS (Integrative Toolkit to Analyze Cellular Signals) automatyzuje proces jednoczesnego pomiaru szerokiej gamy sygnałów chemicznych i mechanicznych w przylegających komórkach. iTACS został zaprojektowany, aby ułatwić rozwój kierowany przez społeczność i umożliwić naukowcom korzystanie ze wszystkich funkcji platformy, niezależnie od ich wykształcenia.

Zintegrowany zestaw narzędzi do analizy sygnałów komórkowych: sił, ruchu, morfologii i fluorescencji

Dynamiczna mikroskopia różnicowa (DDM) łączy w sobie cechy dynamicznego rozpraszania światła i mikroskopii. W tym artykule przedstawiono proces wykorzystania DDM do scharakteryzowania odtworzonych sieci cytoszkieletów poprzez ilościowe określenie subdyfuzyjnej i zamkniętej w klatce dynamiki cząstek w sieciach wimentynowych oraz ruchu balistycznego aktywnych kompozytów aktynowo-mikrotubulowych napędzanych miozyną.

Kwantyfikacja dynamiki cytoszkieletu za pomocą dynamicznej mikroskopii różnicowej

Poznaj analizę danych z mikroskopii wielowymiarowej za pomocą oprogramowania Cell-ACDC z algorytmami AI. To narzędzie usprawnia segmentację, śledzenie i kwantyfikację cyklów podziału komórek.

Analiza danych z mikroskopii wielowymiarowej z wykorzystaniem Cell-ACDC

Przeglądaj więcej filmów