Name: Uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes (Vídeo) | JoVE Journal
Uploaded: 2024-10-04T13:30:00.000+00:00
Duration: 11 min 38 s
Description: Aprenda uma estratégia de aprendizado de máquina baseada em imagens de células vivas para monitorar a diferenciação de células-tronco pluripotentes. Este método não invasivo identifica linhagens celulares em tempo real e otimiza protocolos de diferenciação cardíaca.

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

<meta charset="utf8"></head><body>Monitoramento da diferenciação de células-tronco pluripotentes por estratégia de ML baseada em imagem

<ol><li>Yoshida, Y., Yamanaka, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induced+pluripotent+stem+cells+10+years+later%3A+for+cardiac+applications%5BTitle%5D)+AND+%22Circ+Res%22%5BJournal%5D)">Induced pluripotent stem cells 10 years later: for cardiac applications.</a> Circ Res. 120 (12), 1958-1968 (2017).</li>
<li>Shi, Y., Inoue, H., Wu, J. C., Yamanaka, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induced+pluripotent+stem+cell+technology%3A+a+decade+of+progress%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">Induced pluripotent stem cell technology: a decade of progress.</a> Nat Rev Drug Discov. 16 (2), 115-130 (2017).</li>
<li>Takahashi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induction+of+pluripotent+stem+cells+from+adult+human+fibroblasts+by+defined+factors%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Induction of pluripotent stem cells from adult human fibroblasts by defined factors.</a> Cell. 131 (5), 861-872 (2007).</li>
<li>Burridge, P. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chemically+defined+generation+of+human+cardiomyocytes%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Chemically defined generation of human cardiomyocytes.</a> Nat Methods. 11 (8), 855-860 (2014).</li>
<li>Mordwinkin, N. M., Burridge, P. W., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+human+pluripotent+stem+cell-derived+cardiomyocytes+for+high-throughput+drug+discovery%2C+cardiotoxicity+screening%2C+and+publication+standards%5BTitle%5D)+AND+%22J+Cardiovasc+Transl+Res%22%5BJournal%5D)">A review of human pluripotent stem cell-derived cardiomyocytes for high-throughput drug discovery, cardiotoxicity screening, and publication standards.</a> J Cardiovasc Transl Res. 6 (1), 22-30 (2013).</li>
<li>Vanden Berg, C. W., Elliott, D. A., Braam, S. R., Mummery, C. L., Davis, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Differentiation+of+human+pluripotent+stem+cells+to+cardiomyocytes+under+defined+conditions%5BTitle%5D)+AND+%22Methods+Mol+Biol%22%5BJournal%5D)">Differentiation of human pluripotent stem cells to cardiomyocytes under defined conditions.</a> Methods Mol Biol. 1353, 163-180 (2016).</li>
<li>Burridge, P. W., Holmström, A., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chemically+defined+culture+and+cardiomyocyte+differentiation+of+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Curr+Protoc+Hum+Genet%22%5BJournal%5D)">Chemically defined culture and cardiomyocyte differentiation of human pluripotent stem cells.</a> Curr Protoc Hum Genet. 87, 1-15 (2015).</li>
<li>Li, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+pluripotent+stem+cell-derived+cardiac+tissue-like+constructs+for+repairing+the+infarcted+myocardium%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Human pluripotent stem cell-derived cardiac tissue-like constructs for repairing the infarcted myocardium.</a> Stem Cell Rep. 9 (5), 1546-1559 (2017).</li>
<li>Smith, A. S. T., Macadangdang, J., Leung, W., Laflamme, M. A., Kim, D. -H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+iPSC-derived+cardiomyocytes+and+tissue+engineering+strategies+for+disease+modeling+and+drug+screening%5BTitle%5D)+AND+%22Biotechnol+Adv%22%5BJournal%5D)">Human iPSC-derived cardiomyocytes and tissue engineering strategies for disease modeling and drug screening.</a> Biotechnol Adv. 35 (1), 77-94 (2017).</li>
<li>Sharma, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+human+induced+pluripotent+stem+cell-derived+cardiomyocytes+to+assess+drug+cardiotoxicity%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Use of human induced pluripotent stem cell-derived cardiomyocytes to assess drug cardiotoxicity.</a> Nat Protoc. 13 (12), 3018-3041 (2018).</li>
<li>Mehta, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+a+targeted+and+testable+antiarrhythmic+therapy+for+long-QT+syndrome+type+2+using+a+patient-specific+cellular+model%5BTitle%5D)+AND+%22Eur+Heart+J%22%5BJournal%5D)">Identification of a targeted and testable antiarrhythmic therapy for long-QT syndrome type 2 using a patient-specific cellular model.</a> Eur Heart J. 39 (16), 1446-1455 (2018).</li>
<li>Cahan, P., Daley, G. Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Origins+and+implications+of+pluripotent+stem+cell+variability+and+heterogeneity%5BTitle%5D)+AND+%22Nat+Rev+Mol+Cell+Biol%22%5BJournal%5D)">Origins and implications of pluripotent stem cell variability and heterogeneity.</a> Nat Rev Mol Cell Biol. 14 (6), 357-368 (2013).</li>
<li>Kim, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Epigenetic+memory+in+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Epigenetic memory in induced pluripotent stem cells.</a> Nature. 467 (7313), 285-290 (2010).</li>
<li>Rouhani, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+background+drives+transcriptional+variation+in+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22PLoS+Genet%22%5BJournal%5D)">Genetic background drives transcriptional variation in human induced pluripotent stem cells.</a> PLoS Genet. 10 (6), e1004432(2014).</li>
<li>Kim, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Donor+cell+type+can+influence+the+epigenome+and+differentiation+potential+of+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Donor cell type can influence the epigenome and differentiation potential of human induced pluripotent stem cells.</a> Nat Biotechnol. 29 (12), 1117-1119 (2011).</li>
<li>Garitaonandia, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increased+risk+of+genetic+and+epigenetic+instability+in+human+embryonic+stem+cells+associated+with+specific+culture+conditions%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Increased risk of genetic and epigenetic instability in human embryonic stem cells associated with specific culture conditions.</a> PLoS One. 10 (2), e0118307(2015).</li>
<li>Engler, A. J., Sen, S., Sweeney, H. L., Discher, D. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Matrix+elasticity+directs+stem+cell+lineage+specification%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Matrix elasticity directs stem cell lineage specification.</a> Cell. 126 (4), 677-689 (2006).</li>
<li>Matoba, N., Yamashita, T., Takayama, K., Sakurai, F., Mizuguchi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimal+human+iPS+cell+culture+method+for+efficient+hepatic+differentiation%5BTitle%5D)+AND+%22Differentiation%22%5BJournal%5D)">Optimal human iPS cell culture method for efficient hepatic differentiation.</a> Differentiation. 104, 13-21 (2018).</li>
<li>Volpato, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducibility+of+molecular+phenotypes+after+long-term+differentiation+to+human+iPSC-derived+neurons%3A+A+multi-site+omics+study%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Reproducibility of molecular phenotypes after long-term differentiation to human iPSC-derived neurons: A multi-site omics study.</a> Stem Cell Rep. 11 (4), 897-911 (2018).</li>
<li>Anderson, N. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Balancing+serendipity+and+reproducibility%3A+Pluripotent+stem+cells+as+experimental+systems+for+intellectual+and+developmental+disorders%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Balancing serendipity and reproducibility: Pluripotent stem cells as experimental systems for intellectual and developmental disorders.</a> Stem Cell Rep. 16 (6), 1446-1457 (2021).</li>
<li>Sepac, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+cardiomyogenic+potential+among+human+ESC+and+iPSC+lines%5BTitle%5D)+AND+%22Cell+Transplant%22%5BJournal%5D)">Comparison of cardiomyogenic potential among human ESC and iPSC lines.</a> Cell Transplant. 21 (11), 2523-2530 (2012).</li>
<li>Laco, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unraveling+the+inconsistencies+of+cardiac+differentiation+efficiency+induced+by+the+GSK3%CE%B2+inhibitor+CHIR99021+in+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Unraveling the inconsistencies of cardiac differentiation efficiency induced by the GSK3β inhibitor CHIR99021 in human pluripotent stem cells.</a> Stem Cell Rep. 10 (6), 1851-1866 (2018).</li>
<li>Volpato, V., Webber, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Addressing+variability+in+iPSC-derived+models+of+human+disease%3A+guidelines+to+promote+reproducibility%5BTitle%5D)+AND+%22Dis+Model+Mech%22%5BJournal%5D)">Addressing variability in iPSC-derived models of human disease: guidelines to promote reproducibility.</a> Dis Model Mech. 13 (1), 042317(2020).</li>
<li>Hu, B. -Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+differentiation+of+human+induced+pluripotent+stem+cells+follows+developmental+principles+but+with+variable+potency%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Neural differentiation of human induced pluripotent stem cells follows developmental principles but with variable potency.</a> Proc Natl Acad Sci USA. 107 (9), 4335-4340 (2010).</li>
<li>Huo, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+batch+variations+in+induced+pluripotent+stem+cell-derived+human+cardiomyocytes+from+2+major+suppliers%5BTitle%5D)+AND+%22Toxicol+Sci%22%5BJournal%5D)">Evaluation of batch variations in induced pluripotent stem cell-derived human cardiomyocytes from 2 major suppliers.</a> Toxicol Sci. 156 (1), 25-38 (2017).</li>
<li>Rostam, H. M., Reynolds, P. M., Alexander, M. R., Gadegaard, N., Ghaemmaghami, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+based+machine+learning+for+identification+of+macrophage+subsets%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Image based machine learning for identification of macrophage subsets.</a> Sci Rep. 7 (1), 3521(2017).</li>
<li>Christiansen, E. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+labeling%3A+Predicting+fluorescent+labels+in+unlabeled+images%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">In silico labeling: Predicting fluorescent labels in unlabeled images.</a> Cell. 173 (3), 792-803 (2018).</li>
<li>Buggenthin, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prospective+identification+of+hematopoietic+lineage+choice+by+deep+learning%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Prospective identification of hematopoietic lineage choice by deep learning.</a> Nat Methods. 14 (4), 403-406 (2017).</li>
<li>Smith, Z. D., Nachman, I., Regev, A., Meissner, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+single-cell+imaging+of+direct+reprogramming+reveals+an+early+specifying+event%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Dynamic single-cell imaging of direct reprogramming reveals an early specifying event.</a> Nat Biotechnol. 28 (5), 521-526 (2010).</li>
<li>Fan, K., Zhang, S., Zhang, Y., Lu, J., Holcombe, M., Zhang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+machine+learning+assisted%2C+label-free%2C+non-invasive+approach+for+somatic+reprogramming+in+induced+pluripotent+stem+cell+colony+formation+detection+and+prediction%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">A machine learning assisted, label-free, non-invasive approach for somatic reprogramming in induced pluripotent stem cell colony formation detection and prediction.</a> Sci Rep. 7 (1), 13496(2017).</li>
<li>Kusumoto, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+deep+learning-based+system+to+identify+endothelial+cells+derived+from+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Automated deep learning-based system to identify endothelial cells derived from induced pluripotent stem cells.</a> Stem Cell Rep. 10 (6), 1687-1695 (2018).</li>
<li>Zhu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning-based+predictive+identification+of+neural+stem+cell+differentiation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Deep learning-based predictive identification of neural stem cell differentiation.</a> Nat Commun. 12 (1), 2614(2021).</li>
<li>Qian, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Label-free+imaging+for+quality+control+of+cardiomyocyte+differentiation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Label-free imaging for quality control of cardiomyocyte differentiation.</a> Nat Commun. 12 (1), 4580(2021).</li>
<li>Ounkomol, C., Seshamani, S., Maleckar, M. M., Collman, F., Johnson, G. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Label-free+prediction+of+three-dimensional+fluorescence+images+from+transmitted-light+microscopy%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy.</a> Nat Methods. 15 (11), 917-920 (2018).</li>
<li>Yang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+live-cell+image-based+machine+learning+strategy+for+reducing+variability+in+PSC+differentiation+systems%5BTitle%5D)+AND+%22Cell+Discovery%22%5BJournal%5D)">A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems.</a> Cell Discovery. 9 (1), 53(2023).</li>
<li>Selvaraju, R. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Grad-CAM%3A+Visual+explanations+from+deep+networks+via+gradient-based+localization%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Computer+Vision+%28ICCV%29%22%5BJournal%5D)">Grad-CAM: Visual explanations from deep networks via gradient-based localization.</a> Proc IEEE Int Conf Computer Vision (ICCV). , 618-626 (2017).</li>
<li>Isola, P., Zhu, J. -Y., Zhou, T., Efros, A. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image-to-image+translation+with+conditional+adversarial+networks%5BTitle%5D)+AND+%22Proc+IEEE+Conf+Computer+Vision+Pattern+Recognition+%28CVPR%29%22%5BJournal%5D)">Image-to-image translation with conditional adversarial networks.</a> Proc IEEE Conf Computer Vision Pattern Recognition (CVPR). , 5967-5976 (2017).</li>
<li>Zhang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ResNeSt%3A+Split-attention+networks%5BTitle%5D)+AND+%22Proc+IEEE%2FCVF+Conf+Computer+Vision+Pattern+Recognition+Workshops+%28CVPRW%29%22%5BJournal%5D)">ResNeSt: Split-attention networks.</a> Proc IEEE/CVF Conf Computer Vision Pattern Recognition Workshops (CVPRW). , 2735-2745 (2022).</li>
<li>Halabi, E. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dual-activatable+cell+tracker+for+controlled+and+prolonged+single-cell+labeling%29%5BTitle%5D)+AND+%22ACS+Chem.+Biol%22%5BJournal%5D)">Dual-activatable cell tracker for controlled and prolonged single-cell labeling).</a> ACS Chem. Biol. 15 (6), 1613-1620 (2020).</li>
<li>Hannan, N. R. F., Segeritz, C. -P., Touboul, T., Vallier, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Production+of+hepatocyte-like+cells+from+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Production of hepatocyte-like cells from human pluripotent stem cells.</a> Nat Protoc. 8 (2), 430-437 (2013).</li>
<li>Zhang, H., Shen, M., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generation+of+quiescent+cardiac+fibroblasts+derived+from+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Methods+Mol+Biol%22%5BJournal%5D)">Generation of quiescent cardiac fibroblasts derived from human induced pluripotent stem cells.</a> Methods Mol Biol. 2454, 109-115 (2022).</li>
<li>Harding, M. J., McGraw, H. F., Nechiporuk, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+roles+and+regulation+of+multicellular+rosette+structures+during+morphogenesis%5BTitle%5D)+AND+%22Development%22%5BJournal%5D)">The roles and regulation of multicellular rosette structures during morphogenesis.</a> Development. 141 (13), 2549-2558 (2014).</li>
<li>Najm, F. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+and+robust+generation+of+functional+oligodendrocyte+progenitor+cells+from+epiblast+stem+cells%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Rapid and robust generation of functional oligodendrocyte progenitor cells from epiblast stem cells.</a> Nat Methods. 8 (11), 957-962 (2011).</li>
<li>Hogrebe, N. J., Maxwell, K. G., Augsornworawat, P., Millman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generation+of+insulin-producing+pancreatic+%CE%B2+cells+from+multiple+human+stem+cell+lines%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Generation of insulin-producing pancreatic β cells from multiple human stem cell lines.</a> Nat Protoc. 16 (9), 4109-4143 (2021).</li>
</ol>

<table><tbody><tr><td>0,25% de tripsina-EDTA</td><td>Gibco</td><td>25200056</td><td>digestores diluídos foram usados para digestão de CPC e CM</td></tr><tr><td>4% de paraformaldeído em PBS</td><td>KeyGEN BioTECH</td><td>KGIHC016</td><td></td></tr> placa <tr><td>de cultura de células de 6 poços</td><td>NEST</td><td>703001</td><td></td></tr><tr><td>placa de cultura de células de 96 poços</td><td>NEST</td><td>701001</td><td></td></tr><tr><td>B27 Suplemento</td><td>Gibco</td><td>17504044</td><td></td></tr><tr><td>Suplemento B27 Menos Insulina</td><td>Gibco</td><td>A1895601</td><td></td></tr><tr><td>Albumina de soro bovino (BSA)</td><td>GPC BIOTECH</td><td>AA904-100G</td><td></td></tr><tr><td>Celldiscoverer 7</td><td>Zeiss</td><td></td><td>Instrumentos usados para tirar imagens de campo claro durante a diferenciação e imagens finais de cTnT</td></tr><tr><td>CHIR99021</td><td>Selleck</td><td>S1263</td><td></td></tr><tr><td>DMEM/F12</td><td>Gibco</td><td>12634010</td><td></td></tr><tr><td>Anticorpo secundário altamente adsorvido anti-rato IgG (H+L) de burro, Alexa Fluor 488</td><td>Thermo</td><td>A-21202</td><td>Anticorpo secundário</td></tr><tr><td>FACSAria III</td><td>BD Biosciences</td><td></td><td>Classificador de citometria de fluxo</td></tr><tr><td>Soro bovino fetal (FBS)</td><td>VISTECH</td><td>SE100-B</td><td></td></tr><tr><td>Hoechst 33342</td><td>YEASEN</td><td>40732ES03</td><td></td></tr><tr><td>Meio de definição química de células-tronco</td> <td>pluripotentes humanasCauliscell Inc</td><td>400105</td><td>Meio basal de meio de preparação PSC</td></tr><tr><td>iPS-18</td><td>TaKaRa</td><td>Y00300</td><td></td></tr><tr><td>iPS-B1</td><td>Cellapy</td><td>CA4025106</td><td></td></tr><tr><td>iPS-F</td><td>Nuwacell</td><td>RC01001-B</td><td></td></tr><tr><td>iPS-M</td><td>Nuwacell</td><td>RC01001-A</td><td></td></tr><tr><td>IWR1-1-endo</td><td>Selleck</td><td>S7086</td><td>IWR1</td></tr><tr><td>Jupyter Notebook</td><td>N/ A</td><td>Versão 6.4.0</td><td><a href="https://jupyter.org/">https://jupyter.org/</a></td></tr><tr><td>MATLAB</td><td>MathWorks</td><td>Versão R2020a</td><td>Software para computação científica e anotação de imagem</td></tr><tr><td>Matrigel Matrix</td><td>Corning</td><td>354230</td><td>Matrigel</td></tr><tr><td>Mouse monoclonal IgG1 anti-cTnT</td><td>Thermo</td><td>MA5-12960</td><td>cTnT anticorpo primário</td></tr><tr><td>Burro Normal Câmera</td> digital CMOS Serum <td>Jackson</td><td>017-000-121</td><td></td></tr><tr><td>ORCA-Flash 4.0 V3</td><td>Hamamatsu</td><td>C13440-20CU</td><td>A câmera digital montada em Celldiscoverer7</td></tr><tr><td>PBS</td><td>NEB</td><td>21-040-CVR</td><td></td></tr><tr><td>Penicilina-Estreptomicina</td><td>Gibco</td><td>15140-122</td><td></td></tr><tr><td>Pluripotência Crescimento Mater 1 meio basal</td><td>Cellapy</td><td>CA1007500-1</td><td>Meio basal de PSC meio de cultura</td></tr><tr><td>Pluripotência Growth Mater 1 suplemento</td><td>Cellapy</td><td>CA1007500-2</td><td>Suplemento do meio de cultura PSC</td></tr><tr><td>Prism</td><td>Graphpad</td><td>Versão 8/9</td><td>Software estatístico para análise estatística e plotagem</td></tr><tr><td>Python</td><td>N/A</td><td>versão 3.6</td><td>Ambiente Python 3 para computação científica, com pacotes pytorch (1.9.0), numpy, scipy, pandas, visdom, scikit-learn, scikit-image, software opencv-python e matplotlib para computação científica e anotação de imagens.</td></tr><tr><td>RPMI 1640</td><td>Gibco</td><td>11875176</td><td></td></tr><tr><td>Suplemento hPSC-CDM (500x)</td><td>Cauliscell Inc</td><td>00015</td><td>Suplemento do meio de preparação PSC</td></tr><tr><td>TiE</td><td>Nikon</td><td></td><td>Um microscópio de fluorescência invertida (com modificação) para purificação por região Triton</td></tr><tr><td>&nbsp; X-100</td><td>Amresco</td><td>9002-93-1</td><td></td></tr><tr><td>Versene Solution</td><td>Thermo</td><td>15040066</td><td>EDTA solução para digestão PSC</td></tr><tr><td>Y27632</td><td>Selleck</td><td>S6390</td><td></td></tr><tr><td>Zen</td><td>Zeiss</td><td>Versão 3.1</td><td>Um software de suporte do Celldiscoverer7 para aquisição, processamento e análise de imagens</td></tr></tbody></table>

uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes

A Live-cell Image-Based Machine Learning Strategy to Monitor Pluripotent Stem Cell Differentiation

Com base em imagens de campo claro e ML, o processo geral de diferenciação pode ser monitorado e otimizado de forma inteligente. No estágio PSC, desenvolvemos um modelo ML que poderia prever a eficiência de diferenciação final de acordo com as características morfológicas das colônias iniciais de PSC, para determinar o ponto de tempo mais adequado ou apropriado para iniciar a diferenciação (Figura 4A, B). A eficiência de diferenciação prevista pelo modelo de floresta aleatória está altamente correlacionada com a verdadeira eficiência de diferenciação ( r de Pearson = 0,76, P &lt; 0,0001) (Figura 4B). O modelo treinado também destaca os recursos que são mais importantes para a diferenciação. Dentre todas as características morfológicas da colônia, o desvio padrão, o mínimo e a razão mínima/máxima das distâncias centro-contorno (CCD), bem como a circunferência, a área, a relação área/circunferência, a convexidade e a circularidade, são as 8 características com maior peso importante. A relação entre essas características e a eficiência final sugere que as colônias iniciais de PSC com área moderada e com periferias mais longas e irregulares tenderam a possuir maior eficiência de diferenciação (Figura 4A), o que nos inspira a melhorar a eficiência de diferenciação aumentando o tempo de processamento da solução de digestão para produzir colônias menores com limites mais longos e irregulares (consulte a etapa 1.3.1 do protocolo). O monitoramento baseado em ML das colônias PSC e as operações otimizadas de passagem de células realizam a otimização do estado inicial da célula.
No estágio I da diferenciação cardíaca, avaliamos e ajustamos a dose de CHIR (um indutor para a diferenciação cardíaca precoce) usando ML. Usando regressão logística, a dose de CHIR pode ser avaliada precocemente usando imagens de campo claro de lapso de tempo de 0-12 h. O classificador de regressão logística atinge 93,1% de precisão, 88,7% de precisão, 94,5% de recordação, 91,1% de pontuação F1 e 97,2% de AUC quando a duração do CHIR é selecionada como 24 h. As pontuações de desvio (resultado previsto) estão altamente correlacionadas com a "concentração de ΔCHIR" (resultado verdadeiro) para cada condição de dose de CHIR em experimentos ( r de Pearson = 0,82, P &lt; 0,0001) (Figura 4C, D), sugerindo que a previsão de ML pode refletir o desvio das doses de CHIR do ótimo. Com a avaliação precoce das doses de CHIR, podemos ajustar a duração ou concentração do tratamento com CHIR para o ideal antes de 48 h, permitindo-nos corrigir prontamente a trajetória celular indiferenciada e sustentar a diferenciação do CM em alta eficiência.
Também construímos modelos de ML para reconhecer CPCs e CMs informativamente a partir de imagens de campo claro no estágio II e no estágio III de diferenciação (Figura 5A-D). Ao inserir imagens de campo claro de células vivas, os modelos de ML treinados podem prever a distribuição regional de CPCs e CMs e avaliar a eficiência de diferenciação final de forma não invasiva. Para o reconhecimento de CPC, as máscaras de segmentação de CPC previstas pelo ResNeSt e Grad-CAM correspondem às máscaras anotadas manualmente (Figura 5A), com um IoU médio de 59,0%. A proporção prevista de regiões CPC também pode servir como um indicador para a eficiência de diferenciação final (r de Pearson = 0,88, P &lt; 0,0001) (Figura 5B). Para o reconhecimento de CM, o modelo pix2pix pode gerar imagens de fluorescência de cTnT semelhantes às imagens de fluorescência de cTnT verdadeiras (obtidas experimentalmente) (Figura 5C), com uma alta correlação entre o Índice de Eficiência de Diferenciação de poço inteiro previsto e verdadeiro (r de Pearson = 0,93, P &lt; 0,0001) (Figura 5D). Essa abordagem evita danos irreversíveis às células causados por coloração por imunofluorescência ou classificação de fluxo. Com base em uma sonda fotoativada (DACT-1), obtivemos com sucesso uma purificação eficiente de CPC seletiva por região sem biomarcadores ( Figura 5E, F ), permitindo assim a purificação em tempo real do tipo de célula desejado durante o processo de diferenciação.
Assim, ao aproveitar imagens de campo claro de células vivas e ML, a metodologia realiza previsão de linhagem celular em tempo real e avaliação de eficiência em todo o processo de diferenciação, modulando e estabilizando a diferenciação de PSC.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66823/66823fig01.jpg"> 
Figura 1: Esquema do fluxo de trabalho de diferenciação de CM assistido por ML. O experimentador realiza a diferenciação cardíaca e obtém imagens de células de campo claro de lapso de tempo de um microscópio; imagens em cada estágio de diferenciação de CM são passadas para modelos de ML treinados para previsão; Usando a previsão como feedback, os experimentadores modulam e otimizam o esquema de diferenciação em tempo real para obter uma diferenciação estável e de alta eficiência. Barra de escala = 1 mm. <a href="https://www.jove.com/files/ftp_upload/66823/66823fig01large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66823/66823fig02.jpg"> 
Figura 2: Aquisição de imagem celular. (A) Exemplo de uma imagem de célula viva de campo claro do estágio PSC com 70% de confluência celular. (B) Exemplo de uma imagem de célula viva de campo claro do estágio PSC com 80-90% de confluência celular. (C) Exemplo de uma imagem de célula viva de campo claro do estágio CPC. (D) Exemplo de uma imagem de célula viva de campo claro do estágio CM. (E) Exemplo de campo claro e fluorescência após coloração por imunofluorescência do mesmo campo de visão. (A-E) Barra de escala = 250 μm. Abreviaturas: PSC = célula-tronco pluripotente; CPC = célula progenitora cardíaca; MC = cardiomiócito; cTnT = troponina T cardíaca. <a href="https://www.jove.com/files/ftp_upload/66823/66823fig02large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66823/66823fig03.jpg"> 
Figura 3: Capturas de tela para uso de ML. (A-C) Capturas de tela representativas para ML no estágio PSC, incluindo (A) preparação do conjunto de dados, (B) desempenho do modelo de teste e (C) interpretação da importância do recurso. (D-F) Capturas de tela representativas para ML no estágio I, incluindo (D) preparação do conjunto de dados e avaliação do modelo (E,F). (G-I) Capturas de tela representativas para ML no estágio II, incluindo (G) preparação do conjunto de dados, (H) treinamento do modelo e (I) avaliação do modelo. (JL) Capturas de tela representativas para ML no estágio III, incluindo treinamento de modelo (J) e avaliação de modelo (K,L). Abreviações: ML = aprendizado de máquina; PSC = célula-tronco pluripotente. <a href="https://www.jove.com/files/ftp_upload/66823/66823fig03large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66823/66823fig04.jpg"> 
Figura 4: Resultados representativos no estágio PSC e estágio I para diferenciação de CM baseada em ML. (A) Resultados da visualização de recursos no estágio PSC. A relação entre a eficiência de diferenciação e as oito características mais importantes é mostrada. A importância do recurso é determinada pelo modelo de ML treinado. O intervalo de cada recurso é dividido em 20 caixas. Os índices de eficiência de diferenciação para poços dentro de cada compartimento são calculados e exibidos por cor. A tendência da mudança de cor representa como cada característica morfológica influencia a eficiência de diferenciação final. Esses resultados juntos sugerem que área moderada, circunferências mais longas, distâncias centro-contorno mais variadas, menor circularidade e maior convexidade são mais propícios à diferenciação. (B) Avaliação do desempenho do ML no estágio PSC por análise de correlação entre o Índice de Eficiência de Diferenciação verdadeiro e o previsto. A alta correlação indica que o potencial de diferenciação das colônias de PSC pode ser previsto a partir de suas características morfológicas. n = 584 poços. (C) Avaliação do desempenho do ML no estágio I usando análise de correlação entre as pontuações de desvio previstas e as concentrações verdadeiras de ΔCHIR para cada condição de dose de CHIR em um lote. As pontuações de desvio (variando de -1 a 1) são previstas de forma não invasiva pelo ML usando fluxos de imagens de campo claro de 0 a 12 h. As concentrações ΔCHIR (..., -4 μM, -2 μM, 0, 2 μM, 4 μM, ...) são determinadas experimentalmente pelos resultados finais da diferenciação para medir o desvio real das condições ótimas para cada condição CHI. As pontuações de desvio previstas são altamente indicativas das concentrações reais de ΔCHIR, sugerindo que a previsão de ML pode servir como um sinal para avaliação e ajuste da dose de CHI. As caixas azul e vermelha representam condições de subdosagem e sobredosagem, respectivamente. (D) Avaliação de desempenho de ML no estágio I usando validação de lote cruzado. Em cada rodada, um lote é usado para teste, enquanto outros são para treinamento, para testar a capacidade de generalização de modelos de ML em novos lotes. É realizada uma análise de correlação entre as pontuações de desvio previstas e as concentrações verdadeiras de ΔCHIR (sob uma duração de CHIR de 24 h). A cor dos pontos representa diferentes lotes de teste. n = 20 doses de CHIR. Essa figura foi retirada de Yang et al.35. Abreviações: ML = aprendizado de máquina; PSC = célula-tronco pluripotente; CHIR = CHIR99021. <a href="https://www.jove.com/files/ftp_upload/66823/66823fig04large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66823/66823fig05.jpg"> 
Figura 5: Resultados representativos no estágio CPC e no estágio CM para diferenciação de CM baseada em ML. (A) Resultado típico de ML para reconhecimento de CPC no estágio II. São mostradas as verdadeiras imagens de fluorescência cTnT no dia 12 (à esquerda), as regiões CPC anotadas manualmente (meio) e as regiões CPC previstas pelo ML usando imagens de campo claro no dia 6 (à direita). Os resultados previstos se assemelham muito aos resultados experimentais reais. Barra de escala = 1 mm. (B) Avaliação do desempenho do ML no estágio II usando análise de correlação entre o verdadeiro Índice de Eficiência de Diferenciação (dos rótulos de fluorescência cTnT do dia 12) e a porcentagem prevista de regiões CPC (das imagens de campo claro do dia 6). A alta correlação sugere que a eficiência da diferenciação pode ser prevista de forma não invasiva no estágio II. Os Índices de Eficiência de Diferenciação Verdadeira são normalizados entre 0% e 100%. n = 35 poços. (C) Resultado típico de ML para reconhecimento de CM no estágio III. São mostrados os verdadeiros resultados de fluorescência de cTnT (à esquerda), os resultados de fluorescência de cTnT previstos (meio) e o mapa de calor para comparar as intensidades de fluorescência previstas e verdadeiras em cada pixel (à direita). As imagens de fluorescência são redimensionadas para 512 x 512 pixels, e os números nos compartimentos do mapa de calor representam as contagens de frequência de pixels por 100. Uma grande proporção de pixels está localizada ao longo da linha diagonal do mapa de calor, indicando que as intensidades de fluorescência previstas e verdadeiras estão próximas. Barra de escala = 1 mm. (D) Avaliação do desempenho do ML no estágio III usando análise de correlação entre os índices de eficiência de diferenciação verdadeiros e previstos. Os Índices de Eficiência de Diferenciação verdadeiros e previstos são normalizados entre 0% e 100%. n = 36 poços. (E) Efeito de purificação do CPC identificado por imagem do dia 6. Após FACS e 6 dias de cultura, os CPCs identificados por imagem não marcada mostram alta pureza de CM em comparação com CPCs não marcados com DACT-1 e células do grupo controle (CTL). Barra de escala = 100 μm. (F) Análise quantitativa do efeito de purificação comparando a porcentagem de células cTnT + em (E). Os dados são médias ± SD. n = 5 imagens. * P &lt; 0,05; P &lt; 0,0001 por ANOVA one-way seguida de testes de comparações múltiplas de Dunnett. Essa figura foi retirada de Yang et al.35. Abreviações: ML = aprendizado de máquina; PSC = célula-tronco pluripotente; CPC = célula progenitora cardíaca; MC = cardiomiócito; cTnT = troponina T cardíaca. <a href="https://www.jove.com/files/ftp_upload/66823/66823fig05large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="2">Problema observado</td>
			<td colspan="4">Possível razão</td>
			<td colspan="5">Solução</td>
		</tr>
		<tr>
			<td colspan="2">Os modelos de ML não têm um bom desempenho no conjunto de treinamento.</td>
			<td colspan="4">1. O treinamento do modelo de ML não converge bem. 2. Para ML tradicional, os recursos de imagem extraídos não são informativos o suficiente para refletir estados e linhagens celulares. 3. Para aprendizado profundo, o poder de representação da rede neural projetada não é suficiente para executar a tarefa. 4. A tarefa em si é difícil de aprender.</td>
			<td colspan="5">1. Ajuste os hiperparâmetros, por exemplo, aumente o número de épocas e modifique a taxa de aprendizado. 2. Observe as imagens para encontrar pistas morfológicas sobre os estados celulares. Projete recursos biologicamente plausíveis. 3. Modifique a arquitetura de rede para aumentar sua complexidade. 4. Examine o conjunto de dados e certifique-se de que as características das células-alvo possam ser facilmente identificadas. Se o modelo não conseguir aprender a tarefa, tente aplicar o ML em um estágio em que as pistas de imagem sejam mais claras ou para projetar uma tarefa mais simples.</td>
		</tr>
		<tr>
			<td colspan="2">Os modelos de ML não têm um bom desempenho no conjunto de treinamento, mas não no conjunto de teste.</td>
			<td colspan="4">1. O modelo superajusta o conjunto de treinamento.</td>
			<td colspan="5">1. Enriqueça os conjuntos de dados de treinamento e treine novamente o modelo. Aumente a diversidade dos conjuntos de dados de treinamento incluindo mais linhagens celulares, condições de diferenciação e condições de imagem. Para ML tradicional, usar a seleção de recursos para diminuir o número de recursos de entrada também pode aumentar a capacidade de generalização do modelo.</td>
		</tr>
		<tr>
			<td colspan="2">Os modelos de ML não funcionam bem em novos lotes ou novas linhagens celulares.</td>
			<td colspan="4">1. Os parâmetros do microscópio e da imagem latente mudam. 2. As características morfológicas de diferentes linhagens celulares podem ser diferentes.</td>
			<td colspan="5">1. Certifique-se de que o dispositivo de imagem seja o mesmo que durante o treinamento do modelo. 2. Colete dados rotulados adquiridos de novas linhagens celulares e/ou novas condições de imagem, treine novamente ou ajuste os modelos de ML.</td>
		</tr>
		<tr>
			<td colspan="2">A modulação do processo de diferenciação guiada por ML não parece melhorar o resultado da diferenciação.</td>
			<td colspan="4">1. A saída de ML é imprecisa. 2. Existem problemas nos reagentes ou procedimentos experimentais. 3. A linhagem celular tem problemas subjacentes, sem capacidade de diferenciação.</td>
			<td colspan="5">1. Tente as etapas de solução de problemas mencionadas acima. 2. Inspecione os reagentes de laboratório e os procedimentos experimentais. 3. Mude as linhas celulares.</td>
		</tr>
		<tr>
			<td colspan="2">A contaminação do tipo celular ainda existe após a purificação.</td>
			<td colspan="4">1. Resultados de previsão imprecisos. 2. Algumas células indesejadas localizadas na borda da área purificada foram encapsuladas.</td>
			<td colspan="5">1. Otimize os resultados previstos pelo ML. 2. Use os resultados previstos por ML de forma mais conservadora, ou seja, redução apropriada no tamanho da região CM.</td>
		</tr>
		<tr>
			<td colspan="2">Mau estado celular após a purificação.</td>
			<td colspan="4">1. Fototoxicidade do laser. 2. Processo de operação lento. 3. Danos celulares causados pela digestão. 4. Danos celulares causados pelo processo de classificação por fluxo.</td>
			<td colspan="5">1. Elimine as células indesejadas por meio de irradiação a laser em vez de células-alvo. 2. Operação mais rápida. 3. Ajuste o método de passagem, como reduzir a concentração de enzimas digestivas. 4. Ajuste o método de classificação, como diminuir a velocidade do fluxo da célula definida durante o processo de classificação.</td>
		</tr>
	</tbody>
</table>
Tabela 1: Tabela de solução de problemas.

Uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes

Pluripotent stem cell (PSC) technologies have been widely used in drug discovery, disease modeling, and regenerative medicine.&#160;However, available ...

a-live-cell-image-based-machine-learning-strategy-to-monitor

Research

JoVE Journal

Biology

Biologia

Fonte: Gómez-Villafuertes, R., et. al., imagens ao vivo seguidas de rastreamento de célula única para monitorar a biologia celular e a progressão da linhagem de várias populações neurais. J. Vis. exp. (2017) O O vídeo demonstra o processo de preparação, imagem e rastreamento de células-tronco neurais adultas em tempo real para estudar comportamentos celulares, incluindo divisão e diferenciação.

 Imagens ao vivo e rastreamento de célula única para monitorar a linhagem neural em células-tronco neurais adultas

O protocolo apresentado no presente estudo descreve métodos para a monitorização em tempo real da progressão reprogramação através da medição da cinética de marcadores de células estaminais pluripotentes positivos e negativos utilizando análise de citometria de fluxo. O protocolo também inclui a avaliação baseada em imagens da morfologia, e marcador ou expressão repórter durante a geração da IPSC.

Kinetic Medição e visualização em tempo real de Reprogramação Somatic

É descrito um protocolo robusto para monitorar as populações neurais por vídeo-microscopia de lapso de tempo seguido baseado em software de pós-processamento. Este método representa uma ferramenta poderosa para identificar os eventos biológicos em uma população selecionada durante as experiências de imagens ao vivo.

Viver a imagem, seguida por uma única célula de rastreamento para biologia celular de Monitor e a progressão da linhagem de várias populações neurais

Mostramos a automação das culturas de células-tronco pluripotentes induzidas pelo homem (hiPSC) e diferenciações neuronais compatíveis com imagens e análises automatizadas.

Produção automatizada de neurônios cortical e dopaminérgico derivados de células-tronco pluripotentes induzidos por humanos com monitoramento integrado de células vivas

Descrevemos uma molécula baseada em pequenas protocolo para a diferenciação de células-tronco embrionárias de camundongos em células precursoras de oligodendrócitos (OPCs). Este protocolo gera Olig2 + + NG2 OPCs com alta eficiência por 30 dias de diferenciação. Nós também descrevem um método para gerar "spiking" OPCs que pode disparar potenciais de ação.

Diferenciação de células-tronco embrionárias em precursores oligodendroglial

Este trabalho tem como objetivo instruir o leitor na operação de um sistema integrado de força atômica-microscópio óptico de imagem para a estimulação mecânica de células vivas em cultura. Um protocolo passo a passo é apresentado. Um representante conjunto de dados que mostra a resposta de células vivas ao estímulo mecânico é apresentado.

Resposta celular ao vivo para Estimulação mecânicas estudadas por Microscopia de Força Atômica e Óptica Integrada

Apesar dos avanços recentes na modificação genética, transfecção de células estaminais embrionárias humanas (hESCs) continua a ser um processo caprichoso. Para nosso conhecimento, métodos sistemáticos e eficiente para transfectar células-tronco pluripotentes induzidas (iPSCs) não foram relatados. Aqui, descrevemos protocolos robustos de forma eficiente e transfectar nucleofect iPSCs humanos.

Transfectando e Nucleofecting células-tronco pluripotentes induzidas

Um método para gerar células tronco pluripotentes induzidas (iPSCs) através de expressão retrovírus mediada ectópica de Oct4, SOX2, KLF4 e MYC é descrito. Uma maneira prática de identificar humanos colônias de IPSC com base na expressão de GFP também é discutida.

Reprogramação de células somáticas humanas em células tronco pluripotentes induzidas (iPSCs) usando vetor retroviral com GFP

Células-tronco pluripotentes, tanto as células-tronco embrionárias ou pluripotentes induzidas (iPS), constituem uma valiosa fonte de células diferenciadas humanos, incluindo os cardiomiócitos. Aqui, vamos nos concentrar na indução cardíaco de células iPS, mostrando como usá-los para obter os cardiomiócitos humanos funcionais através de um protocolo de corpos baseada embryoid.

Geração de cardiomiócitos Humanos: Um Protocolo de Diferenciação de Feeder livres Humanos células-tronco pluripotentes induzidas

Microscopia de lapso de tempo de marcadores autofagia fluorescente etiquetado permite o monitoramento da resposta autofagia dinâmico com alta resolução temporal. Usando autofagia organela específica e marcadores numa combinação de três cores diferentes, pode-se seguir a contribuição de uma proteína para a formação autophagosome num contexto espacial e temporal robusta.

Imagens de células vivas dos primeiros autofagia Eventos: Omegasomes and Beyond

Aprenda uma estratégia de aprendizado de máquina baseada em imagens de células vivas para monitorar a diferenciação de células-tronco pluripotentes. Este método não invasivo identifica linhagens celulares em tempo real e otimiza protocolos de diferenciação cardíaca.

Uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes (Vídeo) | JoVE Journal

Uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes

Explorar mais vídeos