概述
細胞形態(tài)有助于我們了解細胞的健康狀態(tài)，即使最簡單的細胞系統(tǒng)也存在很大的異質性。研究細胞亞群在活化或分化過程中的動力學、表型變化和了解細胞對治療的響應是提高治療效果的關鍵要素。
傳統(tǒng)的細胞分析方法包括對細胞形態(tài)變化進行檢測和定量分析的多步工作流程，或存在一些局限性，需要用試劑來測量對藥物治療的響應。其中一些局限性包括：
- 其他基于顯微鏡的單次實驗需要重復從培養(yǎng)箱中取出樣品，會對細胞的健康造成影響
- 使用熒光染料的終點分析可能會導致檢測結果存在差異
- 缺乏基于單一指標的可重現(xiàn)的孔到孔檢測，數(shù)據通量低，無法擴大用于篩選
- 圖像采集涉及耗時、昂貴的手動操作過程，需要使用第三方軟件進行分析 - 需要處理復雜數(shù)據，量化分析存在局限性和主觀性
Incucyte? 打破了傳統(tǒng)方法的局限性。
Incucyte? Cell-by-Cell 分析軟件模塊可對貼壁和非貼壁細胞模型進行無標記細胞計數(shù)，隨后可按照細胞面積、偏心度或熒光強度對細胞進行逐個分類，定量分析混合培養(yǎng)物中細胞亞群的動態(tài)變化。
為了進一步觀察無標記細胞，可將?Incucyte? 高級無標記分類分析軟件模塊 添加到 Incucyte? Cell-by-Cell 分析軟件模塊中，從而增強對細胞形態(tài)變化的自動識別和定量分析。借助高清相位圖像，您可根據細胞形態(tài)指定無標記目標細胞（如凋亡細胞），并對它們進行實時定量分析。借助先進的機器學習盡可能地提高無標記分析效率！
應用
Cell-by-Cell 分析
相比于對整個細胞群進行測量，對細胞進行逐個分析有望獲得額外的寶貴生物學信息。Incucyte? Cell-by-Cell 分析軟件模塊和相關的無干擾試劑可實現(xiàn)實時自動化圖像采集和細胞群亞群客觀分析，從而提供綜合性解決方案。以微孔板通量滿足所有異質性培養(yǎng)細胞類型分析需求。
Incucyte? 高級無標記分類分析簡介
我們現(xiàn)在可以通過高級學習算法對細胞的形態(tài)變化進行無偏差的自動化識別和分析。
用戶可通過無標記圖像分割和細胞形態(tài)多變量分析對貼壁細胞計數(shù)和追蹤形態(tài)變化。智能默認設置可實現(xiàn)可重現(xiàn)的客觀分析，使跨實驗結果的比較具有一致性。基于成熟的無標記采集方案和根據形態(tài)輕松識別目標細胞群的高級分析方案，Incucyte? 高級無標記分類分析軟件模塊可提供一套完整的解決方案。
Incucyte? 高級無標記分類分析工作流程
工作流程圖：?上面的 Incucyte? 高級無標記分類分析工作流程展示了無標記活/死細胞分析所需的步驟。其中的圖像均為使用 Incucyte? Cell-By-Cell 分析軟件模塊自動采集和分割所得。 用戶可通過高級無標記分類附加軟件模塊獲得細胞的形態(tài)特征，并使用活細胞和死細胞對照孔對分群參數(shù)進行訓練。訓練后的分群參數(shù)可在所有時間點應用于所有孔，從而獲得每張圖像中活細胞和死細胞的數(shù)量及百分比。
關鍵優(yōu)勢
- 根據細胞形態(tài)自動對細胞進行無標記分類- 采用集成式圖像采集和分析技術減少標記試劑產生的偽影，從而準確識別活細胞、死細胞或分化狀態(tài)的細胞，提高生物洞察力
- 客觀分析細胞形態(tài)?- 一款強大的專用軟件，專為細胞分化無標記分類而設計，可提供可重現(xiàn)的實驗結果
- 無標記表型篩選??- 利用機器學習在 96 和384 孔板中對細胞形態(tài)進行圖像分析，大幅提高通量
- 通過多變量算法獲得可重現(xiàn)的客觀結果，比單一算法更能準確定量分析細胞形狀。
根據細胞形態(tài)自動對細胞進行無標記分類
采用集成式圖像采集和分析技術減少標記試劑誘導的偽影，從而準確識別活細胞、死細胞或分化狀態(tài)的細胞，提高生物洞察力
圖 1：高級無標記分類驗證活/死細胞分析。
在Incucyte? Annexin V 試劑存在的情況下，用不同濃度的喜樹堿 (CMP, 0.1-10 μM)、十字孢堿 (STP, 1-1000 nM) 和順鉑 (CIS, 0.5-50 μM) 處理細胞，并在 6 種具有不同形態(tài)的細胞類型中進行無標記活/死細胞分析。 通過 Incucyte? 貼壁 Cell-by-Cell 分析軟件模塊對圖像進行采集和分割，通過高級無標記分類和熒光分類 (Annexin V) 對死細胞進行定量分析。圖像顯示了用 CMP 處理的 A549 細胞、用 STP 處理的 HeLa 細胞和用 CIS 處理的 HT1080 細胞的活細胞形態(tài)和死細胞形態(tài)。高級無標記分類的時程曲線顯示了 72h 內死細胞增加的百分比，Annexin V 的時程曲線顯示了 72h 內 Annexin V 陽性細胞增加的百分比。兩種分析方法的時程曲線和濃度響應曲線具有可比性。
客觀分析細胞形態(tài)
一款強大的專用軟件，專為細胞分化無標記分類而設計，可提供可重現(xiàn)的實驗結果。
圖 2：高級無標記分類驗證分化。
在 Fabfluor-488 標記的 CD11b（一種巨噬細胞標志物）存在的情況下，使用 THP-1 單核細胞進行無標記分化檢測，單核細胞在 100 nM 濃度 PMA 的刺激下分化為巨噬細胞表型。通過 Incucyte? 貼壁 Cell-by-Cell 分析軟件模塊對圖像進行采集和分割，通過高級無標記分類和熒光分類 (CD11b) 對巨噬細胞進行定量分析。 高清相位圖像和熒光融合圖像顯示了細胞從單核細胞分化為巨噬細胞時細胞形態(tài)的變化以及 CD11b 表達（綠色熒光）的增加。 巨噬細胞百分比的時程曲線顯示，分化細胞的數(shù)量隨時間推移不斷增加，其中細胞形態(tài)變化略早于 CD11b 的上調（在0-24小時內）。兩種分析方法均在 48 小時后達到巨噬細胞群最大百分比 80%，分化細胞數(shù)量趨于平穩(wěn)。
無標記表型篩選
利用機器學習在 96 和384 孔板中對細胞形態(tài)進行圖像分析，大幅提高通量
圖 3：無標記細胞毒性篩選。
使用高級無標記分類識別細胞毒性藥物。在 96 孔篩選中，用 14 種具有不同作用機制的化合物處理細胞，包括作為死細胞對照的 CMP（10 μM，已知可誘導細胞死亡）。使用高級無標記分類對死細胞百分比進行定量分析。96 孔板的 DeepView 圖像顯示了處理 72 小時后的活細胞（綠色）和死細胞（紅色）分類 mask，幫助用戶快速了解具有細胞毒性的化合物及其濃度。
通過多變量算法獲得可重現(xiàn)的客觀結果，比單一算法更能準確定量分析細胞形狀。
圖 4：多變量分析可提高無標記分類的準確度。
用一系列濃度的 CMP (0.1-10 μM) 處理 A549 細胞以誘導細胞死亡。通過總細胞形態(tài)的高級無標記分類（多變量分析，左）或使用描述細胞圓度的單一指標（單變量分析，右）來對死細胞百分比進行定量分析；時程曲線顯示了每種分析方法的死細胞百分比隨時間的變化情況。高級無標記分類產生了與預期一致的結果，即死亡細胞隨著時間推移呈濃度依賴性增加，該時程曲線與 Annexin V 驗證研究的時程曲線大致相當。 細胞圓度的單一變量分析顯示，72 小時內死亡細胞的百分比呈濃度依賴性增強，然而，對照組顯示，細胞死亡率處于較高水平，且隨時間變化；圖像的目視分析不支持這一數(shù)據。
圖 5：使用或未使用熒光試劑和 Incucyte? Cell-by-Cell 或高級無標記細胞形態(tài)分析驗證的細胞類型匯總表。
在使用或未使用熒光試劑的情況下，針對多種細胞類型進行活/死細胞分析和分化分析，并通過 Incucyte? Cell-by-Cell 或高級無標記細胞形態(tài)分析驗證分析結果。和使用熒光試劑的分析數(shù)據進行比較時，Incucyte? 高級無標記分類分析生成的無標記數(shù)據結果更具等效性和可重現(xiàn)性。
訂購信息
訂購信息
產品 | 數(shù)量 | 產品目錄號 |
|---|---|---|
| Incucyte? Cell-by-Cell 分析軟件模塊 | 1個模塊 | 9600-0031 |
| Incucyte? 高級無標記分類分析軟件模塊 | 1個模塊 ? | BA-04867 |
