Incucyte^® Cell-by-Cell 和高级无标记形态学分析

概述

细胞形态有助于我们了解细胞的健康状态，即使最简单的细胞系统也存在很大的异质性。研究细胞亚群在活化或分化过程中的动力学、表型变化和了解细胞对治疗的响应是提高治疗效果的关键要素。

传统的细胞分析方法包括对细胞形态变化进行检测和定量分析的多步工作流程，或存在一些局限性，需要用试剂来测量对药物治疗的响应。其中一些局限性包括：

其他基于显微镜的单次实验需要重复从培养箱中取出样品，会对细胞的健康造成影响
使用荧光染料的终点分析可能会导致检测结果存在差异
缺乏基于单一指标的可重现的孔到孔检测，数据通量低，无法扩大用于筛选
图像采集涉及耗时、昂贵的手动操作过程，需要使用第三方软件进行分析 - 需要处理复杂数据，量化分析存在局限性和主观性

Incucyte^® 打破了传统方法的局限性。

Incucyte^® Cell-by-Cell 分析软件模块可对贴壁和非贴壁细胞模型进行无标记细胞计数，随后可按照细胞面积、偏心度或荧光强度对细胞进行逐个分类，定量分析混合培养物中细胞亚群的动态变化。

为了进一步观察无标记细胞，可将 Incucyte^®高级无标记分类分析软件模块添加到 Incucyte^® Cell-by-Cell 分析软件模块中，从而增强对细胞形态变化的自动识别和定量分析。借助高清相位图像，您可根据细胞形态指定无标记目标细胞（如凋亡细胞），并对它们进行实时定量分析。借助先进的机器学习尽可能地提高无标记分析效率！

应用

Cell-by-Cell 分析

相比于对整个细胞群进行测量，对细胞进行逐个分析有望获得额外的宝贵生物学信息。Incucyte^® Cell-by-Cell 分析软件模块和相关的无干扰试剂可实现实时自动化图像采集和细胞群亚群客观分析，从而提供综合性解决方案。以微孔板通量满足所有异质性培养细胞类型分析需求。

了解更多 Cell-by-Cell 分析的信息

Incucyte^® 高级无标记分类分析简介

我们现在可以通过高级学习算法对细胞的形态变化进行无偏差的自动化识别和分析。

用户可通过无标记图像分割和细胞形态多变量分析对贴壁细胞计数和追踪形态变化。智能默认设置可实现可重现的客观分析，使跨实验结果的比较具有一致性。基于成熟的无标记采集方案和根据形态轻松识别目标细胞群的高级分析方案，Incucyte^® 高级无标记分类分析软件模块可提供一套完整的解决方案。

Incucyte^® 高级无标记分类分析工作流程

工作流程图： 上面的 Incucyte^® 高级无标记分类分析工作流程展示了无标记活/死细胞分析所需的步骤。其中的图像均为使用 Incucyte^® Cell-By-Cell 分析软件模块自动采集和分割所得。用户可通过高级无标记分类附加软件模块获得细胞的形态特征，并使用活细胞和死细胞对照孔对分群参数进行训练。训练后的分群参数可在所有时间点应用于所有孔，从而获得每张图像中活细胞和死细胞的数量及百分比。

详细了解高级无标记分类分析

关键优势

根据细胞形态自动对细胞进行无标记分类- 采用集成式图像采集和分析技术减少标记试剂产生的伪影，从而准确识别活细胞、死细胞或分化状态的细胞，提高生物洞察力
客观分析细胞形态 - 一款强大的专用软件，专为细胞分化无标记分类而设计，可提供可重现的实验结果
无标记表型筛选 - 利用机器学习在 96 和384 孔板中对细胞形态进行图像分析，大幅提高通量
通过多变量算法获得可重现的客观结果，比单一算法更能准确定量分析细胞形状。

根据细胞形态自动对细胞进行无标记分类

采用集成式图像采集和分析技术减少标记试剂诱导的伪影，从而准确识别活细胞、死细胞或分化状态的细胞，提高生物洞察力

图 1：高级无标记分类验证活/死细胞分析。

在Incucyte^® Annexin V 试剂存在的情况下，用不同浓度的喜树碱 (CMP, 0.1-10 µM)、十字孢碱 (STP, 1-1000 nM) 和顺铂 (CIS, 0.5-50 µM) 处理细胞，并在 6 种具有不同形态的细胞类型中进行无标记活/死细胞分析。通过 Incucyte^® 贴壁 Cell-by-Cell 分析软件模块对图像进行采集和分割，通过高级无标记分类和荧光分类 (Annexin V) 对死细胞进行定量分析。图像显示了用 CMP 处理的 A549 细胞、用 STP 处理的 HeLa 细胞和用 CIS 处理的 HT1080 细胞的活细胞形态和死细胞形态。高级无标记分类的时程曲线显示了 72h 内死细胞增加的百分比，Annexin V 的时程曲线显示了 72h 内 Annexin V 阳性细胞增加的百分比。两种分析方法的时程曲线和浓度响应曲线具有可比性。

客观分析细胞形态

一款强大的专用软件，专为细胞分化无标记分类而设计，可提供可重现的实验结果。

图 2：高级无标记分类验证分化。

在 Fabfluor-488 标记的 CD11b（一种巨噬细胞标志物）存在的情况下，使用 THP-1 单核细胞进行无标记分化检测，单核细胞在 100 nM 浓度 PMA 的刺激下分化为巨噬细胞表型。通过 Incucyte^® 贴壁 Cell-by-Cell 分析软件模块对图像进行采集和分割，通过高级无标记分类和荧光分类 (CD11b) 对巨噬细胞进行定量分析。高清相位图像和荧光融合图像显示了细胞从单核细胞分化为巨噬细胞时细胞形态的变化以及 CD11b 表达（绿色荧光）的增加。巨噬细胞百分比的时程曲线显示，分化细胞的数量随时间推移不断增加，其中细胞形态变化略早于 CD11b 的上调（在0-24小时内）。两种分析方法均在 48 小时后达到巨噬细胞群最大百分比 80%，分化细胞数量趋于平稳。

无标记表型筛选

利用机器学习在 96 和384 孔板中对细胞形态进行图像分析，大幅提高通量

图 3：无标记细胞毒性筛选。

使用高级无标记分类识别细胞毒性药物。在 96 孔筛选中，用 14 种具有不同作用机制的化合物处理细胞，包括作为死细胞对照的 CMP（10 µM，已知可诱导细胞死亡）。使用高级无标记分类对死细胞百分比进行定量分析。96 孔板的 DeepView 图像显示了处理 72 小时后的活细胞（绿色）和死细胞（红色）分类 mask，帮助用户快速了解具有细胞毒性的化合物及其浓度。

通过多变量算法获得可重现的客观结果，比单一算法更能准确定量分析细胞形状。

图 4：多变量分析可提高无标记分类的准确度。

用一系列浓度的 CMP (0.1-10 µM) 处理 A549 细胞以诱导细胞死亡。通过总细胞形态的高级无标记分类（多变量分析，左）或使用描述细胞圆度的单一指标（单变量分析，右）来对死细胞百分比进行定量分析；时程曲线显示了每种分析方法的死细胞百分比随时间的变化情况。高级无标记分类产生了与预期一致的结果，即死亡细胞随着时间推移呈浓度依赖性增加，该时程曲线与 Annexin V 验证研究的时程曲线大致相当。细胞圆度的单一变量分析显示，72 小时内死亡细胞的百分比呈浓度依赖性增强，然而，对照组显示，细胞死亡率处于较高水平，且随时间变化；图像的目视分析不支持这一数据。