发表
联系我们

登录

需要订阅 JoVE 才能查看此. 登录或开始免费试用。

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

我们描述了一种使用定量相位成像和机器学习算法对淋巴细胞亚型进行无标签识别的协议。对淋巴细胞三维折射率图的测量为单个细胞提供了三维形态和生化信息, 然后用机器学习算法进行分析, 以识别细胞类型。

摘要

我们在这里描述了一个协议的无标签识别淋巴细胞亚型使用定量相位成像和机器学习。淋巴细胞亚型的鉴定对免疫学的研究以及各种疾病的诊断和治疗都很重要。目前, 对淋巴细胞类型进行分类的标准方法依赖于通过抗原抗体反应标记特定的膜蛋白。然而, 这些标记技术具有改变细胞功能的潜在风险。通过利用三维定量相位成像和机器学习算法测量的内在光学对比来克服这些挑战。测量淋巴细胞的三维折射率 (ri) 断层扫描物提供了有关单个细胞的三维形态学和表型的定量信息。然后, 使用机器学习算法对从测量到的 3d ri 断层扫描图中提取的生物物理参数进行定量分析, 从而能够在单细胞水平上对淋巴细胞类型进行无标签识别。我们测量 b、cd4+ t 和 cd8+ t 淋巴细胞的 3d ri 断层扫描, 并以80% 以上的准确率确定它们的细胞类型。在本协议中, 我们描述了淋巴细胞分离、三维定量相位成像和机器学习的详细步骤, 以识别淋巴细胞类型。

引言

淋巴细胞可分为多种亚型, 包括 b、辅助 (cd4 +) t、细胞毒性 (cd8 +) t 和调节 t 细胞。每种淋巴细胞类型在适应性免疫系统中都有不同的作用;例如, b 淋巴细胞产生抗体, 而 t 淋巴细胞检测到特定的抗原, 消除异常细胞, 并调节 b 淋巴细胞。淋巴细胞功能和调节受到各种疾病的严格控制, 并与之相关, 包括癌症1、自身免疫性疾病2和病毒感染 3。因此, 确定淋巴细胞类型对于了解其在此类疾病中的病理生理作用以及在临床上进行免疫治疗具有重要意义。

目前, 淋巴细胞类型的分类方法依靠抗原抗体反应, 靶向特定的表面膜蛋白或表面标记4。靶向表面标记是确定淋巴细胞类型的一种精确和准确的方法。但是, 它需要昂贵的试剂和耗时的程序。此外, 它还具有改变膜蛋白结构和改变细胞功能的风险。

为了克服这些挑战, 这里描述的协议介绍了使用三维定量相位成像 (qpi) 和机器学习5的淋巴细胞类型的无标签识别.这种方法可以根据从单个淋巴细胞的无标签三维成像中提取的形态信息, 在单细胞水平上对淋巴细胞类型进行分类。与传统的荧光显微镜技术不同, qpi 利用折射率 (ri) 分布 (活细胞和组织的固有光学特性) 作为光学对比度6,7。单个淋巴细胞的 ri 图是特定于淋巴细胞亚型的表型信息。在这种情况下, 为了系统地利用单个淋巴细胞的三维 ri 断层扫描, 采用了一种有监督的机器学习算法。

利用各种 qpi 技术, 细胞的三维 ri 图像已被积极用于细胞病理生理学的研究, 因为它们提供了一个无标签, 定量成像能力8,9,10, 11,12,13。此外, 单个细胞的三维 ri 分布可以提供有关细胞的形态、生化和生物力学信息。3d ri 断层扫描术以前曾被用于血液学领域 14,15,16, 17, 传染病18,19, 20、免疫学21、细胞生物学22、23、炎症24、癌症25、神经科学26、27、发育生物学 28、毒理学29, 微生物学12,30,31,32。

尽管 3d ri 断层扫描物提供了细胞的详细形态和生化信息, 但通过简单地成像 3d ri 图5很难实现淋巴细胞亚型的分类.为了系统、定量地利用测量到的三维 ri 图进行细胞类型分类, 我们采用了机器学习算法。最近, 有几项工作是用各种机器学习算法33分析细胞的定量相位图像, 包括微生物的检测34、细菌属的分类 35,36、炭疽孢子的快速无标签检测 37, 精子细胞的自动分析 38, 癌细胞 39,40 的分析, 巨噬细胞活化41 的检测.

该协议提供了详细的步骤, 使用 3d qpi 和机器学习在单个细胞级别执行无标签的淋巴细胞类型识别。这包括: 1) 从小鼠血液中分离淋巴细胞, 2) 通过流式细胞仪进行淋巴细胞分选, 3) 3d qpi, 4) 从 3d ri 肿瘤中提取定量特征, 5) 有监督的学习, 以识别淋巴细胞类型。

研究方案

动物护理和实验程序是在 kaist 机构动物照料和使用委员会 (ka2010-21、kaa160001 和 ka2015-03) 的批准下进行的。本研究中的所有实验都是按照批准的准则进行的。

1. 小鼠血液淋巴细胞分离

  1. 一旦 c57bl/6j 小鼠通过吸入二氧化碳实现安乐死 , 将26-g 针插入小鼠心脏并收集0.3 毫升的血液。直接将血液放入用1毫升磷酸盐缓冲盐水 (pbs) 稀释的 100 u/ml 肝素溶液管中。
    注: 或者, 可以分离脾脏的淋巴细胞。
  2. 在4°c 条件下, 以 400 x g 离心管5分钟。
  3. 在试管中加入0.5 毫升的氯化铵-钾裂解缓冲液, 轻轻倒置几次, 混合溶液。
  4. 在室温 (rt) 下将试管孵化5分钟。
  5. 在4°c 下, 加入4.5 毫升的 pbs 和 400 x g 的离心 5分钟, 清洗细胞, 两次。
  6. 去除上清液, 在100微米的新鲜 rpmi-1640 培养基中重新悬浮细胞颗粒, 并使用10% 的胎牛血清 (fbs)。
  7. 在管中加入0.1 微克的 ccma/32 (2.4 g2) 抗体进行阻滞。
  8. 把管子放在冰上。

2. 淋巴细胞亚型的流式细胞术和分选

注: 根据细胞类型对淋巴细胞进行分类对于建立地面真相 (即正确) 细胞类型标签以训练和测试在监督学习中的细胞类型分类器至关重要。流式细胞术是一种金标准方法, 用于识别和分离淋巴细胞42。

  1. 在100微米的新鲜 rpmi-1640 培养基中混合表面标记染色抗体 [用 10% fbs, 0.1μg cd3e (17a2), cd8a (53-6.7)、cd19 (1d3)、cd45r (b220、ra3-6b2)、nk1.1 (pk136)] 和0.25 微克 cd4 (gk1.5) 抗体对目标 b、cd4 + t 和 cd8 + t淋巴细胞。
  2. 在细胞悬浮液中加入100μl 抗体混合物 (在步骤1.8 中获得)。
  3. 在冰上孵化25分钟。
  4. 在4°c 下, 加入5毫升的 pbs 和 400 x g 的离心 5分钟, 清洗细胞, 两次。
  5. 用10% 的 fbs 和2.5μg 的 dapi (4 ', 6-二胺-2-苯丁胺) 在新鲜的 rpmi-1640 培养基5毫升中重新注入细胞颗粒。
  6. 使用上述标记的荧光水平, 用流式细胞仪分别收集每种淋巴细胞类型。同时使用 dapi 信号排除死细胞。
    注: 以前已经描述了有关基于流式细胞检查的细胞排序的详细协议42。

3. 三维定量相位成像

  1. 在整个成像过程中, 应将分类的淋巴细胞放在冰上, 这些过程应在5小时内完成 (因为淋巴细胞与小鼠分离), 以避免细胞损伤和生化改变。
  2. 选择分类细胞类型 (b、cd4 + t 和 cd8 + t 淋巴细胞之间), 用 rpmi 培养基将样本 (在步骤2.6 中获得) 稀释到180细胞μμμl, 以获得最佳成像条件 (即, 每个单一视场一个细胞)。
  3. 通过缓慢注射将稀释后的样品的120μl 加载到成像室中。用样品彻底检查成像室内是否存在气泡。如果有气泡, 请小心去除它们, 因为它们会影响测量的质量。
  4. 使用商业3d 定量相位显微镜 (或全息扫描) 及其成像软件获取 3d ri 断层扫描。
    注: 有关实验设置的详细信息可在原稿5中找到。
    1. 在显微镜的物镜上放一滴蒸馏水。
    2. 将与样品一起放置在显微镜的翻译阶段, 并调整其位置, 使样品与物镜对齐。
    3. 在成像软件的 "显微镜" 透视 "选项卡上, 分别单击" 焦点"和" 表面", 调整目标镜头和冷凝器镜头的轴向位置。
    4. 通过单击"自动模式"来对齐目标镜头和冷凝器镜头。或者, 使用扫描模式并手动调整镜头, 以便将照明模式本地化到视场的中心区域。
    5. 返回到"正常模式"并调整转换阶段, 以便在视场中定位单元格。
    6. 通过调整物镜的轴向位置来查找焦平面。完美的对焦使样品边界在屏幕上的可视化几乎是不可见的。
    7. 调整翻译阶段以查找没有单元格的位置。
    8. 单击 "校准"可测量具有不同照明角度的多个2d 全息图。
    9. 调整翻译阶段以定位视场中心的单元格。
    10. 移动到 "采集" 选项卡, 然后单击3d 快照以测量单元格的全息图, 其照明角度与步骤3.4.8 相同。
    11. 当采集的数据显示在 "数据管理" 面板上时, 右键单击采集到的数据, 然后单击"处理", 使用衍射层析成像算法, 从3.4.8 和3.4.10 的步骤测量的全息图中重建三维 ri 层析成像9,10在成像软件中实现。
    12. 重复步骤 3.4.5-3.4.11 测量100多个单元, 以确保机器学习的统计能力。
    13. 通过步骤处理的所有图像3.4.11。可以可视化。在 "数据管理" 面板上, 右键单击数据, 然后单击 "打开" 以可视化数据。单击 "数据管理器" 面板上的 ri tom图。在 "预设" 选项卡上, 单击 "加载" 并双击 "淋巴细胞. xml", 这是成像软件提供的预定义的传递函数, 用于根据 3d ri 分布可视化断层扫描图。
  5. 重复步骤 3.2-3.4 测量所有淋巴细胞亚型的三维 ri 断层扫描。

4. 三维 ri 形图中定量形态和生化特征提取

  1. 将上面测量的所有断层扫描数据放在一个文件夹中。拆分此文件夹的子文件夹中的单元格类型。准备每个断层扫描图成为一个单一的. mat 文件。
  2. 打开补充文件 1 -功能提取 (为图像处理软件编写)。
  3. 编辑第14行以指定步骤4.1 中准备的 "断层扫描图" 文件夹。
  4. 编辑第15行以指定一个文件夹以保存提取的要素数据。
  5. (可选) 编辑第17行以调整特征提取的 ri 阈值参数。默认选项为1.340-1.378个的 20个 ri 阈值, 如前面所述, 增量为0.002。
  6. 执行代码。对于数据集中的每个断层扫描图, 该代码计算每个 ri 阈值的五个特征: 表面积 (sa)、细胞体积 (cv)、球度 (si)、蛋白质密度 (pd) 和干质量 (dm)。详细的特征提取算法在其他地方描述了 5。
  7. 为了监控特征提取, 在执行过程中检查屏幕上可视化基于 ri 阈值的细胞分割。
  8. 检查提取的要素数据, 作为每个断层扫描图的. mat 文件, 保存在步骤4.4 中指定的文件夹中。

5. 监督学习和识别

  1. 将步骤4.8 中获得的要素数据随机拆分为训练 (70%) 和使用单独文件夹测试 (30%) 集。
  2. 打开补充文件 2 -训练 (为图像处理软件编写)。
  3. 编辑第14行以指定步骤5.1 中准备的培训集。
  4. 编辑第16行以指定一个文件夹来保存训练过的分类器。
  5. 编辑第17行以设置分类器的文件名。
  6. (可选) 编辑第19行以选择培训功能。默认选项 (如前面指定的 5) 用于获取以下具有代表性的结果。
  7. 执行代码。使用训练集的选定功能, 代码使用k最近邻居算法 (k-nn; k = 4) 训练分类器, 然后将分类器 (在步骤5.5 中命名) 保存在步骤5.4 中指定的文件夹中。
  8. 检查屏幕上显示分类器的性能和交叉验证的准确性。
  9. (可选) 通过重复步骤 5.5-5.7 训练具有不同功能组合的多个分类器。然后选择具有最高交叉验证精度的分类器。
  10. 打开补充文件 3 -测试 (为图像处理软件编写)。
  11. 编辑行14-15 以指定要测试的训练有素的分类器。
  12. 编辑第17行以指定步骤5.1 中准备的测试集。
  13. 执行代码。上面描述的分类器识别测试集中单个淋巴细胞的细胞类型。
  14. 检查屏幕上的识别性能和测试精度。

结果

图 11显示整个协议的原理图过程。使用这里介绍的程序, 我们分离 b (n = 149)、cd4+ t (n = 95) 和 cd8 + t (n = 112) 淋巴细胞。为了在不同的光照角度获得相位和振幅信息, 通过改变光照角度 (从-60°到 60°) 测量了每个淋巴细胞的多个二维全息图。通常情况下, 50个全息图可用于重建三维 ri 断层扫描图, 但2d 全息图的数量可以根据成像速度和质量进行调整。利...

讨论

我们提出了一个协议, 使标签免费识别淋巴细胞类型结合3d 定量相位成像和机器学习。该协议的关键步骤是定量相位成像和特征选择。为了获得最佳的全息成像, 应按上述方式控制细胞的密度。细胞的机械稳定性对于获得精确的 3d ri 分布也很重要, 因为浮动或振动细胞运动会干扰全息图测量时, 照明角度的变化。因此, 我们等待了几分钟, 直到样品在成像室变得稳定和静态, 然后再测量全息图。最后,...

披露声明

朴泰桓教授、y. jo. y. kim 和 s. lee 在 tomocube 公司拥有财务利益, 该公司将光学衍射层析成像和定量相位成像仪器商业化, 是这项工作的赞助商之一。

致谢

这项工作得到了 kaist bk21+ 计划、tomocube 公司和韩国国家研究基金会的支持 (2015ra3a2066, 2017m3c1a3013923, 2018k0003996)。y. jo 感谢 kaist 总统研究金和阿桑基金会生物医学科学奖学金的支持。

材料

NameCompanyCatalog NumberComments
MouseDaehan BiolinkC57BL/6J mice gender and age-matched, 6 – 8 weeks
Falcon conical centrifuge tubeThermoFisher Scientific14-959-53A15 mL
Phosphate-buffered saline Sigma-Aldrich806544-500ML
Ammonium-chloride-potassium lysing buffer ThermoFisher ScientificA1049201
RPMI-1640 mediumSigma-AldrichR8758
Fetal bovine serumThermoFisher Scientific10438018
AntibodyBD Biosciences553140 (RRID:AB_394655)CD16/32 (clone 2.4G2)
AntibodyBD Biosciences555275 (RRID:AB_395699)CD3ε (clone 17A2)
AntibodyBiolegnd100734 (RRID:AB_2075238)CD8α (clone 53-6.7)
AntibodyBD Biosciences557655 (RRID:AB_396770)CD19 (clone 1D3)
AntibodyBD Biosciences557683 (RRID:AB_396793)CD45R/B220 (clone RA3-6B2)
AntibodyBD Biosciences552878 (RRID:AB_394507)NK1.1 (clone PK136)
AntibodyeBioscience11-0041-85 (RRID:AB_464893)CD4 (clone GK1.5)
DAPI Roche102362760014,6-diamidino-2-phenylindole
Flow cytometry BD BiosciencesAria II or III 
Imaging chamberTomocube, Inc.TomoDish
HolotomographyTomocube, Inc.HT-1H
Holotomography imaging softwareTomocube, Inc.TomoStudio
Image professing softwareMathWorksMatlab R2017b

参考文献

  1. Alizadeh, A. A., et al. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature. 403 (6769), 503 (2000).
  2. Von Boehmer, H., Melchers, F. Checkpoints in lymphocyte development and autoimmune disease. Nature Immunology. 11 (1), 14 (2010).
  3. Sáez-Cirión, A., et al. HIV controllers exhibit potent CD8 T cell capacity to suppress HIV infection ex vivo and peculiar cytotoxic T lymphocyte activation phenotype. Proceedings of the National Academy of Sciences. 104 (16), 6776-6781 (2007).
  4. Fischer, K., et al. Isolation and characterization of human antigen-specific TCRαβ+ CD4-CD8-double-negative regulatory T cells. Blood. 105 (7), 2828-2835 (2005).
  5. Yoon, J., et al. Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning. Scientific Reports. 7 (1), 6654 (2017).
  6. Popescu, G. . Quantitative phase imaging of cells and tissues. , (2011).
  7. Lee, K., et al. Quantitative phase imaging techniques for the study of cell pathophysiology: from principles to applications. Sensors. 13 (4), 4170-4191 (2013).
  8. Kim, D., et al. Refractive index as an intrinsic imaging contrast for 3-D label-free live cell imaging. bioRxiv. , 106328 (2017).
  9. Kim, K., et al. Optical diffraction tomography techniques for the study of cell pathophysiology. Journal of Biomedical Photonics & Engineering. 2 (2), (2016).
  10. Wolf, E. Three-dimensional structure determination of semi-transparent objects from holographic data. Optics Communications. 1 (4), 153-156 (1969).
  11. Kus, A., Dudek, M., Kemper, B., Kujawinska, M., Vollmer, A. Tomographic phase microscopy of living three-dimensional cell cultures. Journal of Biomedical Optics. 19 (4), 046009 (2014).
  12. Kim, T., et al. White-light diffraction tomography of unlabelled live cells. Nature Photonics. 8 (3), 256 (2014).
  13. Simon, B., et al. Tomographic diffractive microscopy with isotropic resolution. Optica. 4 (4), 460-463 (2017).
  14. Kim, Y., et al. Profiling individual human red blood cells using common-path diffraction optical tomography. Scientific Reports. 4, (2014).
  15. Park, H., et al. Measuring cell surface area and deformability of individual human red blood cells over blood storage using quantitative phase imaging. Scientific Reports. 6, (2016).
  16. Lee, S., et al. Refractive index tomograms and dynamic membrane fluctuations of red blood cells from patients with diabetes mellitus. Scientific Reports. 7, (2017).
  17. Merola, F., et al. Tomographic flow cytometry by digital holography. Light-Science & Applications. 6, (2017).
  18. Park, Y., et al. Refractive index maps and membrane dynamics of human red blood cells parasitized by Plasmodium falciparum. Proceedings of the National Academy of Sciences. 105, 13730-13735 (2008).
  19. Park, H., et al. Characterizations of individual mouse red blood cells parasitized by Babesia microti using 3-D holographic microscopy. Scientific Reports. 5, 10827 (2015).
  20. Chandramohanadas, R., et al. Biophysics of malarial parasite exit from infected erythrocytes. Public Library of Science ONE. 6 (6), 20869 (2011).
  21. Yoon, J., et al. Label-free characterization of white blood cells by measuring 3D refractive index maps. Biomedical Optics Express. 6 (10), 3865-3875 (2015).
  22. Kim, K., et al. Three-dimensional label-free imaging and quantification of lipid droplets in live hepatocytes. Scientific Reports. 6, 36815 (2016).
  23. Kim, D., et al. Label-free high-resolution 3-D imaging of gold nanoparticles inside live cells using optical diffraction tomography. Methods. , (2017).
  24. Lenz, P., et al. Multimodal Quantitative Phase Imaging with Digital Holographic Microscopy Accurately Assesses Intestinal Inflammation and Epithelial Wound Healing. Journal of Visualized Experiments. (115), (2016).
  25. Huang, J., Guo, P., Moses, M. A. A Time-lapse, Label-free, Quantitative Phase Imaging Study of Dormant and Active Human Cancer Cells. Journal of Visualized Experiments. (132), (2018).
  26. Yang, S. A., Yoon, J., Kim, K., Park, Y. Measurements of morphological and biochemical alterations in individual neuron cells associated with early neurotoxic effects in Parkinson's disease. Cytometry Part A. 91 (5), 510-518 (2017).
  27. Cotte, Y., et al. Marker-free phase nanoscopy. Nature Photonics. 7 (2), 113-117 (2013).
  28. Nguyen, T. H., Kandel, M. E., Rubessa, M., Wheeler, M. B., Popescu, G. Gradient light interference microscopy for 3D imaging of unlabeled specimens. Nature Communications. 8 (1), 210 (2017).
  29. Kwon, S., et al. Mitochondria-targeting indolizino [3, 2-c] quinolines as novel class of photosensitizers for photodynamic anticancer activity. European Journal of Medicinal Chemistry. 148, 116-127 (2018).
  30. Bennet, M., Gur, D., Yoon, J., Park, Y., Faivre, D. A Bacteria-Based Remotely Tunable Photonic Device. Advanced Optical Materials. , (2016).
  31. Kim, T. I., et al. Antibacterial Activities of Graphene Oxide-Molybdenum Disulfide Nanocomposite Films. ACS Applied Materials & Interfaces. 9 (9), 7908-7917 (2017).
  32. Bedrossian, M., Barr, C., Lindensmith, C. A., Nealson, K., Nadeau, J. L. Quantifying Microorganisms at Low Concentrations Using Digital Holographic Microscopy (DHM). Journal of Visualized Experiments. (129), (2017).
  33. Jo, Y., et al. Quantitative Phase Imaging and Artificial Intelligence: A Review. arXiv preprint. , (2018).
  34. Javidi, B., Moon, I., Yeom, S., Carapezza, E. Three-dimensional imaging and recognition of microorganism using single-exposure on-line (SEOL) digital holography. Optics Express. 13 (12), 4492-4506 (2005).
  35. Jo, Y., et al. Label-free identification of individual bacteria using Fourier transform light scattering. Optics Express. 23 (12), 15792-15805 (2015).
  36. Jo, Y., et al. Angle-resolved light scattering of individual rod-shaped bacteria based on Fourier transform light scattering. Scientific Reports. 4, 5090 (2014).
  37. Jo, Y., et al. Holographic deep learning for rapid optical screening of anthrax spores. Science Advances. 3 (8), 1700606 (2017).
  38. Mirsky, S. K., Barnea, I., Levi, M., Greenspan, H., Shaked, N. T. Automated analysis of individual sperm cells using stain-free interferometric phase microscopy and machine learning. Cytometry Part A. 91 (9), 893-900 (2017).
  39. Roitshtain, D., et al. Quantitative phase microscopy spatial signatures of cancer cells. Cytometry Part A. 91 (5), 482-493 (2017).
  40. Lam, V. K., Nguyen, T. C., Chung, B. M., Nehmetallah, G., Raub, C. B. Quantitative assessment of cancer cell morphology and motility using telecentric digital holographic microscopy and machine learning. Cytometry Part A. , (2017).
  41. Pavillon, N., Hobro, A. J., Akira, S., Smith, N. I. Noninvasive detection of macrophage activation with single-cell resolution through machine learning. Proceedings of the National Academy of Sciences. , (2018).
  42. Basu, S., Campbell, H. M., Dittel, B. N., Ray, A. Purification of Specific Cell Population by Fluorescence Activated Cell Sorting (FACS). Journal of Visualized Experiments. (41), e1546 (2010).
  43. Takeda, M., Ina, H., Kobayashi, S. Fourier-transform method of fringe-pattern analysis for computer-based topography and interferometry. Journal of the Optical Society of America. 72 (1), 156-160 (1982).
  44. Debnath, S. K., Park, Y. Real-time quantitative phase imaging with a spatial phase-shifting algorithm. Optics Letters. 36 (23), 4677-4679 (2011).
  45. Kim, K., et al. High-resolution three-dimensional imaging of red blood cells parasitized by Plasmodium falciparum and in situ hemozoin crystals using optical diffraction tomography. Journal of Biomedical Optics. 19 (1), 011005 (2013).
  46. Vercruysse, D., et al. Three-part differential of unlabeled leukocytes with a compact lens-free imaging flow cytometer. Lab on a Chip. 15 (4), 1123-1132 (2015).
  47. Kim, K., et al. Correlative three-dimensional fluorescence and refractive index tomography: bridging the gap between molecular specificity and quantitative bioimaging. Biomedical Optics Express. 8 (12), 5688-5697 (2017).
  48. Shin, S., Kim, D., Kim, K., Park, Y. Super-resolution three-dimensional fluorescence and optical diffraction tomography of live cells using structured illumination generated by a digital micromirror device. arXiv preprint. , (2018).
  49. Chowdhury, S., Eldridge, W. J., Wax, A., Izatt, J. A. Structured illumination multimodal 3D-resolved quantitative phase and fluorescence sub-diffraction microscopy. Biomedical Optics Express. 8 (5), 2496-2518 (2017).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

14

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。