Label-gratis identificatie van lymfocyt subtypen met behulp van drie-dimensionale kwantitatieve fase Imaging en Machine Learning

Hier beschrijven we een protocol voor de identificatie van label-vrij van lymfocyt subtypen met behulp van kwantitatieve fase beeldvorming en machinaal leren. Identificatie van lymfocyt subtypen is belangrijk voor de studie van zowel immunologie als diagnose en behandeling van verschillende ziekten. Op dit moment afhankelijk standaardmethoden voor het classificeren van lymfocyt typen etikettering van specifieke membraaneiwitten via antigeen-antilichaam reacties. Echter, deze labeling technieken dragen de potentiële risico's voor het wijzigen van de cellulaire functies. Het protocol beschreven hier overwint deze uitdagingen door te profiteren van de intrinsieke optische contrasten gemeten door 3D kwantitatieve fase beeldvorming en een machinaal leren algoritme. Meting van 3D brekingsindex (RI) tomograms van lymfocyten bevat kwantitatieve gegevens over 3D morfologie en fenotypes van afzonderlijke cellen. De biofysische parameters geëxtraheerd uit de gemeten 3D RI tomograms worden vervolgens kwantitatief geanalyseerd met een machine leren algoritme, label-vrije identificatie op het niveau van een eencellige soorten lymfocyt inschakelen. We meten de 3D RI tomograms van B, CD4 + T en CD8 + T lymfocyten en hun celtypes geïdentificeerd met meer dan 80% nauwkeurigheid. In dit protocol beschrijven we de gedetailleerde stappen voor lymfocyt isolatie, 3D kwantitatieve fase imaging en machinaal leren voor het identificeren van de lymfocyt typen.