Görüntüleme Akış Sitometrisi ve Yapay Zeka Kullanılarak Mikronükleus Testinin Otomasyonu

Özet

Mikroçekirdek (MN) testi, DNA hasarını ölçmek için iyi kurulmuş bir testtir. Bununla birlikte, manuel mikroskopi veya özellik tabanlı görüntü analizi gibi geleneksel teknikleri kullanarak tahlilin puanlanması zahmetli ve zordur. Bu makalede, görüntüleme akışı sitometri verilerini kullanarak MN testini puanlamak için bir yapay zeka modeli geliştirme metodolojisi açıklanmaktadır.

Özet

Mikroçekirdek (MN) testi, genetik toksisite için kimyasalları değerlendirmek için dünya çapında düzenleyici kurumlar tarafından kullanılmaktadır. Tahlil iki şekilde gerçekleştirilebilir: MN'yi bir kez bölünmüş, sitokinez bloke edilmiş binüklee hücrelerde veya tamamen bölünmüş monoçekirdekli hücrelerde puanlayarak. Tarihsel olarak, ışık mikroskobu testi puanlamak için altın standart yöntem olmuştur, ancak zahmetli ve özneldir. Akış sitometrisi son yıllarda testi puanlamak için kullanılmıştır, ancak hücresel görüntülerin temel yönlerini görsel olarak doğrulayamama ile sınırlıdır. Görüntüleme akışı sitometrisi (IFC), yüksek verimli görüntü yakalama ve otomatik görüntü analizini birleştirir ve MN testindeki tüm önemli olayların görüntülerini hızlı bir şekilde elde etmek ve puanlamak için başarıyla uygulanmıştır. Son zamanlarda, IFC tarafından elde edilen MN tahlil verilerini puanlamak için evrişimli sinir ağlarına dayanan yapay zeka (AI) yöntemlerinin kullanılabileceği gösterilmiştir. Bu makalede, tüm önemli olayları puanlamak üzere bir derin öğrenme modeli oluşturmak ve ek verileri otomatik olarak puanlamak için bu modeli uygulamak üzere yapay zeka yazılımını kullanmaya yönelik tüm adımlar açıklanmaktadır. AI derin öğrenme modelinden elde edilen sonuçlar, manuel mikroskopi ile iyi bir şekilde karşılaştırılır, bu nedenle IFC ve AI'yı birleştirerek MN testinin tam otomatik puanlamasını sağlar.

Giriş

Mikronükleus (MN) testi, genetik toksikolojide, insan kullanımı için kozmetik, ilaç ve kimyasalların geliştirilmesinde DNA hasarını değerlendirmek için temeldir 1,2,3,4. Mikroçekirdekler, bölünmeyi takiben çekirdeğe dahil olmayan ve çekirdekten ayrı küçük, dairesel cisimler halinde yoğunlaşan tüm kromozomlardan veya kromozom parçalarından oluşur. Bu nedenle, MN, genotoksisite testi^1'de DNA hasarını ölçmek için bir son nokta olarak kullanılabilir.

MN'yi ölçmek için tercih edilen yöntem, Sitokalasin-B (Cyt-B) kullanarak bölünmeyi bloke ederek bir kez bölünmüş binüklee hücreler (BNC'ler) içindedir. Tahlilin bu versiyonunda, sitotoksisite, monoçekirdekli (MONO) ve poliçekirdekli (POLY) hücrelerin puanlanmasıyla da değerlendirilir. Tahlil ayrıca, bloke edilmemiş MONO hücrelerinde MN'nin puanlanmasıyla da yapılabilir, bu da daha hızlı ve skorlanması daha kolaydır, sitotoksisite proliferasyonu değerlendirmek için maruziyet öncesi ve sonrası hücre sayıları kullanılarak değerlendirilir ^5,6.

Tahlilin fiziksel puanlaması tarihsel olarak manuel mikroskopi ile gerçekleştirilmiştir, çünkü bu tüm önemli olayların görsel olarak doğrulanmasına izin verir. Bununla birlikte, manuel mikroskopi zorlu ve özneldir¹. Böylece, mikroskop slayt taraması ve akış sitometrisi de dahil olmak üzere, her biri kendi avantajlarına ve sınırlamalarına sahip otomatik teknikler geliştirilmiştir. Slayt tarama yöntemleri önemli olayların görselleştirilmesine izin verirken, slaytlar optimum hücre yoğunluğunda oluşturulmalıdır, bu da elde edilmesi zor olabilir. Ek olarak, bu teknik genellikle MONO ve POLY hücrelerinin puanlamasını tehlikeye atabilecek sitoplazmik görselleştirmeden yoksundur ^7,8. Akış sitometrisi yüksek verimli veri yakalama sunarken, hücreler lize edilmelidir, böylece tahlilin Cyt-B formunun kullanılmasına izin verilmez. Ek olarak, görüntüleme dışı bir teknik olarak, geleneksel akış sitometrisi anahtar olayların görsel doğrulamasını sağlamaz^9,10.

Bu nedenle, MN testini gerçekleştirmek için görüntüleme akım sitometrisi (IFC) araştırılmıştır. ImageStream^X Mk II, geleneksel akış sitometrisinin hızını ve istatistiksel sağlamlığını mikroskopinin yüksek çözünürlüklü görüntüleme yetenekleriyle tek bir sistemde birleştirir¹¹. IFC kullanılarak, tüm önemli olayların yüksek çözünürlüklü görüntülerinin yakalanabileceği ve özellik tabanlı 12,13 veya yapay zeka (AI) teknikleri^14,15 kullanılarak otomatik olarak puanlanabileceği gösterilmiştir. MN testini gerçekleştirmek için IFC'yi kullanarak, mikroskopiye kıyasla çok daha fazla hücrenin daha kısa sürede otomatik skorlaması elde edilebilir.

Bu çalışma, daha önce açıklanan bir görüntü analizi iş akışı^16'dan sapmaktadır ve Amnis AI yazılımını (bundan böyle "AI yazılımı" olarak anılacaktır) kullanarak bir Rastgele Orman (RF) ve / veya evrişimli sinir ağı (CNN) modeli geliştirmek ve eğitmek için gereken tüm adımları tartışmaktadır. AI destekli etiketleme araçlarını kullanarak zemin gerçeği verilerinin doldurulması, model eğitim sonuçlarının yorumlanması ve modelin ek verileri sınıflandırmak için uygulanması, genotoksisite ve sitotoksisitenin hesaplanmasına izin verilmesi dahil olmak üzere gerekli tüm adımlar açıklanmaktadır¹⁵.

Protokol

1. Görüntüleme akış sitometrisi kullanılarak veri toplama

NOT: Aşağıdaki değişikliklerle Rodrigues ve ^ark.16'ya bakın ve IFC kullanan edinme bölgelerinin optimum görüntü yakalama için değiştirilmesi gerekebileceğini unutmayın:

1. Cyt-B olmayan yöntem için, kültürden hemen önce ve iyileşme döneminden hemen sonra her kültürde üreticinin talimatlarını (bkz. Malzeme Tablosu) izleyerek ticari olarak temin edilebilen bir hücre sayacı kullanarak bir hücre sayımı gerçekleştirin.
2. Örnekleri tek kameralı görüntüleme akışı sitometresinde çalıştırıyorsanız, Parlak Alan'ı (BF) Kanal 4'e yerleştirin. M01'i M04 ve M07'yi M01 ile değiştirin.
   NOT: "M", IFC'deki kamera kanalını ifade eder.
3. Edinme sırasında 40x büyütmeyi kullanın.
4. Edinme sırasında BF alanı ve BF en boy oranı grafiğinde, aşağıdaki bölge koordinatlarını kullanın:
   X-koordinatları: 100 ve 900; Y-koordinatları: 0.7 ve 1 (Cyt-B yöntemi)
   X-koordinatları: 100 ve 600; Y-koordinatları: 0.7 ve 1
5. Hoechst yoğunluk grafiğinde, aşağıdaki bölge koordinatlarını kullanın:
   X-koordinatları: 55 ve 75; Y-koordinatları: 9.5 ve 15 (Cyt-B yöntemi)
   X-koordinatları: 55 ve 75; Y-koordinatları: 13 ve 21 (Cyt-B olmayan yöntem)
6. Apoptotik ve nekrotik nesnelerin görüntülerini verilerden kaldırmak için IDEAS 6.3 yazılım paketini başlatın (bundan böyle "görüntü analiz yazılımı" olarak anılacaktır; bkz.
   NOT: AI yazılımı, görüntü analiz yazılımının en son sürümü kullanılarak işlenen .daf dosyalarıyla çalışacak şekilde tasarlanmıştır. Görüntü analiz yazılımının güncel olduğundan emin olun.
7. Bu çalışmayı şablon (.ast) dosyası olarak kaydedin.

2. Tüm .rif dosyaları için .daf dosyaları oluşturma

1. AI yazılımı yalnızca .daf dosyalarının içe aktarılmasına izin verir. Toplu işleme yoluyla denemedeki tüm .rif dosyaları için .daf dosyaları oluşturun.
2. Araçlar menüsü altında, Toplu Veri Dosyaları'na ve ardından Toplu Ekle'ye tıklayın.
3. Yeni pencerede, Dosya Ekle'yi seçin ve toplu işe eklenecek .rif dosyalarını seçin. Bir Şablon veya Veri Çözümleme Dosyası (.ast, .daf) Seçin seçeneğinin altında, daha önce oluşturulmuş .ast dosyasını seçin.
4. Gerekirse bir toplu iş adı atayın ve yüklenen tüm .rif dosyaları için .daf dosyaları oluşturmak üzere Tamam'a tıklayın.

3. AI yazılımında bir deneme oluşturma

1. AI yazılımını kullanarak derin öğrenme modeli oluşturma sürecini açıklayan Şekil 1'deki akış şemasına bakın.
2. AI yazılımını başlatın ve pencerenin sol alt köşesindeki Hakkında'ya tıklayarak en son sürümün yüklendiğinden emin olun. En son sürüm yüklü değilse, edinmek için support@luminexcorp.com başvurun.
3. Yazılımdaki varsayılan ekran Yeni Deneme ekranıdır. Denemenin nereye kaydedileceğini seçmek için Klasör simgesini kullanın ve deneme için bir ad yazın (ör. "MN modeli").
4. Deneme Türü altında, CNN modelini oluşturmaya başlamak üzere bir eğitim denemesi başlatmak için Eğit'in yanındaki radyo düğmesini tıklatın. İleri'ye tıklayın.
   1. İsteğe bağlı: Bir model daha önce eğitilmişse, yeni bir AI modeli için şablon olarak kullanılabilir ve Şablon Modeli Seç ekranından yeni bir modelin oluşturulması için şablon olarak seçilebilir. Şablon modeli yoksa, İleri'yi tıklatarak bu adımı atlamanız yeterlidir.
5. Bir sonraki ekran Yeni Model Tanımla ekranıdır. Model altında, adım 3.3'te modele verilen ad otomatik olarak doldurulur.
   1. Açıklama altında, model için bir açıklama yazın (isteğe bağlı) ve maksimum görüntü boyutunu 150 pikselde bırakın.
   2. Kanallar altında, listeye bir brightfield kanalı eklemek için BF Ekle'ye tıklayın. Ad altında, Brightfield'a çift tıklayın ve bu kanalı BF olarak yeniden adlandırın. Listeye floresan kanal eklemek için FL Ekle'ye tıklayın. Ad altında, Floresan'a çift tıklayın ve bu kanalı DNA olarak yeniden adlandırın.
   3. Sınıf Adları altında, Ekle'ye tıklayın. Açılır pencerede, Mononucleated yazın ve Tamam'a tıklayın. Bu, monoçekirdekli sınıfı sınıf adları listesine ekler. Aşağıdaki altı sınıfın listede tanımlandığından emin olmak için bu işlemi yineleyin:
      Monoçekirdekli
      MN ile mononüklee edilmiş
      Binükleasyonlu
      MN ile binüklelenmiş
      Poliçekirdekli
      Düzensiz morfoloji
      İleri'ye tıklayın.
      NOT: Bu altı temel doğruluk modeli sınıfı, puanlanacak temel olayları ve kabul edilen puanlama kriterleri^5'ten farklı morfolojiye sahip görüntüleri temsil edecektir.
      1. İsteğe bağlı: İstenirse, görüntü analiz yazılımındaki özellikleri kullanmak için 1.7'den analiz şablonu eklenebilir. Bu özellikleri yapay zeka modeline dahil etmek istiyorsanız .ast dosyasına göz atın, ardından kanala özgü açılır menülerden dahil etmek istediğiniz özellik alt kümelerini seçin.
   4. Dosya Seç altında, Dosya Ekle'ye tıklayın ve temel doğruluk verilerini oluşturmak için AI yazılımına eklenecek istenen dosyalara göz atın. İleri'ye tıklayın.
      NOT: Tüm önemli olayların yeterli sayıda içeriğini içeren birden çok veri dosyası (örneğin, pozitif ve negatif kontrol verileri) eklemek önemlidir.
6. Ardından, Temel Popülasyonları Seç ekranında, popülasyon hiyerarşisinden Apoptotik Olmayan popülasyonu bulun. Apoptotik Olmayan popülasyona sağ tıklayın ve Tüm Eşleşen Popülasyonları Seç'i seçin. İleri'ye tıklayın.
   NOT: Sınıflandırılmaması gereken popülasyonları hariç tutmak önemlidir (örneğin, boncuklar, döküntüler, çiftler, vb.)
7. Bu ekran, Doğruluk Popülasyonlarını Seç ekranıdır.
   1. Önemli olayların etiketlenmiş gerçek popülasyonları görüntü analiz yazılımında oluşturulmamışsa, İleri'ye tıklayın.
   2. Görüntü analizi yazılımında etiketlenmiş doğruluk popülasyonları oluşturulmuşsa, bunları uygun model sınıfına atayın.
   3. MN ile MONO hücrelerinin etiketli bir doğruluk popülasyonunu atamak için, soldaki Model Sınıfları altındaki MN ile Monoçekirdekli sınıfına tıklayın. Ardından, bu olayları içeren sağdaki uygun etiketli gerçek popülasyonuna tıklayın.
   4. Etiketlenmiş doğruluk popülasyonları birden fazla veri dosyasında oluşturulmuşsa, doğruluk popülasyonlarından birine sağ tıklayın ve birden çok dosyadan etiketli popülasyonları uygun sınıfa eklemek için Tüm Eşleşen Popülasyonları Seç'i seçin.
   5. Tüm uygun gerçek popülasyonları atandıktan sonra, İleri'ye tıklayın.
8. Kanal Seç ekranında, deneme için uygun kanalları seçin. Burada, BF'yi kanal 1'e ve Hoechst'i kanal 7'ye ayarlayın. Bir kanala sağ tıklayın ve Tümüne Uygula'yı seçin. İleri'ye tıklayın.
9. Son olarak, Onay ekranında Deneme Oluştur'a tıklayın.
10. AI yazılımı, veri dosyalarından görüntüleri yükler ve adım 3.7'de atanan temel doğruluk görüntüleriyle adım 3.5.3'te tanımlanan model sınıflarını oluşturur. Son'a tıklayın.
11. Deneme oluşturulduktan sonra beş seçenek sunulur:
    Deneme: Yüklenen veri dosyaları, seçilen kanallar ve tanımlanmış temel doğruluk modeli sınıfları dahil olmak üzere denemenin ayrıntılarını sağlar.
    Etiketleme: Kullanıcıların zemin doğruluğu verilerini doldurabileceği etiketleme aracını başlatır.
    Eğitim: Temel doğruluk verilerine dayalı bir modeli eğitir.
    Sınıflandır: Verileri sınıflandırmak için eğitilmiş modelleri kullanır.
    Sonuçlar: Hem eğitim denemesinden hem de sınıflandırma deneyinden elde edilen sonuçları sağlar.

4. AI destekli etiketleme araçlarını kullanarak temel doğruluk verilerini doldurma

1. Etiketleme aracı arayüzünü başlatmak için Etiketleme'ye tıklayın.
   1. Daha kolay görüntüleme için görüntüleri kırpmak üzere yakınlaştırma araçlarına (büyüteç simgeleri) tıklayın.
   2. Galeride kaç resmin gösterileceğini değiştirmek üzere görüntü boyutunu ayarlamak için kaydırma çubuğuna tıklayın.
   3. Görüntü Ayarı seçeneğine tıklayın ve tüm önemli olayları tanımlamak için en iyi kontrast görüntüsünü sağlayan Min-Max'i seçin.
   4. DNA görüntüsünün rengini sarı veya beyaza değiştirmek için Galeri Ekranını Ayarla'ya tıklayın, bu da küçük nesnelerin (örneğin, MN) görselleştirilmesini iyileştirecektir.
2. Benzer morfolojiye sahip nesneleri birlikte gruplandırmak üzere algoritmayı çalıştırmak için Küme'ye tıklayın. Kümeleme tamamlandıktan sonra, küme başına nesne sayısına sahip tek tek kümeler Bilinmeyen Popülasyonlar altındaki bir listede gösterilir. Küme içindeki nesneleri görüntülemek için tek tek kümeleri seçin ve bu nesneleri uygun model sınıflarına atayın.
3. Her model sınıfına en az 25 nesne atandıktan sonra, Tahmin algoritması kullanılabilir hale gelir. Tahmin'e tıklayın.
   NOT: Herhangi bir popülasyona tam olarak uymayan nesneler Bilinmeyen olarak sınıflandırılır. Gerçek popülasyonlarına daha fazla nesne eklendikçe, tahmin doğruluğu artar.
4. Her sınıftaki yeterli sayıda nesneye ulaşılana kadar temel doğruluk modeli sınıflarını uygun görüntülerle doldurmaya devam edin.
5. Her model sınıfına en az 100 nesne atandıktan sonra, ekranın üst kısmındaki Eğitim sekmesine tıklayın. Rastgele Orman ve CNN algoritmalarını kullanarak bir model oluşturmak için Eğit düğmesine tıklayın.
   NOT: AI yazılımı hem Rastgele Orman hem de CNN algoritmalarını kullanarak modeller oluşturur, onay kutuları yalnızca CNN algoritmalarının Rastgele Ormanını kullanarak modellerin oluşturulmasına izin verir.

5. Model doğruluğunu değerlendirme

1. Model eğitimi tamamlandıktan sonra Sonuçları Görüntüle'ye tıklayın.
2. Model doğruluğunu değerlendirmek için sonuçlar ekranını kullanın. Random Forest ve CNN arasında geçiş yapmak için açılır menüyü kullanın.
   NOT: Gerçek popülasyonlar güncellenebilir ve model yeniden eğitilebilir veya ek verileri sınıflandırmak için olduğu gibi kullanılabilir.
   1. Gerçek popülasyonlarını güncellemek için, en üstteki Etiketleme'ye tıklayın ve bölüm 4'ü izleyin.

6. Modeli kullanarak verileri sınıflandırma

1. AI yazılımını başlatın. Varsayılan ekran Yeni Deneme ekranıdır. Denemenin nereye kaydedileceğini seçmek ve deneme için bir ad yazmak üzere Klasör simgesini kullanın.
2. Deneme Türü altında, bir sınıflandırma denemesi başlatmak için Sınıflandır'ın yanındaki radyo düğmesini tıklayın. İleri'ye tıklayın.
3. Sınıflandırma için kullanılacak modele tıklayın, ardından İleri'ye tıklayın.
4. Dosya Seç ekranında, Dosya Ekle'ye tıklayın ve CNN modeline göre sınıflandırılacak dosyalara göz atın. İleri'ye tıklayın.
5. Ardından, Temel Popülasyonları Seç ekranında, yüklenen dosyalardan birinde Apoptotik Olmayan popülasyonun yanındaki onay kutusuna tıklayın. Apoptotik olmayan popülasyona sağ tıklayın ve yüklenen tüm dosyalardan bu popülasyonu seçmek için Tüm Eşleşen Popülasyonları Seç'e tıklayın. İleri'ye tıklayın.
6. İsteğe bağlı: Sınıflandırılacak veriler doğruluk popülasyonları içeriyorsa, Doğruluk Popülasyonlarını Seç ekranındaki uygun model sınıflarına atanabilir. Aksi takdirde, bu adımı atlamak için İleri'yi tıklatın.
7. Kanal Seç ekranında, parlak alan için Kanal 1'i ve DNA lekesi için Kanal 7'yi seçin. Bir kanala sağ tıklayın ve Tümüne Uygula'ya tıklayın. Ardından İleri'ye tıklayın.
8. Son olarak, Onay ekranında Deneme Oluştur'a tıklayın. AI yazılımı, seçilen modeli ve seçilen veri dosyalarından tüm görüntüleri yükler. Son'a tıklayın.
9. Sınıflandırma ekranını başlatmak için Classify'a tıklayın. SınıflandırEt düğmesine tıklayın. Bu, ek verileri sınıflandırmak ve belirtilen model sınıflarına ait tüm nesneleri tanımlamak için RF ve CNN modelini kullanma işlemini başlatır.
   NOT: Onay kutuları RF modelini ve/veya CNN modelini seçmek için kullanılabilir.
10. Sınıflandırma tamamlandıktan sonra, Sonuçları Görüntüle'ye tıklayın.
11. DAF'ları Sınıflandırma Sonuçlarıyla Güncelleştir penceresini açmak için DAF'ları Güncelleştir düğmesini tıklatın. .daf dosyalarını güncellemek için Tamam'a tıklayın.

7. Sınıflandırma sonuçlarının raporunun oluşturulması

1. Sonuçlar ekranında, Rapor Oluştur'a tıklayın. Her giriş daf'ı için ayrı bir rapor gerekiyorsa, Her Giriş DAF'ı için Rapor Oluştur'un yanındaki onay kutusunu seçin. Tamam'a tıklayın.
2. Tamamlandığında, rapor dosyalarının kaydedildiği klasörü açın. Klasörün içinde bir deneme .pdf raporu ve bir Kaynaklar klasörü vardır.
3. Raporu görüntülemek için .pdf açın. Rapor, model ve deney bilgilerini, giriş .daf dosyalarının listesini, tablo ve histogram biçimindeki sınıf sayılarını ve sınıf yüzdelerini ve tüm giriş .daf dosyalarındaki medyan tahmin olasılığını özetleyen bir karışıklık matrisini içerir.
4. Kaynaklar klasörünü ve ardından CNN klasörünü açın. Bu klasörde, sınıf sayısı ve yüzde çubuk grafiklerinin yanı sıra karışıklık matrisinin .png dosyaları bulunur. Ayrıca, her giriş dosyası için sınıf sayılarını ve yüzdelerini içeren .csv dosya vardır.

8. MN sıklığının ve sitotoksisitesinin belirlenmesi

1. MN frekansını hesaplama
   1. Non Cyt-B yöntemi: MN frekansını belirlemek için, adım 7.4'teki class_count.csv dosyasını açın. Her giriş dosyası için, "MN ile Mononükleated" popülasyonundaki sayıları "Mononucleated" popülasyonundaki sayımlara bölün ve 100 ile çarpın:
      
   2. Cyt-B yöntemi: MN frekansını belirlemek için, adım 7.4'teki class_count.csv dosyasını açın. Her giriş dosyası için, "Binükleated with MN" popülasyonundaki sayımları "Binucleated" popülasyonundaki sayımlara bölün ve 100 ile çarpın:
      
2. Sitotoksisitenin hesaplanması
   1. Non Cyt-B yöntemi:
      1. İlk hücre sayımlarını ve tedavi sonrası hücre sayımlarını kullanarak, önce her örnek² için popülasyonun iki katına çıkmasını (PD) hesaplayın:
         
      2. Ardından,^2'yi ikiye katlayan göreceli nüfusu hesaplayın:
         
      3. Son olarak, her numune için sitotoksisite^2'yi hesaplayın:
         
   2. Cyt-B yöntemi:
      1. Sitokinezis-Blok Proliferasyon İndeksi (CBPI)^2'yi hesaplamak için, class_count.csv dosyasındaki her örnek için mononüklee, binüklee ve poliçekirdekli sınıflardaki sayıları kullanın:
         
      2. Sitotoksisite^2'yi hesaplamak için, CBPI'yi kontrol kültürlerinden (C) ve maruz kalan kültürlerden (T) kullanın:
         

Sonuçlar

Şekil 1, MN testi için bir model oluşturmak üzere AI yazılımını kullanmaya yönelik iş akışını göstermektedir. Kullanıcı istenen .daf dosyalarını AI yazılımına yükler, ardından AI destekli küme (Şekil 2) ve tahmin (Şekil 3) etiketleme algoritmalarını kullanarak nesneleri temel doğruluk modeli sınıflarına atar. Tüm temel doğruluk modeli sınıfları yeterli nesnelerle doldurulduktan sonra, model RF v...

Tartışmalar

Burada sunulan çalışma, MN testinin puanlamasını otomatikleştirmek için derin öğrenme algoritmalarının kullanımını açıklamaktadır. Son zamanlarda yapılan birkaç yayın, sezgisel, etkileşimli araçların, derinlemesine hesaplama bilgisine ihtiyaç duymadan görüntü verilerini analiz etmek için derin öğrenme modellerinin oluşturulmasına izin verdiğini göstermiştir^18,19. Kullanıcı arayüzü güdümlü bir yazılım paketi kullanılara...

Malzemeler

Name	Company	Catalog Number	Comments
15 mL centrifuge tube	Falcon	352096
Cleanser - Coulter Clenz	Beckman Coulter	8546931	Fill container with 200 mL of Cleanser.  https://www.beckmancoulter.com/wsrportal/page/itemDetails?itemNumber=8546931#2/10//0/25/ 1/0/asc/2/8546931///0/1//0/
Colchicine	MilliporeSigma	64-86-8
Corning bottle-top vacuum filter	MilliporeSigma	CLS430769	0.22 µm filter, 500 mL bottle
Cytochalasin B	MilliporeSigma	14930-96-2	5 mg bottle
Debubbler - 70% Isopropanol	MilliporeSigma	1.3704	Fill container with 200 mL of Debubbler.  http://www.emdmillipore.com/US/en/product/2-Propanol-70%25-%28V%2FV%29-0.1-%C2%B5m-filtred,MDA_CHEM-137040?ReferrerURL=https%3A%2F%2Fwww.google.com%2F
Dimethyl Sulfoxide (DMSO)	MilliporeSigma	67-68-5
Dulbecco's Phosphate Buffered Saline 1X	EMD Millipore	BSS-1006-B	PBS Ca++MG++ Free
Fetal Bovine Serum	HyClone	SH30071.03
Formaldehyde, 10%, methanol free, Ultra Pure	Polysciences, Inc.	04018	This is what is used for the 4% and 1% Formalin. CAUTION: Formalin/Formaldehyde toxic by inhalation and if swallowed.  Irritating to the eyes, respiratory systems and skin.  May cause sensitization by inhalation or skin contact. Risk of serious damage to eyes.  Potential cancer hazard.  http://www.polysciences.com/default/catalog-products/life-sciences/histology-microscopy/fixatives/formaldehydes/formaldehyde-10-methanol-free-pure/
Guava Muse Cell Analyzer	Luminex	0500-3115	A standard configuration Guava Muse Cell Analyzer was used.
Hoechst 33342	Thermo Fisher	H3570	10 mg/mL solution
Mannitol	MilliporeSigma	69-65-8
MEM Non-Essential Amino Acids 100X	HyClone	SH30238.01
MIFC - ImageStreamX Mark II	Luminex, a DiaSorin company	100220	A 2 camera ImageStreamX Mark II eqiped with the 405 nm, 488 nm, and 642 nm lasers was used.
MIFC analysis software - IDEAS	Luminex, a DiaSorin company	100220	"Image analysis sofware" The companion software to the MIFC (ImageStreamX MKII)
MIFC software - INSPIRE	Luminex, a DiaSorin company	100220	"Image acquisition software" This is the software that runs the MIFC (ImageStreamX MKII)
Amnis AI software	Luminex, a DiaSorin company	100221	"AI software" This is the software that permits the creation of artificial intelligence models to analyze data
Mitomycin C	MilliporeSigma	50-07-7
NEAA Mixture 100x	Lonza BioWhittaker	13-114E
Penicllin/Streptomycin/Glutamine solution 100X	Gibco	15070063
Potassium Chloride (KCl)	MilliporeSigma	P9541
Rinse - Ultrapure water or deionized water	NA	NA	Use any ultrapure water or deionized water.  Fill container with 900 mL of Rinse.
RNase	MilliporeSigma	9001-99-4
RPMI-1640 Medium 1x	HyClone	SH30027.01
Sheath - PBS	MilliporeSigma	BSS-1006-B	This is the same as Dulbecco's Phosphate Buffered Saline 1x  Ca++MG++ free.  Fill container with 900 mL of Sheath.
Sterile water	HyClone	SH30529.01
Sterilizer - 0.4%–0.7% Hypochlorite	VWR	JT9416-1	This is assentually 10% Clorox bleach that can be made by deluting Clorox bleach with water.  Fill container with 200 mL of Sterilzer.
T25 flask	Falcon	353109
T75 flask	Falcon	353136
TK6 cells	MilliporeSigma	95111735