Name: label-free identification of lymphocyte subtypes using three-dimensional quantitative phase imaging and machine learning
Uploaded: 2018-11-19T13:00:00
Description: Watch this Scientific Journal Video about Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning at JoVE.com

Dit werk werd gesteund door de KAIST BK21 + programma, Tomocube, Inc., en de nationale onderzoek Stichting Korea (2015R1A3A2066550, 2017M3C1A3013923, 2018K 000396). Y. Jo erkent steun van het KAIST Presidential Fellowship en Asan Stichting biomedische wetenschap beurs.

Verzorging van de dieren en experimentele procedures werden uitgevoerd onder de goedkeuring van de institutionele zorg van het dier en gebruik Comité van KAIST (KA2010-21 KA2014-01 en KA2015-03). Alle experimenten in deze studie werden uitgevoerd overeenkomstig de goedgekeurde richtsnoeren.
1. lymfocyt isolatie uit bloed van de muis
<ol><li>Zodra een muis C57BL/6J is euthanized via inademing van CO2 , invoegen van een 26-G naald in het hart van de muis en verzamelen van 0.3 mL bl...

We presenteren een protocol waarmee de identificatie van label-vrije soorten lymfocyt 3D kwantitatieve fase beeldvorming en machinaal leren benutten. Kritische stappen van dit protocol zijn kwantitatieve fase beeldvorming en functie selectie. Voor de optimale holografische beeldvorming, moet de dichtheid van de cellen controleerbaar zijn zoals hierboven beschreven. Mechanische stabiliteit van de cellen is ook belangrijk te verkrijgen van een exacte 3D RI verdeling, omdat zwevende of vibrationele cellulaire moties hologra...

Lymfocyten kunnen worden ingedeeld in verschillende subtypen met inbegrip van B, helper (CD4 +) T, cytotoxisch (CD8 +) T en regelgevende T cellen. Elk type lymfocyt heeft een andere rol in het adaptieve immuunsysteem; bijvoorbeeld, produceren B-lymfocyten antilichamen, overwegende dat T lymfocyten detecteren van specifieke antigenen, elimineren van abnormale cellen en reguleren van B-lymfocyten. Lymfocyt functie en regulering is strak bestuurd door en gerelateerd aan verschillende ziekten waaronder kanker1, auto-immune ziekten2en virale infecties3. De identificatie van lymfocyt typen is dus belangrijk om te begrijpen hun pathofysiologische rol in dergelijke ziekten en voor de immunotherapie in klinieken.
Op dit moment afhankelijk methoden voor het classificeren van lymfocyt typen antigeen-antilichaam reacties op richten op specifieke oppervlakte membraaneiwitten of oppervlakte markeringen4. Oppervlakte markeringen richten is een precieze en accurate methode om te bepalen van de lymfocyt typen. Nochtans, vereist het dure reagentia en tijdrovende procedures. Bovendien draagt het risico's van de wijziging van membraan eiwit structuren en de wijziging van cellulaire functies.
Om deze uitdagingen te overwinnen, introduceert het protocol beschreven hier de label-vrije identificatie van lymfocyt typen met behulp van 3D kwantitatieve fase imaging (QPI) en machine leren5. Deze methode kan de indeling van de lymfocyt soorten op een niveau van de eencellige gebaseerd op morfologische informatie etiket-gratis 3D beeldvorming van individuele lymfocyten is onttrokken. In tegenstelling tot conventionele fluorescentie microscopie technieken, QPI maakt gebruik van brekingsindex (RI) distributies (intrinsieke optische eigenschappen van levende cellen en weefsels) als optische contrast6,7. De RI tomograms van individuele lymfocyten vertegenwoordigen fenotypische informatie specifiek voor subtypen van lymfocyten. In dit geval voor het systemisch gebruik van 3D RI tomograms van individuele lymfocyten, werd een gecontroleerde machine leren algoritme gebruikt.
Met behulp van verschillende QPI technieken, de 3D RI tomograms van cellen zijn actief gebruikt voor de studie van cel pathofysiologie omdat ze een label-vrij bieden, kwantitatieve imaging vermogen8,9,10, 11,12,13. Ook kunnen de 3D RI distributies van afzonderlijke cellen informeren morfologische, biochemische en biomechanische over cellen. 3D RI tomograms hebben eerder gebruikt op het gebied van hematologie14,15,16,17, infectieziekten18,19, 20, immunologie,21,22,23van de biologie van de cel, ontsteking24, kanker25, neurowetenschappen26,27, ontwikkelingsbiologie28, toxicologie 29en microbiologie12,30,31,32.
Hoewel 3D RI tomograms gedetailleerde informatie van de morfologische en biochemische van cellen bieden, is de indeling van de lymfocyt subtypen moeilijk te bereiken door simpelweg imaging 3D RI tomograms5. Systematisch en kwantitatief misbruiken de gemeten 3D RI-tomograms voor de cel type indeling, we een machine leren algoritme gebruikt. Onlangs, verscheidene werken zijn gemeld in welke kwantitatieve fase beelden van cellen werden geanalyseerd met verschillende machine leren algoritmen33, met inbegrip van de opsporing van micro-organismen34, classificatie van bacteriële geslacht35 , 36, snelle en label-vrije detectie van miltvuur sporen37, geautomatiseerde analyse van zaadcellen38, analyse van kanker cellen39,40, en detectie van macrofaag activering41.
Dit protocol biedt gedetailleerde stapsgewijze instructies voor het uitvoeren van label-vrije identificatie op het niveau van de individuele cellen met behulp van 3D QPI en machinaal leren typen lymfocyten. Dit omvat: 1) lymfocyt isolatie van muis bloed, 2) lymfocyt sorteren via stroom cytometry, 3) 3D QPI, 4) kwantitatieve functie extractie van 3D RI tomograms en 5) begeleid leren voor het identificeren van de lymfocyt typen.

<table border="0" cellpadding="0" cellspacing="0" style="width:1100px;" width="1099">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="33">
			<td height="33" style="height:33px;width:303px;">Mouse</td>
			<td style="width:175px;">Daehan Biolink</td>
			<td style="width:344px;">C57BL/6J mice&#160;</td>
			<td style="width:279px;">gender and age-matched, 6 &#8211; 8 weeks</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Falcon conical centrifuge tube</td>
			<td>ThermoFisher Scientific</td>
			<td>14-959-53A</td>
			<td>15 mL</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Phosphate-buffered saline&#160;</td>
			<td>Sigma-Aldrich</td>
			<td>806544-500ML</td>
			<td style="width:279px;"></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Ammonium-chloride-potassium lysing buffer&#160;</td>
			<td>ThermoFisher Scientific</td>
			<td>A1049201</td>
			<td style="width:279px;"></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">RPMI-1640 medium</td>
			<td>Sigma-Aldrich</td>
			<td>R8758</td>
			<td style="width:279px;"></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Fetal bovine serum</td>
			<td>ThermoFisher Scientific</td>
			<td>10438018</td>
			<td style="width:279px;"></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;width:303px;">Antibody</td>
			<td style="width:175px;">BD Biosciences</td>
			<td>553140 (RRID:AB_394655)</td>
			<td style="width:279px;">CD16/32 (clone 2.4G2)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>BD Biosciences</td>
			<td>555275 (RRID:AB_395699)</td>
			<td>CD3&#949; (clone 17A2)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>Biolegnd</td>
			<td>100734 (RRID:AB_2075238)</td>
			<td>CD8&#945; (clone 53-6.7)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>BD Biosciences</td>
			<td>557655 (RRID:AB_396770)</td>
			<td>CD19 (clone 1D3)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>BD Biosciences</td>
			<td>557683 (RRID:AB_396793)</td>
			<td>CD45R/B220 (clone RA3-6B2)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>BD Biosciences</td>
			<td>552878 (RRID:AB_394507)</td>
			<td>NK1.1 (clone PK136)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Antibody</td>
			<td>eBioscience</td>
			<td>11-0041-85 (RRID:AB_464893)</td>
			<td>CD4 (clone GK1.5)</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">DAPI&#160;</td>
			<td>Roche</td>
			<td>10236276001</td>
			<td style="width:279px;">4,6-diamidino-2-phenylindole</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Flow cytometry&#160;</td>
			<td>BD Biosciences</td>
			<td>Aria II or III&#160;</td>
			<td></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Imaging chamber</td>
			<td>Tomocube, Inc.</td>
			<td>TomoDish</td>
			<td style="width:279px;"></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Holotomography</td>
			<td>Tomocube, Inc.</td>
			<td>HT-1H</td>
			<td></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Holotomography imaging software</td>
			<td>Tomocube, Inc.</td>
			<td>TomoStudio</td>
			<td></td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;">Image professing software</td>
			<td>MathWorks</td>
			<td>Matlab R2017b</td>
			<td></td>
		</tr>
	</tbody>
</table>

label-free identification of lymphocyte subtypes using three-dimensional quantitative phase imaging and 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.

Figuur 1 toont de schematische proces van het gehele protocol. Met behulp van de procedure die hier gepresenteerd, we geïsoleerd B (n = 149), CD4 + T (n = 95), en CD8 + T (n = 112) lymfocyten. Fase en amplitude om informatie te verkrijgen onder verschillende hoeken van de verlichtingssterkte, werden meerdere 2D hologrammen van elke lymfocyt gemeten door het veranderen van de hoek van de verlichtingssterkte (-60 ° tot 60 °). Meestal 50 hologrammen te re...

Watch this Scientific Journal Video about Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning at JoVE.com

Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning

Beschrijven we een protocol voor de identificatie van label-vrij van lymfocyt subtypen met behulp van kwantitatieve fase beeldvorming en een machinaal leren algoritme. Metingen van 3D refractive index tomograms van lymfocyten 3D morfologische en biochemische informatie voor individuele cellen, die vervolgens wordt geanalyseerd met een machine-leren algoritme voor de identificatie van celtypes presenteren.

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

We describe here a protocol for the label-free identification of lymphocyte subtypes using quantitative phase imaging and machine learning. Identification ...

Deze methode biedt een alternatief voor conventionele fluorescentie etikettering en flow cytometrie analyse procedure, die tijdrovend, kostbaar, en het risico van het veranderen van de cellulaire functie van de monsters. Het belangrijkste voordeel van deze techniek is de driedimensionale brekingsindextomografie en machine learning zijn labelvrije en kwantitatieve methoden die een snelle en nauwkeurige lymfocytenidentificatie mogelijk maken. De implicaties van deze techniek breiden zich uit tot de therapie van bloedkankers en auto-immuunziekten als identificatie van lymfocyten kan cruciaal zijn voor de diagnose van de ziekte en de juiste behandeling toepassing.Hoewel deze methode inzicht kan geven in lymfocytenpopulaties, kan het ook worden toegepast op de analyse van andere enkele cellen van belang, waaronder bacteriën. Visuele demonstratie van 3D kwantitatieve fase beeldvorming technologie is van cruciaal belang, omdat het vergemakkelijkt een duidelijke instructie over hoe de techniek uit te voeren en kan inzicht geven in de toepassingen ervan. Begin met het verzamelen van elke lymfocyten subset door fluorescentie-geactiveerde celsorling.Voor een optimale beeldvorming verdunt u elk celmonster tot een concentratie van 180 cellen per microliter rpmi-medium en injecteer u langzaam 120 microliters van het eerste verdunde monster in een beeldkamer. Na bevestiging van een gebrek aan bubbels in de kamer, plaats een druppel gedestilleerd water op de objectieve lens van een 3D-kwantitatieve fasemicroscoop en plaats de beeldkamer op de vertaalfase van de microscoop. Pas het stadium zo aan dat het monster aansluit bij de objectieve lens en klik op focus en oppervlak in het kalibratietabblad van het microscoopperspectief van de beeldvormingssoftware om respectievelijk de axiale posities van de objectieve en condensatorlenzen aan te passen.Klik op De automatische modus om de objectieve en condensatorlenzen uit te lijnen. Als u de uitlijning wilt optimaliseren, opent u de scanmodus en past u de lenzen handmatig aan om het digitale micromirrorapparaatpatroon naar het midden uit te lijnen. Ga vervolgens terug naar de normale modus en pas de vertaalfase aan om een cel in het gezichtsveld te vinden.Pas de axiale positie van de objectieve lens aan om het brandpuntsvlak te vinden totdat de monstergrens die in het scherm wordt gevisualiseerd bijna onzichtbaar is. Het is belangrijk om de focus van de cel perfect aan te passen om een optimaal 3DRI tomogram te genereren. Als het beeld niet goed wordt genomen, wordt de 3D-reconstructie aangetast, wat resulteert in een luidruchtig tomogram.Pas de vertaalfase aan om een locatie zonder cel te vinden en klik op Kalibreren om meerdere 2D-hologrammen met verschillende verlichtingshoeken te meten. Pas de vertaalfase aan om een cel in het midden van het gezichtsveld te vinden. En geef onder het tabblad Acquisitie een naam aan het voorbeeld dat wordt afgebeeld.Klik op 3D Snapshot om de hologrammen van de cel te meten met dezelfde verlichtingshoeken als voor de 2D-hologrammen die net zijn gemeten. Wanneer de verkregen gegevens worden weergegeven in het deelvenster Gegevensbeheer, klikt u met de rechtermuisknop op de gegevens en klikt u op Proces om een 3D-refractieve indextomogram van de 2D-hologrammen te reconstrueren met behulp van het defractiontomografiealgoritme dat in de imagingsoftware is geïmplementeerd. Klik na beeldvorming in het deelvenster Gegevensbeheer met de rechtermuisknop op de gegevens en klik op Openen om de gegevens te visualiseren.Klik op het midden van de cel om deze te verplaatsen en klik op RI Tomogram in het deelvenster Gegevensbeheer. Klik op het tabblad Vooraf op Laden en dubbelklik op lymfocyten. xml, een vooraf gedefinieerde overdrachtsfunctie van de imagingsoftware om het tomogram te visualiseren volgens de 3DRI-distributies.Schuif met de muis om in te zoomen en sleep de cel om deze in elke richting te draaien. Voor kwantitatieve morfologische en biochemische functie extractie plaats alle van de tomografische gegevens in een enkele map en splits de celtypen binnen individuele submappen in de hoofdmap. Open vervolgens het aanvullende functieextractiebestand in de juiste beeldsoftware en bewerk lijn 14 om de tomogrammap aan te wijzen waaruit de gegevens moeten worden geëxtraheerd.Bewerk regel 15 om de map aan te wijzen waarop de geëxtraheerde functiegegevens moeten worden opgeslagen en voer de code uit. Voor elk tomogram in de gegevensset berekent de code het oppervlaktegebied, het cellulaire volume, de sfericiteit, de eiwitdichtheid en de droge massa per brekingsindexdrempel. Voor begeleid leren en identificatie gebruik maken van de eenvoudige willekeurige splitsing algoritme in MATLAB om willekeurig splitsen van de geëxtraheerde functie gegevens in aparte training en test set mappen.Open het aanvullende trainingsbestand en bewerk regel 14 om de map met trainingsset, regel 16 aan te wijzen om de map aan te wijzen voor het opslaan van de getrainde classificatie en regel 17 om een bestandsnaam voor de classificatie in te stellen. Voer vervolgens de code uit. Met behulp van de geselecteerde functies van de trainingsset traint de code een classificatie met het K-dichtstbijzijnde buuralgoritme en slaat de classificatie op in de aangewezen map.Open vervolgens het aanvullende testbestand drie en bewerk de lijnen 14 tot en met 15 om de te testen getrainde classificatie aan te wijzen en lijn 17 om de getrainde testset aan te wijzen. Voer vervolgens de code uit. De classificatie identificeert de celtypen van de afzonderlijke lymfocyten in de testset.Hier representatieve 3D gerenderde indextomogrammen van B lymfocyten, CD4 positieve T lymfocyten, en CD8 positieve T lymfocyten met verschillende kleurenschema's, die volgens de brekingsindexwaarden worden toegewezen die via de beeldvormingssoftware worden toegewezen worden getoond. Uit de brekingsindexwaarden kunnen kwantitatieve morfologische en biochemische kenmerken worden berekend. In dit experiment was de nauwkeurigheid van de T- en B-lymfocytenclassificatie respectievelijk 93,15% en 89,81% voor de trainings- en testcases.De CD4 positieve en CD8 positieve T lymfocyten werden statistisch geclassificeerd, en de nauwkeurigheid was 87,41%en 84,38%voor de training en testsets respectievelijk. Ten slotte was de nauwkeurigheid van de classificatie van de groep, celtype respectievelijk 80,65% en 75,93% voor de trainings- en testfasen. De kwaliteit en het aantal beelden zijn essentieel voor het succes van deze techniek.Hoe beter de beeldkwaliteit en hoe hoger het volume van de gegevens, hoe beter de nauwkeurigheid van de identificatie. Deep learning kan worden gebruikt om de complexe gegevens van de tomogrammen vollediger te analyseren, wat de identificatieprestaties sterk verbetert. Verder kunnen fluorescentie en 3D-kwantitatieve fasebeeldvorming worden gebruikt om het pad van fysiologische rollen van de geïdentificeerde lymfocyten te onderzoeken.Na de ontwikkeling maakte deze techniek de weg vrij voor onderzoekers op het gebied van celbiologie en biogeneeskunde om specifieke ziekten te onderzoeken die van belang zijn binnen verschillende organismen. Met name immunologen kunnen baat hebben bij het gebruik van deze nieuwe technologie voor het identificeren van de populatie van belang.

Research

JoVE Journal

Immunology and Infection

Detection of Human Leukocyte Antigen Biomarkers in Breast Cancer Utilizing Label-free Biosensor Technology

Detectie van Humaan leukocytenantigeen Biomarkers bij Borstkanker Gebruikmakend-Label gratis biosensortechnologie

According to the American Cancer Society, more than 200,000 women will be diagnosed with invasive breast cancer each year and approximately 40,000 will ...

High-throughput Quantitative Real-time RT-PCR Assay for Determining Expression Profiles of Types I and III Interferon Subtypes

High-throughput Kwantitatieve real-time RT-PCR assay voor het bepalen van expressieprofielen van de typen I en III interferon subtypen

Described in this report is a qRT-PCR assay for the analysis of seventeen human IFN subtypes in a 384-well plate format that incorporates highly specific ...

Detection of Trypanosoma brucei Variant Surface Glycoprotein Switching by Magnetic Activated Cell Sorting and Flow Cytometry

Detection of Trypanosoma brucei Variant Surface Glycoprotein Switching by Magnetic Activated Cell Sorting and Flow Cytometry

detectie van<em&gt; Trypanosoma brucei</em&gt; Variant oppervlakte glycoproteïne Schakelen van Magnetic Activated Cell Sorting en flowcytometrie

Trypanosoma brucei, a protozoan parasite that causes both Human and Animal African Trypanosomiasis (known as sleeping sickness and nagana, respectively) ...

Non-invasive In Vivo Fluorescence Optical Imaging of Inflammatory MMP Activity Using an Activatable Fluorescent Imaging Agent

Non-invasive In Vivo Fluorescence Optical Imaging of Inflammatory MMP Activity Using an Activatable Fluorescent Imaging Agent

Niet-invasieve<em&gt; In Vivo</em&gt; Fluorescentie Optische Imaging van Inflammatorische MMP Activiteit Met behulp van een Activateerbare Fluorescerende Imaging Agent

This paper describes a non-invasive method for imaging matrix metalloproteinases (MMP)-activity by an activatable fluorescent probe, via in vivo ...

Murine Lymphocyte Labeling by 64Cu-Antibody Receptor Targeting for In Vivo Cell Trafficking by PET/CT

Murine Lymphocyte Labeling by 64Cu-Antibody Receptor Targeting for In Vivo  Cell Trafficking by PET/CT

Muizen-lymfocyt Labeling door<sup&gt; 64</sup&gt; Cu-Antibody Receptor targeting voor<em&gt; In Vivo</em&gt; Celverkeer PET / CT

This protocol illustrates the production of 64Cu and the chelator conjugation/radiolabeling of a monoclonal antibody (mAb) followed by murine lymphocyte ...

Qualitative and Quantitative Analysis of the Immune Synapse in the Human System Using Imaging Flow Cytometry

Kwalitatieve en kwantitatieve analyse van de immuun SYNAPS in het menselijke systeem met behulp van Imaging Stroom Cytometry

The immune synapse is the area of communication between T cells and antigen-presenting cells (APCs). T cells polarize surface receptors and proteins ...

Analysis of Lymphocyte Extravasation Using an In Vitro Model of the Human Blood-brain Barrier

Analysis of Lymphocyte Extravasation Using an In Vitro Model of the Human Blood-brain Barrier

Analyse van lymfocyt extravasatie gebruik van een<em&gt; In Vitro</em&gt; Model van het menselijk bloed-hersenbarrière

Lymphocyte extravasation into the central nervous system (CNS) is critical for immune surveillance. Disease-related alterations of lymphocyte ...

Light-sheet Microscopy for Three-dimensional Visualization of Human Immune Cells

Licht vel microscopie voor driedimensionale visualisatie van menselijke Immune cellen

In vivo, activation, proliferation, and function of immune cells all occur in a three-dimensional (3D) environment, for instance in lymph nodes or ...

Label-free Neutrophil Enrichment from Patient-derived Airway Secretion Using Closed-loop Inertial Microfluidics

Label-vrije neutrofiele verrijking van patiënt-afgeleide Airway secretie met behulp van Closed-loop Inertial Microfluidics

Airway secretions contain a large number of immune-related cells, e.g., neutrophils, macrophages, and lymphocytes, which can be used as a major resource ...

Real-time Imaging and Quantification of Fungal Biofilm Development Using a Two-Phase Recirculating Flow System

Real-time Imaging en kwantificering van schimmel Biofilm ontwikkeling met behulp van een bewerking in twee fasen recirculatie-stroomsysteem

In oropharyngeal candidiasis, members of the genus Candida must adhere to and grow on the oral mucosal surface while under the effects of salivary flow. ...