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

Diese Arbeit wurde von der KAIST BK21 + Programm, Tomocube, Inc., und der National Research Foundation of Korea (2015R1A3A2066550, 2017M3C1A3013923, 2018 K 000396) unterstützt. Y. Jo erkennt Unterstützung seitens der KAIST Presidential Fellowship und Asan Stiftung biomedizinische Wissenschaft Stipendium.

Tierbetreuung und experimentelle Verfahren wurden unter Zustimmung des institutionellen Tier Pflege und Nutzung Ausschuss KAIST (KA2010-21, KA2014-01 und KA2015-03) durchgeführt. Alle Versuche in dieser Studie wurden gemäß den genehmigten Richtlinien durchgeführt.
(1) Lymphozyten Isolation aus Maus Blut
<ol><li>Sobald eine Maus C57BL/6J durch CO2 Einatmen eingeschläfert, 26 G Nadel ins Herz Maus und 0,3 mL Blut zu sammeln. Direkt ins Blut ein Rohr mit 100 U/mL Heparin-Lösung...

Wir präsentieren Ihnen eine Protokoll, die die markierungsfreie Identifizierung von Lymphozyten-Typen, die Nutzung von 3D quantitativen Phase Bildverarbeitung und maschinelles Lernen ermöglicht. Wichtige Schritte dieses Protokolls sind quantitative Phase Bildgebung und Feature-Auswahl. Für die optimale holographische Bildgebung sollte die Dichte der Zellen kontrolliert werden, wie oben beschrieben. Mechanische Stabilität der Zellen ist auch wichtig, eine genaue 3D RI-Verteilung zu erhalten, weil frei verschiebbar ode...

Lymphozyten lassen sich einteilen in verschiedene Subtypen einschließlich B, Helfer (CD4 +) T, zytotoxische (CD8 +) T und regulatorischen T Zellen. Jeder Lymphozyten-Typ hat eine andere Rolle in der adaptiven Immunsystems; zum Beispiel produzieren B-Lymphozyten Antikörper, wobei T-Lymphozyten spezifische Antigene erkennen, Beseitigung von abnormen Zellen und B-Lymphozyten zu regulieren. Lymphozyten Funktion und Regulation ist fest geregelt und im Zusammenhang mit verschiedenen Krankheiten einschließlich Krebs1, Autoimmunerkrankungen2und Virusinfektionen3. So ist die Identifizierung von Lymphozyten Arten wichtig zu verstehen, ihre pathophysiologischen Rollen in solchen Krankheiten und für die Immuntherapie in Kliniken.
Setzen derzeit, Methoden zur Klassifizierung von Lymphozyten Arten auf Antigen-Antikörper-Reaktionen durch gezielte, spezifische Oberfläche Membranproteine oder Oberflächenmarker4. Targeting Oberflächenmarker ist eine exakte und genaue Methode, Lymphozyten Arten zu bestimmen. Es erfordert jedoch teure Reagenzien und zeitaufwändigen Verfahren. Darüber hinaus trägt es Risiken für die Änderung der Membran-Protein-Strukturen und die Veränderung des zellulären Funktionen.
Um diese Herausforderungen zu bewältigen, stellt das hier beschriebene Protokoll die markierungsfreie Identifizierung von Lymphozyten Typen mit 3D quantitativen Phase imaging (QPI) und Machine learning-5. Diese Methode ermöglicht die Klassifizierung der Lymphozyten-Typen auf eine einzellige Ebene basierend auf morphologische Informationen aus markierungsfreie 3D-Bildgebung einzelne Lymphozyten. Im Gegensatz zu herkömmlichen Fluoreszenz-Mikroskopie-Techniken nutzt QPI Brechungsindex (RI) Verteilungen (intrinsische optischen Eigenschaften von lebenden Zellen und Geweben) als optischer Kontrast6,7. Der RI Schichtbilder der einzelnen Lymphozyten darstellen phänotypischen spezifische Informationen für Subtypen von Lymphozyten. In diesem Fall um 3D RI Schichtbilder der einzelnen Lymphozyten systemisch nutzen zu können, wurde ein Algorithmus für betreute maschinelles Lernen genutzt.
Mit verschiedenen QPI-Techniken, die 3D RI Schichtbilder der Zellen aktiv werden seit der Studie der Zelle Pathophysiologie weil sie markierungsfreie, liefern quantitative imaging-Funktion8,9,10, 11,12,13. Darüber hinaus können die 3D RI Verteilungen der einzelnen Zellen morphologische, biochemische und biomechanische über Zellen informieren. 3D RI Schichtbilder wurden früher genutzt, in den Bereichen Hämatologie14,15,16,17, Infektionskrankheiten18,19, 20, Immunologie21, Zelle Biologie22,23, Entzündung24, Krebs25, Neurowissenschaften26,27, Entwicklungsbiologie28, Toxikologie 29und Mikrobiologie12,30,31,32.
Obwohl 3D RI Schichtbilder morphologische und biochemische Zellen ausführlich beschrieben, ist die Klassifizierung der Lymphozyten Subtypen schwer zu erreichen durch einfach bildgebende 3D RI Schichtbilder5. Um systematisch und quantitativ die gemessenen 3D RI Schichtbilder zur Zelle Art Klassifikation auszunutzen, haben wir einen Algorithmus für maschinelles Lernen verwendet. Vor kurzem wurden mehrere Werke beschrieben in welchem quantitativen, die Phase Aufnahmen von Zellen analysiert wurden mit verschiedenen Machine learning Algorithmen33, einschließlich den Nachweis von Mikroorganismen34, Klassifikation der bakteriellen Gattung35 , 36, schnellen und markierungsfreie Nachweis von Anthrax-Sporen-37, automatisierte Analyse von Samenzellen38, Analyse von Krebs Zellen39,40und Erkennung von Makrophagen Aktivierung41.
Dieses Protokoll enthält detaillierte Schritte zum markierungsfreie Identifizierung der Lymphozyten-Typen auf die einzelne Zellenebene mit 3D QPI und maschinelles Lernen führen. Dazu gehören: (1) Lymphozyten isoliert von Maus Blut, 2) Lymphozyten sortieren über Flow Cytometry, 3) 3D QPI 4) quantitative Merkmalsextraktion aus 3D RI Schnittbildern und (5) überwachten Lernen zur Ermittlung Lymphozyten 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

Wir beschreiben hier ein Protokoll für die markierungsfreie Identifizierung von Lymphozyten-Subtypen mit quantitativen Phase Bildverarbeitung und maschinelles lernen. Identifizierung von Lymphozyten-Subtypen ist wichtig für das Studium der Immunologie sowie Diagnostik und Behandlung von verschiedenen Krankheiten. Standard-Methoden zur Klassifizierung von Lymphozyten Arten setzen derzeit, auf Kennzeichnung bestimmte Membranproteine über Antigen-Antikörper-Reaktionen. Diese Kennzeichnung Techniken tragen jedoch die möglichen Risiken der Zellfunktionen zu verändern. Das hier beschriebene Protokoll überwindet diese Herausforderungen durch die Ausnutzung der intrinsischen optische Kontraste durch 3D quantitativen Phase Bildgebung und eine Maschine Lernalgorithmus gemessen. Messung der 3D Brechungsindex (RI) Schichtbilder von Lymphozyten liefert quantitative Informationen über 3D Morphologie und Phänotypen der einzelnen Zellen. Die biophysikalischen Parameter aus der gemessenen 3D RI Schichtbilder extrahiert werden dann mit einem Algorithmus für maschinelles lernen, die markierungsfreie Identifizierung der Lymphozyten-Typen auf eine einzelne Zelle Ebene ermöglichen quantitativ analysiert. Wir messen die 3D RI Schichtbilder von B, T CD4 + und CD8 + T-Lymphozyten und identifiziert ihre Zelltypen mit über 80 % Genauigkeit. In diesem Protokoll beschreiben wir die einzelnen Schritte zum Lymphozyten isoliert, 3D quantitativen Phase Bildverarbeitung und maschinelles Lernen zur Ermittlung Lymphozyten Typen.

Abbildung 1 zeigt schematisch das gesamte Protokoll. Bei der hier vorgestellten Verfahren wir isolierte B (n = 149), CD4 + T (n = 95), und CD8 + T (n = 112) Lymphozyten. Um Phase und Amplitude Informationen in verschiedenen Winkeln der Beleuchtung zu erhalten, wurden mehrere 2D Hologramme von einzelnen Lymphozyten gemessen durch Veränderung des Winkels der Beleuchtung (von-60 ° bis 60 ° c). In der Regel 50 Hologramme können verwendet werden, um eine 3...

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

Wir beschreiben ein Protokoll für die markierungsfreie Identifizierung von Lymphozyten-Subtypen mit quantitativen Phase Bildgebung und ein maschinelles lernen-Algorithmus. Messungen der 3D Brechungsindex Schichtbilder von Lymphozyten präsentieren 3D morphologische und biochemische Informationen für einzelne Zellen, die dann mit einem Computerlernen Algorithmus zur Identifizierung von Zelltypen analysiert wird.

Markierungsfreie Identifikation von Lymphozyten-Subtypen mit dreidimensionale Quantitative Phase Bildgebung und maschinelles lernen

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

Diese Methode bietet eine Alternative zur herkömmlichen Fluoreszenzkennzeichnung und dem Prozess der Durchflusszytometrie, die zeitaufwändig, kostspielig und das Risiko einer Änderung der zellulären Funktion der Proben darstellen. Der Hauptvorteil dieser Technik ist die dreidimensionale Refractive Index Tomographie und maschinelles Lernen sind etikettenfreie und quantitative Methoden, die eine schnelle und genaue Lymphozytenidentifikation ermöglichen. Die Implikationen dieser Technik reichen auf die Therapie von Blutkrebs und Autoimmunerkrankungen, da die Identifizierung von Lymphozyten für die Diagnose von Krankheiten und die angemessene Anwendung der Behandlung von entscheidender Bedeutung sein kann.Obwohl diese Methode Einblick in Lymphozytenpopulationen geben kann, kann sie auch auf die Analyse anderer einzelner Voninteresseer Zellen, einschließlich Bakterien, angewendet werden. Die visuelle Demonstration der quantitativen 3D-Phasenbildgebungstechnologie ist von entscheidender Bedeutung, da sie eine klare Anleitung zur Ausführung der Technik ermöglicht und Einblicke in ihre Anwendungen geben kann. Beginnen Sie mit dem Sammeln jeder Lymphozyten-Submenge durch Fluoreszenz-aktivierte Zellsortierung.Für eine optimale Bildgebung verdünnen Sie jede Zellprobe auf eine Konzentration von 180 Zellen pro Mikroliter RPMI-Medium und injizieren Sie langsam 120 Mikroliter der ersten verdünnten Probe in eine Bildkammer. Nachdem Sie einen Mangel an Blasen in der Kammer bestätigt haben, legen Sie einen Tropfen destilliertes Wasser auf die Objektivlinse eines 3D-quantitativen Phasenmikroskops und legen Sie die Bildkammer auf die Übersetzungsstufe des Mikroskops. Passen Sie die Stufe so an, dass die Probe an der Objektivlinse ausgerichtet ist, und klicken Sie auf Fokus und Oberfläche in der Kalibrierungsregisterkarte der Mikroskopperspektive der Bildgebungssoftware, um die axialen Positionen der Objektiv- bzw. Kondensatorlinsen anzupassen.Klicken Sie auf Auto-Modus, um die Objektiv- und Kondensatorlinsen auszurichten. Um die Ausrichtung zu optimieren, öffnen Sie den Scanmodus, und passen Sie die Linsen manuell an, um das digitale Mikrospiegel-Gerätemuster an der Mitte auszurichten. Kehren Sie dann in den Modus Normal zurück, und passen Sie die Übersetzungsphase an, um eine Zelle im Sichtfeld zu finden.Passen Sie die axiale Position der Objektivlinse an, um die Brennebene zu finden, bis die im Bildschirm visualisierte Probengrenze fast unsichtbar ist. Es ist wichtig, den Fokus der Zelle perfekt einzustellen, um ein optimales 3DRI-Tomogramm zu erzeugen. Wenn das Bild nicht richtig aufgenommen wird, wird die 3D-Rekonstruktion beeinträchtigt, was zu einem lauten Tomogramm führt.Passen Sie die Übersetzungsstufe an, um eine Position ohne Zelle zu finden, und klicken Sie auf Kalibrieren, um mehrere 2D-Hologramme mit unterschiedlichen Beleuchtungswinkeln zu messen. Passen Sie die Übersetzungsphase an, um eine Zelle in der Mitte des Sichtfelds zu finden. Und benennen Sie unter der Registerkarte "Anschaffung" das abbildende Beispiel.Klicken Sie auf 3D-Snapshot, um die Hologramme der Zelle mit den gleichen Beleuchtungswinkeln wie bei den gerade gemessenen 2D-Hologrammen zu messen. Wenn die erfassten Daten im Datenverwaltungsfenster angezeigt werden, klicken Sie mit der rechten Maustaste auf die Daten, und klicken Sie auf Prozess, um ein 3D-Refractive-Indextomogramm aus den 2D-Hologrammen mithilfe des in der Bildverarbeitungssoftware implementierten Defraktionstomographiealgorithmus zu rekonstruieren. Klicken Sie nach der Abbildung im Bedienfeld Datenmanagement mit der rechten Maustaste auf die Daten, und klicken Sie auf Öffnen, um die Daten zu visualisieren.Klicken Sie auf die Mitte der Zelle, um sie neu zu positionieren, und klicken Sie im Bedienfeld "Daten-Manager" auf RI Tomogramm. Klicken Sie auf der Registerkarte Voreinstellung auf Laden und doppelklicken Sie auf Lymphozyte. xml, eine vordefinierte Übertragungsfunktion, die von der Imaging-Software zur Visualisierung des Tomogramms gemäß den 3DRI-Verteilungen bereitgestellt wird.Scrollen Sie mit der Maus, um zu vergrößern, und ziehen Sie die Zelle, um sie in eine beliebige Richtung zu drehen. Für quantitative morphologische und biochemische Merkmalsextraktion platzieren Sie alle tomographischen Daten in einem einzigen Ordner und teilen Sie die Zelltypen in einzelne Unterordner im Hauptordner auf. Öffnen Sie als Nächstes die zusätzliche Feature-Extraktionsdatei in der entsprechenden Bildverarbeitungssoftware, und bearbeiten Sie Zeile 14, um den Tomogrammordner anzugeben, aus dem die Daten extrahiert werden sollen.Bearbeiten Sie Zeile 15, um den Ordner festzulegen, in dem die extrahierten Feature-Daten gespeichert werden sollen, und führen Sie den Code aus. Für jedes Tomogramm im Dataset berechnet der Code die Oberfläche, das Zellvolumen, die Sphärizität, die Proteindichte und die Trockenmasse pro Brechungsindexschwelle. Verwenden Sie für das überwachte Lernen und die Identifizierung den einfachen Zufallssplitting-Algorithmus in MATLAB, um die extrahierten Feature-Daten nach dem Zufallsprinzip in separate Trainings- und Testsatzordner aufzuteilen.Öffnen Sie die Zusatztrainingsdatei, und bearbeiten Sie Zeile 14, um den Schulungssatzordner, Zeile 16 zum Speichern des trainierten Klassifiierers und Zeile 17 zum Festlegen eines Dateinamens für den Klassifier festzulegen. Führen Sie dann den Code aus. Mithilfe der ausgewählten Features des Trainingssatzes trainiert der Code einen Klassifier mit dem K-Nächstenalgorithmus und speichert den Klassifier im angegebenen Ordner.Öffnen Sie anschließend die zusätzliche Testdatei drei, und bearbeiten Sie die Zeilen 14 bis 15, um den zu testenden trainierten Klassifier und Zeile 17 zum Festlegen des trainierten Testsatzes anzugeben. Führen Sie dann den Code aus. Der Klassifier identifiziert die Zelltypen der einzelnen Lymphozyten im Testsatz.Hier werden repräsentative 3D-gerenderte Brechungsindex-Tomogramme von B-Lymphozyten, CD4-positiven T-Lymphozyten und CD8-positiven T-Lymphozyten mit unterschiedlichen Farbschemata gezeigt, die gemäß den über die Bildgebungssoftware zugewiesenen Brechungsindexwerten zugeordnet sind. Aus den Brechungsindexwerten können quantitative morphologische und biochemische Merkmale berechnet werden. In diesem Experiment betrug die Genauigkeit der T- und B-Lymphozytenklassifikation 93,15 % bzw. 89,81 % für die Trainings- und Testfälle.Die CD4-positiven und CD8-positiven T-Lymphozyten wurden statistisch klassifiziert, und die Genauigkeit betrug 87,41 % bzw. 84,38 % für die Trainings- und Testsätze. Schließlich betrug die Genauigkeit des mehrklassigen Zelltypklassifiers 80,65 % bzw. 75,93 % für die Trainings- und Testphasen. Die Qualität und Anzahl der Bilder ist entscheidend für den Erfolg dieser Technik.Je besser die Bildqualität und je höher das Datenvolumen, desto besser ist die Genauigkeit der Identifikation. Deep Learning kann verwendet werden, um die komplexen Daten der Tomogramme vollständiger zu analysieren und so die Identifikationsleistung zu verbessern. Darüber hinaus können Fluoreszenz und 3D-quantitative Phasenbildgebung verwendet werden, um den Weg der physiologischen Rollen der identifizierten Lymphozyten zu untersuchen.Nach ihrer Entwicklung ebnete diese Technik den Weg für Forscher in den Bereichen Zellbiologie und Biomedizin, um spezifische Krankheiten von Interesse in verschiedenen Organismen zu erforschen. Insbesondere Immunologen können von der Nutzung dieser neuen Technologie zur Identifizierung der Bevölkerung von Interesse profitieren.

Research

JoVE Journal

Immunology and Infection

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

Der Nachweis von Human-Leukozyten-Antigen Biomarkern bei Brustkrebs Verwendung Markierungsfreie Biosensorik

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 ...

Forschung

Immunologie und Infektion

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

Hochdurchsatz-quantitative Echtzeit-RT-PCR-Assay zur Bestimmung Expressionsprofile der Typen I und III Interferon-Formationsglieder

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

Nachweis von<em&gt; Trypanosoma brucei</em&gt; Variante Oberflächen-Glykoprotein Switching von Magnetic Activated Cell Sorting und Durchflusszytometrie

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

Nicht-invasiv<em&gt; In vivo</em&gt; Fluoreszenzoptische Bildgebung der entzündlichen MMP-Aktivität unter Verwendung eines aktivierbaren Fluoreszenzbildgebers

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

Murine Lymphocyte Kennzeichnung von<sup&gt; 64</sup&gt; Cu-Antikörper-Rezeptor-Targeting für<em&gt; In Vivo</em&gt; Zellhandel von 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

Qualitative und Quantitative Analyse der immun Synapse im menschlichen System mit Hilfe von Imaging Durchflusszytometrie

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 von Lymphozyten-Extravasation einer Verwendung<em&gt; In Vitro</em&gt; Modell des Barrier Menschliches Blut-Hirn

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-Blatt-Mikroskopie zur dreidimensionalen Visualisierung der menschlichen Immunzellen

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

Markierungsfreie Neutrophilenzahl Anreicherung von Patienten abgeleitet Airway-Sekretion mit Closed-Loop Inertial Mikrofluidik

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

Echtzeit-Bildgebung und Quantifizierung der Pilz Biofilm-Entwicklung mit einem Zweiphasensystem rezirkulierenden Flow

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. ...