«`html
Глубокая визуальная протеомика: интеграция ИИ и масс-спектрометрии для фенотипирования клеток
Глубокая визуальная протеомика (DVP)
Революционизирует анализ клеточных фенотипов путем объединения передовой микроскопии, ИИ и ультрачувствительной масс-спектрометрии (МС). Традиционные методы часто ограничиваются небольшим подмножеством белков, но DVP расширяет эту возможность, позволяя проводить полный протеомный анализ в нативном пространственном контексте клеток. Этот подход включает высокоразрешающую классификацию для фенотипирования отдельных клеток, сегментацию клеток на основе ИИ и автоматизированную лазерную микродиссекцию для точной изоляции клеточных или субклеточных областей интереса. Эти изолированные образцы подвергаются ультравысокочувствительной масс-спектрометрии для подробного протеомного профилирования.
Обработка изображений и изоляция отдельных клеток в рамках глубокой визуальной протеомики
Интегрирует передовые технологии микроскопии с передовым анализом изображений на основе ИИ и автоматизированной лазерной микродиссекцией. Начиная с микроскопии высокого разрешения, процесс включает захват изображений всего слайда, которые обрабатываются с использованием ПО BIAS. BIAS поддерживает различные форматы микроскопии и использует алгоритмы глубокого обучения для точной сегментации клеточных компонентов, таких как ядра и цитоплазма. BIAS обеспечивает беспрепятственное взаимодействие с системами автоматизированной лазерной микродиссекции, такими как ZEISS PALM MicroBeam и Leica LMD6 & 7, обеспечивая точный перенос и автоматизированное извлечение целевых клеток. Этот интегрированный рабочий процесс обеспечивает быструю и точную изоляцию отдельных клеток, что крайне важно для глубокого протеомного анализа клеток и тканей в приложениях DVP.
Характеристика гетерогенности отдельных клеток с помощью глубокой визуальной протеомики
Позволяет характеризовать функциональные различия между фенотипически различными клетками на субклеточном уровне. Применяя этот рабочий процесс к неизмененной линии раковых клеток, исследователи использовали сегментацию на основе глубокого обучения для изоляции и анализа отдельных клеток и ядер. Этот подход позволил решить проблемы обработки мельчайших образцов, позволяя проводить непосредственный анализ из 384 ям с использованием передовой масс-спектрометрии. Протеомные профили целых клеток и изолированных ядер были различными и характеризовались высокой воспроизводимостью. Машинное обучение выявило шесть классов ядер с значительными морфологическими и протеомными различиями. Это демонстрирует, что видимые клеточные фенотипы соответствуют различным протеомным профилям, давая представление о регуляции клеточного цикла и потенциальных прогностических маркерах рака.
Глубокая визуальная протеомика раскрывает гетерогенность опухолевой ткани
Предлагает высокоразрешенное и объективное протеомное профилирование различных классов клеток в их пространственной среде. Примененная к архивированной ткани рака ациновых клеток слюнной железы, DVP выявила значительные протеомные различия между нормальными и раковыми клетками. Нормальные ациновые клетки проявляли высокое выражение секретируемых белков, в то время как раковые клетки демонстрировали повышенное выражение белков, связанных с интерферонным ответом, и протоонкогеном SRC. Расширив это на меланому, DVP различала центральные опухолевые клетки от тех, что на границе опухоли и стромы, идентифицируя различные протеомные подписи, связанные с прогрессированием и прогнозированием заболевания. Эти результаты подчеркивают потенциал DVP для точной молекулярной подтипизации заболеваний, направляя клиническое принятие решений.
Перспективы DVP
Пайплайн DVP интегрирует высокоразрешающую микроскопию с передовым распознаванием изображений, автоматизированной лазерной микродиссекцией и ультрачувствительной протеомикой на основе масс-спектрометрии. Эта надежная система применима к разнообразным биологическим системам, которые могут быть изображены микроскопически, от клеточных культур до образцов патологии. DVP позволяет быстро сканировать слайды для изоляции редких клеточных состояний и изучения протеомного состава внеклеточной матрицы. Обладая потенциалом для суперразрешающей микроскопии, DVP может достичь точной классификации состояний клеток. Объединяя мощные технологии изображений с объективной протеомикой, DVP предлагает значительные приложения в основной биологии и биомедицине, особенно в онкологии, где он улучшает цифровую патологию, предоставляя всеобъемлющий протеомный контекст.
Источник изображения: Ссылка на источник
Источник: Ссылка на статью
Все права на эту статью принадлежат исследователям проекта.
Не забудьте подписаться на наш Твиттер.
Присоединяйтесь к нашему Телеграм-каналу и группе на LinkedIn.
Если вам нравится наша работа, вам понравится наш бюллетень.
Не забудьте присоединиться к нашему подразделению по машинному обучению в Reddit.