Com uma interface intuitiva e fácil de usar, o software permite a análise multidimensional e a visualização gráfica de grandes volumes de dados de imagem. Além disso, seus recursos de Machine Learning e Deep Learning melhoram significativamente o desempenho do reconhecimento de objetos, oferecendo suporte a análises mais complexas e avançadas, como sistemas de cultura 3D e imagens de células vivas.
You can download trial software. Software download
Fluxo de trabalho simples e intuitivo
- Protocolos de análise prontos e incorporados
- Fácil seleção, mesmo para usuários iniciantes em análise de imagens, graças à navegação clara baseada em ícones
- A exibição simultânea de várias imagens permite uma comparação fácil entre poços e pontos de tempo
Análise 3D
- Análise tridimensional de amostras 3D, como esferoides
- Fácil geração de imagens 3D de alta resolução a partir de dados Z-stack
- Visualização em 3D dos resultados de reconhecimento de objetos da análise de imagens
- Permite a análise de volume e relações posicionais ao longo do eixo Z
Capacidades de IA
- Equipado com funções de aprendizado de máquina e aprendizado profundo
- A operação intuitiva permite o reconhecimento de formas, a contagem de células e a classificação de células e organelas intracelulares em imagens de fluorescência e de campo claro
- Quantificação abrangente de fenótipos complexos com operações simples, como a seleção de poços negativos/positivos e a inserção de informações de concentração de compostos
Geração de gráficos
- Visualizar dados numéricos calculados em uma variedade de formatos de gráficos
- Oferece suporte a gráficos de barras, gráficos de linhas, gráficos de pizza, gráficos de dispersão, mapas de calor e histogramas
- Permite o cálculo do fator Z′ e dos valores EC50/IC50
Função de bloqueio
- Classifica as células em populações com características semelhantes
- Permite a avaliação do número e da proporção de cada população de células, bem como a análise de recursos no nível da população
Detalhes
Classificação (Gating)
As células podem ser classificadas em populações com características semelhantes. Isso permite a avaliação do número e da proporção de cada população de células, bem como a análise de recursos no nível da população.
Análise do ciclo celular
Visualização dos efeitos de drogas anticâncer na progressão do ciclo celular em culturas 2D e 3D.
As células HepG2 que expressam Fucci(CA)5 de forma estável foram fotografadas em intervalos de 1 hora durante 72 horas. Usando as sondas Fucci, foram identificadas as fases G1, S e G2-M durante as imagens de lapso de tempo, e o software de análise de imagens calculou automaticamente o número e a proporção de células em cada fase do ciclo celular.
As sondas h2-3-hGem(1/110) e AzaleaB5-hCdt1(1/100) Cy(-) foram excitadas a 488 nm e 561 nm, respectivamente.
A. Imagens de análise do ciclo celular das esferas Fucci(CA)5 (3D) obtidas com o CellPathfinder. Três cores de fluorescência distinguem as fases G1, S,
e G2-M. Uma imagem de corte em Z de uma faixa Z de 70 µm adquirida em passos de 7,8 µm.
B. Informações do ciclo celular indicadas por Fucci(CA)5 (NEB: quebra do envelope nuclear / NER: reforma do envelope nuclear).
C. Alterações no ciclo celular após 24 horas de tratamento com etoposídeo 30 nM (um inibidor da topoisomerase II) em culturas 2D (superior) e 3D (inferior),
mostrando a parada do ciclo celular na fase S ou G2.
D. Mudanças no curso do tempo na distribuição do ciclo celular (G1, S, G2-M) sob várias concentrações de etoposídeo (Etp) em culturas 2D (esquerda) e 3D (direita).
em culturas 2D (esquerda) e 3D (direita). As áreas sombreadas indicam morte celular.
Condições de geração de imagens:
Lente objetiva: 20×
Excitação: 488 nm (h2-3-hGeminin), 561 nm (AzaleaB5-hCdt1 Cy-)
Faixa Z: 70 µm, passo Z: 7,8 µm (análise de corte, 3D)
Lapso de tempo: Intervalos de 1 hora por 72 horas
Para obter detalhes sobre a inscrição, clique aqui.
Deep Area Finder: Função de aprendizado profundo
O reconhecimento de células com alta precisão é possível mesmo em imagens de campo claro, simplesmente pintando células ou organelas intracelulares na imagem. As análises que antes eram difíceis ou abandonadas devido à precisão insuficiente agora podem ser realizadas.
Avaliação do crescimento dos neurônios
Análise da extensão dos neurônios sem coloração
- Imagens do CE Bright Field usadas
- Comparação dos resultados da aprendizagem profunda e da aprendizagem automática
A. A aprendizagem profunda melhora a precisão do reconhecimento para neuritos de baixo contraste e morfologia do corpo celular.
B. A aprendizagem profunda melhora a precisão da separação de células em regiões densamente povoadas.
C. Comparação dos resultados da análise entre a aprendizagem profunda e a aprendizagem automática.
A precisão aprimorada de segmentação e reconhecimento de células com a aprendizagem profunda permite a extração de recursos mais precisos:
- Aumento do número de células reconhecidas
- Aumento da área celular por célula
- Aumento do número de ramificações de neurônios por célula
Lente objetiva: 20×
Excitação: Brightfield (CE Bright Field gerado durante a análise)
Dados cortesia de: Daiichi Sankyo RD Novare Co., Ltd. (Sr. Hayata)
Resposta de imagem profunda: Função de aprendizado profundo
Fenótipos complexos podem ser quantificados de forma abrangente com operações simples - não é necessário nenhum protocolo de reconhecimento de células. Os usuários só precisam selecionar os poços negativos e positivos e inserir as informações de concentração dos compostos.
Oferece suporte ao cálculo de EC50 / IC50
Avaliação da neurotoxicidade
Avaliação da toxicidade sem coloração
Não há necessidade de reconhecimento de células ou seleção de características
- Avaliação possível por meio de treinamento apenas com poços negativos e positivos
- Não é necessária nenhuma análise de imagem especializada especialidade
- Permite a avaliação de células vivas usando imagens não coradas
As células foram tratadas com 1.287 compostos e as imagens de campo claro foram adquiridas usando o CellVoyager CV7000S. Depois de gerar imagens de campo claro CE, os poços com tratamento com toxina e sem composto de teste foram definidos como negativos, e os poços sem toxina ou composto de teste foram definidos como positivos. O Deep Image Response foi então usado para avaliar os efeitos de resgate da toxicidade e os resultados foram comparados com os ensaios baseados em ATP.
A. Poços negativos e positivos usados para treinamento
B. Comparação entre os níveis de ATP e as pontuações do Deep Image Response
(a) Nível intermediário de ATP com alta pontuação de Deep Image Response
(b) Tanto o nível de ATP quanto a pontuação do Deep Image Response são altos
(c) Alto nível de ATP, mas baixa pontuação do Deep Image Response
Foi observada uma correlação entre os níveis de ATP e as pontuações do Deep Image Response. Em casos como (c), diferenças não detectáveis apenas pelos níveis de ATP puderam ser identificadas pelo Deep Image Response.
Lente objetiva: 20×
Excitação: Campo claro
Placa: Placa de 384 poços
Configuração do sistema
・Software
・Estação de trabalho dedicada
・Tela
Dedicated workstation specifications (model: Dell Precision)
CPU: Intel® Xeon
Memory: 128 GB
HDD: System (C:) 1 TB, Storage (D:) 4 TB
OS: Windows11 IoT Enterprise 64bit Japanese／English
GPU: NVIDIA® RTX A400, RTX 4000 Ada
Display: 2560 × 1440, dual monitors
Yokogawa Life Science
Publicamos nossas informações nos seguintes SRSs.
Siga-nos.
| @Yokogawa_LS | |
| Yokogawa Life Science | |
| Yokogawa Life Science | |
| -YouTube | Life Science Yokogawa |
Lista oficial de contas de mídia social da Yokogawa
Recursos
A PhenoVista Biosciences é a principal fornecedora de serviços personalizados de ensaios fenotípicos baseados em imagens. Com uma abordagem colaborativa e cientificamente orientada para a concepção e o gerenciamento de projetos, a PhenoVista tem um histórico comprovado de fornecimento de dados de alta qualidade a partir de ensaios robustos e dimensionáveis. A principal vantagem da PhenoVista está na capacidade de seus cientistas treinados no setor de combinar a compreensão de classe mundial de diversos sistemas biológicos com imagens quantitativas de ponta para fornecer dados claros e acionáveis.
A imagem em lapso de tempo das células Hela adicionadas à Fucci foi realizada durante 48 horas em intervalos de 1 hora. A seleção foi realizada com base nas intensidades médias de 488 nm e 561 nm para cada célula. Elas foram categorizadas em quatro estágios, e a contagem de células para cada um foi calculada.
O indicador de ciclo celular baseado em ubiquitinação fluorescente (Fucci) é um conjunto de sondas fluorescentes que permite a visualização da progressão do ciclo celular em células vivas.
Estamos desenvolvendo um protótipo de um sistema genômico de suporte a testes de medicamentos usando nosso scanner confocal CSU. Esse sistema administra compostos químicos que servem como possíveis candidatos a medicamentos em células vivas, que são os componentes mais básicos de todos os organismos vivos, registra as alterações na quantidade e na localização de moléculas-alvo dentro das células com o scanner confocal CSU e uma câmera CCD altamente sensível, além de processar e quantificar os dados de imagem de alta resolução capturados.
Neste tutorial, aprenderemos a realizar o rastreamento de células com o CellPathfinder por meio da análise de imagens de teste.
Neste tutorial, será explicado um método para analisar a estrutura ramificada, usando o CellPathfinder, para a análise da função de angiogênese da célula endotelial vascular.
Neste tutorial, aprenderemos a realizar a análise de lapso de tempo de objetos com pouco movimento usando o CellPathfinder, por meio de imagens de cálcio de cardiomiócitos derivados de células iPS.
Neste tutorial, observaremos a mudança no número e no comprimento dos neuritos devido à estimulação do fator de crescimento nervoso (NGF) nas células PC12.
Neste tutorial, será realizada a análise de imagens de fibras de tensão em colapso, e as curvas de dependência de concentração serão desenhadas para avaliação quantitativa.
Neste tutorial, identificaremos os ciclos celulares de fase G1, fase G2/M etc. usando o conteúdo de DNA intranuclear.
Neste tutorial, o diâmetro do esferoide e a contagem de células (núcleos) dentro do esferoide serão analisados.
Neste tutorial, será explicado um método para analisar a estrutura ramificada, usando o CellPathfinder, para a análise da função de angiogênese da célula endotelial vascular.
Neste tutorial, usando imagens de peixe-zebra cujos vasos sanguíneos são marcados com EGFP, será explicado o mosaico das imagens e o reconhecimento dos vasos sanguíneos em uma região arbitrária.
Neste tutorial, compararemos as condições positivas e negativas para a contagem e a área total das gotículas de lipídios adicionando ácido oleico ou Triacsin C.
Neste tutorial, o NFκB intranuclear e intracitoplasmático será medido e suas proporções calculadas, e uma curva de dose-resposta será criada.
Downloads
Folhetos
Vídeos
YOKOGAWA contribuirá para a evolução tecnológica, especialmente em ferramentas de medição e análise, para ajudar a construir um mundo onde os pesquisadores se concentrarão cada vez mais na interpretação perspicaz dos dados e no avanço do Life Science para beneficiar a humanidade.
Procurando mais informações sobre nosso pessoal, tecnologia e soluções?
Entre em contato conosco