Con una interfaz intuitiva y fácil de usar, el software permite el análisis multidimensional y la visualización gráfica de grandes volúmenes de datos de imágenes. Además, sus capacidades de Machine Learning y Deep Learning mejoran significativamente el rendimiento del reconocimiento de objetos, lo que admite análisis más complejos y avanzados, como sistemas de cultivo en 3D e imágenes de células vivas.
You can download trial software. Software download
Flujo de trabajo sencillo e intuitivo
- Protocolos de análisis incorporados
- Fácil selección incluso para los usuarios que analizan imágenes por primera vez, gracias a una navegación clara basada en iconos.
- La visualización simultánea de varias imágenes facilita la comparación entre pocillos y puntos temporales.
Análisis 3D
- Análisis tridimensional de muestras 3D como esferoides
- Fácil generación de imágenes 3D de alta resolución a partir de datos Z-stack
- Visualización en 3D de los resultados del reconocimiento de objetos a partir del análisis de imágenes
- Permite analizar el volumen y las relaciones de posición a lo largo del eje Z.
Capacidades de IA
- Equipado con funciones de aprendizaje automático y aprendizaje profundo
- Su funcionamiento intuitivo permite el reconocimiento de formas, el recuento de células y la clasificación de células y orgánulos intracelulares tanto en imágenes de fluorescencia como de campo claro.
- Cuantificación exhaustiva de fenotipos complejos con operaciones sencillas, como la selección de pocillos negativos/positivos y la introducción de información sobre la concentración de compuestos.
Generación de gráficos
- Visualizar datos numéricos calculados en diversos formatos gráficos
- Admite gráficos de barras, de líneas, circulares, de dispersión, mapas térmicos e histogramas.
- Permite calcular el factor Z′ y los valores EC50/IC50.
Función de compuerta
- Clasifica las células en poblaciones con características similares
- Permite evaluar el número y la proporción de cada población de células, así como el análisis de características a nivel de población
Detalles
Clasificación (Gating)
Las células pueden clasificarse en poblaciones con características similares. Esto permite evaluar el número y la proporción de cada población celular, así como analizar características a nivel de población.
Análisis del ciclo celular
Visualización de los efectos de los fármacos contra el cáncer en la progresión del ciclo celular en cultivos 2D y 3D.
Las células HepG2 que expresaban de forma estable Fucci(CA)5 se visualizaron a intervalos de una hora durante 72 horas. Utilizando sondas Fucci, se identificaron las fases G1, S y G2-M durante la obtención de imágenes de lapso de tiempo, y el software de análisis de imágenes calculó automáticamente el número y la proporción de células en cada fase del ciclo celular.
Las sondas h2-3-hGem(1/110) y AzaleaB5-hCdt1(1/100) Cy(-) se excitaron a 488 nm y 561 nm, respectivamente.
A. Imágenes de análisis del ciclo celular de esferas de Fucci(CA)5 (3D) obtenidas con CellPathfinder. Tres colores de fluorescencia distinguen las fases G1, S
y G2-M. Una imagen de corte Z de un rango Z de 70 µm adquirida en pasos de 7,8 µm.
B. Información del ciclo celular indicada por Fucci(CA)5 (NEB: rotura de la envoltura nuclear / NER: reformación de la envoltura nuclear).
C. Cambios en el ciclo celular tras 24 horas de tratamiento con 30 nM de etopósido (un inhibidor de la topoisomerasa II) en cultivos 2D (arriba) y 3D (abajo),
mostrando detención del ciclo celular en fase S o G2.
D. Cambios temporales en la distribución del ciclo celular (G1, S, G2-M) bajo diversas concentraciones de etopósido (Etp) en cultivos 2D (izquierda) y 3D (derecha).
(derecha). Las áreas sombreadas indican la muerte celular.
Condiciones de imagen:
Lente objetivo: 20×
Excitación: 488 nm (h2-3-hGeminina), 561 nm (AzaleaB5-hCdt1 Cy-)
Rango Z: 70 µm, paso Z: 7,8 µm (análisis de cortes, 3D)
Lapso de tiempo: Intervalos de 1 hora durante 72 horas
・Para conocer los detalles de la solicitud, haga clic aquí.
Buscador de áreas profundas: Función de aprendizaje profundo
El reconocimiento celular de alta precisión es posible incluso en imágenes de campo claro, simplemente pintando células u orgánulos intracelulares en la imagen. Ahora es posible realizar análisis que antes resultaban difíciles o se abandonaban por falta de precisión.
Evaluación del crecimiento de las neuritas
Análisis de la extensión de las neuritas sin tinción
- Imágenes de campo claro CE utilizadas
- Comparación de los resultados del aprendizaje profundo y el aprendizaje automático
A. Deep Learning mejora la precisión de reconocimiento para neuritas de bajo contraste y morfología del cuerpo celular.
B. Deep Learning mejora la precisión de la separación celular en regiones densamente pobladas.
C. Comparación de resultados de análisis entre Deep Learning y Machine Learning.
La mejora de la segmentación celular y la precisión del reconocimiento con Deep Learning permite extraer características más precisas:
- Mayor número de células reconocidas
- Mayor superficie celular por célula
- Mayor número de ramificaciones neuríticas por célula
Lente objetivo: 20×
Excitación: Campo claro (campo claro CE generado durante el análisis)
Datos cortesía de: Daiichi Sankyo RD Novare Co., Ltd. (Sr. Hayata)
Respuesta de imagen profunda: Función de aprendizaje profundo
Los fenotipos complejos pueden cuantificarse de forma exhaustiva con operaciones sencillas, sin necesidad de un protocolo de reconocimiento celular. Los usuarios solo tienen que seleccionar pocillos negativos y positivos e introducir información sobre la concentración de compuestos.
Admite el cálculo de EC50 / IC50
Evaluación de la neurotoxicidad
Evaluación de la toxicidad sin tinción
Sin necesidad de reconocimiento celular ni selección de características
- Evaluación posible mediante el entrenamiento con pozos negativos y positivos únicamente
- No requiere análisis de imágenes especializado Experiencia
- Permite la evaluación de células vivas utilizando imágenes sin teñir
Las células se trataron con 1.287 compuestos y se adquirieron imágenes de campo claro utilizando el CellVoyager CV7000S. Después de generar las imágenes de campo claro CE, los pocillos con tratamiento de toxina y sin compuesto de prueba se establecieron como negativos, y los pocillos sin toxina ni compuesto de prueba se establecieron como positivos. A continuación, se utilizó Deep Image Response para evaluar los efectos de rescate de toxicidad y se compararon los resultados con los ensayos basados en ATP.
A. Pozos negativos y positivos utilizados para la formación
B. Comparación entre los niveles de ATP y las puntuaciones de Deep Image Response
(a) Nivel intermedio de ATP con alta puntuación de Deep Image Response
(b) Tanto el nivel de ATP como la puntuación de Deep Image Response son altos
(c) Alto nivel de ATP pero baja puntuación de Deep Image Response
Se observó una correlación entre los niveles de ATP y las puntuaciones de Deep Image Response. En casos como (c), las diferencias no detectables únicamente por los niveles de ATP pudieron identificarse mediante Deep Image Response.
Lente objetivo: 20×
Excitación: Campo claro
Placa Placa de 384 pocillos
Configuración del sistema
Software
Estación de trabajo dedicada
Pantalla
Especificaciones de la estación de trabajo dedicada (modelo: Dell Precision)
CPU Intel®Xeon
Memoria: 128 GB
Disco duro: Sistema (C:) 1 TB, Almacenamiento (D:) 4 TB
SO: Microsoft Windows 10 IoT Enterprise (japonés / inglés)
GPU: NVIDIA® RTX A400, RTX 4000 Ada
Pantalla: 2560 × 1440, monitores duales
Yokogawa Ciencia de la vida
Publicamos nuestra información en las siguientes redes sociales.
Síganos.
| @Yokogawa_LS | |
| Yokogawa Life Science | |
| -Enlace | Yokogawa Life Science |
| -YouTube | Life Science Yokogawa |
Yokogawa Lista oficial de cuentas de medios de comunicación de Social
Recursos
PhenoVista Biosciences es el proveedor líder de servicios de ensayos fenotípicos personalizados basados en imágenes. Con un enfoque de diseño y gestión de proyectos basado en la colaboración y la ciencia, PhenoVista tiene un historial probado de entrega de datos de alta calidad a partir de ensayos robustos y escalables. La ventaja clave de PhenoVista radica en la capacidad de sus científicos formados en la industria para combinar la comprensión de clase mundial de diversos sistemas biológicos con imágenes cuantitativas de vanguardia para entregar datos de salida claros y procesables.
Categorización del estadio celular mediante FucciSe realizaron imágenes secuenciales de células Hela añadidas con Fucci durante 48 horas a intervalos de 1 hora. La separación se realizó basándose en las intensidades medias de 488 nm y 561 nm de cada célula. Se clasificaron en cuatro estadios y se calculó el recuento celular de cada uno de ellos.
El indicador del ciclo celular basado en la ubiquitinación fluorescente (Fucci) es un conjunto de sondas fluorescentes que permite visualizar la progresión del ciclo celular en células vivas.
Hemos estado desarrollando un prototipo de sistema genómico de apoyo al análisis de fármacos utilizando nuestro escáner confocal CSU. Este sistema administra compuestos químicos que sirven como posibles candidatos a fármacos en células vivas, que son los componentes más básicos de todos los organismos vivos, registra los cambios en la cantidad y localización de moléculas diana dentro de las células con el escáner confocal CSU y una cámara CCD de alta sensibilidad, y procesa y cuantifica los datos de imagen de alta resolución capturados.
En este tutorial, aprenderemos a realizar el seguimiento de células con CellPathfinder mediante el análisis de imágenes de prueba.
En este tutorial, se explicará un método para analizar la estructura ramificada, utilizando CellPathfinder, para el análisis de la función de angiogénesis de las células endoteliales vasculares.
En este tutorial, aprenderemos a realizar análisis time-lapse de objetos con poco movimiento utilizando CellPathfinder, a través de imágenes de calcio de cardiomiocitos derivados de células iPS.
En este tutorial, observaremos el cambio en el número y la longitud de las neuritas debido a la estimulación del factor de crecimiento nervioso (NGF) en células PC12.
En este tutorial, se realizará un análisis de imágenes de fibras de tensión colapsadas y se trazarán curvas de dependencia de la concentración para una evaluación cuantitativa.
En este tutorial, identificaremos los ciclos celulares G1-fase, G2/M-fase, etc. utilizando el contenido de ADN intranuclear.
En este tutorial, se analizará el diámetro del esferoide y el recuento de células (núcleos) dentro del esferoide.
En este tutorial, se explicará un método para analizar la estructura ramificada, utilizando CellPathfinder, para el análisis de la función de angiogénesis de las células endoteliales vasculares.
En este tutorial, utilizando imágenes de pez cebra cuyos vasos sanguíneos están etiquetados con EGFP, se explicará el mosaico de las imágenes y el reconocimiento de los vasos sanguíneos dentro de una región arbitraria.
En este tutorial, se medirá el NFκB intranuclear e intracitoplasmático, se calcularán sus proporciones y se creará una curva dosis-respuesta.
En este tutorial, compararemos la condición positiva y negativa para el recuento y el área total de las gotas de lípidos añadiendo el ácido oleico o Triacsin C.
Vídeos
YOKOGAWA contribuirá a la evolución tecnológica, sobre todo en herramientas de medición y análisis, para ayudar a construir un mundo en el que los investigadores se centren cada vez más en la interpretación perspicaz de los datos y en el avance de Ciencia de la vida en beneficio de la humanidad.
¿En busca de información adicional sobre tecnología y soluciones Yokogawa?
Contáctenos