Key points are not available for this paper at this time.
Die traditionelle Bildzytometrie verwendet Fluoreszenzmarker zur Identifizierung spezifischer Strukturen, ist jedoch aufgrund des Markierungsprozesses in der Durchsatzrate limitiert. Wir entwickeln eine label-freie Technik, die die physische Färbung vermeidet und multiplexierte Ausgaben durch eine tiefenlern-gestützte digitale Markierungsmethode bereitstellt. Wir nutzen die reichhaltigen strukturellen Informationen und die überlegene Empfindlichkeit der Reflexionsmikroskopie und zeigen, dass die digitale Markierung genaue subzelluläre Merkmale nach dem Training an Immunfluoreszenzbildern vorhersagt. Wir demonstrieren eine Verbesserung der Vorhersagegenauigkeit um bis zu dreimal im Vergleich zum Stand der Technik. Über die Fluoreszenzvorhersage hinaus zeigen wir, dass die strukturellen Phänotypen auf Einzelzellebene der Zellzyklen korrekt durch die digitalen multiplexierten Bilder reproduziert werden, einschließlich Golgi-Zwillinge, Golgi-Trübung während der Mitose und DNA-Synthese. Wir zeigen außerdem, dass die multiplexierten Ausgaben eine genaue multiparametrische Einzelzellprofilierung über eine große Zellpopulation hinweg ermöglichen. Unser Verfahren kann den Durchsatz für die Bildzytometrie erheblich verbessern und Anwendungen für Phänotypisierung, Pathologie und Hochdurchsatz-Screening eröffnen.
Cheng et al. (Fri,) haben diese Frage untersucht.