Label-free cell tracking enables collective motion phenotyping in epithelial monolayers.
Label-free cell tracking enables collective motion phenotyping in epithelial monolayers.
复制标题
DOI：
10.1016/j.isci.2022.104678
复制
发表时间：
2022-07-15
期刊：
影响因子：
5.8
通讯作者：
Losert, Wolfgang
中科院分区：
文献类型：
--
作者：
Gu, Shuyao;Lee, Rachel M.;Benson, Zackery;Ling, Chenyi;Vitolo, Michele, I;Martin, Stuart S.;Chalfoun, Joe;Losert, Wolfgang
集体细胞迁移是一个涵盖多种细胞行为的总称，其独特的特征对生物学功能，特别是癌症转移非常重要。集体行为的一个基本特征是细胞相对于其近邻的运动。我们引入了一个基于人工智能的管道来分割和跟踪来自相衬图像的细胞核。细胞核分割基于在细胞核染色图像上训练的U-Net卷积神经网络。基于Crocker-Grier算法的跟踪可量化细胞核运动，并允许对集体运动进行稳健的下游分析。由于AI算法不需要新的训练数据，因此我们的方法有望适用于现有的大量集体运动图像库并产生新的见解。在一个致癌突变的细胞系面板的系统分析中，我们发现集体重排度量，D2 min，它反映了非仿射运动，显示出作为转移潜力的指标的希望。多功能AI算法识别相位对比图像中的单个细胞轨迹细胞相对于邻近细胞的运动可能表明癌症进展光学成像;细胞生物学;细胞生物学的技术方面
Collective cell migration is an umbrella term for a rich variety of cell behaviors, whose distinct character is important for biological function, notably for cancer metastasis. One essential feature of collective behavior is the motion of cells relative to their immediate neighbors. We introduce an AI-based pipeline to segment and track cell nuclei from phase-contrast images. Nuclei segmentation is based on a U-Net convolutional neural network trained on images with nucleus staining. Tracking, based on the Crocker-Grier algorithm, quantifies nuclei movement and allows for robust downstream analysis of collective motion. Because the AI algorithm required no new training data, our approach promises to be applicable to and yield new insights for vast libraries of existing collective motion images. In a systematic analysis of a cell line panel with oncogenic mutations, we find that the collective rearrangement metric, D2min, which reflects non-affine motion, shows promise as an indicator of metastatic potential. Versatile AI algorithm identifies individual cell tracks in phase contrast images Motion of cells relative to nearby neighbors may indicate cancer progression Optical imaging; Cell biology; Technical aspects of cell biology
登录
查看更多内容
影响因子：
48
作者：
Williams E;Moore J;Li SW;Rustici G;Tarkowska A;Chessel A;Leo S;Antal B;Ferguson RK;Sarkans U;Brazma A;Salas REC;Swedlow JR
通讯作者：
Swedlow JR
癌症基因组地图集中的致癌信号通路。
影响因子：
64.5
作者：
Sanchez-Vega F;Mina M;Armenia J;Chatila WK;Luna A;La KC;Dimitriadoy S;Liu DL;Kantheti HS;Saghafinia S;Chakravarty D;Daian F;Gao Q;Bailey MH;Liang WW;Foltz SM;Shmulevich I;Ding L;Heins Z;Ochoa A;Gross B;Gao J;Zhang H;Kundra R;Kandoth C;Bahceci I;Dervishi L;Dogrusoz U;Zhou W;Shen H;Laird PW;Way GP;Greene CS;Liang H;Xiao Y;Wang C;Iavarone A;Berger AH;Bivona TG;Lazar AJ;Hammer GD;Giordano T;Kwong LN;McArthur G;Huang C;Tward AD;Frederick MJ;McCormick F;Meyerson M;Cancer Genome Atlas Research Network;Van Allen EM;Cherniack AD;Ciriello G;Sander C;Schultz N
通讯作者：
Schultz N
影响因子：
--
作者：
Thompson KN;Whipple RA;Yoon JR;Lipsky M;Charpentier MS;Boggs AE;Chakrabarti KR;Bhandary L;Hessler LK;Martin SS;Vitolo MI
通讯作者：
Vitolo MI
DOI：
10.1109/tcom.1967.1089532
发表时间：
1967-01-01
期刊：
IEEE TRANSACTIONS ON COMMUNICATION TECHNOLOGY
影响因子：
--
作者：
KAILATH, T
通讯作者：
KAILATH, T
影响因子：
8.6
作者：
Utter, Brian;Behringer, R. P.
通讯作者：
Behringer, R. P.