Ultra high content image analysis and phenotype profiling of 3D cultured micro-tissues.
Ultra high content image analysis and phenotype profiling of 3D cultured micro-tissues.
复制标题
DOI：
10.1371/journal.pone.0109688
复制
发表时间：
2014
期刊：
影响因子：
3.7
通讯作者：
Meerman JH
中科院分区：
文献类型：
--
作者：
Di Z;Klop MJ;Rogkoti VM;Le Dévédec SE;van de Water B;Verbeek FJ;Price LS;Meerman JH
在许多情况下，3D细胞培养比2D培养更接近组织的自然组织。诸如3D培养物的常规表型方法使用基于形态学和荧光染色强度的单个或多个简单参数。然而，由于它们的简单性，许多细节没有考虑到，这限制了表型特征的系统级研究。在这里，我们开发了一个新的图像分析平台，可以自动分析三维细胞表型的598个参数，包括形态学，拓扑结构和纹理参数，如小波和图像矩。为了证明这一概念，我们在384孔板中分析了暴露于不同浓度的各种化合物后的小鼠乳腺癌细胞（4T1细胞）。结果显示了不同生物活性化合物的浓度依赖表型轨迹，可用于根据其生物靶标对化合物进行分类。为了证明我们的方法更广泛的适用性，我们分析了44个3D培养的人乳腺癌细胞系的表型，并表明我们的方法在监督最近邻分类方法中正确区分了base - a， base - b， luminal和ERBB2+细胞系。
In many situations, 3D cell cultures mimic the natural organization of tissues more closely than 2D cultures. Conventional methods for phenotyping such 3D cultures use either single or multiple simple parameters based on morphology and fluorescence staining intensity. However, due to their simplicity many details are not taken into account which limits system-level study of phenotype characteristics. Here, we have developed a new image analysis platform to automatically profile 3D cell phenotypes with 598 parameters including morphology, topology, and texture parameters such as wavelet and image moments. As proof of concept, we analyzed mouse breast cancer cells (4T1 cells) in a 384-well plate format following exposure to a diverse set of compounds at different concentrations. The result showed concentration dependent phenotypic trajectories for different biologically active compounds that could be used to classify compounds based on their biological target. To demonstrate the wider applicability of our method, we analyzed the phenotypes of a collection of 44 human breast cancer cell lines cultured in 3D and showed that our method correctly distinguished basal-A, basal-B, luminal and ERBB2+ cell lines in a supervised nearest neighbor classification method.
登录
查看更多内容
影响因子：
12.3
作者：
Carpenter AE;Jones TR;Lamprecht MR;Clarke C;Kang IH;Friman O;Guertin DA;Chang JH;Lindquist RA;Moffat J;Golland P;Sabatini DM
通讯作者：
Sabatini DM
影响因子：
7.2
作者：
Muschler, John;Streuli, Charles H.
通讯作者：
Streuli, Charles H.
影响因子：
50.3
作者：
Neve, Richard M.;Chin, Koei;Gray, Joe W.
通讯作者：
Gray, Joe W.
影响因子：
1.4
作者：
DEFAYS, D
通讯作者：
DEFAYS, D
影响因子：
0.600
作者：
M. Roth;M.E. Herrmann;G. Geerling;R. Guthoff
通讯作者：
R. Guthoff