論文の概要: Holographic Cell Stiffness Mapping Using Acoustic Stimulation

• arxiv url: http://arxiv.org/abs/2102.07480v1
• Date: Mon, 15 Feb 2021 11:38:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:17:11.965671
• Title: Holographic Cell Stiffness Mapping Using Acoustic Stimulation
• Title（参考訳）: 音響刺激を用いたホログラフィック細胞剛性マッピング
• Authors: Rahmetullah Varol, Sevde Omeroglu, Zeynep Karavelioglu, Gizem Aydemir, Aslihan Karadag, Hanife Ecenur Meco, Gizem Calibasi Kocal, Muhammed Enes Oruc, Gokhan Bora Esmer, Yasemin Basbinar, Huseyin Uvet
• Abstract要約: 本研究では,高分解能かつリアルタイムに細胞膜上の剛性分布が得られるホログラフィック単細胞剛性測定手法を提案する。 HCT116 (Human Colorectal Carcinoma) 細胞およびCTCによるHCT116細胞に対するTGF-beta(Transforming Growth factor-beta)による誘導法の提案手法を実証する。 以上の結果から, CTCを介するHCT116細胞は, 血管内への接着能を失い, 転移することが明らかとなった。 彼らはまた、がん細胞の付着形態と比較してより柔らかい剛性プロファイルを示す。
• 参考スコア（独自算出の注目度）: 0.3539070690240802
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate assessment of stiffness distribution is essential due to the critical role of single cell mechanobiology in the regulation of many vital cellular processes such as proliferation, adhesion, migration, and motility. Cell stiffness is one of the fundamental mechanical properties of the cell and is greatly affected by the intracellular tensional forces, cytoskeletal prestress, and cytoskeleton structure. Herein, we propose a novel holographic single-cell stiffness measurement technique that can obtain the stiffness distribution over a cell membrane at high resolution and in real-time. The proposed imaging method coupled with acoustic signals allows us to assess the cell stiffness distribution with a low error margin and label-free manner. We demonstrate the proposed technique on HCT116 (Human Colorectal Carcinoma) cells and CTC-mimicked HCT116 cells by induction with transforming growth factor-beta (TGF-\b{eta}). Validation studies of the proposed approach were carried out on certified polystyrene microbeads with known stiffness levels. Its performance was evaluated in comparison with the AFM results obtained for the relevant cells. When the experimental results were examined, the proposed methodology shows utmost performance over average cell stiffness values for HCT116, and CTC-mimicked HCT116 cells were found as 1.08 kPa, and 0.88 kPa, respectively. The results confirm that CTC-mimicked HCT116 cells lose their adhesion ability to enter the vascular circulation and metastasize. They also exhibit a softer stiffness profile compared to adherent forms of the cancer cells. Hence, the proposed technique is a significant, reliable, and faster alternative for in-vitro cell stiffness characterization tools. It can be utilized for various applications where single-cell analysis is required, such as disease modeling, drug testing, diagnostics, and many more.
• Abstract（参考訳）: 増殖、接着、移動、運動などの多くの重要な細胞プロセスの調節における単細胞力学の重要な役割のために、剛性分布の正確な評価が不可欠です。 細胞硬度は細胞の基本的な機械的性質の1つであり、細胞内張力、細胞骨格プレストレス、細胞骨格構造に大きく影響を受ける。 本論文では,高分解能かつリアルタイムに細胞膜上の剛性分布を得ることができるホログラフィック単細胞剛性測定手法を提案する。 音響信号と結合した撮像法により, 誤差マージンが低く, ラベルフリー方式で細胞剛性分布を評価することができる。 HCT116(Human Colorectal Carcinoma)細胞とCTCによるHCT116細胞に対して,TGF-\b{eta}(Transforming Growth factor-beta)による誘導法を提案する。 提案手法の検証研究は, 既知剛性を有するポリスチレン系マイクロビーズを用いて行った。 その性能は, 関連細胞に対して得られたAFM結果と比較して評価した。 実験結果を検討したところ,HCT116の平均細胞剛性値に対して最大性能を示し,CTCによるHCT116細胞は1.08kPa,0.88kPaであった。 その結果、CTCによるHCT116細胞は、血管循環に入り転移する接着能力を失います。 彼らはまた、がん細胞の付着形態と比較してより柔らかい剛性プロファイルを示す。 したがって,本手法は生体内細胞剛性評価ツールの重要かつ信頼性が高く,より高速な代替手段である。 病気のモデリング、薬物検査、診断など、単細胞分析が必要な様々な用途に利用することができる。

関連論文リスト

• Deep Generative Classification of Blood Cell Morphology [7.494975467007647]
  細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。 本手法は異常検出における最先端の識別モデルよりも優れている。 直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T19:17:02Z)
• Semi-supervised variational autoencoder for cell feature extraction in multiplexed immunofluorescence images [40.234346302444536]
  本稿では,教師付き変分オートエンコーダを用いた深層学習に基づくセル特徴抽出モデルを提案する。 乳がん患者の1,093個の組織マイクロアレイコアから抽出した44,000個以上の多重蛍光細胞像のコホートを用いて細胞表現型分類を行う。
  論文  参考訳（メタデータ） (2024-06-22T04:32:50Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• CellGAN: Conditional Cervical Cell Synthesis for Augmenting Cytopathological Image Classification [11.255093167227928]
  現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。 セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
  論文  参考訳（メタデータ） (2023-07-12T14:13:54Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Preliminary study on the impact of EEG density on TMS-EEG classification in Alzheimer's disease [48.42347515853289]
  TMS誘発脳波反応を用いてアルツハイマー病患者を健康的なコントロールから分類する。 精度、感度、特異性はそれぞれ92.7%、96.58%、88.2%であった。
  論文  参考訳（メタデータ） (2022-05-19T20:34:04Z)
• Multi-scale Deep Learning Architecture for Nucleus Detection in Renal Cell Carcinoma Microscopy Image [7.437224586066945]
  クリアセル腎細胞癌(CCRCC)は、腎癌の研究における腫瘍内異種性の最も一般的な形態の1つです。 本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。 本モデルでは,マルチスケールピラミッドの特徴と局所境界領域からのサリーエンシー情報をマッピングし,回帰によって境界ボックス座標を予測する。
  論文  参考訳（メタデータ） (2021-04-28T03:36:02Z)
• Cell Mechanics Based Computational Classification of Red Blood Cells Via Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
  非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される 提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
  論文  参考訳（メタデータ） (2020-03-02T15:11:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。