Cell Analysis模块可以对BioStation CT、BioStudio-T或一般的相位差显微镜拍摄的多个活细胞图像轻松进行图像分析。下面介绍几个基于Cell Analysis模块和定制服务的分析实例。
该模块通过将尼康细胞培养观察装置BioStation CT和BioStudio-T在开发过程中积累的技术添加到在荧光图像和共焦图像分析中取得了实际结果的NIS-Elements软件中，实现了高精度的相位差图像分析。该模块是针对不同的分析目的单独制作的，在研究开发中可以方便地使用。
为满足客户要求，提供附加模块定制服务。此处介绍到目前为止提供的分析示例。
| 测量应用 | 概要 |
|---|
| iPS细胞集落疏密判定（相差） | 未分化的iPS细胞在刚完成接种后，结合得较为疏松，但随着培养时间的增加，细胞呈现出密集堆叠的典型集落形态。从集落图像判定iPS细胞集落的疏密状态。 |
|---|
| iPS细胞重编程集落优劣判定（相差） | 根据iPS细胞建立时形成的集落形状判定iPS细胞集落和非iPS细胞集落。 |
|---|
| iPS细胞重编程效率测量（相差） | iPS细胞建立时，可根据集落数和形态测量重编程效率。 |
|---|
| MSC细胞形态测量（相差） | 将细胞形态量化。 |
|---|
| 单个神经细胞形态测量（荧光） | 识别单个细胞，测量形态。 |
|---|
| 单个神经细胞形态测量（相差） | 识别单个细胞，测量形态。 |
|---|
| 神经细胞Node测量（荧光） | 在识别出神经突起、细胞体的基础上，测量神经细胞节点的数量。 |
|---|
| 神经细胞Branch测量（荧光） | 识别神经突起，测量突起的分支（Branch）数量。 |
|---|
测量应用
iPS细胞集落疏密判定（相差）
Colony compactness classification（phase contrast）背景
iPS/ES细胞的集落形状因培养条件而异，但一般来说，刚完成接种的细胞的大小会略大、并形成细胞之间粘附较为松散的小型集落。不仅是集群(clamp)传代，单细胞接种时细胞也会聚集，形成集落。接种后，随着培养时间的增加，集落形状发生变化，细胞之间相互紧密粘附。集落内的细胞密度较高，细胞间的边界不明显，呈现均质形态的集落被称为成熟集落。不适当的培养条件和培养环境下，会发生不出现成熟集落、或集落无法变大等现象。评价集落的疏密状态，对于把握细胞的健康状态、判断传代时间尤为重要，但这需要多年的经验积累。
解决方案
通过图像分析，可以判断各集落内部细胞密度的疏密、成熟度。
使用场景
判定可分离集落的时间、评价培养工序、判定细胞接种时间
iPS细胞重编程集落的优劣判定（相差）
Induced colony classification（phase contrast）背景
iPS细胞重编程时，并非出现的所有集落都是被完全重新编程的。因此，为了区分iPS细胞集落和非iPS细胞集落，并建立iPS细胞株，需要进行各种检查和花费大量精力和成本的工序。如在初期阶段就能判定出品质良好的iPS细胞集落的话，就可尽快进入下一道工序，缩短实验时间，削减使用试剂的成本。因此，需要一种迅速、非侵入性地判定集落优劣的方法。
解决方案
根据集落形态、增殖率等判定基准，通过图像分析可在培养的初期阶段判断出优质iPS细胞。
使用场景
iPS细胞重编程时的建立效率测量
iPS细胞重编程效率测量（相差）
Reprogramming efficiency（phase contrast）背景
提高iPS细胞重编程效率是一项非常重要的课题。该效率测量包括两个测量项目：1）集落数测量、2）优质集落识别。一般是由熟练的操作人员通过目测和固定染色法测量集落数量，但这样一来，这些细胞不能再用于继续培养。因此，需要开发一种迅速、可量化的、非侵入性的测量方法。
解决方案
根据集落形态、增殖率等判定基准，通过图像分析识别优质iPS细胞并计算其数量，测量重编程效率。
使用场景
测量iPS细胞重编程时的建立效率
MSC细胞形态测量（相差）
Morphological classification（phase contrast）背景
近年，已经认为传统的MSC标记分析很难评价MSC品质。MSC是有限增殖细胞，每次传代都会加速老化。增殖性较高的MSC稍呈圆形，略小，一旦老化，形态便发生变化，伸展肥大，细胞面积增大。一般由培养时操作人员的目测进行判断。
解决方案
根据相差图像，计算视野内的细胞面积、圆度、细胞周长、细胞数量，将细胞的形态数据数值化。由此，可以非侵入地对形态进行量化评价。
使用场景
通过测量细胞形态，评价细胞品质、培养工序
单个神经细胞形态测量（荧光）
Sequential single neuron classification（fluorescence）背景
神经细胞呈现出非常独特的形态，与其他众多体细胞不同。包括由细胞核和内质网等组成的细胞体，从细胞体伸出呈突起状的，向其他细胞输出信号的轴突，还有像树枝一样存在多个分支、接收来自其他细胞的信号的树突等。这些形态特征对于测量神经细胞的性质和健康状态非常重要，但由于其形状非常复杂，难以量化测量。
解决方案
通过对荧光图像的图像分析，测量各细胞的细胞体、神经突起数量。另外，通过延时拍摄，追踪单细胞，分析各细胞的形态如何变化。
使用场景
针对荧光标记过的神经细胞的药物开发实验、为评估导入了荧光标记基因的、从iPS细胞分化来的神经细胞的分化情况而进行的单细胞追踪分析
单个神经细胞形态测量（相差）
Sequential single neuron classification（phase contrast）背景
神经细胞呈现出非常独特的形态，与其他众多体细胞不同。包括由细胞核和内质网等组成的细胞体，从细胞体伸出呈突起状的、向其他细胞输出信号的轴突，还有像树枝一样存在多个分支、接收来自其他细胞的信号的树突等。这些形态特征对于测量神经细胞的性质和健康状态非常重要，但由于其形状非常复杂，难以量化测量。
解决方案
通过图像分析，测量各细胞的细胞体、神经突起数量。另外，通过延时拍摄，追踪单细胞，非侵入性地分析各细胞的形态如何变化。
使用场景
针对神经细胞的药物开发实验、为评估从iPS细胞分化来的神经细胞的分化情况而进行的非侵入性单细胞追踪分析
神经细胞Node测量（荧光）
Node classification（fluorescence）背景
神经细胞呈现与其他众多体细胞不同的，非常独特的形态。包括由细胞核和内质网等组成的细胞体、从细胞体伸出呈突起状的、向其他细胞输出信号的轴突、还有像树枝一样存在多个分支、接收来自其他细胞的信号的树突等。这些形态特征对于测量神经细胞的性质和健康状态非常重要，但由于其形状非常复杂，难以量化测量。
解决方案
通过图像分析，识别画面中的细胞体，分析细胞的神经节点数量。
使用场景
针对荧光标记过的神经细胞的药物开发实验、对导入了荧光标记基因的、从iPS细胞分化来的神经细胞的分化进行评价
神经细胞Branch测量（荧光）
Branch classification（fluorescence）背景
神经细胞呈现出非常独特的形态，与其他众多体细胞不同。包括由细胞核和内质网等组成的细胞体、从细胞体伸出呈突起状的、向其他细胞输出信号的轴突、还有像树枝一样存在多个分支、接收来自其他细胞的信号的树突等。这些形态特征对于测量神经细胞的性质和健康状态非常重要，但由于其形状非常复杂，难以量化测量。
解决方案
通过图像分析软件，识别画面中的细胞体，分析细胞的突起数量。
使用场景
针对荧光标记过的神经细胞的药物开发实验、对导入了荧光标记基因的、从iPS细胞分化来的神经细胞的分化进行评价
电话咨询
全部商品
留言
电话咨询
在线咨询