Some cells present with two different colors (e.g., green and blue), suggesting two different cell-cycle stages. Is this an indication that the model is not performing correctly?

The system can differentiate between multiple colors/channels, so when two different colors are present, the software identifies background from foreground (where the foreground is the cell layer). However, because some cell-cycle stages can be identified with morphological features, we strongly suggest using a cell-stage tag to mark different cell stages. This will be integral to ensure that training (deep learning) is performed with all cell-cycle stages that you want to differentiate. Nevertheless, since cells are evaluated per pixel and not “per cell,” there are scenarios where the system will be able to automatically discern cell-cycle stages, even if you did not specifically train with that stage.

How does the system perform when analyzing spheroid cultures or other cultures?

The scanR system is designed to efficiently work with spheroid cultures or other types of culture as well. There are some workflow details that we have observed to work well with this application. First, we recommend you apply 3D deconvolution to images collected, and then carry out manual annotation. An example workflow would involve using 10–20 images and manually segmenting 10 cells.

Can you image the borders of the wells in 384-well plates?

Yes, but there are limitations. The ability to image well borders is dependent on the combination of the type of well plate and the objective used. Well plates come in a variety of forms, including skirted, semi-skirted, and non-skirted. Therefore, the important information when imaging well borders is the difference in height between the bottom of the plate and the bottom of the skirt. As such, there comes a point where the vertical distance of the bottom of the plate to the bottom of the skirt prevents a high magnification objective from imaging, because the objective may collide with the plate. In this case, we strongly suggest a long-working distance objective. Specifically, Olympus offers a great range of long-working distance objectives.

How is focusing done in the scanR system?

The scanR system uses a combination of hardware and software autofocus. The hardware autofocus detects the bottom surface of the cell, and the software autofocus finds the sample portion. This is a very robust process, so you can basically walk away from the system once you’ve started the experiment.

Can you use the super-resolution spinning disk system for high-content screening?

Yes, you can use the scanR software to control the Olympus IXplore SpinSR microscope system. It is possible to achieve 120 nm resolution with this system and then import acquired images into cellSens software for further processing and even better results.

How well does the segmentation and deep learning perform on tissue slices?

In our experience, segmentation works well on tissue slices, especially when using the spinning disk system. However, it is possible to acquire good images without the spinning disk system by just applying 3D deconvolution. If tissues are particularly difficult to work with, then deep learning with manual annotation has been shown to work well. Manual annotation provides the deep-learning algorithm a robust training set from which to learn and better predict segments, based on user identification.

High-Content-Screening: Benutzerspezifische Analyse leicht gemacht

In diesem Webinar werden stellen Manoel Veiga und Shohei Imamura, unsere Experten für Deep Learning und High-Content-Screening, den Assay Builder des scanR Systems vorstellen. Das scanR System ist die spezielle High-Content-Screening-Plattform von Olympus mit einem einzigartigen Probennavigationsansatz und einer von der Durchflusszytometrie inspirierten Analyse.

Häufige Fragen

Webinar FAQs | High-Content-Screening: Benutzerspezifische Analyse leicht gemacht

Einige Zellen weisen zwei verschiedene Farben auf (z. B. grün und blau), was auf zwei verschiedene Zellzyklusstadien hindeuten könnte. Ist dies ein Hinweis darauf, dass das Modell nicht richtig funktioniert?

Das System kann zwischen mehreren Farben/Kanälen unterscheiden. Wenn also zwei verschiedene Farben vorhanden sind, kann die Software den Hintergrund vom Vordergrund unterscheiden (wobei der Vordergrund die Zellschicht ist). Da jedoch einige Zellzyklusstadien anhand von morphologischen Merkmalen identifiziert werden können, empfehlen wir dringend die Verwendung eines einer Zellstadien-Tags Markierung zur Kennzeichnung verschiedener Zellstadien. Dies ist wichtig, damit das Training (Deep Learning) mit allen Zellzyklusstadien durchgeführt wird, die Sie unterscheiden möchten. Da die Zellen jedoch pro Pixel und nicht pro Zelle ausgewertet werden, gibt es Szenarien, in denen das System in der Lage ist, automatisch die Zellzyklusstadien zu erkennen, auch wenn es nicht speziell mit diesem Stadium trainiert wurde.

Wie funktioniert das System bei der Analyse von Sphäroidkulturen oder anderen Kulturen?

Das scanR System ist so konzipiert, dass es auch mit Sphäroidkulturen oder anderen Kulturtypen effizient arbeiten kann. Es gibt einige Details des Arbeitsablaufs, die unserer Erfahrung nach gut mit dieser Anwendung funktionieren. Wir empfehlen Ihnen, zunächst die 3D-Dekonvolution auf die erfassten Bilder anzuwenden und dann eine manuelle Beschriftung vorzunehmen. Ein Beispiel für einen Arbeitsablauf wäre die Verwendung von 10–20 Bildern und die manuelle Segmentierung von 10 Zellen.

Können Sie die Wellränder in 384-Well-Platten abbilden?

Ja, aber es gibt Einschränkungen. Die Fähigkeit, Wellränder abzubilden, hängt davon ab, welcher Wellplattentyp mit welchem Objektiv verwendet wird. Wellplatten gibt es in verschiedenen Formen, z. B.z. B. mit, ohne und mit halbhohem Rahmen. Die wichtigste Information bei der Abbildung von Wellrändern ist daher der Höhenunterschied zwischen dem Boden der Platte und der Unterseite des Rahmens. Daher gibt es eine Stelle, an der der vertikale Abstand zwischen dem Boden der Platte und der Unterseite des Rahmens die Aufnahme mit einem Objektiv mit hoher Vergrößerung verhindert, da das Objektiv mit der Platte kollidieren könnte. In diesem Fall empfehlen wir dringend ein Objektiv mit großem Arbeitsabstand. Olympus selbst bietet eine große Auswahl an Objektiven mit großem Arbeitsabstand an.

Wie erfolgt die Fokussierung im scanR System?

Das scanR System verwendet eine Kombination aus Hardware- und Software-Autofokus. Der Hardware-Autofokus erkennt die Unterseite der Zelle, und der Software-Autofokus findet den Probenbereich. Es handelt sich um einen sehr robusten Prozess, so dass Sie das System nach dem Start des Experiments unbeaufsichtigt lassen können.

Kann man das Super-Resolution-Spinning-Disk-System für High-Content-Screening verwenden?

Ja, Sie können die scanR Software zur Steuerung des Olympus Mikroskopsystems IXplore SpinSR verwenden. Es ist möglich, mit diesem System eine Auflösung von 120 nm zu erreichen und die aufgenommenen Bilder anschließend in die cellSens Software zu importieren, um sie weiter zu verarbeiten und noch bessere Ergebnisse zu erzielen.

Wie gut funktionieren Segmentierung und Deep Learning bei Gewebeschnitten?

Unserer Erfahrung nach funktioniert die Segmentierung bei Gewebeschnitten gut, insbesondere bei Verwendung des Spinning-Disk-Systems. Durch Anwendung der 3D-Dekonvolution erhalten Sie jedoch ebenfalls gute Bilder, auch ohne das Spinning-Disk-Systemjedoch auch gute Bilder ohne das Spinning-Disk-System. Bei besonders schwierig zu verarbeitenden Geweben hat sich Deep Learning mit manueller Beschriftung als gut geeignet erwiesen. Durch die manuelle Beschriftung erhält der Deep-Learning-Algorithmus einen robusten Trainingssatz, aus dem er lernen und auf der Grundlage der Benutzeridentifikation Segmente besser vorhersagen kann.

Ask the Experts