Zuletzt aktualisiert am 13. September 2024.

Mit einer über 100-jährigen Erfahrung in der Entwicklung von Optiken und dem in der Zusammenarbeit mit Wissenschaftlern erlangten Fachwissen möchten wir die Arbeitsabläufe bei der wissenschaftlichen Bildgebung mit hochmodernen Lösungen unterstützen. Wir sind stets auf der Suche nach fachlich fundierten Lösungen für experimentelle Problemstellungen. Zu Demonstrationszwecken werden hier eine Fallstudie, eine Anwendung und vier Workflow-Lösungen vorgestellt, die die Effizienz von Experimenten verbessern: von der Zellkultur bis zur Bildgebung und Bildanalyse. 

Fallstudie: Standardisierung von Zellvorbereitungsschritten für effizientere Folgeexperimente

Bei der Durchführung von Experimenten zur Induktion der Differenzierung von Stammzellen wird die Effizienz in jedem der folgenden vier Schritte mit unseren Lösungen optimiert:

1. Zellkulturen: Die quantitative Bewertung der Zellkulturbedingungen mit dem CM30 Inkubationsüberwachungssystem erhöht die Wahrscheinlichkeit, dass Zellen Gewebe bilden, wodurch nachfolgende Experimente effizienter werden. 
   In diesem Whitepaper erfahren Sie mehr darüber, wie Sie Ihren Zellkultur-Workflow erfolgreich effizienter gestalten.
2. Vorversuche: In Vorversuchen mit differenzierten Zellen und Gewebeproben können Sie mit dem APEXVIEW APX100 Fluoreszenzmikroskop als Tischgerät in kürzerer Zeit und mit weniger Aufwand aussagekräftigere Daten erfassen .
   Im diesem Blogartikel erfahren Sie, wie das APX100 die Schritte vor dem Experiment vereinfacht..
3. Beim Datenerfassungsschritt werden die funktionellen Merkmale der Probe mithilfe konfokaler Bildgebung beurteilt. Das konfokale Laser-Scanning-Mikroskop FLUOVIEW FV4000 ermöglicht die Aufnahme hochauflösender Bilder des Bereichs von Interesse, während die gesamte Probe erfasst wird. 
4. Das TruAI Deep-Learning Modul der cellSens Bildgebungssoftware ermöglicht eine hochpräzise Bildanalyse.

Mit diesen vier Schritten können der Workflow verbessert und effizientere sowie effektivere Ergebnisse erzielt werden.

EVIDENT Workflow-Lösungen und konventionelle Methoden im Vergleich

Die folgende Tabelle enthält verschiedene Schritte in einem Zellkultur-Workflow, die üblicherweise manuell durchzuführen sind. Mithilfe von KI und modernen Tools können sie aber zeitsparend automatisiert werden. Auch wenn ein bestimmter Schritt für sich genommen vielleicht nicht besonders zeitaufwändig sein mag, muss er doch bei verschiedenen Zelltypen häufig viele Male wiederholt werden. Somit lässt sich langfristig erheblich Zeit sparen.

Die Vorteile betreffen aber nicht nur die Effizienz. Durch Faktoren, wie zum Beispiel eine Verringerung der Belastung der Zellen und die Vermeidung des Risikos menschlicher Fehler aufgrund manueller Schritte, verbessert sich außerdem die Qualität der Experimente.

Anwendung: Vorhersage von Kernphänotypen mehrerer Klassen für Arzneimittelprüfungen mittels Deep Learning

In der Wirkstoffforschung können trainierte neuronale Netze (NN) eingesetzt werden, um die Vorhersage von Phänotypen zu beschleunigen. Mit dem konfokalen Laser-Scanning-Mikroskop FV4000 und der TruAI Deep-Learning Technologie der cellSens Bildgebungssoftware ist es möglich, die Position von Zellkernen einzuschätzen und Zellkerne ohne Färbung zu segmentieren. Darauf aufbauend kann dann eine Methode zur Klassifizierung von Zellen in einem Schritt basierend auf Veränderungen des AR-Phänotyps entsprechend des Medikaments entwickelt werden. Diese Vorgehensweise reduziert den experimentellen Zeit- und Kostenaufwand und macht chemische Tests effizienter.

Mehr über die Anwendung erfahren
 

Für diese Workflow-Lösungen verwendete Produkte

Erfahren Sie mehr über die Produkte der hier erwähnten Workflow-Lösungen.

APEXVIEW APX100Fluoreszenzmikroskop als Tischgerät  Der Smart Sample Navigator des APX100 Systems erfasst ein Makrobild automatisch, und die integrierte KI erkennt die Probe auf dem Objektträger. Die einfache und intuitive Software des Systems und seine Makrobilderfassungsfunktion sorgen für einen reibungslosen Versuchsablauf und den unkomplizierten Erhalt aussagekräftiger Bilder. Erfahren Sie mehr über das APX100 System

Related Videos

Konfokales FLUOVIEW FV4000 Laser-Scanning-Mikroskop Die Erkennung des Bereichs von Interesse in Ihrer Probe kann viel Zeit kosten. Das FV4000 System vereinfacht die Erfassung zusammengefügter Bilder – ob in geringer Vergrößerung (1,25x oder 2x) oder starker Vergrößerung. Durch die Verbindung von Makrobildern mit geringer Vergrößerung mit hochauflösenden Mikrobildern ermöglicht das FV4000 System eine kontinuierliche Makro-zu-Mikro-Betrachtung und automatisiert diese auch für den Bediener. Dank desSilVIR Detektorsund des Mikroskop-Leistungsmonitors(MPM) bieten die aufgenommenen Bilder zuverlässige quantitative Daten zur Analyse. Weitere Informationen über das FV4000 System

cellSens Bildanalysesoftware Unsere cellSens Bildgebungssoftware erleichtert verschiedene Bildanalyseaufgaben, wie z. B. Leuchtdichteanalyse, Messung und Klassifizierung von Objekten sowie Tracking-Analyse von Bilddaten, die mit einem Mikroskop aufgenommen wurden. Der Einsatz des TruAI Deep-Learning Moduls für die Objekterkennung ermöglicht die automatisierte Analyse von Bildern, die bisher manuell analysiert werden mussten, und somit effizientere und genauere Ergebnisse. Erfahren Sie mehr über die cellSens Bildanalysesoftware

TruAI erkennt die Glomeruli-Merkmale (rechts) Button Vorhersage der Glomeruli-Positionen auf einem Maus-Nierenschnitt mit TruAI (blau).

Fluoreszenzbild von Zellkernen (grün), Hellfeldbild mit Zellkernen nach Erfassung mit der TruAI Technologie (blau) Button Grün: Niedrige Erkennungsgenauigkeit aufgrund von Ungleichmäßigkeiten der GFP-Färbung Blau: Erkennung der Zellkerne mit hoher Genauigkeit trotz Kratzern und Staub auf dem Kulturgefäß.

Ähnliche Artikel

Optimierung von Arbeitsabläufen in der Forschung mit einem Fluoreszenzmikroskop als Tischgerät

Prüfung der Viabilität von 3D-Krebs-Sphäroiden nach Wirkstoffzugabe mit automatisierter Makro-Mikro-Bildgebung

Zuverlässige, markierungsfreie Quantifizierung: Ein Experiment mit Deep Learning