İn vitro tümör mikroortamlarında immün yanıtı diseksiyon için mikroakışkan ko-kültür modelleri
Summary
İmmünoterapi ve tek hücreli genomik profilleme çağında, kanser biyolojisi, tümör-bağışıklık arayüzünü uygun bir mekansal zamansal bağlamda araştırmak için yeni in vitro ve hesaplama araçları gerektirir. Hücresel fonksiyonların dinamik, multiparametrik izlenmesi ile uyumlu, 2D ve 3D ortamlarda tümör-immün mikroakışkan ko-kültürlerden yararlanmak için protokolleri açıklıyoruz.
Abstract
Karmaşık hastalık modelleri, fizyolojik ve patolojik olarak alakalı, eyleme geçirilebilir içgörüler sunabilen ve aksi takdirde görünmez süreçleri ortaya çıkarabilen son teknoloji araçlar gerektirir. İn vivo manzarayı yakından taklit eden gelişmiş hücre tahlilleri, kanserin ilerlemesini etkileyen çift yönlü tümör-konakçı etkileşimini görselleştirmek ve ölçmek için yeni yollar olarak kendilerini ortaya koymaktadır. Burada, doğal ve terapiye bağlı immünosürveyans altında, tümör mikroçevresinin (TME) karmaşıklığını taklit ederek, mikrocihazlarda yüksek oranda kontrol edilebilir 2D ve 3D ko-kültürleri yeniden oluşturmak için iki çok yönlü protokolü açıklıyoruz. Bölüm 1’de, yapışkan tümör hücreleri ile yüzen bağışıklık popülasyonları arasındaki çapraz etkileşimi, parlak alan hızlandırılmış mikroskopi ile izlemek için deneysel bir ortam sağlanmıştır. Uygulamalı bir senaryo olarak, immünojenik kanser hücresi ölüm indükleyicileri olarak adlandırılan anti-kanser tedavilerinin bağışıklık hücrelerinin işe alınması ve aktivasyonu üzerindeki etkilerini analiz ediyoruz. Bölüm 2’de, 3D tümör immün mikro ortamlar rekabetçi bir düzende monte edilmiştir. Diferansiyel immün infiltrasyon, kombinasyon terapötik stratejilerini değerlendirmek için 72 saate kadar floresan anlık görüntüleri ile izlenir. Her iki ortamda da, görüntü işleme adımları, çok sayıda bağışıklık hücresi parametresini (örneğin, bağışıklık hücresi göçü ve etkileşimi, terapötik ajanlara yanıt) çıkarmak için gösterilmiştir. Bu basit ve güçlü yöntemler, kanser, stromal ve immün hücre alt tiplerinin heterojenliğini ve plastisitesini kapsayan TME’nin karmaşıklığını ve ayrıca kanser evriminin itici güçleri olarak karşılıklı etkileşimlerini simüle etmek için daha da uyarlanabilir. Hızla gelişen bu teknolojilerin canlı hücreli yüksek içerikli görüntüleme ile uyumluluğu, büyük bilgilendirici veri kümelerinin oluşturulmasına yol açarak yeni zorluklar ortaya çıkarabilir. Gerçekten de, “ortak kültürler / mikroskopi / gelişmiş veri analizi” üçgeni, özel olarak hazırlanmış terapötik protokollere yardımcı olabilecek kesin bir problem parametrizasyonuna giden yolu belirler. Yüksek verimli işleme için kansere karşı bağışıklık kazanmış çip üzerindeki yapay zeka ile gelecekteki entegrasyonunun, hassas ve kişiselleştirilmiş onkoloji için öngörücü ve klinik öncesi araçlar olarak yeteneklerden yararlanmada ileriye doğru büyük bir adım atmasını bekliyoruz.
Introduction
Farklı tıp dallarının deneysel disiplinler olarak evrimi, kontrollü koşullar altında hücre popülasyonunu ve organ fonksiyonlarını manipüle etme yeteneğine bağlı olmuştur1. Bu yeteneğin kökleri, vücudumuzda meydana gelen süreçleri özetleyebilen ölçülebilir modellerin mevcudiyetinde yatmaktadır.
İmmünoterapi ve tek hücreli genomik profilleme 2 çağında, kanser biyolojisinin, tümör-immün arayüzünü uygun bir mekansal zamansal bağlamda araştırmak için ortaya çıkan in vitro ve hesaplamalı modellerden yararlanması gerekir 2,3.
Tümör mikroçevre4 (TME), kanser hücrelerinin diğer hücresel (immün, stromal ve endotel hücreleri) ve hücresel olmayan (hücre dışı matriks, ECM) bileşenlerle sürekli etkileşime girdiği ve dinamik olarak birlikte evrimleştiği karmaşık bir dokudur. Bu karmaşık manzaranın dinamik doğası, bağışıklık hücrelerinin kötü huylu hücrelerin arkadaşları veya düşmanları olarak oynayıp oynamadığını belirler, böylece hem hastalığın ilerlemesini hem de tedaviye yanıtı güçlü bir şekilde etkiler. Günümüzde, onko-immünologların, biyoinformatikçilerin ve sistem biyolojisi uzmanlarının büyük çabaları, kanser heterojenliğinin klinik önemini ele almak için bir araya gelmektedir 5,6, ya uzayda (yani farklı tümör bölgelerinde) ve zamanda (yani, farklı tümör progresyon aşamalarında)5,6 ve kanseri ve bağışıklık hücresi fenotipini ve işlevini tek hücre düzeyinde karakterize etmek. Bu sinerjinin bir örneği olarak, histolojik örneklerde immün infiltrasyonun mekansal haritalanması için gelişmiş bilgisayar-görme teknikleri artık rutin olarak kullanılmaktadır 7,8.
Deneysel modellerin önünde, hayvan çalışmaları ve geleneksel in vitro yöntemler arasında köprü kuran mikroakışkanlar ve birlikte kültürleme tekniklerindeki ilerlemeler, organoidler, mikro-fizyolojik sistemler 9,10,11 (MPS) ve çip üzerinde organlar 12,13,14 gibi farklı mikro mühendislik ürünü hücresel model sınıflarına erişim sağlamaktadır (OOC). Hücresel ekosistemlerin ‘büyük resim’ görünümünü yakınlaştırmak ve yüksek içerikli mikroskopi15 ve görüntü işleme yaklaşımlarından yararlanırken mikroçevresel faktörleri kontrol etmek için in vitro potansiyeli genişletmek için ortak özelliği paylaşıyorlar.
Günümüzde, son teknoloji ürünü MPS ve OOC sistemleri, enflamatuar hastalıklar, yara iyileşmesi, mukozal bağışıklık ve toksinlere veya günlük gıda ürünlerine yanıt gibi çeşitli süreçleri araştırmak ve ölçmek amacıyla, mevcut dokulara ve ortak kültürlere farklı bağışıklık hücreleri alt tiplerini dahil eden immünolojik yönleri içermeye başlamıştır16. 18,19,20,21 eriyebilir mikrodamarlarla da entegre olan 10,11,12,13,14,15,16,17 TME-on-a-chip modelleri, hücre tipine bağlı etkileşimleri, fiziksel ve kimyasal bozulmaları ve sitotoksik aktivitesini araştırmak için geliştirilmiştir. infiltrasyon lenfositleri22 ve klinik olarak ilgili immünomodülatör ajanlar23.
Burada, hücresel fonksiyonların dinamik, multiparametrik24 izlenmesi ve görselleştirilmesi ile uyumlu, 2D (bölüm 1) ve 3D (bölüm 2) ayar16’daki gelişmiş tümör immün mikroakışkan ko-kültürlerinden yararlanmak için çiplerdeki hücrelerin yüklenmesinden görüntü işleme araçlarına kadar uzanan çok yönlü protokoller sunuyoruz. Bu, hem numune yönetiminde hem de veri analizinde kullanım kolaylığını ve esnekliği koruyarak, Fiji ücretsiz yazılımından ve araç kutularından yararlanarak elde edilir25,26.
Bölüm 1’de açıklanan mikroakışkan cihaz, yapışkan kanser ve yüzen bağışıklık hücrelerinin 2D ortak kültürlerini gerçekleştirmek için tasarlanmıştır. Bu platform, genetik mutasyonlar27 ve / veya immün yetmezlikler28 varlığında immün hücre davranışının in vitro ölçümü için doğrulanmıştır. Burada, Trackmate’e (Fiji yazılımında uygulanan bir eklenti) dayanan yarı otomatik bir yöntemden yararlanarak, hızlandırılmış parlak alan görüntülerinde bağışıklık hücrelerini izleme adımlarını gösteriyoruz. Bu prosedür, immünojenik hücre ölümü indükleyicileri27 ile tedavi edilen veya edilmeyen kanser hücrelerini hedeflemek için immün migrasyon 29’un kinematik tanımlayıcılarının ve yanıtının (yani, etkileşim sürelerinin) ekstraksiyonunu sağlar.
Daha da önemlisi, zaman serisi görüntülerinden çıkarılan bu parametreler, gelişmiş matematiksel makinelerle işlenebilir. Bu yaklaşımın potansiyelinin bir örneği olarak, gruplarımız yakın zamanda hücresel ağ özelliklerini modellemek ve bağışıklık hücresi davranışının parametrik bir tanımını sağlamak için stokastik süreçlerden ve istatistiksel mekanikten matematiksel yöntemlere dayanan bir analiz yayınladı (yani, önyargılı veya ilişkisiz rastgele yürüyüş, yüksek veya koordineli olmayan hareket30,31).
İkinci bölümde sağlanan 3D ayarı, farklı hücre tipleri ve ilaç kombinasyonları ile iki jel bölgesine gömülü daha karmaşık immünokompetan TME’leri rekabetçi bir şekilde yeniden oluşturmak için bir ko-kültür protokolüne dayanmaktadır. Burada, antitümör ajan kombinasyonlarını değerlendirmek için Matrigel içinde yetiştirilen insan A375M melanom hücrelerinde lekeli bağışıklık hücrelerinin infiltrasyonunu farklı zaman noktalarında ölçmek için görüntü işleme adımları açıklanmaktadır32. Yüksek metastatik fenotiple karakterize bir A375P türevi hücre hattı olan A375M hattı, immün hücrelerin varlığında metastatik yeteneklerini değerlendirmek için seçildi32.
Açıklanan modeller farklı hücre kaynaklarıyla (murin ve insan ölümsüzleştirilmiş veya birincil hücre hatları, organoidler, ksenogreftler, diğerleri arasında) tamamen uyumlu olabilir. Laboratuvarımızın son çalışmalarında, yüksek içerikli video mikroskopisini görüntü analizi ile birleştirerek, aşağıdakileri araştırmak için rekabetçi 3D düzeni uygulanmıştır: i) bir anti-tümöral (antikor bağımlı hücre aracılı sitotoksisite, ADCC) immün yanıt ve fibroblastların HER2 + meme kanseri çip üstü modellerinde trastuzumab tedavisine dirençteki rolünü incelemek33; ii) Miyeloid hücrelerin (yani, kanserle ilişkili makrofajların) tümör kaçırma ve T hücrelerinin işe alım mekanizmalarındaki etkisi34; iii) Kollajen matrislerinde ilaçla tedavi edilen kolon kanseri hücreleri ile yetiştirilen, özellikle interferon α şartlandırılmış dendritik hücrelere (IFN-DC’ler) dayanan immünoterapötik rejimlerin etkinliği ve etkili hareketi ve bunu takip eden fagositoz olaylarını değerlendirmek35; iv) kemik iliği kaynaklı eozinofillerin IL-33 ile tedavi edilmiş veya tedavi edilmemiş melanom hücrelerine kemotaktik göçü36.
Bu gelişmiş modeller, immün konstaksiyonun kanser metastazı ve direnç mekanizmalarındaki rolünü anlamak için gözlem pencereleri olarak hizmet edebilir, ancak bulguları kliniklere çevirmek ve temel araştırmalarla boşluğu kapatmak için çaba sarf etmek gerekir37.
Ortaya çıkan bir senaryo olarak, otomatik yüksek içerikli mikroskopinin gücünden yararlanmak, fizyolojik olarak daha alakalı mikrosistemlerin kullanımıyla birleştiğinde, tek bir deneysel kampanyadan üretilebilecek yüzlerce, hatta binlerce Gigabayt multiparametrik verinin işlenmesi, işlenmesi ve yorumlanması için yeni potansiyel zorluklar ortaya çıkarmaktadır. Bu, OOC deneylerinin yapay zeka 38,39,40,41,42 (AI) tabanlı algoritmalarla doğrudan bir bağlantısı anlamına gelir, hem gelişmiş otomatik analiz hem de kanser-bağışıklık etkileşiminin siliko modellerinde sırayla beslenebilecek özelliklerin üretilmesi43, ufukta öngörücü ilaç tarama tahlillerinin geliştirilmesi gibi heyecan verici yeni uygulamalarla44.
Sürekli genişleyen bir çaba akışı, tek hücreli çoklu omik okumalarla büyük ölçekli pertürbasyon ekranlarını uygulamak için stratejilerin optimizasyonu ile birlikte hastalık modellerinin tasarımına odaklanmıştır. Bu şüphesiz, bağışıklık bozuklukları ve kanser yayılma mekanizmaları hakkında yeni bilgiler edinmek için sistematik bir onko-immünoloji-on-a-chip yaklaşımının uygun bir yöntem standardizasyonu derecesi ile birlikte geliştirilmesine ve umarım klinik olarak uygulanmasına yardımcı olacaktır.
Protocol
Representative Results
Discussion
Açıklanan yöntemler, onko-immünoloji alanında, daha ilgili in vitro modellerin benimsenmesinden yararlanabilecek iki önemli yönü, modüle edilebilir karmaşıklık derecesiyle özetlemek için genel bir yaklaşım tasarlamaya çalışmaktadır. Birincisi, tek hücre özelliklerinin ele alınmasının, heterojenliğin daha iyi tanımlanmasına ve tedaviye direnç, metastaza propulsiyon, kök hücre ve farklılaşma derecesi dahil olmak üzere ilişkili biyolojik ve klinik öneme yol açabileceği tümör hücresi …
Disclosures
The authors have nothing to disclose.
Materials
| Cell culture materials | |||
| 50 mL tubes | Corning-Sigma Aldrich, St. Louis, MO | CLS430828 | centrifuge tubes |
| 5-aza-2'-deoxycytidine DAC | Millipore-Sigma; St. Louis, MO | A3656 | DNA-hypomethylating agent |
| 6-well plates | Corning-Sigma Aldrich, St. Louis, MO | CLS3506 | culture dishes |
| 75 cm2 cell culture treated flask | Corning, New York, NY | 430641U | culture flasks |
| A365M | American Type Culture Collection (ATCC), Manassas, VA | CVCL_B222 |
human melanoma cell line |
| Doxorubicin hydrochloride | Millipore-Sigma; St. Louis, MO | D1515 | anthracycline antibiotic |
| Dulbecco's Modified Eagle Medium DMEM | EuroClone Spa, Milan, Italy | ECM0728L | Culture medium for SK-MEL-28 cells |
| Dulbecco's Phosphate Buffer Saline w/o Calcium w/o Magnesium | EuroClone Spa, Milan, Italy | ECB4004L | saline buffer solution |
| Fetal Bovine Serum | EuroClone Spa, Milan, Italy | ECS0180L | ancillary for cell culture |
| Ficoll | GE-Heathcare | 17-1440-02 | separation of mononuclear cells from human blood. |
| hemocytometer | Neubauer | Cell counter | |
| Heparinized vials | Thermo Fisher Scientific Inc., Waltham, MA | Vials for venous blood collection | |
| interferon alpha-2b | Millipore-Sigma; St. Louis, MO | SRP4595 | recombinant human cytokine |
| L-Glutamine 100X | EuroClone Spa, Milan, Italy | ECB3000D | ancillary for cell culture |
| Liquid nitrogen | |||
| Lympholyte cell separation media | Cedarlane Labs, Burlington, Canada | Separation of lymphocytes by density gradient centrifugation | |
| Lymphoprep | Axis-Shield PoC AS, Oslo, Norway | ||
| Matrigel | Corning, New York, NY | 354230 | growth factor reduced basement membrane matrix |
| MDA-MB-231 | American Type Culture Collection (ATCC), Manassas, VA | HTB-26 | human breast cancer cell line |
| Penicillin/ Streptomycin 100X | EuroClone Spa, Milan, Italy | ECB3001D | ancillary for cell culture |
| Pipet aid | Drummond Scientific Co., Broomall, PA | 4-000-201 | Liquid handling |
| PKH26 Red Fluorescent cell linker | Millipore-Sigma; St. Louis, MO | PKH26GL | red fluorescent cell dye |
| PKH67 Green fluorescent cell linker | Millipore-Sigma; St. Louis, MO | PKH67GL | green fluorescent cell dye |
| RPMI-1640 | EuroClone Spa, Milan, Italy | ECM2001L | Culture medium for MDA-MB-231 cells |
| serological pipettes (2 mL, 5 mL, 10 mL, 25 mL, 50 mL) | Corning- Millipore-Sigma; St. Louis, MO | CLS4486; CLS4487; CLS4488; CLS4489; CLS4490 | Liquid handling |
| sterile tips (1-10 μL, 10-20 μL, 20-200 μL, 1000 μL) | EuroClone Spa, Milan, Italy | ECTD00010; ECTD00020; ECTD00200; ECTD01005 | tips for micropipette |
| Timer | |||
| Trypan Blue solution | Thermo Fisher Scientific Inc., Waltham, MA | 15250061 | cell stain to assess cell viability |
| Trypsin | EuroClone Spa, Milan, Italy | ECM0920D | dissociation reagent for adherent cells |
| Cell culture equipment | |||
| EVOS-FL fluorescence microscope | Thermo Fisher Scientific Inc., Waltham, MA | Fluorescent microscope for living cells | |
| Humified cell culture incubator | Thermo Fisher Scientific Inc., Waltham, MA | 311 Forma Direct Heat COIncubator; TC 230 | Incubation of cell cultures at 37 °C, 5% CO2 |
| Juli Microscope | Nanoentek | ||
| Laboratory refrigerator (4 °C) | FDM | ||
| Laboratory Safety Cabinet (Class II) | Steril VBH 72 MP | Laminar flow hood | |
| Optical microscope | Zeiss | ||
| Refrigerable centrifuge | Beckman Coulter | ||
| Thermostatic bath | |||
| Microfabrication materials | |||
| 3-Aminopropyl)triethoxysilane (Aptes) | Sigma Aldrich | A3648 | silanizing agent for bonding PDMS to plastic coverslip |
| Chromium quartz masks / 4"x4", HRC / No AZ | MB W&A, Germany | optical masks for photolithography | |
| Glass coverslip, D 263 M Schott glass, (170 ± 5 µm) | Ibidi, Germany | 10812 | |
| Hydrogen Peroxide solution 30% | Carlo Erba Reagents | 412081 | reagents for piranha solution |
| Methyl isobutyl ketone | Carlo Erba Reagents | 461945 | PMMA e-beam resist developer |
| Microscope Glass Slides (Pack of 50 slides) 76.2 mm x 25.4 mm | Sail Brand | 7101 | substrates for bonding chips |
| Miltex Biopsy Punch with Plunger, ID 1.0mm | Tedpella | dermal biopsy punches for chip reservoirs | |
| PMMA 950 kDa | Allresist,Germany | AR-P. 679.04 | Positive electronic resists for patterning optical masks |
| Polymer untreated coverslips | Ibidi, Germany | 10813 | substrates for bonding chips |
| Prime CZ-Si Wafer, 4”, (100), Boron Doped | Gambetti Xenologia Srl, Italy | 30255 | |
| Propan-2-ol | Carlo Erba Reagents | 415238 | |
| Propylene glycol monomethyl ether acetate (PGMEA) | Sigma Aldrich | 484431-4L | SU-8 resists developer |
| SU-8 3005 | Micro resist technology,Germany | C1.02.003-0001 | Negative Photoresists |
| SU-8 3050 | Micro resist technology,Germany | C1.02.003-0005 | Negative Photoresists |
| Suite of Biopunch, ID 4.0 mm, 6.0 mm, 8.0 mm | Tedpella | 15111-40, 15111-60, 15111-80 | dermal biopsy punches for chip reservoirs |
| Sulfuric acid 96% | Carlo Erba Reagents | 410381 | reagents for piranha solution |
| SYLGARD 184 Silicone Elastomer Kit | Dowsil, Dow Corning | 11-3184-01 | Silicone Elastomer (PDMS) |
| Trimethylchlorosilane (TMCS) | Sigma Aldrich | 92360-100ML | silanizing agent for SU-8 patterned masters |
| Microfabrication equipment | |||
| 100 kV e-beam litography | Raith-Vistec EBPG 5HR | ||
| hotplate | |||
| Optical litography system | EV-420 double-face contact mask-aligner | ||
| Reactive Ion Etching system | Oxford plasmalab 80 plus system | ||
| Vacuum dessicator |
References
- Abbas, A. K., L, A. H., P, S. . Cellular and Molecular Immunology, Ninth Edition. , (2018).
- Eisenstein, M. Cellular censuses to guide cancer care. Nature. , (2019).
- Cancer Cell. Models for Immuno-oncology Research. Cancer Cell. , (2020).
- Zhang, Z., et al. Morphology-based prediction of cancer cell migration using an artificial neural network and a random decision forest. Integrative biology quantitative biosciences from nano to macro. 10 (12), 758-767 (2018).
- Dagogo-Jack, I., Shaw, A. T. Tumour heterogeneity and resistance to cancer therapies. Nature Reviews Clinical Oncology. 15 (2), 81-94 (2018).
- Milo, I., et al. The immune system profoundly restricts intratumor genetic heterogeneity. Science Immunology. 3 (29), (2018).
- Mlecnik, B., et al. The tumor microenvironment and Immunoscore are critical determinants of dissemination to distant metastasis. Science Translational Medicine. , (2016).
- Sbarrato, T., et al. 34th Annual Meeting & Pre-Conference Programs of the Society for Immunotherapy of Cancer (SITC 2019): part 1. Journal for ImmunoTherapy of Cancer. 7, 282 (2019).
- Miller, C. P., Shin, W., Ahn, E. H., Kim, H. J., Kim, D. -. H. Engineering Microphysiological Immune System Responses on Chips. Trends in Biotechnology. 38 (8), 857-872 (2020).
- Ma, C., Harris, J., Morales, R. -. T. T., Chen, W. Microfluidics for Immuno-oncology. Nanotechnology and Microfluidics. , 149-176 (2020).
- Mengus, C., et al. In vitro Modeling of Tumor-Immune System Interaction. ACS Biomaterials Science & Engineering. 4 (2), 314-323 (2018).
- Van Den Berg, A., Mummery, C. L., Passier, R., Van der Meer, A. D. Personalised organs-on-chips: functional testing for precision medicine. Lab on a Chip. , (2019).
- Ingber, D. E. Reverse Engineering Human Pathophysiology with Organs-on-Chips. Cell. , (2016).
- Huh, D., et al. Microfabrication of human organs-on-chips. Nature Protocols. , (2013).
- Mazzarda, F., et al. Organ-on-chip model shows that ATP release through connexin hemichannels drives spontaneous Ca2+ signaling in non-sensory cells of the greater epithelial ridge in the developing cochlea. Lab Chip. , (2020).
- Mencattini, A., et al. High-throughput analysis of cell-cell crosstalk in ad hoc designed microfluidic chips for oncoimmunology applications. Methods in Enzymology. 632, 479-502 (2020).
- Maharjan, S., Cecen, B., Zhang, Y. S. 3D Immunocompetent Organ-on-a-Chip Models. Small Methods. , 2000235 (2020).
- Phan, D. T. T., et al. A vascularized and perfused organ-on-a-chip platform for large-scale drug screening applications. Lab on a Chip. , (2017).
- Jeon, J. S., Zervantonakis, I. K., Chung, S., Kamm, R. D., Charest, J. L. In vitro Model of Tumor Cell Extravasation. PLoS ONE. , (2013).
- Jeon, J. S., et al. Human 3D vascularized organotypic microfluidic assays to study breast cancer cell extravasation. Proceedings of the National Academy of Sciences of the United States of America. , (2015).
- Chen, M. B., Whisler, J. A., Fröse, J., Yu, C., Shin, Y., Kamm, R. D. On-chip human microvasculature assay for visualization and quantification of tumor cell extravasation dynamics. Nature Protocols. , (2017).
- Sade-Feldman, M., et al. Defining T Cell States Associated with Response to Checkpoint Immunotherapy in Melanoma. Cell. , (2018).
- Di Modugno, F., Colosi, C., Trono, P., Antonacci, G., Ruocco, G., Nisticò, P. 3D models in the new era of immune oncology: Focus on T cells, CAF and ECM. Journal of Experimental and Clinical Cancer Research. , (2019).
- Svensson, C. -. M., Medyukhina, A., Belyaev, I., Al-Zaben, N., Figge, M. T. Untangling cell tracks: Quantifying cell migration by time lapse image data analysis. Cytometry. Part A : the journal of the International Society for Analytical Cytology. 93 (3), 357-370 (2018).
- Arena, E. T., Rueden, C. T., Hiner, M. C., Wang, S., Yuan, M., Eliceiri, K. W. Quantitating the cell: turning images into numbers with ImageJ. Wiley interdisciplinary reviews. Developmental biology. 6 (2), (2017).
- Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. , (2012).
- Vacchelli, E., et al. Chemotherapy-induced antitumor immunity requires formyl peptide receptor 1. Science. 350 (6263), 972-978 (2015).
- Businaro, L., et al. Cross talk between cancer and immune cells: exploring complex dynamics in a microfluidic environment. Lab on a Chip. 13 (2), 229-239 (2013).
- Beltman, J. B., Marée, A. F. M., de Boer, R. J. Analysing immune cell migration. Nature Reviews Immunology. 9 (11), 789-798 (2009).
- Agliari, E., et al. Cancer-driven dynamics of immune cells in a microfluidic environment. Scientific Reports. 4 (1), 6639 (2014).
- Biselli, E., et al. Organs on chip approach: a tool to evaluate cancer -immune cells interactions. Scientific Reports. 7 (1), 12737 (2017).
- Lucarini, V., et al. Combining Type I Interferons and 5-Aza-2′-Deoxycitidine to Improve Anti-Tumor Response against Melanoma. Journal of Investigative Dermatology. 137 (1), 159-169 (2017).
- Nguyen, M., et al. Dissecting Effects of Anti-cancer Drugs and Cancer-Associated Fibroblasts by On-Chip Reconstitution of Immunocompetent Tumor Microenvironments. Cell Reports. 25 (13), 3884-3893 (2018).
- Racioppi, L., et al. CaMKK2 in myeloid cells is a key regulator of the immune-suppressive microenvironment in breast cancer. Nature Communications. 10 (1), 2450 (2019).
- Parlato, S., et al. 3D Microfluidic model for evaluating immunotherapy efficacy by tracking dendritic cell behaviour toward tumor cells. Scientific Reports. 7 (1), 1093 (2017).
- Andreone, S., et al. IL-33 Promotes CD11b/CD18-Mediated Adhesion of Eosinophils to Cancer Cells and Synapse-Polarized Degranulation Leading to Tumor Cell Killing. Cancers. 11 (11), 1664 (2019).
- Bray, L. J., Hutmacher, D. W., Bock, N. Addressing Patient Specificity in the Engineering of Tumor Models. Frontiers in Bioengineering and Biotechnology. 7, 217 (2019).
- Fetah, K. L., et al. Cancer Modeling-on-a-Chip with Future Artificial Intelligence Integration. Small. 15 (50), 1901985 (2019).
- Jabbari, P., Rezaei, N. Artificial intelligence and immunotherapy. Expert Review of Clinical Immunology. 15 (7), 689-691 (2019).
- Mak, K. -. K., Pichika, M. R. Artificial intelligence in drug development: present status and future prospects. Drug Discovery Today. 24 (3), 773-780 (2019).
- Mencattini, A., et al. Discovering the hidden messages within cell trajectories using a deep learning approach for in vitro evaluation of cancer drug treatments. Scientific Reports. , (2020).
- Isozaki, A., et al. AI on a chip. Lab Chip. , (2020).
- Makaryan, S. Z., Cess, C. G., Finley, S. D. Modeling immune cell behavior across scales in cancer. Wiley Interdisciplinary Reviews: Systems Biology and Medicine. , (2020).
- Mak, K. K., Pichika, M. R. Artificial intelligence in drug development: present status and future prospects. Drug Discovery Today. , (2019).
- Masuzzo, P., Van Troys, M., Ampe, C., Martens, L. Taking Aim at Moving Targets in Computational Cell Migration. Trends in Cell Biology. 26 (2), 88-110 (2016).
- Meijering, E., Dzyubachyk, O., Smal, I. Chapter nine – Methods for Cell and Particle Tracking. Imaging and Spectroscopic Analysis of Living Cells. 504, 183-200 (2012).
- Riedhammer, C., Halbritter, D., Weissert, R. Peripheral blood mononuclear cells: Isolation, freezing, thawing, and culture. Methods in Molecular Biology. , (2015).
- Harris, J., et al. Fabrication of a microfluidic device for the compartmentalization of neuron soma and axons. Journal of Visualized Experiments. , (2007).
- Shin, Y., et al. Microfluidic assay for simultaneous culture of multiple cell types on surfaces or within hydrogels. Nature Protocols. , (2012).
- Park, J. W., Vahidi, B., Taylor, A. M., Rhee, S. W., Jeon, N. L. Microfluidic culture platform for neuroscience research. Nature Protocols. , (2006).
- Gjorevski, N., et al. Neutrophilic infiltration in organ-on-a-chip model of tissue inflammation. Lab on a Chip. , (2020).
- Jenkins, R. W., et al. Ex vivo profiling of PD-1 blockade using organotypic tumor spheroids. Cancer Discovery. , (2018).
- Comes, M. C., et al. The influence of spatial and temporal resolutions on the analysis of cell-cell interaction: a systematic study for time-lapse microscopy applications. Scientific Reports. 9 (1), 6789 (2019).
- Tinevez, J. -. Y., et al. TrackMate: An open and extensible platform for single-particle tracking. Methods. 115, 80-90 (2017).
- Ulman, V., et al. An objective comparison of cell-tracking algorithms. Nature Methods. , (2017).
- Tinevez, J. -. Y., Herbert, S. . The NEMO Dots Assembly: Single-Particle Tracking and Analysis BT – Bioimage Data Analysis Workflows. , 67-96 (2020).
- Jacquemet, G., Hamidi, H., Ivaska, J. Filopodia quantification using filoquant. Methods in Molecular Biology. , (2019).
- Caldas, P., Radler, P., Sommer, C., Loose, M. Computational analysis of filament polymerization dynamics in cytoskeletal networks. Methods in Cell Biology. , (2020).
- Chalfoun, J., Majurski, M., Peskin, A., Breen, C., Bajcsy, P., Brady, M. Empirical gradient threshold technique for automated segmentation across image modalities and cell lines. Journal of Microscopy. 260 (1), 86-99 (2015).
- Huang, C. P., et al. Engineering microscale cellular niches for three-dimensional multicellular co-cultures. Lab on a Chip. , (2009).
- Farahat, W. A., et al. Ensemble analysis of angiogenic growth in three-dimensional microfluidic cell cultures. PLoS ONE. , (2012).
- Zengel, P., Nguyen-Hoang, A., Schildhammer, C., Zantl, R., Kahl, V., Horn, E. μ-Slide Chemotaxis: A new chamber for long-term chemotaxis studies. BMC Cell Biology. , (2011).
- Henke, E., Nandigama, R., Ergün, S. Extracellular Matrix in the Tumor Microenvironment and Its Impact on Cancer Therapy. Frontiers in Molecular Biosciences. , (2020).
- Wirtz, D., Konstantopoulos, K., Searson, P. C. The physics of cancer: The role of physical interactions and mechanical forces in metastasis. Nature Reviews. , (2011).
- Northcott, J. M., Dean, I. S., Mouw, J. K., Weaver, V. M. Feeling stress: The mechanics of cancer progression and aggression. Frontiers in Cell and Developmental Biology. , (2018).
- Wan, L., Neumann, C. A., LeDuc, P. R. Tumor-on-a-chip for integrating a 3D tumor microenvironment: chemical and mechanical factors. Lab Chip. 20 (5), 873-888 (2020).
- Braun, E., Bretti, G., Natalini, R. Mass-preserving approximation of a chemotaxis multi-domain transmission model for microfluidic chips. ArXiv. , (2020).
- Mahlbacher, G. E., Reihmer, K. C., Frieboes, H. B. Mathematical modeling of tumor-immune cell interactions. Journal of Theoretical Biology. , (2019).
- Magidson, V., Khodjakov, A. Circumventing photodamage in live-cell microscopy. Methods in Cell Biology. , (2013).
- Jensen, E. C. Use of Fluorescent Probes: Their Effect on Cell Biology and Limitations. Anatomical Record. , (2012).
- Skylaki, S., Hilsenbeck, O., Schroeder, T. Challenges in long-term imaging and quantification of single-cell dynamics. Nature Biotechnology. , (2016).
- Abbitt, K. B., Rainger, G. E., Nash, G. B. Effects of fluorescent dyes on selectin and integrin-mediated stages of adhesion and migration of flowing leukocytes. Journal of Immunological Methods. , (2000).
- Smith, E., et al. Phototoxicity and fluorotoxicity combine to alter the behavior of neutrophils in fluorescence microscopy based flow adhesion assays. Microscopy Research and Technique. , (2006).
- Suman, R., et al. Label-free imaging to study phenotypic behavioural traits of cells in complex co-cultures. Scientific Reports. , (2016).
- Brent, R., Boucheron, L. Deep learning to predict microscope images. Nature Methods. , (2018).
- Christiansen, E. M., et al. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. , (2018).
- Waibel, D. J. E., Tiemann, U., Lupperger, V., Semb, H., Marr, C. In-silico staining from bright-field and fluorescent images using deep learning. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , (2019).
- Ounkomol, C., Seshamani, S., Maleckar, M. M., Collman, F., Johnson, G. R. Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy. Nature Methods. , (2018).
- Diehl, M. I., Wolf, S. P., Bindokas, V. P., Schreiber, H. Automated cell cluster analysis provides insight into multi-cell-type interactions between immune cells and their targets. Experimental Cell Research. 393 (2), 112014 (2020).
- Chen, H., Engkvist, O., Wang, Y., Olivecrona, M., Blaschke, T. The rise of deep learning in drug discovery. Drug Discovery Today. , (2018).
- Angermueller, C., Pärnamaa, T., Parts, L., Stegle, O. Deep learning for computational biology. Molecular Systems Biology. , (2016).
- Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., Van Valen, D. Deep learning for cellular image analysis. Nature Methods. , (2019).
- Bock, C., Farlik, M., Sheffield, N. C. Multi-Omics of Single Cells: Strategies and Applications. Trends in Biotechnology. , (2016).
- Lin, A., et al. 3D cell culture models and organ-on-a-chip: Meet separation science and mass spectrometry. Electrophoresis. , (2020).
- Ingber, D. E. Developmentally inspired human ‘organs on chips.’. Development. , (2018).
- Low, L. A., Mummery, C., Berridge, B. R., Austin, C. P., Tagle, D. A. Organs-on-chips: into the next decade. Nature Reviews Drug Discovery. , (2020).
- Mangul, S., et al. Systematic benchmarking of omics computational tools. Nature Communications. , (2019).
- Burek, P., Scherf, N., Herre, H. Ontology patterns for the representation of quality changes of cells in time. Journal of Biomedical Semantics. 10 (1), 16 (2019).
- Benam, K. H., et al. Small airway-on-a-chip enables analysis of human lung inflammation and drug responses in vitro. Nature Methods. , (2016).
- Horning, S. J. A new cancer ecosystem. Science. , (2017).
