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.

Cribado de alto contenido: Análisis personalizado simplificado

En este seminario web, Manoel y Shohei, nuestros expertos en cribado de alto contenido y aprendizaje profundo, presentan el generador de ensayos del sistema scanR. El sistema scanR de Olympus es la plataforma dedicada al cribado de alto contenido con un enfoque y análisis de navegación de muestras únicos, inspirados en la citometría de flujo.

Preguntas más frecuentes

Preguntas frecuentes sobre el seminario web | Cribado de alto contenido: Facilitar el análisis personalizado

Algunas células se presentan en dos colores diferentes (p. ej., verde y azul), lo que evidencia dos etapas diferentes del ciclo celular. ¿Esto indica que el modelo no está funcionando correctamente?

El sistema es capaz de diferenciar entre varios colores/canales y, al existir diferencias cromáticas, el software identifica el fondo del primer plano (donde el primer plano sea la capa celular). Sin embargo, debido a que algunas etapas del ciclo celular pueden identificarse a partir de características morfológicas, se recomienda encarecidamente usar un marcado de etapa celular para marcar diferentes etapas celulares. Esto es fundamental para garantizar que la formación (por aprendizaje profundo) se lleve a cabo a partir de todas las etapas del ciclo celular que se desean diferenciar. Sin embargo, dado que las células se evalúan por píxel y no «por célula», existen situaciones en las que el sistema podrá discernir automáticamente las etapas del ciclo celular, incluso si no fue formado específicamente para esa etapa.

¿Cómo funciona el sistema al analizar cultivos de esferoides u otros cultivos?

El sistema scanR está diseñado para funcionar de manera eficiente con cultivos de esferoides u otros tipos de cultivos. Hay algunos detalles en el proceso de trabajo que han sido constatados como buenos útiles para esta aplicación. Primero, se recomienda aplicar la deconvolución 3D a las imágenes recopiladas y, después, proseguir con la anotación manual. Un proceso de trabajo modelo implicaría el uso de 10 a 20 imágenes y la segmentación manual de 10 células.

¿Es posible obtener imágenes de los bordes de los pocillos en placas de 384 pocillos?

Sí, pero existen limitaciones. La capacidad para obtener imágenes de los bordes de los pocillos depende de la combinación entre el tipo de placa de pocillos y el objetivo utilizado. Las placas de pocillos vienen en una variedad de formas, como aquellas con faldón completo, semifaldón o sin faldón. Por lo tanto, la información que importa al procesar imágenes de los bordes de los pocillos es la diferencia de altura entre la parte inferior de la placa y la parte inferior del faldón. Como tal, existe un punto en el que la distancia vertical de la parte inferior de la placa con la parte inferior del faldón evita que un objetivo de gran magnificación procese imágenes, ya que el objetivo puede entrar en contacto con la placa. En este caso, se recomienda encarecidamente un objetivo de larga distancia de trabajo. Y, precisamente, Olympus ofrece una gran variedad de objetivos de larga distancia de trabajo.

¿Cómo se ejecuta el enfoque con el sistema scanR?

El sistema scanR usa una combinación de enfoque automático de hardware y software. El enfoque automático (o autoenfoque) regido por el hardware detecta la superficie inferior de la célula y el enfoque automático (o autoenfoque) regido por el software encuentra la porción de la muestra. Este es un proceso bien asentado, por lo que básicamente es posible alejarse del sistema una vez que el experimento ha comenzado.

¿Es posible usar el sistema de disco giratorio de súper resolución (SpinSR) para el cribado de alto contenido?

Sí, es posible usar el software scanR para controlar el sistema del microscopio IXplore SpinSR de Olympus. Es posible lograr una resolución de 120 nm con este sistema y, después, importar las imágenes adquiridas al software cellSens para un procesamiento posterior o la obtención de mejores resultados.

¿Qué tan bien funciona la segmentación y el aprendizaje profundo en cortes tisulares?

En función de nuestra experiencia, la segmentación funciona bien en cortes tisulares, especialmente cuando se usa el sistema de disco giratorio. Sin embargo, es posible adquirir buenas imágenes sin el sistema de disco giratorio, simplemente al aplicar la deconvolución 3D. Aunque es particularmente difícil trabajar con especímenes tisulares, se ha demostrado que el aprendizaje profundo con anotación manual funciona bien. La anotación manual proporciona al algoritmo de aprendizaje profundo un paquete de formación sólido del cual aprender y prever mejor los segmentos, según la identificación del usuario.

Pregunte a los expertos