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 스크리닝: 간편해진 맞춤형 분석

이 웹 세미나에서는 당사의 딥러닝 및 High-Content 스크리닝 전문가인 Manoel과 Shohei가 scanR 시스템의 분석기를 소개합니다. scanR 시스템은 유세포 분석(flow cytometry)법에서 영감을 받은 고유한 샘플 탐색 방법과 분석을 사용하는 Olympus의 전용 High-Content 스크리닝 플랫폼입니다.

자주 묻는 질문(FAQ)

웹 세미나 FAQ | High-Content 스크리닝: 간편해진 맞춤형 분석

일부 세포에는 2개의 다른 색상(예: 녹색 및 청색)이 있으며, 2개의 다른 세포 주기 단계를 시사합니다. 이는 모델이 올바르게 수행되지 않고 있다는 것입니까?

시스템은 여러 색상 및 채널을 식별할 수 있으므로, 소프트웨어는 2개의 다른 색상이 있는 경우 전경에서 배경을 식별합니다(이 경우 전경은 세포층임). 그러나 일부 세포 주기 단계는 형태학적 특징으로 식별될 수 있으므로 세포 주기 태그를 사용하여 다른 세포 단계를 표시할 것을 강력하게 제안합니다. 이는 식별하려는 모든 세포 주기 단계에서 학습(딥러닝)이 수행되는지 확인하는 데 필수적입니다. 그렇지만 세포는 "세포별"이 아니라 픽셀별로 평가되기 때문에, 특별히 해당 단계로 학습하지 않는다 해도 시스템이 자동으로 세포 주기 단계를 구별할 수 있는 시나리오가 있습니다.

회전 타원체 배양(spheroid culture)이나 다른 배양을 분석할 때 시스템은 어떻게 작동합니까?

scanR 시스템은 회전 타원체 배양이나 다른 유형의 배양과 효율적으로 어울리도록 설계되었습니다. 일부 워크플로 세부 정보가 이 애플리케이션과 잘 어울리는 것으로 확인되었습니다. 먼저, 수집된 이미지에 3D 디콘볼루션을 적용한 다음 수동 주석을 수행하는 것이 좋습니다. 예제 워크플로에는 10~20개 이미지를 사용하고 10개의 세포를 수동 분할하는 것이 포함됩니다.

384-웰 플레이트에서 웰의 경계를 이미징할 수 있습니까?

예. 그러나 제한 사항이 있습니다. 웰 경계를 이미징하는 기능은 웰 플레이트의 유형과 사용된 대물렌즈의 조합에 달려있습니다. 웰 플레이트에는 스커트형, 반 스커트형 및 비 스커트형 등 다양한 형태가 있습니다. 따라서 웰 경계를 이미징할 때 중요한 정보는 플레이트 하단과 스커트 하단 사이의 높이 차이입니다. 한편, 대물렌즈가 플레이트와 충돌할 수 있기 때문에 플레이트 하단에서 스커트 하단까지의 수직 거리가 고배율 대물렌즈의 이미징을 제한하는 지점이 있습니다. 이 경우 Long-working 대물렌즈를 강력히 제안합니다. 특히, Olympus는 매우 광범위한 Long-working 대물렌즈를 공급합니다.

scanR 시스템에서 초점 조정을 어떻게 실행합니까?

scanR 시스템은 하드웨어 및 소프트웨어 자동 초점을 조합하여 사용합니다. 하드웨어 자동 초점은 세포의 하단 표면을 감지하고, 소프트웨어 자동 초점은 샘플 샘플 부분을 찾습니다. 이는 매우 효과적인 과정이므로 실험을 시작하면 시스템에서 그냥 멀리 떨어져 있어도 무방합니다.

High-Content 스크리닝에 초고해상도 스피닝 디스크 시스템을 사용할 수 있습니까?

예. scanR 소프트웨어로 Olympus IXplore SpinSR 현미경 시스템을 제어할 수 있습니다. 이 시스템은 120nm 해상도를 달성한 다음, 획득한 이미지를 cellSens 소프트웨어로 가져와 추가로 처리하고 더 나은 결과물을 낼 수 있습니다.

분할 및 딥러닝은 조직 슬라이스에서 얼마나 효과적입니까?

경험에 비추어보자면 분할은 조직 슬라이스에서, 특히 스피닝 디스크 시스템을 사용할 때 효과적입니다. 그러나 3D 디콘볼루션을 적용하기만 하면 스피닝 디스크 시스템 없이도 좋은 이미지를 획득할 수 있습니다. 유난히 작업하기 어려운 조직의 경우에는 수동 주석을 사용한 딥러닝이 유효한 것으로 나타났습니다. 수동 주석은 사용자 식별을 기반으로 세그먼트를 학습하고 더 잘 예측할 수 있는 견실한 교육 세트를 딥러닝 알고리즘에 제공합니다.

Ask the Experts