Microfluïdische co-cultuurmodellen voor het ontleden van de immuunrespons in in vitro tumormicro-omgevingen
Summary
In het tijdperk van immunotherapie en eencellige genomische profilering vereist kankerbiologie nieuwe in vitro en computationele hulpmiddelen voor het onderzoeken van de tumor-immuuninterface in een juiste spatiotemporale context. We beschrijven protocollen om tumor-immuun microfluïdische co-culturen te exploiteren in 2D- en 3D-instellingen, compatibel met dynamische, multiparametrische monitoring van cellulaire functies.
Abstract
Complexe ziektemodellen vereisen geavanceerde hulpmiddelen die fysiologisch en pathologisch relevante, bruikbare inzichten kunnen leveren en anders onzichtbare processen kunnen onthullen. Geavanceerde celtests die nauw nabootsen in vivo landschappen vestigen zich als nieuwe manieren om het bidirectionele tumor-gastheer samenspel te visualiseren en te meten dat de progressie van kanker beïnvloedt. Hier beschrijven we twee veelzijdige protocollen om zeer controleerbare 2D- en 3D-coculturen in microdevices na te bootsen, waarbij de complexiteit van de tumormicro-omgeving (TME) wordt nagebootst, onder natuurlijke en door therapie geïnduceerde immunosurveillance. In sectie 1 wordt een experimentele setting geboden om kruisverwijzing tussen aanhangende tumorcellen en zwevende immuunpopulaties te monitoren, door middel van brightfield time-lapse microscopie. Als toepassingsscenario analyseren we de effecten van antikankerbehandelingen, zoals de zogenaamde immunogene kankerceldoodinductoren op de rekrutering en activering van immuuncellen. In sectie 2 worden 3D-tumor-immuunmicro-omgevingen geassembleerd in een concurrerende lay-out. Differentiële immuuninfiltratie wordt gemonitord door fluorescentiemomentopnamen tot 72 uur, om combinatietherapeutische strategieën te evalueren. In beide omgevingen worden beeldverwerkingsstappen geïllustreerd om een overvloed aan immuuncelparameters te extraheren (bijv. Immuuncelmigratie en interactie, reactie op therapeutische middelen). Deze eenvoudige en krachtige methoden kunnen verder worden afgestemd om de complexiteit van de TME te simuleren die de heterogeniteit en plasticiteit van kanker-, stromale en immuuncelsubtypen omvat, evenals hun wederzijdse interacties als aanjagers van kankerevolutie. De naleving van deze snel evoluerende technologieën met live-cell high-content imaging kan leiden tot het genereren van grote informatieve datasets, wat nieuwe uitdagingen met zich meebrengt. Inderdaad, de driehoek ”co-culturen/microscopie/geavanceerde data-analyse’ zet de weg naar een precieze probleemparametrisatie die op maat gemaakte therapeutische protocollen kan helpen. We verwachten dat de toekomstige integratie van kanker-immuun on-a-chip met kunstmatige intelligentie voor high-throughput processing een grote stap voorwaarts zal betekenen in het benutten van de mogelijkheden als voorspellende en preklinische hulpmiddelen voor precisie en gepersonaliseerde oncologie.
Introduction
De evolutie van verschillende takken van de geneeskunde als experimentele disciplines is afhankelijk geweest van het vermogen om celpopulatie en orgaanfuncties onder gecontroleerde omstandigheden te manipuleren1. Een dergelijk vermogen heeft zijn wortels in de beschikbaarheid van meetbare modellen die in staat zijn om processen in ons lichaam samen te vatten.
In het tijdperk van immunotherapie en eencellige genomische profilering 2, moet de kankerbiologie profiteren van opkomende in vitro en computationele modellen voor het onderzoeken van de tumor-immuuninterface in een juiste spatiotemporale context 2,3.
De tumor micro-omgeving4 (TME) is een complex weefsel waar kankercellen continu interageren en dynamisch co-evolueren met de andere cellulaire (immuun-, stromale en endotheelcellen) en niet-cellulaire (de extracellulaire matrix, ECM) componenten. De dynamische aard van dit complexe landschap bepaalt of immuuncellen spelen als vrienden of vijanden van kwaadaardige cellen, waardoor zowel de ziekteprogressie als de respons op therapie sterk worden beïnvloed. Tegenwoordig komen grote inspanningen van onco-immunologen, bio-informatici en systeembiologische experts samen om de klinische betekenis van heterogeniteit van kanker 5,6 aan te pakken, hetzij in de ruimte (d.w.z. in verschillende tumorgebieden) en tijd (d.w.z. in verschillende tumorprogressiestadia)5,6, en om het fenotype en de functie van kanker en immuuncellen op eencellig niveau te karakteriseren. Als voorbeeld van deze synergie worden geavanceerde computervisietechnieken nu routinematig gebruikt voor het ruimtelijk in kaart brengen van immuuninfiltraat in histologische monsters 7,8.
Aan de voorkant van experimentele modellen, overbruggingsdierstudies en traditionele in vitro-methoden, geven ontwikkelingen in microfluïdica en co-kweektechnieken toegang tot verschillende klassen van micro-engineered cellulaire modellen zoals organoïden, microfysiologische systemen 9,10,11 (MPS) en organen-op-chip12,13,14 (OOC). Ze delen de gemeenschappelijke eigenschap om in te zoomen op het ‘grote plaatje’ van de cellulaire ecosystemen en het in vitro potentieel uit te breiden om micro-omgevingsfactoren te beheersen, terwijl ze gebruik maken van microscopie15 met een hoog gehalte en beeldverwerkingsbenaderingen.
Tegenwoordig zijn state-of-the-art MPS- en OOC-systemen begonnen immunologische aspecten op te nemen , waarbij verschillende subtypen immuuncellen in bestaande weefsels en co-culturen worden opgenomen, zodat een verscheidenheid aan processen zoals ontstekingsziekten, wondgenezing, mucosale immuniteit en reactie op toxines of dagelijkse voedingsproducten wordt onderzocht en gemeten16. TME-on-a-chip modellen 10,11,12,13,14,15,16,17, ook geïntegreerd met perfuseerbare microvessels 18,19,20,21, zijn ontwikkeld om celtype-afhankelijke interacties, fysische en chemische verstoringen en de cytotoxische activiteit van infiltrerende lymfocyten22, evenals klinisch relevante immunomodulerende middelen23.
Hier bieden we veelzijdige protocollen, variërend van het laden van cellen in chips tot beeldverwerkingstools, om geavanceerde tumor-immuun microfluïdische coculturen te benutten in 2D (sectie 1) en 3D (sectie 2) instellingen16, compatibel met dynamische, multiparametrische24 monitoring en visualisatie van cellulaire functies. Dit wordt bereikt met behoud van gebruiksgemak en flexibiliteit, zowel in monsterbeheer als gegevensanalyse, gebruikmakend van Fiji freeware-software en zijn toolboxen25,26.
Het microfluïdische apparaat, beschreven in sectie 1, is ontworpen om 2D-coculturen van aanhangende kanker en zwevende immuuncellen uit te voeren. Dit platform werd gevalideerd voor de in vitro meting van het gedrag van immuuncellen in aanwezigheid van genetische mutaties27 en/of immunodeficiënties28. Hier illustreren we stappen voor het volgen van immuuncellen in time-lapse bright-field-afbeeldingen, door gebruik te maken van een semi-automatische methode op basis van Trackmate (een plug-in geïmplementeerd in Fiji-software). Deze procedure maakt de extractie mogelijk van kinematische descriptoren van immuunmigratie 29 en respons (d.w.z. interactietijden) om kankercellen te targeten, al dan niet behandeld met immunogene celdoodinductoren27.
Belangrijk is dat deze parameters, geëxtraheerd uit tijdreeksafbeeldingen, kunnen worden verwerkt met geavanceerde wiskundige machines. Als voorbeeld van de potentie van deze benadering publiceerden onze groepen onlangs een analyse op basis van wiskundige methoden van stochastische processen en statistische mechanica om cellulaire netwerkeigenschappen te modelleren en een geparametriseerde beschrijving van immuuncelgedrag te geven (d.w.z. bevooroordeelde of niet-gecorreleerde willekeurige wandeling, sterk of niet gecoördineerde beweging30,31).
De 3D-instelling, die in de tweede sectie wordt verstrekt, is gebaseerd op een co-cultuurprotocol om complexere immunocompetente TME’s ingebed in twee gelregio’s met verschillende combinaties van celtypen en geneesmiddelen op een concurrerende manier te recreëren. Hier worden beeldverwerkingsstappen beschreven om, op verschillende tijdstippen, de infiltratie van gekleurde immuuncellen in menselijke A375M-melanoomcellen gekweekt in Matrigel te meten, om antitumormiddelcombinaties te evalueren32. A375M-lijn, een van A375P afgeleide cellijn gekenmerkt door een sterk gemetastaseerd fenotype, werd gekozen om hun metastatische vermogen te evalueren in de aanwezigheid van immuuncellen32.
De beschreven modellen kunnen volledig compatibel zijn met verschillende celbronnen (murine en menselijke vereeuwigde of primaire cellijnen, organoïden, xenografts, onder de anderen). In recente studies van ons lab, door high-content videomicroscopie te combineren met beeldanalyse, werd de competitieve 3D-lay-out toegepast om te onderzoeken: i) een anti-tumorale (antilichaam-afhankelijke cel-gemedieerde cytotoxiciteit, ADCC) immuunrespons en ontleed de rol van fibroblasten in resistentie tegen trastuzumab-therapie in HER2 + borstkanker on-chip modellen33; ii) de werking van myeloïde cellen (d.w.z. kanker-geassocieerde macrofagen) in mechanismen van tumorontwijking en rekrutering van T-cellen34; iii) de werkzaamheid van immunotherapeutische regimes, specifiek gebaseerd op interferon-α-geconditioneerde dendritische cellen (IFN-DC’s), gekweekt met met geneesmiddelen behandelde darmkankercellen in collageenmatrices, en om efficiënte beweging en de daaropvolgende fagocytosegebeurtenissen te evalueren35; iv) de chemotactische migratie van van beenmerg afgeleide eosinofielen naar met IL-33 behandelde of onbehandelde melanoomcellen36.
Deze geavanceerde modellen kunnen dienen als observatievensters voor het begrijpen van de rol van immuuncontexten bij kankermetastase en resistentiemechanismen, maar er zijn inspanningen nodig om bevindingen naar de klinieken te vertalen en de kloof met fundamenteel onderzoek te dichten37.
Als een opkomend scenario, het benutten van de kracht van geautomatiseerde high-content microscopie gekoppeld aan het gebruik van meer fysiologisch relevante microsystemen opent nieuwe potentiële uitdagingen voor de verwerking, verwerking en interpretatie van honderden, en zelfs duizenden, Gigabytes aan multiparametrische gegevens, die kunnen worden gegenereerd uit een enkele experimentele campagne. Dit impliceert een directe koppeling van OOC-experimenten met kunstmatige intelligentie 38,39,40,41,42 (AI)-gebaseerde algoritmen, zowel voor geavanceerde geautomatiseerde analyse als voor het genereren van functies die op hun beurt kunnen worden gevoed in silico-modellen van kanker-immuun samenspel 43, met spannende nieuwe toepassingen aan de horizon, zoals de ontwikkeling van voorspellende medicijnscreeningtests 44.
Een steeds groter wordende stroom van inspanningen is gericht op het ontwerp van ziektemodellen samen met de optimalisatie van strategieën om de grootschalige perturbatieschermen met eencellige multi-omics-uitlezingen te implementeren. Dit zal ongetwijfeld helpen bij de ontwikkeling en, hopelijk, de klinische implementatie, vergezeld van een passende mate van methodestandaardisatie, van een systematische onco-immunologie-op-een-chip-benadering om nieuwe inzichten te verkrijgen in immuunstoornissen en kankerverspreidingsmechanismen.
Protocol
Representative Results
Discussion
De beschreven methoden proberen een algemene benadering te ontwerpen om, met moduleerbare mate van complexiteit, twee belangrijke aspecten op het gebied van onco-immunologie samen te vatten, die kunnen profiteren van de toepassing van meer relevante in vitro modellen. De eerste heeft betrekking op de tumorcelpopulatiezijde, waar het aanpakken van enkelcellige kenmerken kan leiden tot een betere beschrijving van heterogeniteit en gecorreleerde biologische en klinische betekenis, waaronder resistentie tegen therapie, prope…
Divulgations
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).
