Modelos de Co-Cultura Microfluídica para Dissecar a Resposta Imune em Microambientes Tumorais in vitro
Summary
Na era da imunoterapia e do perfil genômico de célula única, a biologia do câncer requer novas ferramentas in vitro e computacionais para investigar a interface tumor-imune em um contexto espaço-temporal adequado. Descrevemos protocolos para explorar co-culturas microfluídicas imunes a tumores em cenários 2D e 3D, compatíveis com monitoramento dinâmico e multiparamétrico de funções celulares.
Abstract
Modelos complexos de doenças exigem ferramentas de ponta capazes de fornecer insights fisiologicamente e patologicamente relevantes e acionáveis e desvendar processos invisíveis de outra forma. Ensaios avançados de células imitando de perto o cenário in vivo estão se estabelecendo como novas maneiras de visualizar e medir a interação bidirecional tumor-hospedeiro que influencia a progressão do câncer. Descrevemos aqui dois protocolos versáteis para recriar co-culturas 2D e 3D altamente controláveis em microdispositivos, mimetizando a complexidade do microambiente tumoral (TME), sob imunovigilância natural e induzida por terapia. Na seção 1, um cenário experimental é fornecido para monitorar o crosstalk entre células tumorais aderentes e populações imunes flutuantes, por microscopia de lapso de tempo de campo brilhante. Como cenário aplicativo, analisamos os efeitos de tratamentos antineoplásicos, como os chamados indutores imunogênicos de morte de células cancerígenas, sobre o recrutamento e ativação de células imunes. Na seção 2, microambientes 3D imunes a tumores são montados em um layout competitivo. A infiltração imune diferencial é monitorada por instantâneos de fluorescência até 72 h, para avaliar estratégias terapêuticas combinadas. Em ambos os cenários, as etapas de processamento de imagem são ilustradas para extrair uma infinidade de parâmetros de células imunes (por exemplo, migração e interação de células imunes, resposta a agentes terapêuticos). Esses métodos simples e poderosos podem ser adaptados para simular a complexidade da EMT, abrangendo a heterogeneidade e plasticidade dos subtipos de câncer, estroma e células imunes, bem como suas interações recíprocas como impulsionadores da evolução do câncer. A conformidade dessas tecnologias em rápida evolução com imagens de alto conteúdo de células vivas pode levar à geração de grandes conjuntos de dados informativos, trazendo novos desafios. De fato, o triângulo “co-culturas/microscopia/análise avançada de dados” estabelece o caminho para uma parametrização precisa do problema que pode auxiliar protocolos terapêuticos feitos sob medida. Esperamos que a integração futura do on-a-chip imune ao câncer com a inteligência artificial para processamento de alto rendimento sinergia um grande passo à frente na alavancagem dos recursos como ferramentas preditivas e pré-clínicas para oncologia de precisão e personalizada.
Introduction
A evolução de diferentes ramos da medicina como disciplinas experimentais tem dependido da capacidade de manipular a população celular e as funções dos órgãos sob condições controladas1. Tal habilidade tem suas raízes na disponibilidade de modelos mensuráveis capazes de recapitular processos que acontecem em nosso corpo.
Na era da imunoterapia e do perfil genômico de célula única2, a biologia do câncer precisa aproveitar modelos emergentes in vitro e computacionais para investigar a interface tumor-imune em um contexto espaço-temporal adequado2,3.
O microambiente tumoral4 (TME) é um tecido complexo onde as células cancerosas interagem continuamente e co-evoluem dinamicamente com os outros componentes celulares (imunes, estromais e endoteliais) e não celulares (matriz extracelular, MEC). A natureza dinâmica desse cenário complexo dita se as células imunes jogam como amigas ou inimigas das células malignas, afetando fortemente tanto a progressão da doença quanto a resposta à terapia. Atualmente, grandes esforços de onco-imunologistas, bioinformáticos e especialistas em biologia de sistemas estão convergindo para abordar o significado clínico da heterogeneidade docâncer5,6, seja no espaço (isto é, em regiões tumorais distintas) e no tempo (isto é, em estágios distintos de progressão tumoral)5,6, e para caracterizar o fenótipo e a função do câncer e das células imunes em nível unicelular. Como exemplo dessa sinergia, técnicas avançadas de visão computacional são atualmente utilizadas rotineiramente para mapeamento espacial do infiltrado imune em amostras histológicas 7,8.
Na frente dos modelos experimentais, unindo estudos em animais e métodos tradicionais in vitro, os avanços na microfluídica e nas técnicas de co-cultivo dão acesso a diferentes classes de modelos celulares micro-projetados, como organoides, sistemas microfisiológicos 9,10,11 (MPS) e organs-on-chip12,13,14 (OOC). Eles compartilham a característica comum de ampliar a visão “global” dos ecossistemas celulares e expandir o potencial in vitro para controlar fatores microambientais, explorando abordagens de microscopia de alto conteúdo15 e processamento de imagens.
Atualmente, os sistemas MPS e OOC de última geração começaram a incluir aspectos imunológicos, incorporando diferentes subtipos de células imunes em tecidos e coculturas existentes, de modo a explorar e medir uma variedade de processos, como doenças inflamatórias, cicatrização de feridas, imunidade da mucosa e resposta a toxinas ou produtos alimentares diários16. Os modelos TME-on-a-chip 10,11,12,13,14,15,16,17, também integrados com microvasos perfusíveis 18,19,20,21, foram desenvolvidos para investigar interações célula-tipo-dependente, perturbações físicas e químicas, e a atividade citotóxica de linfócitos infiltrantes22, bem como agentes imunomoduladores clinicamente relevantes23.
Aqui, fornecemos protocolos versáteis, abrangendo desde o carregamento de células em chips até ferramentas de processamento de imagens, para explorar coculturas microfluídicas avançadas imunes a tumores em configurações 2D (seção 1) e 3D (seção 2)16, compatíveis com monitoramento dinâmico e multiparamétrico24 e visualização de funções celulares. Isso é conseguido mantendo a facilidade de uso e flexibilidade tanto no gerenciamento de amostras quanto na análise de dados, aproveitando o software gratuito Fiji e suas caixas de ferramentas25,26.
O dispositivo microfluídico, descrito na seção 1, é projetado para realizar co-culturas 2D de células imunes aderentes e cancerosas flutuantes. Essa plataforma foi validada para a mensuração in vitro do comportamento de células imunes na presença de mutações genéticas27 e/ou imunodeficiências28. Aqui, ilustramos etapas para rastrear células imunes em imagens de campo brilhante de lapso de tempo, explorando um método semiautomático baseado no Trackmate (um plugin implementado no software Fiji). Esse procedimento permite a extração de descritores cinemáticos de migração imune29 e resposta (i.e., tempos de interação) a células-alvo cancerosas, tratadas ou não com indutores de morte celular imunogênica27.
É importante ressaltar que esses parâmetros, extraídos de imagens de séries temporais, podem ser processados com maquinário matemático avançado. Como exemplo da potencialidade dessa abordagem, nossos grupos publicaram recentemente uma análise baseada em métodos matemáticos de processos estocásticos e mecânica estatística para modelar propriedades de redes celulares e fornecer uma descrição parametrizada do comportamento das células imunes (isto é, passeio aleatório tendencioso ou não correlacionado, movimento altamente coordenadoou não coordenado 30,31).
A configuração 3D, fornecida na segunda seção, é baseada em um protocolo de co-cultura para recriar TMEs imunocompetentes mais complexas embutidas em duas regiões de gel com diferentes combinações de tipos celulares e drogas de forma competitiva. Aqui, são descritas etapas do processamento das imagens para medir, em diferentes momentos, a infiltração de células imunes coradas em células humanas de melanoma A375M cultivadas dentro de Matrigel, para avaliar combinações de agentes antitumorais32. A linhagem A375M, uma linhagem celular derivada do A375P caracterizada por um fenótipo altamente metastático, foi escolhida para avaliar sua capacidade metastática na presença de células imunes32.
Os modelos descritos podem ser totalmente compatíveis com diferentes fontes celulares (linhagens celulares primárias ou imortalizadas murinas e humanas, organoides, xenoenxertos, entre outras). Em estudos recentes de nosso laboratório, combinando videomicroscopia de alto conteúdo com análise de imagem, o layout 3D competitivo foi aplicado para investigar: i) uma resposta imune antitumoral (citotoxicidade mediada por células dependentes de anticorpos, ADCC) e dissecar o papel dos fibroblastos na resistência à terapia com trastuzumabe em modelos on-chip de câncer de mama HER2+ 33; ii) a ação das células mieloides (macrófagos associados ao câncer) nos mecanismos de evasão tumoral e recrutamento de célulasT34; iii) a eficácia de regimes imunoterápicos, especificamente baseados em células dendríticas condicionadas por interferon α (IFN-DCs), cultivadas com células de câncer de cólon tratadas com drogas em matrizes de colágeno, e para avaliar a mobilidade eficiente e os eventos de fagocitose subsequentes35; iv) migração quimiotática de eosinófilos derivados da medula óssea para células de melanoma tratadas ou não tratadas com IL-3336.
Esses modelos avançados poderiam servir como janelas de observação para a compreensão do papel do contexto imunológico na metástase do câncer e nos mecanismos de resistência, mas esforços são necessários para traduzir os achados para a clínica, fechando a lacuna com a pesquisa básica37.
Como um cenário emergente, aproveitar o poder da microscopia automatizada de alto conteúdo acoplada ao uso de microssistemas fisiologicamente mais relevantes está abrindo novos desafios potenciais para o manuseio, processamento e interpretação de centenas, e até milhares, de Gigabytes de dados multiparamétricos, que podem ser gerados a partir de uma única campanha experimental. Isso implica uma ligação direta de experimentos de OOC com algoritmos baseados em inteligência artificial 38,39,40,41,42 (IA), tanto para análise automatizada avançada, quanto para geração de recursos que podem alimentar, por sua vez, modelos in silico de interação câncer-imune 43, com novas aplicações empolgantes no horizonte, como o desenvolvimento de ensaios preditivos de triagem de drogas 44.
Um fluxo de esforços em constante expansão está focado no design de modelos de doenças em conjunto com a otimização de estratégias para implementar as telas de perturbação em grande escala com leituras multi-ômicas de célula única. Isso sem dúvida ajudará o desenvolvimento e, esperançosamente, a implementação clínica, acompanhada por um grau apropriado de padronização do método, de uma abordagem onco-imunologia-on-a-chip sistemática para obter novos insights sobre distúrbios imunológicos e mecanismos de disseminação do câncer.
Protocol
Representative Results
Discussion
Os métodos descritos tentam desenhar uma abordagem geral para recapitular, com grau de complexidade modulável, dois aspectos significativos no campo da oncoimunologia, que podem se beneficiar da adoção de modelos in vitro mais relevantes. O primeiro envolve o lado da população de células tumorais, onde o tratamento de características de células únicas pode levar a uma melhor descrição da heterogeneidade e significado biológico e clínico correlacionado, incluindo resistência à terapia, propensão à metás…
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).
