Modelos de cocultivo microfluídico para diseccionar la respuesta inmune en microambientes tumorales in vitro
Summary
En la era de la inmunoterapia y el perfil genómico unicelular, la biología del cáncer requiere nuevas herramientas in vitro y computacionales para investigar la interfaz tumor-inmune en un contexto espaciotemporal adecuado. Describimos protocolos para explotar cocultivos microfluídicos inmunes al tumor en entornos 2D y 3D, compatibles con el monitoreo dinámico y multiparamétrico de las funciones celulares.
Abstract
Los modelos de enfermedades complejas exigen herramientas de vanguardia capaces de ofrecer información fisiológica y patológicamente relevante y procesable, y revelar procesos que de otro modo serían invisibles. Los ensayos celulares avanzados que imitan de cerca el escenario in vivo se están estableciendo como formas novedosas de visualizar y medir la interacción bidireccional tumor-huésped que influye en la progresión del cáncer. Aquí describimos dos protocolos versátiles para recrear cocultivos 2D y 3D altamente controlables en microdispositivos, imitando la complejidad del microambiente tumoral (TME), bajo inmunovigilancia natural e inducida por terapia. En la sección 1, se proporciona un entorno experimental para monitorear la diafonía entre las células tumorales adherentes y las poblaciones inmunes flotantes, mediante microscopía de lapso de tiempo de campo brillante. Como escenario aplicativo, analizamos los efectos de los tratamientos contra el cáncer, como los llamados inductores inmunogénicos de muerte de células cancerosas sobre el reclutamiento y la activación de las células inmunes. En la sección 2, los microambientes inmunes al tumor 3D se ensamblan en un diseño competitivo. La infiltración inmune diferencial se monitoriza mediante instantáneas de fluorescencia hasta 72 h, para evaluar estrategias terapéuticas combinadas. En ambos entornos, se ilustran los pasos de procesamiento de imágenes para extraer una gran cantidad de parámetros de células inmunes (por ejemplo, migración e interacción de células inmunes, respuesta a agentes terapéuticos). Estos métodos simples y poderosos se pueden adaptar aún más para simular la complejidad del TME que abarca la heterogeneidad y plasticidad de los subtipos de células cancerosas, estromales e inmunes, así como sus interacciones recíprocas como impulsores de la evolución del cáncer. El cumplimiento de estas tecnologías en rápida evolución con imágenes de alto contenido de células vivas puede conducir a la generación de grandes conjuntos de datos informativos, lo que plantea nuevos desafíos. De hecho, el triángulo “co-cultivos/microscopía/análisis avanzado de datos” establece el camino hacia una parametrización precisa del problema que puede ayudar a protocolos terapéuticos a medida. Esperamos que la futura integración de inmune al cáncer en un chip con inteligencia artificial para el procesamiento de alto rendimiento sinergice un gran paso adelante en el aprovechamiento de las capacidades como herramientas predictivas y preclínicas para la oncología de precisión y personalizada.
Introduction
La evolución de las diferentes ramas de la medicina como disciplinas experimentales ha dependido de la capacidad de manipular la población celular y las funciones orgánicas en condiciones controladas1. Tal capacidad tiene sus raíces en la disponibilidad de modelos medibles capaces de recapitular los procesos que ocurren en nuestro cuerpo.
En la era de la inmunoterapia y el perfil genómico unicelular 2, la biología del cáncer necesita aprovechar los modelos emergentes in vitro y computacionales para investigar la interfaz tumor-inmune en un contexto espaciotemporal adecuado 2,3.
El microambiente tumoral4 (TME) es un tejido complejo donde las células cancerosas interactúan continuamente y coevolucionan dinámicamente con los otros componentes celulares (células inmunes, estromales y endoteliales) y no celulares (la matriz extracelular, ECM). La naturaleza dinámica de este complejo paisaje dicta si las células inmunes juegan como amigas o enemigas de las células malignas, lo que afecta fuertemente tanto la progresión de la enfermedad como la respuesta a la terapia. Hoy en día, grandes esfuerzos de oncoinmunólogos, bioinformáticos y expertos en biología de sistemas están convergiendo para abordar la importancia clínica de la heterogeneidad del cáncer 5,6, ya sea en el espacio (es decir, en distintas regiones tumorales) y el tiempo (es decir, en distintas etapas de progresión tumoral)5,6, y para caracterizar el fenotipo y la función del cáncer y las células inmunes a nivel de una sola célula. Como ejemplo de esta sinergia, las técnicas avanzadas de visión artificial se utilizan ahora de forma rutinaria para el mapeo espacial del infiltrado inmune en muestras histológicas 7,8.
En el frente de los modelos experimentales, uniendo estudios en animales y métodos tradicionales in vitro, los avances en microfluídica y técnicas de cocultivo dan acceso a diferentes clases de modelos celulares de microingeniería como organoides, sistemas microfisiológicos 9,10,11 (MPS) y órganos en chip12,13,14 (OOC). Comparten el rasgo común de ampliar la visión general de los ecosistemas celulares y expandir el potencial in vitro para controlar los factores microambientales mientras explotan la microscopía de alto contenido15 y los enfoques de procesamiento de imágenes.
Hoy en día, los sistemas MPS y OOC de última generación han comenzado a incluir aspectos inmunológicos, incorporando diferentes subtipos de células inmunes en tejidos y cocultivos existentes, para explorar y medir una variedad de procesos como enfermedades inflamatorias, cicatrización de heridas, inmunidad mucosa y respuesta a toxinas o productos alimenticios diarios16. Los modelos TME-on-a-chip 10,11,12,13,14,15,16,17, también integrados con microvasos perfusibles 18,19,20,21, se han desarrollado para investigar las interacciones dependientes del tipo celular, las perturbaciones físicas y químicas y la actividad citotóxica de linfocitos infiltrantes22, así como agentes inmunomoduladores clínicamente relevantes23.
Aquí, proporcionamos protocolos versátiles, que abarcan desde células de carga en chips hasta herramientas de procesamiento de imágenes, para explotar cocultivos microfluídicos avanzados inmunes al tumor en configuraciones 2D (sección 1) y 3D (sección 2)16, compatibles con el monitoreo dinámico y multiparamétrico24 y la visualización de funciones celulares. Esto se logra manteniendo la facilidad de uso y flexibilidad tanto en la gestión de muestras como en el análisis de datos, aprovechando el software gratuito de Fiji y sus cajas de herramientas25,26.
El dispositivo microfluídico, descrito en la sección 1, está diseñado para realizar cocultivos 2D de cáncer adherente y células inmunes flotantes. Esta plataforma fue validada para la medición in vitro del comportamiento de las células inmunes en presencia de mutaciones genéticas27 y/o inmunodeficiencias28. Aquí, ilustramos los pasos para rastrear las células inmunes en imágenes de campo claro de lapso de tiempo, explotando un método semiautomático basado en Trackmate (un complemento implementado en el software de Fiji). Este procedimiento permite la extracción de descriptores cinemáticos de migración inmune 29 y respuesta (es decir, tiempos de interacción) a células cancerosas diana, tratadas o no con inductores de muerte celular inmunogénica27.
Es importante destacar que estos parámetros, extraídos de imágenes de series temporales, se pueden procesar con maquinaria matemática avanzada. Como ejemplo de la potencialidad de este enfoque, nuestros grupos publicaron recientemente un análisis basado en métodos matemáticos de procesos estocásticos y mecánica estadística para modelar las propiedades de la red celular y proporcionar una descripción parametrizada del comportamiento de las células inmunes (es decir, caminata aleatoria sesgada o no correlacionada, movimiento altamente o no coordinado30,31).
La configuración 3D, proporcionada en la segunda sección, se basa en un protocolo de cocultivo para recrear TME inmunocompetentes más complejos incrustados en dos regiones de gel con diferentes combinaciones de tipos de células y medicamentos de manera competitiva. Aquí, se describen los pasos de procesamiento de imágenes para medir, en diferentes puntos temporales, la infiltración de células inmunes teñidas en células de melanoma A375M humano cultivadas dentro de Matrigel, para evaluar combinaciones de agentes antitumorales32. La línea A375M, una línea celular derivada de A375P caracterizada por un fenotipo altamente metastásico, fue elegida para evaluar su capacidad metastásica en presencia de células inmunes32.
Los modelos descritos pueden ser totalmente compatibles con diferentes fuentes celulares (líneas celulares murinas y humanas inmortalizadas o primarias, organoides, xenoinjertos, entre otros). En estudios recientes de nuestro laboratorio, al combinar microscopía de video de alto contenido con análisis de imágenes, se aplicó el diseño 3D competitivo para investigar: i) una respuesta inmune antitumoral (citotoxicidad mediada por células dependiente de anticuerpos (ADCC) y diseccionar el papel de los fibroblastos en la resistencia a la terapia con trastuzumab en modelos en chip de cáncer de mama HER2+ 33; ii) la acción de las células mieloides (es decir, macrófagos asociados al cáncer) en los mecanismos de evasión tumoral y reclutamiento de células T34; iii) la eficacia de los regímenes inmunoterapéuticos, específicamente basados en células dendríticas condicionadas por interferón α (IFN-DC), cultivadas con células de cáncer de colon tratadas con fármacos en matrices de colágeno, y evaluar el movimiento eficiente y los eventos de fagocitosis subsiguientes35; iv) la migración quimiotáctica de eosinófilos derivados de la médula ósea hacia células de melanoma tratadas o no tratadas con IL-3336.
Estos modelos avanzados podrían servir como ventanas de observación para comprender el papel de la textura inmune en la metástasis del cáncer y los mecanismos de resistencia, pero se requieren esfuerzos para traducir los hallazgos a las clínicas, cerrando la brecha con la investigación básica37.
Como escenario emergente, aprovechar el poder de la microscopía automatizada de alto contenido junto con el uso de microsistemas más relevantes fisiológicamente está abriendo nuevos desafíos potenciales para el manejo, procesamiento e interpretación de cientos, e incluso miles, de Gigabytes de datos multiparamétricos, que se pueden generar a partir de una sola campaña experimental. Esto implica un vínculo directo de los experimentos OOC con algoritmos basados en inteligencia artificial 38,39,40,41,42 (AI) tanto para el análisis automatizado avanzado como para la generación de características que pueden alimentar a su vez modelos in silico de interacción cáncer-inmune 43, con nuevas aplicaciones emocionantes en el horizonte, como el desarrollo de ensayos predictivos de detección de medicamentos 44.
Un flujo de esfuerzos cada vez mayor se centra en el diseño de modelos de enfermedades junto con la optimización de estrategias para implementar las pantallas de perturbación a gran escala con lecturas multiómicas de una sola célula. Sin duda, esto ayudará al desarrollo y, con suerte, a la implementación clínica, acompañada de un grado apropiado de estandarización del método, de un enfoque sistemático de oncoinmunología en un chip para obtener nuevos conocimientos sobre los trastornos inmunes y los mecanismos de diseminación del cáncer.
Protocol
Representative Results
Discussion
Los métodos descritos tratan de diseñar un enfoque general para recapitular, con grado modulable de complejidad, dos aspectos significativos en el campo de la oncoinmunología, que pueden beneficiarse de la adopción de modelos in vitro más relevantes. El primero involucra el lado de la población de células tumorales, donde abordar las características de una sola célula puede conducir a una mejor descripción de la heterogeneidad y la importancia biológica y clínica correlacionada, incluida la resistencia a la t…
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).
