Mikrofluidiske cokulturmodeller til dissekering af immunresponset i in vitro tumormikromiljøer
Summary
I en tid med immunterapi og enkeltcellegenomisk profilering kræver kræftbiologi nye in vitro- og beregningsværktøjer til undersøgelse af tumor-immungrænsefladen i en ordentlig rumlig tidsmæssig sammenhæng. Vi beskriver protokoller til udnyttelse af tumorimmune mikrofluidiske co-kulturer i 2D- og 3D-indstillinger, kompatible med dynamisk, multiparametrisk overvågning af cellulære funktioner.
Abstract
Komplekse sygdomsmodeller kræver banebrydende værktøjer, der er i stand til at levere fysiologisk og patologisk relevant, handlingsrettet indsigt og afsløre ellers usynlige processer. Avancerede celleanalyser, der nøje efterligner in vivo-landskaber, etablerer sig som nye måder at visualisere og måle det tovejs tumor-værtssamspil, der påvirker udviklingen af kræft. Her beskriver vi to alsidige protokoller til at genskabe meget kontrollerbare 2D- og 3D-cokulturer i mikroenheder, der efterligner kompleksiteten af tumormikromiljøet (TME) under naturlig og terapiinduceret immunovervågning. I afsnit 1 tilvejebringes en eksperimentel indstilling til overvågning af krydstale mellem vedhængende tumorceller og flydende immunpopulationer ved lys felt time-lapse mikroskopi. Som et applikativt scenarie analyserer vi virkningerne af kræftbehandlinger, såsom de såkaldte immunogene kræftcelledødsinducere på rekruttering og aktivering af immunceller. I afsnit 2 samles 3D-tumorimmune mikromiljøer i et konkurrencedygtigt layout. Differentiel immuninfiltration overvåges af fluorescenssnapshots op til 72 timer for at evaluere kombinationsterapeutiske strategier. I begge indstillinger illustreres billedbehandlingstrin for at udtrække en overflod af immuncelleparametre (f.eks. Immuncellemigration og interaktion, respons på terapeutiske midler). Disse enkle og kraftfulde metoder kan yderligere skræddersys til at simulere kompleksiteten af TME, der omfatter heterogeniteten og plasticiteten af kræft-, stromale og immuncelleundertyper samt deres gensidige interaktioner som drivkræfter for kræftudvikling. Overensstemmelsen af disse hurtigt udviklende teknologier med levende cellebilleder med højt indhold kan føre til generering af store informative datasæt, hvilket medfører nye udfordringer. Faktisk sætter trekanten ” co-kulturer / mikroskopi / avanceret dataanalyse “vejen mod en præcis problemparametrisering, der kan hjælpe skræddersyede terapeutiske protokoller. Vi forventer, at fremtidig integration af kræftimmun on-a-chip med kunstig intelligens til behandling med høj kapacitet vil synergisere et stort skridt fremad i at udnytte mulighederne som prædiktive og prækliniske værktøjer til præcision og personlig onkologi.
Introduction
Udviklingen af forskellige grene af medicin som eksperimentelle discipliner har været afhængig af evnen til at manipulere cellepopulationer og organfunktioner under kontrollerede forhold1. En sådan evne har sine rødder i tilgængeligheden af målbare modeller, der er i stand til at rekapitulere processer, der sker i vores krop.
I en tid med immunterapi og enkeltcellegenomisk profilering 2 skal kræftbiologi drage fordel af nye in vitro- og beregningsmodeller til undersøgelse af tumor-immungrænsefladen i en ordentlig rumlig tidsmæssig sammenhæng 2,3.
Tumormikromiljøet4 (TME) er et komplekst væv, hvor kræftceller kontinuerligt interagerer og dynamisk udvikler sig sammen med de andre cellulære (immun-, stromale og endotelceller) og ikke-cellulære (den ekstracellulære matrix, ECM) komponenter. Den dynamiske natur af dette komplekse landskab dikterer, om immunceller spiller som venner eller fjender af ondartede celler, hvilket stærkt påvirker både sygdomsprogression og respons på terapi. I dag konvergerer store bestræbelser fra oncoimmunologer, bioinformatikere og systembiologiske eksperter for at adressere den kliniske betydning af kræftheterogenitet 5,6, enten i rummet (dvs. i forskellige tumorale regioner) og tid (dvs. ved forskellige tumorprogressionsstadier)5,6 og for at karakterisere kræft- og immuncellefænotype og funktion på enkeltcelleniveau. Som et eksempel på denne synergi anvendes avancerede computersynsteknikker nu rutinemæssigt til rumlig kortlægning af immuninfiltrat i histologiske prøver 7,8.
På forsiden af eksperimentelle modeller, brobyggende dyreforsøg og traditionelle in vitro-metoder giver fremskridt inden for mikrofluidik og co-kulturteknikker adgang til forskellige klasser af mikrokonstruerede cellulære modeller såsom organoider, mikrofysiologiske systemer 9,10,11 (MPS) og organer-on-chip12,13,14 (OOC). De deler det fælles træk at zoome ind i det ‘store billede’ af de cellulære økosystemer og udvide in vitro-potentialet til at kontrollere mikromiljøfaktorer, samtidig med at de udnytter mikroskopi med højt indhold15 og billedbehandlingsmetoder.
I dag er state-of-the-art- MPS- og OOC-systemer begyndt at omfatte immunologiske aspekter , der inkorporerer forskellige undertyper af immunceller i eksisterende vævs- og cokulturer for at udforske og måle en række processer som inflammatoriske sygdomme, sårheling, slimhindeimmunitet og respons på toksiner eller daglige fødevarer16. TME-on-a-chip-modeller 10,11,12,13,14,15,16,17, også integreret med perfusable mikrofartøjer 18,19,20,21, er blevet udviklet til at undersøge celletypeafhængige interaktioner, fysiske og kemiske forstyrrelser og cytotoksisk aktivitet af infiltrerende lymfocytter22 såvel som klinisk relevante immunmodulerende midler23.
Her leverer vi alsidige protokoller, der spænder fra indlæsning af celler i chips til billedbehandlingsværktøjer, til udnyttelse af avancerede tumorimmune mikrofluidiske cokulturer i 2D (sektion 1) og 3D (sektion 2) indstillinger16, kompatibel med dynamisk, multiparametrisk24-overvågning og visualisering af cellulære funktioner. Dette opnås ved at opretholde brugervenlighed og fleksibilitet både i prøvestyring og dataanalyse, idet man drager fordel af Fiji freeware-software og dens værktøjskasser25,26.
Den mikrofluidiske enhed, der er beskrevet i afsnit 1, er designet til at udføre 2D-cokulturer af vedhængende kræft og flydende immunceller. Denne platform blev valideret til in vitro-måling af immuncelleadfærd i nærvær af genetiske mutationer27 og/eller immundefekter28. Her illustrerer vi trin til sporing af immunceller i time-lapse bright-field-billeder ved at udnytte en halvautomatisk metode baseret på Trackmate (et plugin implementeret i Fiji-software). Denne procedure muliggør ekstraktion af kinematiske deskriptorer for immunmigration 29 og respons (dvs. interaktionstider) for at målrette kræftceller, behandlet eller ej med immunogene celledødsinduktorer27.
Det er vigtigt, at disse parametre, ekstraheret fra tidsseriebilleder, kan behandles med avancerede matematiske maskiner. Som et eksempel på potentialet i denne tilgang offentliggjorde vores grupper for nylig en analyse baseret på matematiske metoder fra stokastiske processer og statistisk mekanik til modellering af cellulære netværksegenskaber og giver en parametrisk beskrivelse af immuncelleadfærd (dvs. forudindtaget eller ukorreleret tilfældig gang, stærkt eller ikke koordineret bevægelse30,31).
3D-indstillingen, der er angivet i andet afsnit, er baseret på en co-kulturprotokol for at genskabe mere komplekse immunkompetente TME’er indlejret i to gelregioner med forskellige kombinationer af celletyper og lægemidler på en konkurrencedygtig måde. Her beskrives billedbehandlingstrin for på forskellige tidspunkter at måle infiltrationen af farvede immunceller i humane A375M-melanomceller dyrket i Matrigel for at evaluere antitumormiddelkombinationer32. A375M-linje, en A375P-afledt cellelinje karakteriseret ved en meget metastatisk fænotype, blev valgt til at evaluere deres metastatiske evne i nærvær af immunceller32.
De beskrevne modeller kan være fuldt kompatible med forskellige cellekilder (murin og humane udødeliggjorte eller primære cellelinjer, organoider, xenotransplantater, blandt de andre). I nylige undersøgelser af vores laboratorium blev det konkurrencedygtige 3D-layout anvendt til at undersøge: i) et antitumoralt (antistofafhængigt cellemedieret cytotoksicitet, ADCC) immunrespons og dissekere fibroblasters rolle i resistens over for trastuzumab-terapi i HER2+ brystkræft on-chip-modeller33; ii) virkningen af myeloide celler (dvs. kræftassocierede makrofager) i mekanismer for tumorunddragelse og rekruttering af T-celler34; iii) effekten af immunterapeutiske regimer, specifikt baseret på interferon-α-konditionerede dendritiske celler (IFN-DC’er), dyrket med lægemiddelbehandlede tyktarmskræftceller i kollagenmatricer, og til at evaluere effektiv bevægelse og de efterfølgende fagocytosehændelser35; iv) den kemotaktiske migration af knoglemarvsafledte eosinofiler mod IL-33-behandlede eller ubehandlede melanomceller36.
Disse avancerede modeller kunne tjene som observationsvinduer til forståelse af immunkontekstens rolle i kræftmetastaser og resistensmekanismer, men der kræves en indsats for at oversætte resultaterne til klinikkerne og lukke hullet med grundforskning37.
Som et nyt scenarie åbner udnyttelse af kraften i automatiseret mikroskopi med højt indhold kombineret med brugen af mere fysiologisk relevante mikrosystemer nye potentielle udfordringer for håndtering, behandling og fortolkning af hundreder og endda tusinder af gigabyte multiparametriske data, som kan genereres fra en enkelt eksperimentel kampagne. Dette indebærer en direkte forbindelse mellem OOC-eksperimenter med kunstig intelligens 38,39,40,41,42 (AI)-baserede algoritmer både til avanceret automatiseret analyse og generering af funktioner, der igen kan føde i silico-modeller af kræftimmun samspil 43, med spændende nye applikationer i horisonten, såsom udvikling af prædiktive lægemiddelscreeningsassays 44.
En stadigt voksende strøm af indsatser er fokuseret på design af sygdomsmodeller sammen med optimering af strategier til implementering af de store forstyrrelsesskærme med enkeltcelle multi-omics-aflæsninger. Dette vil utvivlsomt bidrage til udviklingen og forhåbentlig den kliniske gennemførelse, ledsaget af en passende grad af metodestandardisering, af en systematisk onco-immunology-on-a-chip-tilgang for at få ny indsigt i immunsygdomme og kræftspredningsmekanismer.
Protocol
Representative Results
Discussion
De beskrevne metoder forsøger at designe en generel tilgang til med modulerbar grad af kompleksitet at rekapitulere to væsentlige aspekter inden for onkoimmunologi, som kan drage fordel af vedtagelsen af mere relevante in vitro-modeller. Den første involverer tumorcellepopulationssiden, hvor tackling af enkeltcellekarakteristika kan føre til en bedre beskrivelse af heterogenitet og korreleret biologisk og klinisk betydning, herunder resistens over for terapi, propension mod metastase, stamcelle og differentieringsgra…
Declarações
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 |
Referências
- 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).
