Modèles de co-culture microfluidique pour disséquer la réponse immunitaire dans des microenvironnements tumoraux in vitro
Summary
À l’ère de l’immunothérapie et du profilage génomique unicellulaire, la biologie du cancer nécessite de nouveaux outils in vitro et informatiques pour étudier l’interface tumorale-immunitaire dans un contexte spatio-temporel approprié. Nous décrivons des protocoles pour exploiter les co-cultures microfluidiques immunitaires contre les tumeurs dans des contextes 2D et 3D, compatibles avec la surveillance dynamique et multiparamétrique des fonctions cellulaires.
Abstract
Les modèles de maladies complexes exigent des outils de pointe capables de fournir des informations physiologiquement et pathologiquement pertinentes et exploitables, et de dévoiler des processus autrement invisibles. Des tests cellulaires avancés imitant étroitement le paysage in vivo s’imposent comme de nouvelles façons de visualiser et de mesurer l’interaction bidirectionnelle tumeur-hôte influençant la progression du cancer. Nous décrivons ici deux protocoles polyvalents pour recréer des co-cultures 2D et 3D hautement contrôlables dans des microdispositifs, imitant la complexité du microenvironnement tumoral (TME), sous immunosurveillance naturelle et induite par la thérapie. Dans la section 1, un cadre expérimental est fourni pour surveiller la diaphonie entre les cellules tumorales adhérentes et les populations immunitaires flottantes, par microscopie accélérée à champ clair. En tant que scénario applicatif, nous analysons les effets des traitements anticancéreux, tels que les inducteurs immunogènes de la mort des cellules cancéreuses sur le recrutement et l’activation des cellules immunitaires. Dans la section 2, les microenvironnements 3D immunitaires contre les tumeurs sont assemblés dans une configuration compétitive. L’infiltration immunitaire différentielle est surveillée par des instantanés de fluorescence jusqu’à 72 h, afin d’évaluer les stratégies thérapeutiques combinées. Dans les deux contextes, les étapes de traitement de l’image sont illustrées pour extraire une pléthore de paramètres des cellules immunitaires (par exemple, la migration et l’interaction des cellules immunitaires, la réponse aux agents thérapeutiques). Ces méthodes simples et puissantes peuvent être adaptées pour simuler la complexité du TME englobant l’hétérogénéité et la plasticité des sous-types de cellules cancéreuses, stromales et immunitaires, ainsi que leurs interactions réciproques en tant que moteurs de l’évolution du cancer. La conformité de ces technologies en évolution rapide avec l’imagerie à haut contenu de cellules vivantes peut conduire à la génération de grands ensembles de données informatives, ce qui pose de nouveaux défis. En effet, le triangle ”co-cultures/microscopie/analyse avancée de données” ouvre la voie à un paramétrage précis du problème qui peut aider à des protocoles thérapeutiques sur mesure. Nous nous attendons à ce que l’intégration future de l’immunité contre le cancer sur puce avec l’intelligence artificielle pour le traitement à haut débit mette en synergie un grand pas en avant dans l’exploitation des capacités en tant qu’outils prédictifs et précliniques pour l’oncologie de précision et personnalisée.
Introduction
L’évolution des différentes branches de la médecine en tant que disciplines expérimentales a dépendu de la capacité à manipuler la population cellulaire et les fonctions des organes dans des conditions contrôlées1. Une telle capacité a ses racines dans la disponibilité de modèles mesurables capables de récapituler les processus qui se produisent dans notre corps.
À l’ère de l’immunothérapie et du profilage génomique unicellulaire 2, la biologie du cancer doit tirer parti des modèles in vitro et informatiques émergents pour étudier l’interface tumorale-immunitaire dans un contexte spatio-temporel approprié 2,3.
Le microenvironnement tumoral4 (TME) est un tissu complexe où les cellules cancéreuses interagissent continuellement et co-évoluent dynamiquement avec les autres composants cellulaires (cellules immunitaires, stromales et endothéliales) et non cellulaires (matrice extracellulaire, ECM). La nature dynamique de ce paysage complexe dicte si les cellules immunitaires jouent le rôle d’amies ou d’ennemies des cellules malignes, affectant ainsi fortement la progression de la maladie et la réponse au traitement. De nos jours, de grands efforts de la part des onco-immunologistes, des bioinformaticiens et des experts en biologie des systèmes convergent pour aborder la signification clinique de l’hétérogénéité du cancer 5,6, soit dans l’espace (c’est-à-dire dans des régions tumorales distinctes) et dans le temps (c’est-à-dire à des stades de progression tumorale distincts)5,6, et pour caractériser le phénotype et la fonction du cancer et des cellules immunitaires au niveau d’une seule cellule. À titre d’exemple de cette synergie, des techniques avancées de vision par ordinateur sont maintenant couramment utilisées pour la cartographie spatiale de l’infiltrat immunitaire dans les échantillons histologiques 7,8.
Sur le front des modèles expérimentaux, des études animales et des méthodes in vitro traditionnelles, les progrès de la microfluidique et des techniques de co-culture donnent accès à différentes classes de modèles cellulaires micro-modifiés tels que les organoïdes, les systèmes microphysiologiques 9,10,11 (MPS) et les organes sur puce12,13,14 (OOC). Ils partagent le trait commun de zoomer sur la vue d’ensemble des écosystèmes cellulaires et d’élargir le potentiel in vitro de contrôle des facteurs microenvironnementaux tout en exploitant la microscopie à haut contenu15 et les approches de traitement d’images.
De nos jours, les systèmes MPS et OOC de pointe ont commencé à inclure des aspects immunologiques, incorporant différents sous-types de cellules immunitaires dans les tissus existants et les co-cultures, afin d’explorer et de mesurer une variété de processus tels que les maladies inflammatoires, la cicatrisation des plaies, l’immunité muqueuse et la réponse aux toxines ou aux produits alimentaires quotidiens16. Les modèles TME-on-a-chip 10,11,12,13,14,15,16,17, également intégrés à des microvaisseaux perfusables 18,19,20,21, ont été développés pour étudier les interactions dépendantes du type cellulaire, les perturbations physiques et chimiques et l’activité cytotoxique des lymphocytes infiltrants22, ainsi que des agents immunomodulateurs cliniquement pertinents23.
Ici, nous fournissons des protocoles polyvalents, allant du chargement de cellules dans des puces à des outils de traitement d’image, pour exploiter des co-cultures microfluidiques avancées contre les tumeurs dans des paramètres 2D (section 1) et 3D (section 2)16, compatibles avec la surveillance et la visualisation dynamiques et multiparamétriques24 des fonctions cellulaires. Ceci est réalisé en maintenant la facilité d’utilisation et la flexibilité à la fois dans la gestion des échantillons et l’analyse des données, en tirant parti du logiciel gratuit Fidji et de ses boîtes à outils25,26.
Le dispositif microfluidique, décrit à la section 1, est conçu pour effectuer des co-cultures 2D de cancer adhérent et de cellules immunitaires flottantes. Cette plateforme a été validée pour la mesure in vitro du comportement des cellules immunitaires en présence de mutations génétiques27 et/ou d’immunodéficiences28. Ici, nous illustrons les étapes de suivi des cellules immunitaires dans des images en champ clair en accéléré, en exploitant une méthode semi-automatique basée sur Trackmate (un plugin implémenté dans le logiciel Fidji). Cette procédure permet d’extraire des descripteurs cinématiques de la migration immunitaire 29 et de la réponse (c’est-à-dire des temps d’interaction) pour cibler les cellules cancéreuses, traitées ou non avec des inducteurs immunogènes de mort cellulaire27.
Il est important de noter que ces paramètres, extraits d’images de séries chronologiques, peuvent être traités avec des machines mathématiques avancées. À titre d’exemple de la potentialité de cette approche, nos groupes ont récemment publié une analyse basée sur des méthodes mathématiques issues des processus stochastiques et de la mécanique statistique pour modéliser les propriétés du réseau cellulaire et fournir une description paramétrée du comportement des cellules immunitaires (c.-à-d. marche aléatoire biaisée ou non corrélée, mouvement hautement coordonnéou non 30,31).
Le réglage 3D, fourni dans la deuxième section, est basé sur un protocole de co-culture pour recréer des TME immunocompétents plus complexes intégrés dans deux régions de gel avec différentes combinaisons de types de cellules et de médicaments de manière compétitive. Ici, les étapes de traitement d’images sont décrites pour mesurer, à différents moments, l’infiltration de cellules immunitaires colorées dans des cellules de mélanome A375M humaines cultivées au sein de Matrigel, pour évaluer des combinaisons d’agents antitumoraux32. La lignée A375M, une lignée cellulaire dérivée de l’A375P caractérisée par un phénotype hautement métastatique a été choisie pour évaluer leur capacité métastatique en présence de cellules immunitaires32.
Les modèles décrits peuvent être entièrement conformes à différentes sources cellulaires (lignées cellulaires immortalisées ou primaires murines et humaines, organoïdes, xénogreffes, entre autres). Dans des études récentes de notre laboratoire, en combinant la microscopie vidéo à haut contenu avec l’analyse d’images, la disposition 3D compétitive a été appliquée pour étudier: i) une réponse immunitaire antitumorale (cytotoxicité à médiation cellulaire dépendante des anticorps, ADCC) et disséquer le rôle des fibroblastes dans la résistance au traitement par trastuzumab dans les modèles sur puce de cancer du sein HER2+ 33; ii) l’action des cellules myéloïdes (c’est-à-dire des macrophages associés au cancer) dans les mécanismes d’évasion tumorale et de recrutement des lymphocytes T34; iii) l’efficacité des régimes immunothérapeutiques, spécifiquement basés sur des cellules dendritiques conditionnées par l α’interféron (IFN-DC), cultivées avec des cellules cancéreuses du côlon traitées par des médicaments dans des matrices de collagène, et pour évaluer l’efficacité du mouvement et les événements de phagocytose qui en découlent35; iv) la migration chimiotactique des éosinophiles dérivés de la moelle osseuse vers les cellules de mélanome traitées ou non traitées par IL-3336.
Ces modèles avancés pourraient servir de fenêtres d’observation pour comprendre le rôle de la contexture immunitaire dans les métastases cancéreuses et les mécanismes de résistance, mais des efforts sont nécessaires pour traduire les résultats dans les cliniques, comblant ainsi l’écart avec la recherche fondamentale37.
En tant que scénario émergent, l’exploitation de la puissance de la microscopie automatisée à haut contenu couplée à l’utilisation de microsystèmes plus pertinents sur le plan physiologique ouvre de nouveaux défis potentiels pour la manipulation, le traitement et l’interprétation de centaines, voire de milliers, de gigaoctets de données multiparamétriques, qui peuvent être générées à partir d’une seule campagne expérimentale. Cela implique un lien direct entre les expériences OOC et les algorithmes basés sur l’intelligence artificielle 38,39,40,41,42 (IA) à la fois pour l’analyse automatisée avancée et la génération de fonctionnalités qui peuvent alimenter à leur tour des modèles in silico d’interaction cancer-immunité 43, avec de nouvelles applications passionnantes à l’horizon, telles que le développement de tests prédictifs de dépistage de médicaments 44.
Un flux d’efforts sans cesse croissant est axé sur la conception de modèles de maladies conjointement avec l’optimisation des stratégies pour mettre en œuvre les criblages de perturbation à grande échelle avec des lectures multi-omiques unicellulaires. Cela contribuera sans aucun doute au développement et, espérons-le, à la mise en œuvre clinique, accompagnée d’un degré approprié de normalisation des méthodes, d’une approche systématique onco-immunologie sur puce pour acquérir de nouvelles connaissances sur les troubles immunitaires et les mécanismes de dissémination du cancer.
Protocol
Representative Results
Discussion
Les méthodes décrites tentent de concevoir une approche générale pour récapituler, avec un degré de complexité modulable, deux aspects significatifs dans le domaine de l’onco-immunologie, qui peuvent bénéficier de l’adoption de modèles in vitro plus pertinents. Le premier concerne le côté de la population de cellules tumorales, où s’attaquer aux caractéristiques des cellules uniques peut conduire à une meilleure description de l’hétérogénéité et de la signification biologique et clinique corr?…
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).
