Mikrofluidiske samkulturmodeller for dissekering av immunresponsen i in vitro tumormikromiljøer
Summary
I en alder av immunterapi og encellet genomisk profilering, krever kreftbiologi nye in vitro og beregningsverktøy for å undersøke tumor-immungrensesnittet i en riktig spatiotemporal kontekst. Vi beskriver protokoller for å utnytte tumorimmune mikrofluidiske kokulturer i 2D- og 3D-innstillinger, kompatible med dynamisk, multiparametrisk overvåking av cellulære funksjoner.
Abstract
Komplekse sykdomsmodeller krever banebrytende verktøy som er i stand til å levere fysiologisk og patologisk relevant, handlingsbar innsikt og avdekke ellers usynlige prosesser. Avanserte celleanalyser som nøye etterligner in vivo-landskap, etablerer seg som nye måter å visualisere og måle toveis tumor-vert-samspillet som påvirker utviklingen av kreft. Her beskriver vi to allsidige protokoller for å gjenskape svært kontrollerbare 2D- og 3D-samkulturer i mikroenheter, som etterligner kompleksiteten til tumormikromiljøet (TME), under naturlig og terapiindusert immunovervåking. I seksjon 1 er det gitt en eksperimentell setting for å overvåke crosstalk mellom adherente tumorceller og flytende immunpopulasjoner, ved lysfelt time-lapse-mikroskopi. Som et applikativt scenario analyserer vi effekten av anti-kreftbehandlinger, for eksempel de såkalte immunogene kreftcelledødsinduserne på rekruttering og aktivering av immunceller. I seksjon 2 er 3D-tumorimmune mikromiljøer samlet i en konkurransedyktig layout. Differensiell immuninfiltrasjon overvåkes av øyeblikksbilder av fluorescens opptil 72 timer for å evaluere kombinasjonsterapeutiske strategier. I begge innstillinger er bildebehandlingstrinnene illustrert for å trekke ut en mengde immuncelleparametere (f.eks. Immuncellemigrasjon og interaksjon, respons på terapeutiske midler). Disse enkle og kraftige metodene kan skreddersys ytterligere for å simulere kompleksiteten til TME som omfatter heterogeniteten og plastisiteten til kreft-, stromale og immuncelleundertyper, samt deres gjensidige interaksjoner som drivere for kreftutvikling. Overholdelse av disse raskt utviklende teknologiene med live-celle med høyt innhold kan føre til generering av store informative datasett, noe som gir nye utfordringer. Faktisk setter trekanten ” co-kulturer / mikroskopi / avansert dataanalyse “banen mot et presist problem parametrisering som kan hjelpe skreddersydde terapeutiske protokoller. Vi forventer at fremtidig integrering av kreftimmun on-a-chip med kunstig intelligens for høy gjennomstrømningsbehandling vil synergisere et stort skritt fremover for å utnytte evnene som prediktive og prekliniske verktøy for presisjon og personlig onkologi.
Introduction
Utviklingen av ulike grener av medisinen som eksperimentelle disipliner har vært avhengig av evnen til å manipulere cellepopulasjon og organfunksjoner under kontrollerte forhold1. Slik evne har sine røtter i tilgjengeligheten av målbare modeller som er i stand til å rekapitulere prosesser som skjer i kroppen vår.
I en alder av immunterapi og encellet genomisk profilering 2, må kreftbiologi dra nytte av nye in vitro og beregningsmodeller for å undersøke tumor-immungrensesnittet i en riktig spatiotemporal kontekst 2,3.
Tumormikromiljøet4 (TME) er et komplekst vev hvor kreftceller kontinuerlig samhandler og dynamisk utvikler seg sammen med de andre cellulære (immun-, stromal- og endotelceller) og ikke-cellulære (den ekstracellulære matrisen, ECM) komponentene. Den dynamiske naturen til dette komplekse landskapet dikterer om immunceller spiller som venner eller fiender av ondartede celler, og påvirker dermed sterkt både sykdomsprogresjon og respons på terapi. I dag konvergerer store anstrengelser fra onkoimmunologer, bioinformatikere og systembiologieksperter for å adressere den kliniske betydningen av kreftheterogenitet 5,6, enten i rommet (dvs. i forskjellige tumorregioner) og tid (dvs. i forskjellige tumorprogresjonsstadier)5,6, og for å karakterisere kreft og immuncellefenotype og funksjon på enkeltcellenivå. Som et eksempel på denne synergien brukes avanserte datasynsteknikker nå rutinemessig til romlig kartlegging av immuninfiltrat i histologiske prøver 7,8.
På forsiden av eksperimentelle modeller, som bygger bro mellom dyreforsøk og tradisjonelle in vitro-metoder, gir fremskritt innen mikrofluidikk og samdyrkingsteknikker tilgang til forskjellige klasser av mikrokonstruerte cellulære modeller som organoider, mikrofysiologiske systemer 9,10,11 (MPS) og organer på brikke12,13,14 (OOC). De deler fellestrekket for å zoome inn i det store bildets syn på de cellulære økosystemene og utvide in vitro-potensialet for å kontrollere mikromiljøfaktorer mens de utnytter mikroskopi15 med høyt innhold og bildebehandlingsmetoder.
I dag har state-of-the-art- MPS- og OOC-systemer begynt å inkludere immunologiske aspekter , som inneholder forskjellige undertyper av immunceller i eksisterende vevs- og samkulturer, for å utforske og måle en rekke prosesser som inflammatoriske sykdommer, sårheling, slimhinneimmunitet og respons på giftstoffer eller daglige matvarer16. TME-on-a-chip-modeller 10,11,12,13,14,15,16,17, også integrert med parfymerbare mikrofartøyer 18,19,20,21, er utviklet for å undersøke celletypeavhengige interaksjoner, fysiske og kjemiske forstyrrelser og den cytotoksiske aktiviteten til infiltrerende lymfocytter22, samt klinisk aktuelle immunmodulerende midler23.
Her tilbyr vi allsidige protokoller, som spenner fra lasting av celler i brikker til bildebehandlingsverktøy, for å utnytte avanserte tumorimmune mikrofluidiske samkulturer i 2D (seksjon 1) og 3D (seksjon 2) innstillinger16, kompatible med dynamisk, multiparametrisk24 overvåking og visualisering av cellulære funksjoner. Dette oppnås ved å opprettholde brukervennlighet og fleksibilitet både i prøvehåndtering og dataanalyse, og dra nytte av Fiji freeware-programvare og verktøykasser25,26.
Den mikrofluidiske enheten, beskrevet i avsnitt 1, er designet for å utføre 2D-samkulturer av adherent kreft og flytende immunceller. Denne plattformen ble validert for in vitro-måling av immuncelleadferd i nærvær av genetiske mutasjoner27 og/eller immundefekter28. Her illustrerer vi trinn for sporing av immunceller i time-lapse-lysfeltbilder, ved å utnytte en halvautomatisk metode basert på Trackmate (et plugin implementert i Fiji-programvaren). Denne prosedyren muliggjør ekstraksjon av kinematiske beskrivelser av immunmigrasjon 29 og respons (dvs. interaksjonstider) for å målrette kreftceller, behandlet eller ikke med immunogene celledødsindusere27.
Det er viktig at disse parametrene, hentet fra tidsseriebilder, kan behandles med avansert matematisk maskineri. Som et eksempel på potensialiteten til denne tilnærmingen, publiserte våre grupper nylig en analyse basert på matematiske metoder fra stokastiske prosesser og statistisk mekanikk for å modellere cellulære nettverksegenskaper og gi en parametrisert beskrivelse av immuncelleadferd (dvs. partisk eller ukorrelert tilfeldig gange, høyt eller ikke koordinert bevegelse30,31).
3D-innstillingen, gitt i den andre delen, er basert på en samkulturprotokoll for å gjenskape mer komplekse immunkompetente TMEer innebygd i to gelregioner med forskjellige kombinasjoner av celletyper og stoffer på en konkurransedyktig måte. Her beskrives bildebehandlingstrinn for å måle, på forskjellige tidspunkter, infiltrasjonen av fargede immunceller i humane A375M melanomceller dyrket i Matrigel, for å evaluere antitumormiddelkombinasjoner32. A375M-linjen, en A375P-avledet cellelinje karakterisert ved en svært metastatisk fenotype, ble valgt for å evaluere deres metastatiske evne i nærvær av immunceller32.
De beskrevne modellene kan være fullt kompatible med forskjellige cellekilder (murine og humane immortaliserte eller primære cellelinjer, organoider, xenotransplantater, blant de andre). I nyere studier av laboratoriet vårt, ved å kombinere videomikroskopi med høyt innhold med bildeanalyse, ble det konkurransedyktige 3D-oppsettet brukt for å undersøke: i) en antitumoral (antistoffavhengig cellemediert cytotoksisitet, ADCC) immunrespons og dissekere rollen til fibroblaster i resistens mot trastuzumabbehandling i HER2 + brystkreft on-chip-modeller33; ii) virkningen av myeloide celler (dvs. kreftassosierte makrofager) i mekanismer for tumorunnvikelse og rekruttering av T-celler34; iii) effekten av immunterapeutiske regimer, spesielt basert på interferon-α-kondisjonerte dendrittiske celler (IFN-DC), dyrket med medikamentbehandlede tykktarmskreftceller i kollagenmatriser, og å evaluere effektiv bevegelse og de påfølgende fagocytosehendelsene35; iv) kjemotaktisk migrasjon av benmargsderiverte eosinofiler mot IL-33-behandlede eller ubehandlede melanomceller36.
Disse avanserte modellene kan tjene som observasjonsvinduer for å forstå rollen som immunkonsistens i kreftmetastase og resistensmekanismer, men det kreves innsats for å oversette funn til klinikkene, og lukke gapet med grunnforskning37.
Som et fremvoksende scenario åpner utnyttelsen av kraften til automatisert mikroskopi med høyt innhold koblet til bruk av mer fysiologisk relevante mikrosystemer nye potensielle utfordringer for håndtering, behandling og tolkning av hundrevis, og til og med tusenvis av gigabyte multiparametriske data, som kan genereres fra en enkelt eksperimentell kampanje. Dette innebærer en direkte kobling av OOC-eksperimenter med kunstig intelligens 38,39,40,41,42 (AI)-baserte algoritmer både for avansert automatisert analyse, og generering av funksjoner som igjen kan mate i silikomodeller av kreft-immun samspill 43, med spennende nye applikasjoner i horisonten, for eksempel utviklingen av prediktive legemiddelscreeningsanalyser 44.
En stadig voksende strøm av innsats er fokusert på utforming av sykdomsmodeller i fellesskap med optimalisering av strategier for å implementere de store forstyrrelsesskjermene med enkeltcelle multi-omics-avlesninger. Dette vil utvilsomt hjelpe utviklingen og forhåpentligvis den kliniske implementeringen, ledsaget av en passende grad av metodestandardisering, av en systematisk onkoimmunologi-on-a-chip-tilnærming for å få ny innsikt i immunforstyrrelser og kreftspredningsmekanismer.
Protocol
Representative Results
Discussion
De beskrevne metodene forsøker å designe en generell tilnærming for å rekapitulere, med modulerbar grad av kompleksitet, to viktige aspekter innen onkoimmunologi, som kan dra nytte av å ta i bruk mer relevante in vitro-modeller. Den første involverer tumorcellepopulasjonssiden, hvor håndtering av enkeltcelleegenskaper kan føre til en bedre beskrivelse av heterogenitet og korrelert biologisk og klinisk signifikans, inkludert resistens mot terapi, tilbøyelighet til metastase, stamcelle og differensieringsgrad. Den…
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).
