Микрофлюидные модели совместной культуры для анализа иммунного ответа в микроокружениях опухолей in vitro
Summary
В эпоху иммунотерапии и одноклеточного геномного профилирования биология рака требует новых in vitro и вычислительных инструментов для исследования опухолево-иммунного интерфейса в надлежащем пространственно-временном контексте. Мы описываем протоколы для использования опухолево-иммунных микрофлюидных кокультур в 2D и 3D условиях, совместимых с динамическим многопараметрическим мониторингом клеточных функций.
Abstract
Сложные модели заболеваний требуют передовых инструментов, способных предоставить физиологически и патологически значимые, действенные идеи и раскрыть невидимые в противном случае процессы. Продвинутые клеточные анализы, близко имитирующие декорации in vivo, зарекомендовали себя как новые способы визуализации и измерения двунаправленного взаимодействия опухоли и хозяина, влияющего на прогрессирование рака. Здесь мы описываем два универсальных протокола для воссоздания высококонтролируемых 2D и 3D кокультур в микроустройствах, имитирующих сложность микроокружения опухоли (TME), при естественном и индуцированном терапией иммунонаблюдении. В разделе 1 представлена экспериментальная установка для мониторинга перекрестных помех между адгезивными опухолевыми клетками и плавающими иммунными популяциями с помощью покадровой микроскопии светлого поля. В качестве практического сценария мы анализируем влияние противораковых препаратов, таких как так называемые иммуногенные индукторы гибели раковых клеток, на рекрутирование и активацию иммунных клеток. В разделе 2 3D-иммунные к опухоли микросреды собраны в конкурентной компоновке. Дифференциальная иммунная инфильтрация контролируется с помощью флуоресцентных снимков продолжительностью до 72 часов для оценки комбинированных терапевтических стратегий. В обоих случаях проиллюстрированы этапы обработки изображений для извлечения множества параметров иммунных клеток (например, миграция и взаимодействие иммунных клеток, реакция на терапевтические агенты). Эти простые и мощные методы могут быть дополнительно адаптированы для моделирования сложности TME, охватывающей гетерогенность и пластичность подтипов раковых, стромальных и иммунных клеток, а также их взаимные взаимодействия как движущие силы эволюции рака. Соответствие этих быстро развивающихся технологий изображениям с высоким содержанием живых клеток может привести к созданию больших информативных наборов данных, что порождает новые проблемы. Действительно, треугольник «кокультуры/микроскопия/расширенный анализ данных» прокладывает путь к точной параметризации проблемы, которая может помочь в разработке индивидуальных терапевтических протоколов. Мы ожидаем, что будущая интеграция противораковых технологий на чипе с искусственным интеллектом для высокопроизводительной обработки станет большим шагом вперед в использовании возможностей в качестве прогностических и доклинических инструментов для точной и персонализированной онкологии.
Introduction
Эволюция различных отраслей медицины как экспериментальных дисциплин зависела от способности манипулировать клеточной популяцией и функциями органов в контролируемых условиях1. Такая способность уходит своими корнями в наличие измеримых моделей, способных повторять процессы, происходящие в нашем организме.
В эпоху иммунотерапии и одноклеточного геномного профилирования 2 биология рака должна использовать преимущества новых in vitro и вычислительных моделей для исследования интерфейса опухоль-иммунитет в надлежащем пространственно-временном контексте 2,3.
Микроокружениеопухоли 4 (TME) представляет собой сложную ткань, в которой раковые клетки непрерывно взаимодействуют и динамически развиваются вместе с другими клеточными (иммунные, стромальные и эндотелиальные клетки) и неклеточными (внеклеточный матрикс, ECM) компонентами. Динамическая природа этого сложного ландшафта определяет, играют ли иммунные клетки роль друзей или врагов злокачественных клеток, тем самым сильно влияя как на прогрессирование заболевания, так и на реакцию на терапию. В настоящее время онкоиммунологи, биоинформатики и эксперты в области системной биологии прилагают большие усилия для изучения клинической значимости гетерогенности рака 5,6 либо в пространстве (т.е. в отдельных опухолевых областях), либо во времени (т.е. на разных стадиях прогрессирования опухоли)5,6, а также для характеристики фенотипа и функции рака и иммунных клеток на уровне отдельных клеток. В качестве примера этой синергии в настоящее время регулярно используются передовые методы компьютерного зрения для пространственного картирования иммунного инфильтрата в гистологических образцах 7,8.
Что касается экспериментальных моделей, то исследования на животных и традиционные методы in vitro, достижения в области микрофлюидики и методов совместного культивирования дают доступ к различным классам микроинженерных клеточных моделей, таких как органоиды, микрофизиологические системы 9,10,11 (MPS) и органы на чипе12,13,14 (ООК). У них есть общая черта, заключающаяся в том, чтобы увеличивать «общую картину» клеточных экосистем и расширять потенциал in vitro для контроля факторов микросреды, используя при этом микроскопию с высоким содержанием15 и подходы к обработке изображений.
В настоящее время современные системы МПС и ООК начали включать иммунологические аспекты, включая различные подтипы иммунных клеток в существующие ткани и кокультуры, чтобы исследовать и измерять различные процессы, такие как воспалительные заболевания, заживление ран, иммунитет слизистой оболочки и реакция на токсины или повседневные пищевые продукты16. Модели TME-on-a-chip 10,11,12,13,14,15,16,17, также интегрированные с перфузируемыми микрососудами 18,19,20,21, были разработаны для исследования клеточно-тип-зависимых взаимодействий, физических и химических возмущений и цитотоксической активности инфильтрирующие лимфоциты22, а также клинически значимые иммуномодулирующие средства23.
Здесь мы предлагаем универсальные протоколы, начиная от загрузочных клеток в чипах и заканчивая инструментами обработки изображений, для использования передовых иммуноферментных микрофлюидных кокультур в 2D (раздел 1) и 3D (раздел 2)16, совместимых с динамическим, многопараметрическим24 мониторингом и визуализацией клеточных функций. Это достигается за счет сохранения простоты использования и гибкости как в управлении выборками, так и в анализе данных, используя преимущества бесплатного программного обеспечения Фиджи и его наборов инструментов25,26.
Микрофлюидное устройство, описанное в разделе 1, предназначено для проведения 2D-кокультур адгезивных раковых и плавающих иммунных клеток. Эта платформа была валидирована для измерения in vitro поведения иммунных клеток при наличии генетических мутаций27 и/или иммунодефицитов28. Здесь мы проиллюстрируем шаги по отслеживанию иммунных клеток в покадровых изображениях яркого поля, используя полуавтоматический метод, основанный на Trackmate (плагин, реализованный в программном обеспечении Фиджи). Эта процедура позволяет извлекать кинематические дескрипторы иммунной миграции 29 и ответа (т.е. времени взаимодействия) на раковые клетки-мишени, обработанные или не обработанные иммуногенными индукторами27 гибели клеток.
Важно отметить, что эти параметры, извлеченные из изображений временных рядов, могут быть обработаны с помощью передового математического оборудования. В качестве примера потенциальности этого подхода наши группы недавно опубликовали анализ, основанный на математических методах стохастических процессов и статистической механики, для моделирования свойств клеточной сети и предоставления параметризованного описания поведения иммунных клеток (т.е. смещенного или некоррелированного случайного блуждания, высоко или нескоординированного движения30,31).
Настройка 3D, представленная во втором разделе, основана на протоколе совместного культивирования для воссоздания более сложных иммунокомпетентных TME, встроенных в две области геля с различными комбинациями типов клеток и лекарств в конкурентной манере. Здесь описаны этапы обработки изображений для измерения в различные моменты времени инфильтрации окрашенных иммунных клеток в клетки меланомы человека A375M, культивируемые в Matrigel, для оценки комбинаций противоопухолевых агентов32. Линия A375M, клеточная линия, полученная из A375P, характеризующаяся высокометастатическим фенотипом, была выбрана для оценки их метастатической способности в присутствии иммунных клеток32.
Описанные модели могут быть полностью совместимы с различными клеточными источниками (мышиные и человеческие иммортализированные или первичные клеточные линии, органоиды, ксенотрансплантаты и другие). В недавних исследованиях нашей лаборатории, сочетая видеомикроскопию с высоким содержанием с анализом изображений, конкурентный 3D-макет был применен для изучения: i) противоопухолевого (антителозависимой клеточно-опосредованной цитотоксичности, ADCC) иммунного ответа и анализа роли фибробластов в резистентности к терапии трастузумабом в моделях рака молочной железы HER2+ на чипе33; ii) действие миелоидных клеток (т.е. рак-ассоциированных макрофагов) в механизмах уклонения от опухоли и рекрутирования Т-клеток34; iii) эффективность иммунотерапевтических режимов, в частности, основанных на дендритных клетках, кондиционированных интерфероном α (ИФН-ДК), культивируемых с помощью обработанных лекарственными препаратами клеток рака толстой кишки в коллагеновых матрицах, а также для оценки эффективного движения и последующих событий фагоцитоза35; iv) хемотаксическая миграция эозинофилов, полученных из костного мозга, к клеткам меланомы, обработанным или необработаннымIL-33 36.
Эти передовые модели могут служить окнами наблюдения для понимания роли иммунной структуры в метастазировании рака и механизмах резистентности, но требуются усилия для перевода результатов в клиники, закрывая пробел с фундаментальными исследованиями37.
В качестве нового сценария использование возможностей автоматизированной микроскопии с высоким содержанием в сочетании с использованием более физиологически значимых микросистем открывает новые потенциальные проблемы для обработки, обработки и интерпретации сотен и даже тысяч гигабайт многопараметрических данных, которые могут быть получены в результате одной экспериментальной кампании. Это подразумевает прямую связь экспериментов OOC с алгоритмами на основе искусственного интеллекта 38,39,40,41,42 (ИИ) как для расширенного автоматизированного анализа, так и для генерации функций, которые, в свою очередь, могут питать in silico модели взаимодействия рака и иммунитета43, с захватывающими новыми приложениямина горизонте, такими как разработка прогностических скрининговых анализовлекарств 44.
Постоянно расширяющийся поток усилий сосредоточен на разработке моделей заболеваний вместе с оптимизацией стратегий реализации крупномасштабных экранов возмущений с одноклеточными мультиомиксными показаниями. Это, несомненно, поможет разработке и, надеюсь, клиническому внедрению, сопровождаемому соответствующей степенью стандартизации метода, систематического подхода онкоиммунологии на чипе, чтобы получить новое представление об иммунных нарушениях и механизмах распространения рака.
Protocol
Representative Results
Discussion
Описанные методы пытаются разработать общий подход к повторению, с модулируемой степенью сложности, двух важных аспектов в области онкоиммунологии, которые могут выиграть от принятия более актуальных моделей in vitro. Первый включает в себя сторону популяции опухолевых клеток, где устра?…
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).
