Multidimensional profiling of drug‐treated cells by Imaging Mass Cytometry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In pharmaceutical research, high‐content screening is an integral part of lead candidate development. Measuring drug response in vitro by examining over 40 parameters, including biomarkers, signaling molecules, cell morphological changes, proliferation indices, and toxicity in a single sample, could significantly enhance discovery of new therapeutics. As a proof of concept, we present here a workflow for multidimensional Imaging Mass Cytometry™ (IMC™) and data processing with open source computational tools. CellProfiler was used to identify single cells through establishing cellular boundaries, followed by histoCAT™ (histology topography cytometry analysis toolbox) for extracting single‐cell quantitative information visualized as t‐SNE plots and heatmaps. Human breast cancer‐derived cell lines SKBR3, HCC1143, and MCF‐7 were screened for expression of cellular markers to generate digital images with a resolution comparable to conventional fluorescence microscopy. Predicted pharmacodynamic effects were measured in MCF‐7 cells dosed with three target‐specific compounds: growth stimulatory EGF, microtubule depolymerization agent nocodazole, and genotoxic chemotherapeutic drug etoposide. We show strong pairwise correlation between nuclear markers pHistone3 S28 , Ki‐67, and p4E‐BP1 T37/T46 in classified mitotic cells and anticorrelation with cell surface markers. Our study demonstrates that IMC data expand the number of measured parameters in single cells and brings higher‐dimension analysis to the field of cell‐based screening in early lead compound discovery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle