Single Cell Analysis of High-Parameter Histology Images Using Histoflow Cytometry
Notice bibliographique
Résumé
Immunofluorescence histology is commonly used to study immune cells in tissues where the number of fluorescence parameters is normally limited to four or less. This makes it impossible to interrogate multiple subsets of immune cells in tissue with the same precision as flow cytometry. The latter, however, dissociates tissues and loses spatial information. To bridge the gap between these technologies, we developed a workflow to expand the number of fluorescence parameters that can be imaged on widely available microscopes. We instituted a method for identifying single cells in tissue and exporting the data for flow cytometry-based analysis. This histoflow cytometry technique successfully separates spectrally overlapping dyes and identifies similar numbers of cells in tissue sections as manual cell counts. Populations identified through flow cytometry-like gating strategies are mapped to the original tissue to spatially localize gated subsets. We applied histoflow cytometry to immune cells in the spinal cords of mice with experimental autoimmune encephalomyelitis. We ascertained that B cells, T cells, neutrophils, and phagocytes differed in their frequencies in CNS immune cell infiltrates and were increased relative to healthy controls. Spatial analysis determined that B cells and T cells/phagocytes preferentially localized to CNS barriers and parenchyma, respectively. By spatially mapping these immune cells, we inferred their preferred interacting partners within immune cell clusters. Overall, we demonstrate the ease and utility of histoflow cytometry, which expands the number of fluorescent channels used in conventional immunofluorescence and enables quantitative cytometry and spatial localization of histological analyses.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».