Live cell painting: New nontoxic dye to probe cell physiology in high content screening
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
High-content imaging approaches, in combination with the use of perturbing agents such as small molecules or CRISPR-driven gene editing, have widely contributed to the identification of new therapeutic compounds. Thanks to recent advances in image-analysis methods, the use of high-content screens is increasingly gaining popularity and thus accelerating the discovery of new therapeutics. However, due to the lack of fully biocompatible fluorescent markers, large-scale high-content screens are mostly performed on fixed cells, which complicates the monitoring of changes in cell physiology over time. Here we present a novel fluorescent nontoxic dye that displays intensity and staining pattern changes in response to different physiological states. With multiparametric image analysis, these unique properties allow not only for the detection of distinct phenotypic fingerprints, but also for the quantification of more traditional disease-relevant phenotypes such as apoptosis, autophagy, ER stress and more. Since the dye only gets fluorescent when incorporated into cellular membranes, it is typically used without washing steps, therefore making it ideal to include in automation workflows. In this work, we present relevant data on its biocompatibility and its potential to quantitatively assess subtle cellular phenotypes. Applications such as live kinetic imaging, and live image-based morphological profiling are also discussed. The rich information this fluorescent probe provides facilitates unbiased quantitative phenotypic analysis at larger scale, and ultimately paves the way for more discoveries of new therapeutic agents.
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