MétaCan
Menu
Retour à la cohorte
Enregistrement W4412910556 · doi:10.1093/mam/ozaf048.437

High-throughput Imaging for Everyone: New Designs for Parallel Multiwell Imaging

2025· article· en· W4412910556 sur OpenAlexaff
Miguel Romero Sepulveda, Pouria Tirgar, Laura Diaz-Maue, Stefan Luther, Allen J. Ehrlicher, Caroline Muellenbroich, Alexander D. Corbett, Gil Bub

Notice bibliographique

RevueMicroscopy and Microanalysis · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueCCD and CMOS Imaging Sensors
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésThroughputComputer scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

Many life-science experiments require capturing images from different samples in multiwell plates. Most use robotics to move the microscope field of view to sequentially sample each well, generating a series of short measurements. Some assays, however, require continuous long-duration recordings: slowly evolving processes (metastasis, organoid or embryo development), unpredictable dynamical event (cardiac transitions to arrhythmia), and behavioral studies in model organisms (zebrafish, C Elegans) must be imaged in parallel if replicates are required. Continuous measurements in many samples have been achieved by using a wide-field lens or using many detectors[1-3], however these approaches greatly reduce spatial resolution or increase system cost. The RAP microscope[4,5] was designed for continuous, long-term recordings of dozens of wells at full resolution (Fig 1A). RAPs optical path allows for changes in the FOV through microsecond light source switching with a fast light-emitting diode (LED) array. Thus, RAP can collect images from different wells where the number of wells is limited only by the camera’s frame rate. A fast camera allows RAP to revisit each well quickly enough to effectively observe them in parallel. This presentation describes new modalities for the RAP system that allow parallel image capture without LED switching (Fig 1B). This new modality bypasses one of the limits intrinsic in the original design, where the number of samples depended on the camera frame rate. This enables the efficient use of high-resolution, lower-frame rate sensors for high throughput imaging while also simplifying the optical path and electronics of the original RAP scope. These designs are being incorporated into an open-source microscope platform for low-cost continuous high-throughput imaging. Different RAP configurations. A) LEDs illuminate samples in sequence, so each acquired frame (t1,t2…) is of a different sample; B) LEDS illuminate samples in parallel, and the optical path is altered so several samples are projected onto different locations of the sensor.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,005
Science ouverte0,0040,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,004

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,260
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueMicroscopy and MicroanalysisMême sujetCCD and CMOS Imaging SensorsTravaux en français237 207