Protocol for antibody optimization and panel design in high-dimensional multiplexed immunofluorescence imaging
Notice bibliographique
Résumé
The rise of spatial biology technologies is advancing our ability to study cellular interactions within native tissue contexts using antibody-based multiplexed imaging. Here, we present a protocol for designing and optimizing a suitable antibody panel, with a specific focus on the PhenoCycler-Fusion system. We outline steps for antibody selection, optimization, and validation, as well as reporter plate preparation and cycle generation for image acquisition. This protocol incorporates key considerations for robust panel development for spatial profiling of tissues. For complete details on the use and execution of this protocol, please refer to Abraham et al. 1 • Steps for selecting antibodies for immunofluorescence imaging of tissues • Guidance for validating antibody performance in single and multiplexed imaging formats • Recommendations for assigning barcodes based on autofluorescence and antigen abundance • Steps for reporter plate setup and cycle design for imaging with PhenoCycler-Fusion Publisher’s note: Undertaking any experimental protocol requires adherence to local institutional guidelines for laboratory safety and ethics. The rise of spatial biology technologies is advancing our ability to study cellular interactions within native tissue contexts using antibody-based multiplexed imaging. Here, we present a protocol for designing and optimizing a suitable antibody panel, with a specific focus on the PhenoCycler-Fusion system. We outline steps for antibody selection, optimization, and validation, as well as reporter plate preparation and cycle generation for image acquisition. This protocol incorporates key considerations for robust panel development for spatial profiling of tissues.
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 | 0,000 | 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 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 ».