Analýza typu buněčné smrti kvantitativně-fázovým zobrazováním

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14110%2F22%3A00129626" target="_blank" >RIV/00216224:14110/22:00129626 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Analýza typu buněčné smrti kvantitativně-fázovým zobrazováním

Popis výsledku v původním jazyce

Vytvořená metoda dokáže na základě dynamiky distribuce buněčné hmoty v prostoru, bez použití barviv a protilátek, detekovat okamžik smrti buněk ve sledované populaci, zároveň také dokáže odlišit lytickou buněčnou smrt (nekrózu) od apoptózy. Co se týče odlišení specifických typů lytické buněčné smrti – různých typů nekróz, bude pravděpodobně třeba lépe optimalizovat využití jejich induktorů a inhibitorů, protože se nedařilo indukovat pouze požadované typy buněčné smrti a vzniklé datasety tak neposkytly pro analýzu obrazu dostatečně specifický materiál metodám hlubokého učení. Celkový potenciál této metody je však velký a nabízí využití nejen v oblasti detekce a analýzy buněčné smrti, ale i při detekci jiných buněčných procesů. Pro analýzu QPI obrazu byl vytvořen program v jazyce Python pro automatickou segmentaci buněk a extrakci analyzovaných parametrů (dostupný zde: https://github.com/tomasvicar/Cell_deatch_analysis).

Název v anglickém jazyce

Analysis of cell death type by quantitative phase imaging

Popis výsledku anglicky

The developed method can detect the moment of cell death in the population of interest based on the dynamics of cell mass distribution in space, without the use of dyes and antibodies, and can also distinguish lytic cell death (necrosis) from apoptosis. In terms of distinguishing specific types of lytic cell death - different types of necrosis, the use of their inducers and inhibitors will probably need to be better optimized, as only the desired types of cell death could not be induced and the resulting datasets did not provide specific enough material for deep learning methods for image analysis. However, the overall potential of this method is great and offers applications not only in the detection and analysis of cell death but also in the detection of other cellular processes. For QPI image analysis, a Python program has been developed for automatic cell segmentation and extraction of the analyzed parameters (available here: https://github.com/tomasvicar/Cell_deatch_analysis).

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/TP01010039" target="_blank" >TP01010039: Posílení systému komercializace výsledků VaV na Masarykově univerzitě</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů