Podrobný výpis o publikaci

BALVAN, Jan, Tomáš VIČAR a Klára HÁNĚLOVÁ. Analýza typu buněčné smrti kvantitativně-fázovým zobrazováním. Jan Balvan, 2022.

Další formáty: BibTeX LaTeX RIS

Základní údaje
Originální název	Analýza typu buněčné smrti kvantitativně-fázovým zobrazováním
Název česky	Analýza typu buněčné smrti kvantitativně-fázovým zobrazováním
Název anglicky	Analysis of cell death type by quantitative phase imaging
Autoři	BALVAN, Jan (203 Česká republika, garant, domácí), Tomáš VIČAR (203 Česká republika, domácí) a Klára HÁNĚLOVÁ (203 Česká republika, domácí).
Vydání	2022.
Nakladatel	Jan Balvan

Další údaje
Originální jazyk	čeština
Typ výsledku	Projekty výzkumu a vývoje
Obor	10201 Computer sciences, information science, bioinformatics
Stát vydavatele	Česká republika
Utajení	není předmětem státního či obchodního tajemství
Kód RIV	RIV/00216224:14110/22:00129626
Organizační jednotka	Lékařská fakulta
Klíčová slova česky	Buněčná smrt; apoptóza; nekroptóza; feroptóza; hluboké učení; kvantitativní fázové zobrazování
Klíčová slova anglicky	Cell death; apoptosis; necroptosis; ferroptosis; deep learning; quantitative phase imaging
Změnil	Změnil: RNDr. Jan Balvan, Ph.D., učo 141792. Změněno: 5. 4. 2023 09:25.

Anotace
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).

Anotace

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).

Anotace 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).

Anotace 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).

Návaznosti
TP01010039, projekt VaV	Název: Posílení systému komercializace výsledků VaV na Masarykově univerzitě (Akronym: POSTKOM)
TP01010039, projekt VaV	Investor: Technologická agentura ČR, Posílení systému komercializace výsledků VaV na Masarykově univerzitě, Podprogram 1