IN Carta Bildanalyse-Software

IN Carta VoluMetrics

3D-Zellkulturmodelle, die Organe und Gewebe in vivo genauer imitieren, zeigen großes Potenzial als Werkzeuge, die zu einem verbesserten Verständnis von Erkrankungen führen und zu einer besseren Untersuchung von potenziellen Therapien verhelfen. IN Carta VoluMetrics ist ein 3D-Bildanalyse-Modul, das die Funktionalität von IN Carta durch die Fähigkeit erweitert, biologische Strukturen im tatsächlichen 3D-Raum zu segmentieren und zu quantifizieren.

IN Carta VoluMetrics bietet Algorithmen, die bei der Segmentierung von Objekten und der Gewinnung informativer Messwerte mit 3D-Voxel arbeiten. Dies liefert eine bessere Widergabe der Morphologie der Probe und der Verteilung der Intensitäten, verglichen mit der Analyse einzelner Z-Ebenen, bei der das Verhältnis zwischen Objekt und angrenzenden Z-Ebenen lediglich eine grobe Schätzung darstellt.

IN Carta SINAP

SINAP ist ein Modul, das Algorithmen für maschinelles Lernen nutzt, um die Präzision und Zuverlässigkeit von High-Content-Sceening-Assays im ersten Schritt der Analyse-Pipeline und der Segmentierung verbessert. Durch eine bessere Detektion und Beibehaltung der tatsächlichen Morphologie der zu untersuchenden Objekte, ist die in diesem Schritt gewonnene quantitative Information frei von Fehlern, die die Biologie in Downstream-Analyseschritten falsch wiedergeben. Mit SINAP ist Segmentierung kein Problem!

• Zuverlässig – Deep Learning kann eine größere phänotypische Variabilität erfassen und die Genauigkeit über mehrere Behandlungen hinweg aufrechterhalten, auch wenn die Objekte hoch-konfluent sind oder das Signal-zu-Hintergrund-Verhältnis gering ist.
• Flexibel – Ein einziger Arbeitsablauf kann eine Vielfalt von Anwendungen und Arten von Bilddaten, einschließlich Hellfeldabbildungen, abarbeiten.
• Zugänglich – Der Algorithmus lernt das Segmentieren durch das Zeichnen der Anwender auf der Abbildung, anstatt den Anwender aufzufordern, einen Bildprozessierungsplan zu entwickeln und die Parameter zu optimieren.

IN Carta Phenoglyphs

Phenoglyphs ist ein Phänotyp-Klassifizierungswerkzeug, das maschinelles Lernen nutzt, um den gesamten Inhalt einer Abbildung vollständig auszuwerten.  Hunderte von zellulären Eigenschaften können gleichzeitig analysiert werden, um umfassendere Phänotyp-Profile zu erzeugen.  Diese multivariate Herangehensweise an eine Klassifizierung liefert eine bessere Beschreibung der individuellen Zellpopulationen, die dem Anwender ermöglicht, sogar subtile, durch Wirkstoffbehandlung oder genetische Modifikationen induzierte Phänotypveränderungen zu erkennen.

• Umfassend – Eine datengesteuerte Herangehensweise, die mit einer selbstverwalteten Cluster-Bildung beginnt, um natürliche Muster in den Daten zu finden, und die Subpopulationen markiert, ohne vorher zu wissen, welche Phänotypen vorkommen können.
• Robust – Der neuartige, selbstverwaltete Schritt in diesem Arbeitsablauf erzeugt rasch einen großen unverzerrten Trainingssatz, der die Varianz in einer Klasse erfasst und Modelle erzeugt, die weniger anfällig für eine Überanpassung und Fehlklassifizierung von Zellen sind.
• Vereinfachter Arbeitsablauf – Die Auswahl des optimalen Satzes an beschreibenden Eigenschaften und die Formulierung des komplexen Regelwerks zur Stratifizierung von Klassen wird durch das maschinelle Lernen vollständig automatisiert. Eine optimale Klassifizierung wird durch einfache Bestätigung oder Korrektur der durch den Algorithmus getroffenen Vorhersagen erzielt, so lange bis er die richtige Vorgehensweise lernt.