Cell Painting在腫瘤藥物篩選中的應用：技術原理、現(xiàn)階段成果與前景
表型藥物篩選（Phenotypic Drug Discovery, PDD）通過在細胞或組織水平上觀察化合物對疾病表型的調(diào)控作用來發(fā)現(xiàn)新藥，尤其適用于多基因疾病或靶點不明確的腫瘤類型。與傳統(tǒng)靶向篩選相比，PDD 更易發(fā)現(xiàn)具有新機制的潛在藥物[1]。高內(nèi)涵篩選（High Content Screening, HCS）作為 PDD 的核心技術，通過自動化顯微鏡獲取細胞圖像，并利用 AI 加持的圖像分析算法提取形態(tài)學特征，從而量化化合物效應，在疾病模型的藥物篩選階段，提供出色的篩選速度和篩選能力。
Cell Painting 是當前最常用的高內(nèi)涵形態(tài)學分析方案之一，由 Gustafsdottir 等人于 2013 年提出[2]。該技術使用六種熒光染料標記八個細胞結構（細胞核、核仁、內(nèi)質(zhì)網(wǎng)、線粒體、高爾基體、細胞膜、RNA 和細胞骨架），通過多通道成像獲取上千個形態(tài)特征，從而全面捕捉細胞狀態(tài)的變化[3]。Cell Painting 的優(yōu)勢在于其無需預設靶點，能夠發(fā)現(xiàn)未知機制化合物，并適用于多種細胞類型和擾動方式。近年來，隨著圖像分析算法、深度學習方法和計算平臺的快速發(fā)展，Cell Painting 已在腫瘤機制研究、藥物發(fā)現(xiàn)和毒性預測等領域展現(xiàn)出廣泛的應用價值，并且推動了多種候選藥物進入臨床或臨床前階段[4]。
本文將系統(tǒng)回顧 Cell Painting 技術的原理與進展，重點闡述其在腫瘤研究中的應用現(xiàn)狀，特別是在藥物篩選和機制解析方面的作用，并對當前面臨的挑戰(zhàn)和未來發(fā)展方向進行討論。
01
Cell Painting 技術原理與流程
Cell Painting 自提出以來歷經(jīng)十年發(fā)展，技術已經(jīng)過多個版本的更新，優(yōu)化了重復性與標準化流程，目前全球超 36 家學術機構及 51 家企業(yè)采用。
標準 Cell Painting 實驗采用經(jīng)過優(yōu)化的染料組合方案：
Hoechst 33342 用于標記細胞核，Concanavalin A-Alexa Fluor 488 特異性染色內(nèi)質(zhì)網(wǎng)，SYTO 14 顯示核仁與胞質(zhì) RNA 分布，Phalloidin（如 Alexa Fluor 568 或 750）標記 F- 肌動蛋白細胞骨架，Wheat Germ Agglutinin (WGA) - Alexa Fluor 555 揭示高爾基體與細胞膜結構，MitoTracker Deep Red 則用于跟蹤線粒體。
成像過程通常使用高質(zhì)量物鏡，采集多通道 Z-stack 圖像，后續(xù)通過圖像處理軟件對多層圖像進行投影或深度投影算法進行分析處理，可獲取包括形態(tài)、紋理、強度等在內(nèi)的千余個特征，從而構建高維形態(tài)譜[3]。
由于 Cell Painting 技術涉及樣本制備、染色、成像及數(shù)據(jù)分析等多個實驗環(huán)節(jié)，各環(huán)節(jié)操作差異易影響結果穩(wěn)定性，為提升實驗數(shù)據(jù)的可比性與重現(xiàn)性，國際合作組織 JUMP-CP（Joint Undertaking for Morphological Profiling – Cell Painting）通過構建包含 90 種不同作用機制化合物的陽性對照體系，首次實現(xiàn)了 Cell Painting 實驗條件的系統(tǒng)性定量優(yōu)化。
該優(yōu)化策略不僅有效提升了實驗數(shù)據(jù)質(zhì)量，還顯著增強了不同檢測平臺間結果的一致性[5]。
早期的 Cell Painting 數(shù)據(jù)分析依賴于傳統(tǒng)的圖像處理軟件（如 CellProfiler），通過分割細胞和亞細胞結構來提取形態(tài)特征。然而，這種方法在處理大規(guī)模數(shù)據(jù)時計算成本高、耗時長。近年來，基于人工智能的深度學習方法的引入極大地提升了圖像分析的效率與準確性。例如，Molecular Devices 公司的 IN Carta 分析軟件，能夠直接從原始圖像中提取特征，無需多步驟顯式分割，不僅在速度上具有優(yōu)勢，還在多通量藥物篩選任務中表現(xiàn)出比傳統(tǒng)方法更高的圖像分割以及分割后分類的準確率。
02
Cell Painting 在腫瘤藥物篩選中的應用
雖然 2D 細胞模型具有操作簡便、成本較低的優(yōu)勢，但其在模擬腫瘤微環(huán)境復雜性、細胞間相互作用機制和藥物滲透性特性方面存在明顯局限。3D 細胞模型通過模擬體內(nèi)細胞外基質(zhì)結構，構建三維生長微環(huán)境，可重現(xiàn)細胞間緊密連接、梯度營養(yǎng)分布及細胞與基質(zhì)的相互作用，更貼近生理狀態(tài)下的細胞功能。其藥物滲透、代謝及毒性反應評估結果與體內(nèi)實驗相關性更高，能更精準預測藥物在體療效與安全性，為臨床前藥物篩選提供更可靠的科學依據(jù)，助力提升藥物研發(fā)效率與成功率。盡管 Cell Painting 技術最初是針對 2D 細胞模型開發(fā)的，但近年來已有多項研究證實其在 3D 腫瘤模型中的成功應用[6]。
其中，由 Molecular Devices、Tulane University 和 Protein Fluidics 聯(lián)合開展的一項研究，首次將 Cell Painting 技術應用于 3D 腫瘤模型的藥物篩選。該研究從一名對傳統(tǒng)化療（阿霉素、環(huán)磷酰胺、紫杉醇）耐藥的三陰性乳腺癌患者體內(nèi)建立了 TU-BcX-4IC 細胞系，該細胞系代表了一種化生性乳腺癌伴有三陰性乳腺癌（TNBC）表型 [7]。通過將 2D 擴增的細胞接種于 U 型底超低吸附 384 孔板中，成功形成了均勻的 3D 腫瘤球。利用 Molecular Devices 公司的 ImageXpress confocal 高內(nèi)涵成像系統(tǒng)搭配自動化工作站，對 168 種 FDA 批準的抗癌藥物進行了五濃度篩選（10 nM 至 100 μM）。以 24 小時為時間間隔進行明場和熒光成像，并利用 MetaXpress 和 IN Carta™ 分析軟件評估腫瘤球的大小、完整性和細胞活性。
Fig 2. Schematic diagram of the experimental workflow including generation of patient-derived cell line, formation of tumoroids in 384 well U-shape low attachment plates, compound treatment, staining, imaging and analysis [7]
該研究通過 Cell Painting 的優(yōu)化方案（包括延長染色時間、使用遠紅色 Phalloidin 分離肌動蛋白與高爾基體信號），成功獲取了 3D 腫瘤球的六通道熒光圖像，結合圖像的深度學習分割和數(shù)據(jù)分析，研究人員從每個腫瘤球中提取了 210 個形態(tài)特征，并利用分析軟件進行主成分分析（PCA）和聚類分析，計算出每種藥物的表型距離分數(shù)，以此評估藥物對腫瘤類器官的影響。結果顯示，該篩選體系成功識別出多種機制類別的活性化合物，包括組蛋白去乙�；敢种苿╮omidepsin、panobinostat）、蛋白酶體抑制劑（bortezomib、carfilzomib）和激酶抑制劑（trametinib、dasatinib）等。通過層次聚類分析，這些化合物根據(jù)其形態(tài)譜被分為不同的類別，與已知的作用機制（MoA）注釋高度一致。該研究還比較了 2D 與 3D 模型在藥物響應方面的差異。結果顯示，對于某些化合物（如 carfilzomib、trametinib），3D 模型表現(xiàn)出更高的 EC50 值，提示其更好的耐藥性模擬能力。
03
Cell Painting 在表型活性與毒性預測的應用
傳統(tǒng)的細胞健康評估方法通常依賴于單一指標，如細胞活性或細胞死亡率，這些方法在反映細胞在復雜條件下的健康狀態(tài)方面存在局限性。相比之下，Cell Painting 作為一種基于圖像的形態(tài)學表型分析技術，通過多通道熒光成像多種細胞組分，能夠提供細胞的多維度形態(tài)特征，從而更全面地反映細胞的健康狀態(tài)。有研究利用 Cell Painting 技術對經(jīng)不同化合物處理的細胞進行多通道熒光成像，該技術通過標記六種細胞器結構，生成了高達每細胞 1700 個維度的豐富形態(tài)學特征譜。
隨后，他們進一步采集了與之匹配的、由特定熒光報告基因測定的細胞健康表型數(shù)據(jù)，并以此作為機器學習模型的訓練標簽。通過數(shù)學統(tǒng)計算法，成功構建了包括死細胞比例（R²=0.62）、S期細胞數(shù)量（R²=0.64）和凋亡細胞百分比（R²=0.37）等多種細胞健康表型[8]。Cell Painting 技術不僅能夠識別有效化合物，還能在早期篩選階段有效排除具有潛在毒性的候選分子，從而顯著降低藥物研發(fā)后期失敗的風險。
04
Cell painting 技術的挑戰(zhàn)與未來
盡管 Cell Painting 在腫瘤藥物篩選中展現(xiàn)出巨大潛力，但其進一步發(fā)展仍面臨若干挑戰(zhàn)。Cell Painting 生成的高維數(shù)據(jù)雖然信息豐富，但如何將其轉(zhuǎn)化為具有生物學意義的見解仍是一大難題。許多形態(tài)特征缺乏直觀的生物學解釋，且不同特征之間可能存在高度共線性。同時，生物學模型也進入高速發(fā)展階段，目前比 2D 細胞更具有仿生性的 3D 細胞模型已逐漸走入更多的實驗室，但是為了追求更加仿生且穩(wěn)定的體外模型，科學家們正致力于構建更復雜、更加多元化的類器官及類器官共培養(yǎng)體系。但是 3D 環(huán)境中的光散射、熒光淬滅和細胞重疊等問題增加了圖像采集與分析的難度。當前多數(shù)研究仍依賴于 2D 投影而非真正的 3D 重建，可能導致信息丟失或誤解。開發(fā)更先進的 3D 圖像采集技術、3D 信息重構技術和深度學習分割算法，將有助于提升 3D Cell Painting 的數(shù)據(jù)質(zhì)量與分析精度。另外如前文所述，Cell Painting 涉及多個步驟，需要更多例如 JUMP-CP 等研究組織以及更多的實驗室，建立標準化的操作流程和數(shù)據(jù)處理方法，施以更多努力以實現(xiàn)真正的數(shù)據(jù)互通與整合。
05
討論
Cell Painting 作為一種高通量、多參數(shù)、無偏的細胞表型分析技術，已成為腫瘤藥物篩選和機制研究的重要工具。
通過全面捕捉細胞在擾動下的形態(tài)變化，它不僅能夠預測化合物的作用機制和毒性，還能揭示新的生物學見解和治療靶點。
隨著 3D 模型、深度學習技術和多模態(tài)數(shù)據(jù)整合方法的不斷發(fā)展，Cell Painting 有望在個性化醫(yī)療和精準腫瘤學中發(fā)揮越來越重要的作用。
然而，要實現(xiàn)其全部潛力，仍需在數(shù)據(jù)解讀、標準化和技術創(chuàng)新方面取得進一步突破。
相關產(chǎn)品鏈接：
ImageXpress HCS.ai 智能高內(nèi)涵成像分析系統(tǒng)
參考文獻
[1] Swinney DC, Anthony J. How were new medicines discovered? Nat Rev Drug Discov. 2011 Jun.
[2] Gustafsdottir SM, Ljosa V, Sokolnicki KL, Anthony Wilson J, et.al. Multiplex cytological profiling assay to measure diverse cellular states. PLoS One. 2013 Dec.
[3] Bray MA, Singh S, Han H, Davis CT, et.al. Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes. Nat Protoc. 2016 Sep.
[4] Seal S, Trapotsi MA, Spjuth O, et.al. Cell Painting: a decade of discovery and innovation in cellular imaging. Nat Methods. 2025 Feb.
[5] Cimini BA, Chandrasekaran SN, Kost-Alimova M, et.al. Optimizing the Cell Painting assay for image-based profiling. Nat Protoc. 2023 Jul.
[6] Imamura Y, Mukohara T, Shimono Y, et.al. Comparison of 2D- and 3D-culture models as drug-testing platforms in breast cancer. Oncol Rep. 2015 Apr.
[7] Oksana Sirenko, Courtney K Brock, Angeline Lim, et.al. Evaluating Drug Response in 3D Triple Negative Breast Cancer Tumoroids with High Content Imaging and Analysis. Research Square. 2022 Aust.
[8] Way GP, Kost-Alimova M, Shibue T, et.al. Predicting cell health phenotypes using image-based morphology profiling. Mol Biol Cell. 2021 Apr.
Cell Painting 是當前最常用的高內(nèi)涵形態(tài)學分析方案之一，由 Gustafsdottir 等人于 2013 年提出[2]。該技術使用六種熒光染料標記八個細胞結構（細胞核、核仁、內(nèi)質(zhì)網(wǎng)、線粒體、高爾基體、細胞膜、RNA 和細胞骨架），通過多通道成像獲取上千個形態(tài)特征，從而全面捕捉細胞狀態(tài)的變化[3]。Cell Painting 的優(yōu)勢在于其無需預設靶點，能夠發(fā)現(xiàn)未知機制化合物，并適用于多種細胞類型和擾動方式。近年來，隨著圖像分析算法、深度學習方法和計算平臺的快速發(fā)展，Cell Painting 已在腫瘤機制研究、藥物發(fā)現(xiàn)和毒性預測等領域展現(xiàn)出廣泛的應用價值，并且推動了多種候選藥物進入臨床或臨床前階段[4]。
本文將系統(tǒng)回顧 Cell Painting 技術的原理與進展，重點闡述其在腫瘤研究中的應用現(xiàn)狀，特別是在藥物篩選和機制解析方面的作用，并對當前面臨的挑戰(zhàn)和未來發(fā)展方向進行討論。
01
Cell Painting 技術原理與流程
Cell Painting 自提出以來歷經(jīng)十年發(fā)展，技術已經(jīng)過多個版本的更新，優(yōu)化了重復性與標準化流程，目前全球超 36 家學術機構及 51 家企業(yè)采用。
標準 Cell Painting 實驗采用經(jīng)過優(yōu)化的染料組合方案：
Hoechst 33342 用于標記細胞核，Concanavalin A-Alexa Fluor 488 特異性染色內(nèi)質(zhì)網(wǎng)，SYTO 14 顯示核仁與胞質(zhì) RNA 分布，Phalloidin（如 Alexa Fluor 568 或 750）標記 F- 肌動蛋白細胞骨架，Wheat Germ Agglutinin (WGA) - Alexa Fluor 555 揭示高爾基體與細胞膜結構，MitoTracker Deep Red 則用于跟蹤線粒體。
成像過程通常使用高質(zhì)量物鏡，采集多通道 Z-stack 圖像，后續(xù)通過圖像處理軟件對多層圖像進行投影或深度投影算法進行分析處理，可獲取包括形態(tài)、紋理、強度等在內(nèi)的千余個特征，從而構建高維形態(tài)譜[3]。
由于 Cell Painting 技術涉及樣本制備、染色、成像及數(shù)據(jù)分析等多個實驗環(huán)節(jié)，各環(huán)節(jié)操作差異易影響結果穩(wěn)定性，為提升實驗數(shù)據(jù)的可比性與重現(xiàn)性，國際合作組織 JUMP-CP（Joint Undertaking for Morphological Profiling – Cell Painting）通過構建包含 90 種不同作用機制化合物的陽性對照體系，首次實現(xiàn)了 Cell Painting 實驗條件的系統(tǒng)性定量優(yōu)化。
該優(yōu)化策略不僅有效提升了實驗數(shù)據(jù)質(zhì)量，還顯著增強了不同檢測平臺間結果的一致性[5]。
Fig 1. Morphological profiling using the Cell Painting assay [4]. A) Schematic representation of Cell Painting assay. B) Imaging and segmentation. C) Deep learning-based methods are applied to measure or calculate morphological features from the images. D) Downstream analysis. E) BODIPY to mark lipid droplets in lipid-accumulating cells. F) Coronavirus antibody against human coronavirus 229E (CoV-229E) viral protein
早期的 Cell Painting 數(shù)據(jù)分析依賴于傳統(tǒng)的圖像處理軟件（如 CellProfiler），通過分割細胞和亞細胞結構來提取形態(tài)特征。然而，這種方法在處理大規(guī)模數(shù)據(jù)時計算成本高、耗時長。近年來，基于人工智能的深度學習方法的引入極大地提升了圖像分析的效率與準確性。例如，Molecular Devices 公司的 IN Carta 分析軟件，能夠直接從原始圖像中提取特征，無需多步驟顯式分割，不僅在速度上具有優(yōu)勢，還在多通量藥物篩選任務中表現(xiàn)出比傳統(tǒng)方法更高的圖像分割以及分割后分類的準確率。
Video 1. Six cell painting assays being acquired using MetaXpress Acquire (Molecular Devices) at 20x magnification on a 84 well plate
02
Cell Painting 在腫瘤藥物篩選中的應用
雖然 2D 細胞模型具有操作簡便、成本較低的優(yōu)勢，但其在模擬腫瘤微環(huán)境復雜性、細胞間相互作用機制和藥物滲透性特性方面存在明顯局限。3D 細胞模型通過模擬體內(nèi)細胞外基質(zhì)結構，構建三維生長微環(huán)境，可重現(xiàn)細胞間緊密連接、梯度營養(yǎng)分布及細胞與基質(zhì)的相互作用，更貼近生理狀態(tài)下的細胞功能。其藥物滲透、代謝及毒性反應評估結果與體內(nèi)實驗相關性更高，能更精準預測藥物在體療效與安全性，為臨床前藥物篩選提供更可靠的科學依據(jù)，助力提升藥物研發(fā)效率與成功率。盡管 Cell Painting 技術最初是針對 2D 細胞模型開發(fā)的，但近年來已有多項研究證實其在 3D 腫瘤模型中的成功應用[6]。
其中，由 Molecular Devices、Tulane University 和 Protein Fluidics 聯(lián)合開展的一項研究，首次將 Cell Painting 技術應用于 3D 腫瘤模型的藥物篩選。該研究從一名對傳統(tǒng)化療（阿霉素、環(huán)磷酰胺、紫杉醇）耐藥的三陰性乳腺癌患者體內(nèi)建立了 TU-BcX-4IC 細胞系，該細胞系代表了一種化生性乳腺癌伴有三陰性乳腺癌（TNBC）表型 [7]。通過將 2D 擴增的細胞接種于 U 型底超低吸附 384 孔板中，成功形成了均勻的 3D 腫瘤球。利用 Molecular Devices 公司的 ImageXpress confocal 高內(nèi)涵成像系統(tǒng)搭配自動化工作站，對 168 種 FDA 批準的抗癌藥物進行了五濃度篩選（10 nM 至 100 μM）。以 24 小時為時間間隔進行明場和熒光成像，并利用 MetaXpress 和 IN Carta™ 分析軟件評估腫瘤球的大小、完整性和細胞活性。
Fig 2. Schematic diagram of the experimental workflow including generation of patient-derived cell line, formation of tumoroids in 384 well U-shape low attachment plates, compound treatment, staining, imaging and analysis [7]
該研究通過 Cell Painting 的優(yōu)化方案（包括延長染色時間、使用遠紅色 Phalloidin 分離肌動蛋白與高爾基體信號），成功獲取了 3D 腫瘤球的六通道熒光圖像，結合圖像的深度學習分割和數(shù)據(jù)分析，研究人員從每個腫瘤球中提取了 210 個形態(tài)特征，并利用分析軟件進行主成分分析（PCA）和聚類分析，計算出每種藥物的表型距離分數(shù)，以此評估藥物對腫瘤類器官的影響。結果顯示，該篩選體系成功識別出多種機制類別的活性化合物，包括組蛋白去乙�；敢种苿╮omidepsin、panobinostat）、蛋白酶體抑制劑（bortezomib、carfilzomib）和激酶抑制劑（trametinib、dasatinib）等。通過層次聚類分析，這些化合物根據(jù)其形態(tài)譜被分為不同的類別，與已知的作用機制（MoA）注釋高度一致。該研究還比較了 2D 與 3D 模型在藥物響應方面的差異。結果顯示，對于某些化合物（如 carfilzomib、trametinib），3D 模型表現(xiàn)出更高的 EC50 值，提示其更好的耐藥性模擬能力。
Fig 3.The Cell Painting assay modified for 3D spheroids. A) Spheroids were labeled with phalloidin,MitoTracker, WGA, SYTO 14, concanavalin A and Hoechst 33342. B) Scatterplot representing the phenotypic distance score for each compound is shown. C) Results of cluster analysis are represented as a hierarchical dendrogram. D) Example images grouped by cluster from the Cell Painting assay
03
Cell Painting 在表型活性與毒性預測的應用
傳統(tǒng)的細胞健康評估方法通常依賴于單一指標，如細胞活性或細胞死亡率，這些方法在反映細胞在復雜條件下的健康狀態(tài)方面存在局限性。相比之下，Cell Painting 作為一種基于圖像的形態(tài)學表型分析技術，通過多通道熒光成像多種細胞組分，能夠提供細胞的多維度形態(tài)特征，從而更全面地反映細胞的健康狀態(tài)。有研究利用 Cell Painting 技術對經(jīng)不同化合物處理的細胞進行多通道熒光成像，該技術通過標記六種細胞器結構，生成了高達每細胞 1700 個維度的豐富形態(tài)學特征譜。
隨后，他們進一步采集了與之匹配的、由特定熒光報告基因測定的細胞健康表型數(shù)據(jù)，并以此作為機器學習模型的訓練標簽。通過數(shù)學統(tǒng)計算法，成功構建了包括死細胞比例（R²=0.62）、S期細胞數(shù)量（R²=0.64）和凋亡細胞百分比（R²=0.37）等多種細胞健康表型[8]。Cell Painting 技術不僅能夠識別有效化合物，還能在早期篩選階段有效排除具有潛在毒性的候選分子，從而顯著降低藥物研發(fā)后期失敗的風險。
04
Cell painting 技術的挑戰(zhàn)與未來
盡管 Cell Painting 在腫瘤藥物篩選中展現(xiàn)出巨大潛力，但其進一步發(fā)展仍面臨若干挑戰(zhàn)。Cell Painting 生成的高維數(shù)據(jù)雖然信息豐富，但如何將其轉(zhuǎn)化為具有生物學意義的見解仍是一大難題。許多形態(tài)特征缺乏直觀的生物學解釋，且不同特征之間可能存在高度共線性。同時，生物學模型也進入高速發(fā)展階段，目前比 2D 細胞更具有仿生性的 3D 細胞模型已逐漸走入更多的實驗室，但是為了追求更加仿生且穩(wěn)定的體外模型，科學家們正致力于構建更復雜、更加多元化的類器官及類器官共培養(yǎng)體系。但是 3D 環(huán)境中的光散射、熒光淬滅和細胞重疊等問題增加了圖像采集與分析的難度。當前多數(shù)研究仍依賴于 2D 投影而非真正的 3D 重建，可能導致信息丟失或誤解。開發(fā)更先進的 3D 圖像采集技術、3D 信息重構技術和深度學習分割算法，將有助于提升 3D Cell Painting 的數(shù)據(jù)質(zhì)量與分析精度。另外如前文所述，Cell Painting 涉及多個步驟，需要更多例如 JUMP-CP 等研究組織以及更多的實驗室，建立標準化的操作流程和數(shù)據(jù)處理方法，施以更多努力以實現(xiàn)真正的數(shù)據(jù)互通與整合。
05
討論
Cell Painting 作為一種高通量、多參數(shù)、無偏的細胞表型分析技術，已成為腫瘤藥物篩選和機制研究的重要工具。
通過全面捕捉細胞在擾動下的形態(tài)變化，它不僅能夠預測化合物的作用機制和毒性，還能揭示新的生物學見解和治療靶點。
隨著 3D 模型、深度學習技術和多模態(tài)數(shù)據(jù)整合方法的不斷發(fā)展，Cell Painting 有望在個性化醫(yī)療和精準腫瘤學中發(fā)揮越來越重要的作用。
然而，要實現(xiàn)其全部潛力，仍需在數(shù)據(jù)解讀、標準化和技術創(chuàng)新方面取得進一步突破。
相關產(chǎn)品鏈接：
ImageXpress HCS.ai 智能高內(nèi)涵成像分析系統(tǒng)
參考文獻
[1] Swinney DC, Anthony J. How were new medicines discovered? Nat Rev Drug Discov. 2011 Jun.
[2] Gustafsdottir SM, Ljosa V, Sokolnicki KL, Anthony Wilson J, et.al. Multiplex cytological profiling assay to measure diverse cellular states. PLoS One. 2013 Dec.
[3] Bray MA, Singh S, Han H, Davis CT, et.al. Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes. Nat Protoc. 2016 Sep.
[4] Seal S, Trapotsi MA, Spjuth O, et.al. Cell Painting: a decade of discovery and innovation in cellular imaging. Nat Methods. 2025 Feb.
[5] Cimini BA, Chandrasekaran SN, Kost-Alimova M, et.al. Optimizing the Cell Painting assay for image-based profiling. Nat Protoc. 2023 Jul.
[6] Imamura Y, Mukohara T, Shimono Y, et.al. Comparison of 2D- and 3D-culture models as drug-testing platforms in breast cancer. Oncol Rep. 2015 Apr.
[7] Oksana Sirenko, Courtney K Brock, Angeline Lim, et.al. Evaluating Drug Response in 3D Triple Negative Breast Cancer Tumoroids with High Content Imaging and Analysis. Research Square. 2022 Aust.
[8] Way GP, Kost-Alimova M, Shibue T, et.al. Predicting cell health phenotypes using image-based morphology profiling. Mol Biol Cell. 2021 Apr.
Copyright(C) 1998-2026 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com