显微镜知识库

徕卡显微系统的知识库提供有关显微镜学科的科学研究和教学材料。内容旨在对显微镜初学者、有经验的显微镜操作实践者和使用显微镜的科学家在他们的日常工作和实验有所帮助。这里有探索交互式教程和应用笔记，你可以找到你需要的显微镜的基础知识以及前沿技术——快来加入徕卡显微知识社区，分享您的专业知识！

Digital microscopy simplifies documenting cell-culture results electronically while following 21 CFR part 11 guidelines for biopharma.

细胞培养电子记录的 21 CFR 第 11 部分简介

本文介绍了 FDA 21 CFR 第 11 部分的建议，特别关注细胞培养实验室中的审计追踪和用户管理。本文旨在为负责确保电子记录和电子签名符合 21 CFR 第 11 部分的生物技术和制药行业专业人士提供指导。数字式显微镜方法，例如 Mateo FL，相较于纸质方法，提供了更一致和高效的细胞培养结果电子文档记录的优势。

Automated Laser Microdissection for Proteome Analysis

深度视觉蛋白质组学提供精确的空间蛋白质组信息

尽管可使用基于成像和质谱的方法进行空间蛋白质组学研究，但是图像与单细胞分辨率蛋白丰度测量值的关联仍然是个巨大的挑战。最近引入的一种方法，深层视觉蛋白质组学（DVP），将细胞表型的人工智能图像分析与自动化的单细胞或单核激光显微切割及超高灵敏度的质谱分析结合在了一起。DVP在保留空间背景的同时，将蛋白丰度与复杂的细胞或亚细胞表型关联在一起。

GLP-1 and PYY localized to distinct secretory pools in L-cells.

前沿成像技术用于 GPCR 信号传导

通过这个按需网络研讨会，提升您的药理研究，了解 GPCR 信号传导，并探索旨在理解 GPCR 信号如何转化为细胞和生理反应的尖端成像技术。发现领先的研究，扩展我们对这些关键通路的认识，以寻找新的药物发现途径。

Stripe assay performed on a THUNDER Imager Cell. Courtesy of Maria Carrasquero Ordaz, University of Oxford.

揭示神经元迁移的分子奥秘

研究发育中大脑神经元向生态位迁移可采用多种方法。在本场研讨会中，牛津大学的专家们将展示他们用于阐明神经发育期间神经元向皮层功能层迁移的分子机制的显微技术与实验方法。理解这些过程将有助于更深入地认识健康大脑的发育机制，并可能为神经发育障碍提供更优治疗方案。

AI-based cell counting performed with a phase-contrast and fluorescence image using the Mateo FL microscope.

利用AI增强的细胞计数实现精准和高效

本文描述了利用AI进行精确和高效的细胞计数。准确的细胞计数对于 2D 细胞培养的研究至关重要，例如细胞动力学、药物发现和疾病建模。精确的细胞计数对于确定细胞存活率、增殖速率和实验条件的影响至关重要。这些因素对于可靠和稳健的结果至关重要。描述了基于人工智能的方法如何显著提高细胞计数的准确性和速度，从而对细胞研究产生重大影响。

AI-based transfection analysis (left) of U2OS cells which were transfected with a fluorescently labelled protein. A fluorescence image of the cells (right) is also shown. The analysis and imaging were performed with Mateo FL.

利用AI实现细胞转染的高效分析

本文探讨了AI（AI）在优化 2D 细胞培养研究中转染效率测量中的关键作用。对于理解细胞机制而言，精确可靠的 2D 细胞培养转染效率测量至关重要。靶向蛋白的高转染效率对于包括活细胞成像和蛋白纯化在内的实验至关重要。手动估计存在不一致性和不可靠性。借助AI的力量，可以实现高效可靠的转染研究。

Image of confluent cells taken with phase contrast (left) and analyzed for confluency using AI (right).

通过 AI 汇合度提高 2D 细胞培养的精度

本文解释了如何利用人工智能（AI）进行高效、精确的 2D 细胞培养汇合度评估。准确评估细胞培养的汇合度，即表面积覆盖的百分比，对于可靠的细胞研究至关重要。传统方法使用视觉检查或简单算法，使结果不客观和精确，尤其是对于用于药物发现、组织工程和再生医学的复杂细胞系。利用自动化图像分析和深度学习算法的方法提供更好的精度，并可以增强实验结果。

40x magnification of organoids cluster taken on Mateo TL.Cell type: esophageal squamous carcinoma; scale bar 15µm. Courtesy of bioGenous, China.

克服类器官三维细胞培养中的观察挑战

类器官在细胞生物学和药物发现中至关重要，因为它们能够模拟体内细胞的复杂性和结构，有助于癌症等微环境至关重要的疾病研究。类器官可根据患者的基因型进行定制，这也有助于个性化医学研究。

Masson-Goldner staining of a hedgehog brain slice.

如何优化您的组织学工作流程

简化您的组织学工作流程。独特的 Fluosync 检测方法内置于Mica中，可实现单次高分辨率 RGB 彩色成像。