Application of a deep learning-based image analysis and live-cell imaging system for quantifying adipogenic differentiation kinetics of adipose-derived stem/stromal cells.
Brooks PT., Munthe-Fog L., Rieneck K., Banch Clausen F., Rivera OB., Kannik Haastrup E.
การศึกษาในห้องปฏิบัติการ ตีพิมพ์ในวารสาร Adipocyte ปี 2021 — สรุปอัตโนมัติจากบทคัดย่อ PubMed
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
- ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
- ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
- ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
- ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
- กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง
ข้อมูลหน้านี้ดึงมาจากฐานข้อมูล PubMed โดยตรง คำอธิบายภาษาไทยเป็นสรุปอัตโนมัติจากข้อมูลบรรณานุกรมและบทคัดย่อ ไม่ใช่การแปลทั้งฉบับ และไม่ใช่คำแนะนำทางการแพทย์
- ประเภทการศึกษา
- การศึกษาในห้องปฏิบัติการ
- วารสาร
- Adipocyte (2021)
- ประเทศ
- United States
- จำนวนผู้เข้าร่วม (จากบทคัดย่อ)
- —
- แหล่งข้อมูล
- PubMed
- PMID
- 34747303
- PMCID
- PMC8632106
- DOI
- 10.1080/21623945.2021.2000696
- จำนวนการอ้างอิง
- 7
บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)
Quantitative methods for assessing differentiative potency of adipose-derived stem/stromal cells may lead to improved clinical application of this multipotent stem cell, by advancing our understanding of specific processes such as adipogenic differentiation. Conventional cell staining methods are used to determine the formation of adipose areas during adipogenesis as a qualitative representation of adipogenic potency. Staining methods such as oil-red-O are quantifiable using absorbance measurements, but these assays are time and material consuming. Detection methods for cell characteristics using advanced image analysis by machine learning are emerging. Here, live-cell imaging was combined with a deep learning-based detection tool to quantify the presence of adipose areas and lipid droplet formation during adipogenic differentiation of adipose-derived stem/stromal cells. Different detection masks quantified adipose area and lipid droplet formation at different time points indicating kinetics of adipogenesis and showed differences between individual donors. Whereas CEBPA and PPARG expression seems to precede the increase in adipose area and lipid droplets, it might be able to predict expression of ADIPOQ . The applied method is a proof of concept, demonstrating that deep learning methods can be used to investigate adipogenic differentiation and kinetics in vitro using specific d
สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์
- • งานวิจัยนี้ไม่ได้พิสูจน์ว่า SVF เป็นการรักษาที่ได้รับการรับรอง หรือใช้แทนการรักษามาตรฐานได้
- • เป็นการศึกษาก่อนคลินิก ผลในสัตว์ทดลองหรือห้องปฏิบัติการไม่สามารถนำมาสรุปผลในมนุษย์ได้
ระดับหลักฐาน
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
ดูวิธีจัดระดับหลักฐานดูงานวิจัยทั้งหมดที่เกี่ยวข้อง
กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้