組織分型
HALO利用最先進的機器學習算法,基于顏色、紋理和周圍環境特征來識別不同組織類型。利用“示例學習”的方法,首先突出選中幾個不同的組織類型,幾秒鐘內HALO就能學會組織識別及分類。
多重IHC
HALO可以在任何細胞單位(細胞核、細胞質或細胞膜)內同時分離多達5個染色點,可用于IHC的各種應用,特別適合在免疫腫瘤學研究中,需要多種標記來描述組織內不同的免疫和腫瘤細胞群的情況。每個細胞分別測量細胞質、細胞核和/或膜的陽性,還能同時提供與大小和染色強度指標有關的其他各種統計數據。
該圖中,用棕色(DAB)核標記、藍色膜標記、粉紅色/紅色細胞質標記和蘇木精核復染對組織核進行染色。使用兩種核染色(蘇木精和DAB)和一種膜染色(藍色)的組合對細胞進行分葉。在對應的標記圖像中,陽性核為棕色,陰性核為藍色。同樣,膜標記陽性的細胞為藍色,胞質標記陽性的細胞為粉紅色。
多色免疫熒光
HALO可同時分析任何細胞單位(細胞核、細胞質和/膜)中無限數量的熒光標記,并且可以根據標記陽性來定義特定的細胞表型,因此非常適合應用于免疫腫瘤學,因為在免疫腫瘤學中需要多個標記來描述組織內不同的免疫和腫瘤細胞群。
該案例中,熒光圖像顯示了5種顏色——膜結合腫瘤標記物為紅色,細胞質標記物為青色,兩個不同的核標記物為綠色和玫紅色,以及藍色的DAPI復染。在標記圖像中,細胞核、細胞質和細胞膜會根據每個標記的細胞陽性率進行著色。所有標記為陰性的細胞為黑色,多個標記為陽性的細胞為白色,單個標記為陽性的細胞則按該標記的顏色著色。當與空間分析一起使用時,還可以實現對這些細胞群的空間關系的進一步探索。
空間分析:
空間分析適用于免疫腫瘤學領域的研究,可用于識別目標、細胞和/或某些特征在單個組織或連續切片上的鄰近性和相對空間分布。
最鄰近分析:HALO可確定任意兩種特定細胞或目標群體之間的平均距離及數量。
示例中描述了pan細胞角蛋白陽性細胞(藍色)和CD4陽性細胞(紅色)?;揖€將每個CD4陽性細胞連接到最近的pan細胞角蛋白陽性細胞。
鄰近分析:可針對某目標或細胞計算指定距離內的其他目標或細胞數量。
在該示例中,將距離設置為30微米。距離pan細胞角蛋白陽性細胞(藍色)30微米內的CD8陽性細胞標記為綠色,而距離pan細胞角蛋白陽性細胞大于30微米的CD8陽性胞標記為紫色。而且可自動生成相應的鄰近直方圖。
浸潤分析:針對感興趣的注釋區域范圍內計算某些目標或細胞的數量。
上圖是CD8染色的全景圖片。腫瘤邊界已用綠色標注。浸潤分析可自動定義腫瘤內部的浸潤邊界(黃色和紅色)和腫瘤外部的浸潤邊界(藍色和紫色)。在本例中,將帶注釋的腫瘤邊界周圍的距離設置為500微米。對CD8陽性細胞進行了邊緣定量,自動生成了下方直方圖,反映出腫瘤邊界(-1到-500)以內、腫瘤邊界處(0)及腫瘤邊界以外(+1到+500)的CD8+細胞密度。