Leica Microsystems: 显微镜科学与教学知识中心

显微镜科学与教学知识中心

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！

Colon adenocarcinoma with 13 biomarkers shown

利用Cell DIVE 在单细胞水平上进行超复杂癌症组织分析

能够研究淋巴瘤细胞的异质性如何受到细胞对其微环境反应的影响，尤其是在突变、转录组和蛋白质水平上。蛋白质表达研究提供了有关细胞相互作用性质和蛋白质表达水平的最相关信息。超复合工作流程可用于研究同一癌症组织中的多种蛋白质。

Left-hand image: The distribution of immune cells (white) and blood vessels (pink) in white adipose tissue (image captured using the THUNDER Imager 3D Cell Culture). Right-hand image: The same image after automated analysis using Aivia, with each immune cell color-coded based on its distance to the nearest blood vessel. Image courtesy of Dr. Selina Keppler, Munich, Germany.

精确分析宽视野荧光图像

利用荧光显微镜的特异性，即便是使用厚样品和大尺寸样品，研究人员也能够快速轻松地准确观察和分析生物学过程和结构。然而，离焦荧光会提高背景荧光，降低对比度，影响图像的精确分割。THUNDER 与Aivia 的组合可以有效解决这一问题。前者可以消除图像模糊，后者会使用人工智能技术自动分析宽视野图像，提高操作速度和精确性。下面，我们来详细了解下这一协作方法。

光学相干断层扫描（OCT）引导下视网膜手术的临床研讨会

在本记录中，来自新加坡某眼科中心的A教授和来自西班牙巴塞罗那某儿童医院的B医生分享了他们使用眼科显微镜所提供的术中OCT行视网膜手术的技术经验。他们报告了从常规黄斑裂孔手术到基因治疗的多个感兴趣儿科病例。

Cellular microtubule network in a fibroblast cell

如何为免疫荧光显微镜制备样本

免疫荧光（IF）是一种用于可视化观察细胞内过程、状态和结构的强大工具。IF制剂可通过多种显微镜技术（如激光共聚焦、宽场荧光、全内反射成像等）来加以分析，具体取决于应用目的或研究人员的关注重点。与此同时，在很多使用至少一套简易荧光显微镜的研究工作组当中，IF早已成为不可缺少的一部分。

荧光活细胞成像技术

理解复杂和/或快速的细胞动力学是探索生物过程的重要一步。因此，如今的生命科学研究越来越关注动态过程，例如细胞迁移，细胞、器官或整个动物的形态变化，以及活体样本中的实时生理事件（如细胞内离子成分的变化）。满足此类高难度需求的一种方法是采用某些统称为活细胞成像的光学方法。

荧光显微镜的基本原理是借助荧光染料对细胞成分进行高度特异性的可视化观察。这可能是一种与兴趣蛋白质遗传相关的荧光蛋白，如绿色荧光蛋白（GFP）等。如果克隆无法实现，例如在组织学样本上无法实现，则需要使用另一种技术如免疫荧光染色来对兴趣蛋白质进行可视化观察。为此，人们使用抗体来连接不同的荧光染料并将其直接或间接地结合到适当的靶点上。此外，借助荧光染料，荧光显微镜的应用就不再仅局限于蛋白质观察，还能对核…

人工智能驱动的像素分类器

通过人工操作获得可重复的结果需要具备专业知识，而且工作冗长乏味。但是，现在有一种方法可以克服这些挑战，通过加快这种分析来提取图像的真正价值并获得深入的认识。人工智能驱动的像素分类器可快速提供可重复的分割结果，克服了人工操作问题。与基于功能的传统自动化相比，它可以提供更可靠的结果。

在显微成像和图像分析中运用人工智能和机器学习技术

Emma Lundberg 教授是瑞典 KTH 皇家理工学院细胞生物学蛋白质组学教授。她还是细胞图谱项目的总监，该项目是瑞典人类蛋白质图谱(HPA)项目不可或缺的组成部分，后者是用于研究人类蛋白质组的开源资源。细胞图谱项目是 HPA 的一部分，提供人类细胞系中 RNA 和蛋白质的表达及时空分布的高分辨率图像。Lundberg…

在显微图像分析中运用机器学习技术

显微成像技术最近取得了令人振奋的进展，因此，在生物医学研究中采集的图像数据无论质量还是数量都呈指数级增长。但是，分析日益复杂的大型图像数据集以提取有意义的信息可能是一个既枯燥又耗时的过程，而且容易出现人为误差和偏差，这经常给许多研究人员造成生产效率瓶颈。