圖片說明:3D人類扁桃體組織,使用8種OPAL染料和DAPI標(biāo)記的9-plex人類扁桃體組織,在STELLARIS共聚焦系統(tǒng)上獲取。使用Aivia中的3D Multiplexed Cell Analysis recipe對(duì)組織中的上皮細(xì)胞和免疫細(xì)胞進(jìn)行了分割。
圖片來源:Leica Microsystems的Dr. Tatjana Straka。
亮
點(diǎn)
一
3D Multiplex細(xì)胞檢測(cè)
我們zui前沿的deep learning模型,無需細(xì)胞核染色也可快速精準(zhǔn)分割3D細(xì)胞。增強(qiáng)后的cellpose【1】模型增速78%,這將大幅加速您的研究進(jìn)程,助您迅速獲得空間組學(xué)洞察。更棒的是,您可以通過Aivia Community在任何PC工作站上無縫分享您的突破性發(fā)現(xiàn),與全球科學(xué)家共同進(jìn)步!
【1】:Stringer C, Wang T, Michaelos M, and Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation. Nature Methods. 18: 100-106. (2021)
Media Gallery
左右滑動(dòng)查看更多
亮
點(diǎn)
二
專家或數(shù)據(jù)驅(qū)動(dòng)的表型分析極簡(jiǎn)化
Aivia內(nèi)置的Phenotyper基于您的專業(yè)知識(shí)對(duì)2D/3D細(xì)胞聚類分析。除此之外,Aivia還提供無監(jiān)督自動(dòng)聚類方案k-means clustering【2】或PhenoGraph-Leiden clustering【3】,可以基于強(qiáng)度或PhenoGraph-Leiden clustering【3】,可以基于強(qiáng)度或形態(tài)測(cè)量進(jìn)行聚類。新增的confidence value功能,可以讓用戶可以讓用戶去除低confidence object或只保留最高confidence value obecjt用于下游分析。
在此視頻中,僅選擇具有最高置信值(用戶定義為0.85)的細(xì)胞以創(chuàng)建一個(gè)單獨(dú)的表型,用于與其他包括較低置信值的表型進(jìn)行比較。
Media Gallery
左右滑動(dòng)查看更多
亮
點(diǎn)
三
生物標(biāo)記物分組
通過分組相關(guān)的biomarker(例如腫瘤標(biāo)記,免疫細(xì)胞標(biāo)記),輕松地在復(fù)雜的多重標(biāo)記數(shù)據(jù)中一起可視化生物相關(guān)channel,一次輕松切換多個(gè)通道。自動(dòng)將生物相關(guān)通道填充到Phenotyper類別和channel中,并利用功能分組通過Marker-Cluster樹狀圖來解釋數(shù)據(jù),探索biomarker和phenotype之間的關(guān)系。
打開和關(guān)閉每個(gè)頻道組會(huì)同時(shí)打開和關(guān)閉該組中的所有標(biāo)記
Media Gallery
Biologically relevant channel grouping
左右滑動(dòng)查看更多
亮
點(diǎn)
四
復(fù)雜空間數(shù)據(jù)探索
創(chuàng)新性可視化工具增強(qiáng)了數(shù)據(jù)分析和空間關(guān)系分析。Aivia 14提供一整套新工具來探索和可視化復(fù)雜數(shù)據(jù)和空間關(guān)系,適用于2D/3D復(fù)雜數(shù)據(jù)和具有多重形態(tài)學(xué)數(shù)值的常規(guī)共聚焦顯微圖像??傆幸豢钸m合你!快來看看吧!
關(guān)鍵特征如下:
1
phenotyping過程中自動(dòng)產(chǎn)生summary數(shù)據(jù),展示統(tǒng)計(jì)值以及百分比。
2
Marker-Cluster Dendrogram揭示了強(qiáng)度或形態(tài)學(xué)測(cè)量值與表型之間的關(guān)系,并通過增強(qiáng)的交互性來探索圖像中感興趣的表型、通道和形態(tài)測(cè)量。
3
按聚類對(duì)測(cè)量進(jìn)行排序或按測(cè)量對(duì)聚類進(jìn)行排序,以便輕松解讀復(fù)雜數(shù)據(jù)。
4
新的double-sided Violin plot,可用于比較不同組或表型中兩個(gè)測(cè)量值之間的數(shù)據(jù)分布。
5
Pearson Correlation Heatmap,用于可視化不同組或表型中兩個(gè)測(cè)量值之間的相關(guān)性。
6
Binned scatterplot 用于全面分析不同對(duì)象或表型中兩個(gè)不同測(cè)量值的數(shù)據(jù)分布。
7
Dimensionality reduction(UMAP、PacMAP、t-SNE),用于將高維數(shù)據(jù)簡(jiǎn)化到二維空間,便于數(shù)據(jù)解釋。
8
Multi-well scatterplot ,用于繪制每個(gè)孔、每個(gè)實(shí)驗(yàn)條件或整個(gè)板上所有條件的數(shù)據(jù)。
此外,我們的關(guān)系工具通過交互選擇圖像上的對(duì)象或表型,并使用spotlight功能可視化選擇,能夠精確測(cè)量單個(gè)對(duì)象或表型之間的頂點(diǎn)到頂點(diǎn)的3D距離。
快來體驗(yàn)Aivia 14的強(qiáng)大功能,
開啟數(shù)據(jù)分析的新篇章吧!
選擇樹狀圖中的單個(gè)圖塊,以在圖像查看器中打開所選的標(biāo)記通道(或多個(gè)通道)。
Marker-Cluster Dendrogram
左右滑動(dòng)查看更多
電話
微信掃一掃