Image-based cell profiling is a high-throughput strategy for the quantification of phenotypic differences among a variety of cell populations. It paves the way to studying biological systems on a large scale by using chemical and genetic perturbations. The general workflow for this technology involves image acquisition with high-throughput microscopy systems and subsequent image processing and analysis. Here, we introduce the steps required to create high-quality image-based (i.e., morphological) profiles from a collection of microscopy images. We recommend techniques that have proven useful in each stage of the data analysis process, on the basis of the experience of 20 laboratories worldwide that are refining their image-based cell-profiling methodologies in pursuit of biological discovery. The recommended techniques cover alternatives that may suit various biological goals, experimental designs, and laboratories' preferences.

Abstract Imaging flow cytometry combines the high-throughput capabilities of conventional flow cytometry with single-cell imaging. Here we demonstrate label-free prediction of DNA content and quantification of the mitotic cell cycle phases by applying supervised machine learning to morphological features extracted from brightfield and the typically ignored darkfield images of cells from an imaging flow cytometer. This method facilitates non-destructive monitoring of cells avoiding potentially confounding effects of fluorescent stains while maximizing available fluorescence channels. The method is effective in cell cycle analysis for mammalian cells, both fixed and live, and accurately assesses the impact of a cell cycle mitotic phase blocking agent. As the same method is effective in predicting the DNA content of fission yeast, it is likely to have a broad application to other cell types.

We show that deep convolutional neural networks combined with nonlinear dimension reduction enable reconstructing biological processes based on raw image data. We demonstrate this by reconstructing the cell cycle of Jurkat cells and disease progression in diabetic retinopathy. In further analysis of Jurkat cells, we detect and separate a subpopulation of dead cells in an unsupervised manner and, in classifying discrete cell cycle stages, we reach a sixfold reduction in error rate compared to a recent approach based on boosting on image features. In contrast to previous methods, deep learning based predictions are fast enough for on-the-fly analysis in an imaging flow cytometer.The interpretation of information-rich, high-throughput single-cell data is a challenge requiring sophisticated computational tools. Here the authors demonstrate a deep convolutional neural network that can classify cell cycle status on-the-fly.

Abstract We show that deep convolutional neural networks combined with non-linear dimension reduction enable reconstructing biological processes based on raw image data. We demonstrate this by recon-structing the cell cycle of Jurkat cells and disease progression in diabetic retinopathy. In further analysis of Jurkat cells, we detect and separate a subpopulation of dead cells in an unsupervised manner and, in classifying discrete cell cycle stages, we reach a 6-fold reduction in error rate compared to a recent approach based on boosting on image features. In contrast to previous methods, deep learning based predictions are fast enough for on-the-fly analysis in an imaging flow cytometer.

Abstract Blood transfusion is a life-saving clinical procedure. With millions of units needed globally each year, it is a growing concern to improve product quality and recipient outcomes. Stored red blood cells (RBCs) undergo continuous degradation, leading to structural and biochemical changes. To analyze RBC storage lesions, complex biochemical and biophysical assays are often employed. We demonstrate that label-free imaging flow cytometry and deep learning can characterize RBC morphologies during 42-day storage, replacing the current practice of manually quantifying a blood smear from stored blood units. Based only on bright field and dark field images, our model achieved 90% accuracy in classifying six different RBC morphologies associated with storage lesions versus human-curated manual examination. A model fitted to the deep learning-extracted features revealed a pattern of morphological changes within the aging blood unit that allowed predicting the expiration date of stored blood using solely morphological assessment. Deep learning and label-free imaging flow cytometry could therefore be applied to reduce complex laboratory procedures and facilitate robust and objective characterization of blood samples.

Abstract We have carried out a systems-level analysis of the spatial and temporal dynamics of cell cycle regulators in the fission yeast Schizosaccharomyces pombe . In a comprehensive single cell analysis we have precisely quantified the levels of 38 proteins previously identified as regulators of the G2 to mitosis transition, and of 7 proteins acting at the G1 to S-phase transition. Only two of the 38 mitotic regulators exhibit changes in concentration at the whole cell level, the mitotic B-type cyclin Cdc13 which accumulates continually throughout the cell cycle, and the regulatory phosphatase Cdc25 which exhibits a complex cell cycle pattern. Both proteins show similar patterns of change within the nucleus as in the whole cell but at higher concentrations. In addition, the concentrations of the major fission yeast cyclin dependent kinase (CDK) Cdc2, the CDK regulator Suc1 and the inhibitory kinase Wee1 also increase in the nucleus peaking at mitotic onset but are constant in the whole cell. The significant increase in concentration with size for Cdc13 supports the model that mitotic B-type cyclin accumulation acts as a cell size sensor. We propose a two-step process for the control of mitosis. First, Cdc13 accumulates in a size-dependent manner which drives increasing CDK activity. Second, from mid G2 the increasing nuclear accumulation of Cdc25 and the counteracting Wee1 introduces a bistability switch that results in a rapid rise of CDK activity at the end of G2 and thus brings about an orderly progression into mitosis. Significance Statement Across eukaryotes the increasing level of cyclin dependent kinase (CDK) activity drives progression through the cell cycle. As most cells divide at specific sizes, information responding to the size of the cell must feed into the regulation of CDK activity. In this study, we use fission yeast to precisely measure how proteins that have been previously identified in genome wide screens as cell cycle regulators change in their levels with cell cycle progression. We identify the mitotic B-type cyclin Cdc13 and mitotic inhibitory phosphatase Cdc25 as the only two proteins that change in both whole cell and nuclear concentration through the cell cycle, making them candidates for universal cell size sensors at the onset of mitosis and cell division.

Abstract The human breast and ovine mammary gland undergo a striking degree of postnatal development, leading to formation of terminal duct lobular units (TDLUs). In this study we interrogated aspects of sheep TDLU growth to increase understanding of ovine mammogenesis and as a model for the study of breast development. Mammary epithelial proliferation is significantly higher in lambs less than two months old than in peri-pubertal animals. Ki67 expression is polarized to the leading edge of the developing TDLUs. Intraepithelial ductal macrophages exhibit striking periodicity and significantly increased density in lambs approaching puberty. Stromal macrophages are more abundant centrally than peripherally. The developing ovine mammary gland is infiltrated by intraepithelial and stromal T lymphocytes that are significantly more numerous in older lambs. In the stroma, hotspots of Ki67 expression colocalize with large aggregates of lymphocytes and macrophages. Multifocally these aggregates exhibit distinct organization consistent with tertiary lymphoid structures. The lamb mammary gland thus exhibits a dynamic mucosal and stromal immune microenvironment and, as such, constitutes a valuable model system that provides new insights into postnatal breast development. Summary statement Development of terminal duct lobular units in the sheep mammary gland involves distinct growth phases and macrophage and lymphocyte fluxes. Tertiary lymphoid structures are present subjacent to the mucosal epithelium.

Abstract Analysis of Imaging Mass Cytometry (IMC) data and other low-resolution multiplexed tissue imaging technologies is often confounded by poor single cell segmentation and sub-optimal approaches for data visualisation and exploration. This can lead to inaccurate identification of cell phenotypes, states or spatial relationships compared to reference data from single cell suspension technologies. To this end we have developed the “OPTIMAL” framework to benchmark any approaches for cell segmentation, parameter transformation, batch effect correction, data visualisation/clustering and spatial neighbourhood analysis. Using a panel of 27 metal-tagged antibodies recognising well characterised phenotypic and functional markers to stain the same FFPE human tonsil sample Tissue Microarray (TMA) over 12 temporally distinct batches we tested several cell segmentation models, a range of different arcsinh cofactor parameter transformation values, five different dimensionality reduction algorithms and two clustering methods. Finally we assessed the optimal approach for performing neighbourhood analysis. We found that single cell segmentation was improved by the use of an Ilastik-derived probability map but that issues with poor segmentation were only really evident after clustering and cell type/state identification and not always evident when using “classical” bi-variate data display techniques. The optimal arcsinh cofactor for parameter transformation was 1 as it maximised the statistical separation between negative and positive signal distributions and a simple Z-score normalisation step after arcsinh transformation eliminated batch effects. Of the five different dimensionality reduction approaches tested, PacMap gave the best data structure with FLOWSOM clustering out-performing Phenograph in terms of cell type identification. We also found that neighbourhood analysis was influenced by the method used for finding neighbouring cells with a “disc” pixel expansion outperforming a “bounding box” approach combined with the need for filtering objects based on size and image-edge location. Importantly OPTIMAL can be used to assess and integrate with any existing approach to IMC data analysis and, as it creates .FCS files from the segmentation output, allows for single cell exploration to be conducted using a wide variety of accessible software and algorithms familiar to conventional flow cytometrists.

ABSTRACT The in vitro micronucleus assay is a globally significant method for DNA damage quantification used for regulatory compound safety testing in addition to inter-individual monitoring of environmental, lifestyle and occupational factors. However it relies on time-consuming and user-subjective manual scoring. Here we show that imaging flow cytometry and deep learning image classification represents a capable platform for automated, inter-laboratory operation. Images were captured for the cytokinesis-block micronucleus (CBMN) assay across three laboratories using methyl methanesulphonate (1.25 – 5.0 µg/mL) and/or carbendazim (0.8 – 1.6 µg/mL) exposures to TK6 cells. Human-scored image sets were assembled and used to train and test the classification abilities of the “DeepFlow” neural network in both intra- and inter-laboratory contexts. Harnessing image diversity across laboratories yielded a network able to score unseen data from an entirely new laboratory without any user configuration. Image classification accuracies of 98%, 95%, 82% and 85% were achieved for ‘mononucleates’, ‘binucleates’, ‘mononucleates with MN’ and ‘binucleates with MN’, respectively. Successful classifications of ‘trinucleates’ (90%) and ‘tetranucleates’ (88%) in addition to ‘other or unscorable’ phenotypes (96%) were also achieved. Attempts to classify extremely rare, tri- and tetranucleated cells with micronuclei into their own categories were less successful (≤ 57%). Benchmark dose analyses of human or automatically scored micronucleus frequency data yielded quantitation of the same equipotent dose regardless of scoring method. We conclude that this automated approach offers significant potential to broaden the practical utility of the CBMN method across industry, research and clinical domains. We share our strategy using openly-accessible frameworks.

External peak power in the countermovement jump is frequently used to monitor athlete training. The gold standard method uses force platforms, but they are unsuitable for field-based testing. However, alternatives based on jump flight time or Newtonian methods applied to inertial sensor data have not been sufficiently accurate for athlete monitoring. Instead, we developed a machine learning model based on characteristic features (functional principal components) extracted from a single body-worn accelerometer. Data were collected from 69 male and female athletes at recreational, club or national levels, who performed 696 jumps in total. We considered vertical countermovement jumps (with and without arm swing), sensor anatomical locations, machine learning models and whether to use resultant or triaxial signals. Using a novel surrogate model optimisation procedure, we obtained the lowest errors with a support vector machine when using the resultant signal from a lower back sensor in jumps without arm swing. This model had a peak power RMSE of 2.3 W·kg-1 (5.1% of the mean), estimated using nested cross validation and supported by an independent holdout test (2.0 W·kg-1). This error is lower than in previous studies, although it is not yet sufficiently accurate for a field-based method. Our results demonstrate that functional data representations work well in machine learning by reducing model complexity in applications where signals are aligned in time. Our optimisation procedure also was shown to be robust can be used in wider applications with low-cost, noisy objective functions.