Abstract Image‐based cytometry faces challenges due to technical variations arising from different experimental batches and conditions, such as differences in instrument configurations or image acquisition protocols, impeding genuine biological interpretation of cell morphology. Existing solutions, often necessitating extensive pre‐existing data knowledge or control samples across batches, have proved limited, especially with complex cell image data. To overcome this, “Cyto‐Morphology Adversarial Distillation” (CytoMAD), a self‐supervised multi‐task learning strategy that distills biologically relevant cellular morphological information from batch variations, is introduced to enable integrated analysis across multiple data batches without complex data assumptions or extensive manual annotation. Unique to CytoMAD is its “morphology distillation”, symbiotically paired with deep‐learning image‐contrast translation—offering additional interpretable insights into label‐free cell morphology. The versatile efficacy of CytoMAD is demonstrated in augmenting the power of biophysical imaging cytometry. It allows integrated label‐free classification of human lung cancer cell types and accurately recapitulates their progressive drug responses, even when trained without the drug concentration information. CytoMAD also allows joint analysis of tumor biophysical cellular heterogeneity, linked to epithelial‐mesenchymal plasticity, that standard fluorescence markers overlook. CytoMAD can substantiate the wide adoption of biophysical cytometry for cost‐effective diagnosis and screening.

Inertial focusing excels at the precise spatial ordering and separation of microparticles by size within fluid flows. However, this advantage, brought by its inherent size-dependent dispersion, could turn into a...

Abstract Motivation Advances in high throughput single-cell and spatial omic technologies have enabled the profiling of molecular expression and phenotypic properties of hundreds of thousands of individual cells in the context of their two dimensional (2D) or three dimensional (3D) spatial endogenous arrangement. However, current visualisation techniques do not allow for effective display and exploration of the single cell data in their spatial context. With the widespread availability of low-cost virtual reality (VR) gadgets, such as Google Cardboard, we propose that an immersive visualisation strategy is useful. Results We present starmapVR, a light-weight, cross-platform, web-based tool for visualising single-cell and spatial omic data. starmapVR supports a number of interaction methods, such as keyboard, mouse, wireless controller and voice control. The tool visualises single cells in a 3D space and each cell can be represented by a star plot (for molecular expression, phenotypic properties) or image (for single cell imaging). For spatial transcriptomic data, the 2D single cell expression data can be visualised alongside the histological image in a 2.5D format. The application of starmapVR is demonstrated through a series of case studies. Its scalability has been carefully evaluated across different platforms. Availability and implementation starmapVR is freely accessible at https://holab-hku.github.io/starmapVR , with the corresponding source code available at https://github.com/holab-hku/starmapVR under the open source MIT license. Supplementary Information Supplementary data are available at Bioinformatics online.

Abstract Inferring cellular trajectories using a variety of omic data is a critical task in single-cell data science. However, accurate prediction of cell fates, and thereby biologically meaningful discovery, is challenged by the sheer size of single-cell data, the diversity of omic data types, and the complexity of their topologies. We present VIA, a scalable trajectory inference algorithm that overcomes these limitations by using lazy-teleporting random walks to accurately reconstruct complex cellular trajectories beyond tree-like pathways (e.g. cyclic or disconnected structures). We show that VIA robustly and efficiently unravels the fine-grained sub-trajectories in a 1.3-million-cell transcriptomic mouse atlas without losing the global connectivity at such a high cell count. We further apply VIA to discovering elusive lineages and less populous cell fates missed by other methods across a variety of data types, including single-cell proteomic, epigenomic, multi-omics datasets, and a new in-house single-cell morphological dataset.

Abstract Complex and irregular cell architecture is known to statistically exhibit fractal geometry, i.e., a pattern resembles a smaller part of itself. Although fractal variations in cells are proven to be closely associated with the disease-related phenotypes that are otherwise obscured in the standard cell-based assays, fractal analysis with single-cell precision remains largely unexplored. To close this gap, here we develop an image-based approach that quantifies a multitude of single-cell biophysical fractal-related properties at subcellular resolution. Taking together with its high-throughput single-cell imaging performance (~10,000 cells/sec), this technique, termed single-cell biophysical fractometry, offers sufficient statistical power for delineating the cellular heterogeneity, in the context of classification of lung-cancer cell subtypes and tracking of cell-cycle progression. Further correlative fractal analysis shows that single-cell biophysical fractometry can enrich the standard morphological profiling depth and spearhead systematic fractal analysis of how cell morphology encodes cellular health and pathological conditions.

Abstract Inertial focusing excels at the precise spatial ordering and separation of microparticles by size within fluid flows. However, this advantage, brought by its inherent size-dependent dispersion, could turn into a drawback that challenges applications requiring consistent and uniform positioning of polydisperse particles, such as microfiltration and flow cytometry. To overcome this fundamental challenge, we introduce Dispersion-Free Inertial Focusing (DIF). This new method minimizes particle size-dependent dispersion while maintaining the high throughput and precision of standard inertial focusing, even in a highly polydisperse scenario. We demonstrate a rule-of-thumb principle to reinvent inertial focusing system and achieve an efficient focusing of particles ranging from 6 to 30 µm in diameter onto a single plane with less than 3 µm variance and over 95% focusing efficiency at highly scalable throughput (2.4-30 mL/hr) – a stark contrast to existing technologies that struggle with polydispersity. We demonstrated that DIF could be applied in a broad range of applications, particularly enabling high-yield continuous microparticle filtration and large-scale high-resolution single-cell morphological analysis of heterogeneous cell populations. This new technique is also readily compatible with the existing inertial microfluidic design and thus could unleash more diverse systems and applications.

ABSTRACT Axial scanning in multiphoton microscopy (MPM) is typically realized by mechanically shifting either the objective or the sample. However, the scan speed is usually hindered by the mechanical inertia of the bulky mass. Although the extended depth of field provided by the non-diffracting beam allows fast volumetric imaging, it abandons the axial resolution. Here, we demonstrate a novel and powerful tomographic technique using the Bessel droplet in MPM, termed Tomographic-Encoded MultiPhoton (TEMP) microscopy. We show that benefiting from the high-order nonlinear excitation in MPM, the side-lobes cancellation and smaller beam focus of the Bessel droplet realize better image quality. The TEMP microscopy allows fast axial scanning, less risks of photodamage and photobleaching, and high-resolution and high-contrast imaging. Furthermore, fewer raw images are required for the 3D image reconstruction. To demonstrate its usability and advantages for scattering tissues and biomedical applications, we showcase the TEMP microscopy with highly scattering fluorescence microspheres and mouse brain slice. More details can be visualized by the Bessel droplet compared with the conventional Gaussian and Bessel beam. More importantly, the TEMP technique is an easy-plug-in method for the current microscopy system. The TEMP microscopy is promising for fast volumetric multiphoton imaging, especially for highly scattering tissues.

Understanding information processing in the brain requires us to monitor neural activity in vivo at high spatiotemporal resolution. Using an ultrafast two-photon fluorescence microscope (2PFM) empowered by all-optical laser scanning, we imaged neural activity in vivo at up to 3,000 frames per second and submicron spatial resolution. This ultrafast imaging method enabled monitoring of both supra- and sub-threshold electrical activity down to 345 μm below the brain surface in head fixed awake mice.

New single-cell technologies continue to fuel the explosive growth in the scale of heterogeneous single cell data. However, existing computational methods are inadequately scalable to large datasets and therefore cannot uncover the complex cellular heterogeneity. We introduce a highly scalable graph-based clustering algorithm PARC, phenotyping by accelerated refined community-partitioning,for ultralarge-scale, high dimensional single-cell data (> 1 million cells). Using large single cell mass cytometry, RNA-seq and imaging based biophysical data, we demonstrate that PARC consistently outperforms state-of-the-art clustering algorithms without sub-sampling of cells, including Phenograph, FlowSOM, and Flock, in terms of both speed and ability to robustly detect rare cell populations. For example, PARC can cluster a single cell data set of 1.1M cells within 13 minutes, compared to >2 hours to the next fastest graph-clustering algorithm, Phenograph. Our work presents a scalable algorithm to cope with increasingly large-scale single-cell analysis.