Cells can enter into a dormant state when faced with unfavorable conditions. However, how cells enter into and recover from this state is still poorly understood. Here, we study dormancy in different eukaryotic organisms and find it to be associated with a significant decrease in the mobility of organelles and foreign tracer particles. We show that this reduced mobility is caused by an influx of protons and a marked acidification of the cytoplasm, which leads to widespread macromolecular assembly of proteins and triggers a transition of the cytoplasm to a solid-like state with increased mechanical stability. We further demonstrate that this transition is required for cellular survival under conditions of starvation. Our findings have broad implications for understanding alternative physiological states, such as quiescence and dormancy, and create a new view of the cytoplasm as an adaptable fluid that can reversibly transition into a protective solid-like state.

Abstract Publications on artificial intelligence (AI)-based image analysis have increased drastically in recent years. However, all applications use individual solutions highly specialized for a particular task. Here, we present an easy-to-use, adaptable, open source software, called AIDeveloper (AID) to train neural nets (NN) for image classification without the need for programming. The software provides a variety of NN-architectures that can be simply selected for training. AID allows the user to apply trained models on new data, obtain metrics for classification performance, and export final models to different formats. The working principles of AID are first illustrated by training a convolutional neural net (CNN) on a large dataset consisting of images of different objects (CIFAR-10). We further explore the potential of AID by training a model to distinguish areas of differentiated and non-differentiated mesenchymal stem cells (MSCs) in culture. Additionally, we compare a conventional clinical whole blood cell count with a whole blood cell count performed by an NN-trained, using a dataset of more than 1.2 million images obtained by real-time deformability cytometry, delivering comparable results. Finally, we demonstrate how AID can be used for label-free classification of B- and T-cells derived from human blood, which currently requires costly and time-consuming sample preparation. Thus, AID can empower anyone to develop, train, and apply NNs for image classification. Moreover, models can be generated by non-programmers, exported, and used on different devices, which allows for an interdisciplinary use.

Abstract Cell mechanical properties determine many physiological functions, such as cell fate specification, migration, or circulation through vasculature. Identifying factors that govern the mechanical properties is therefore a subject of great interest. Here we present a mechanomics approach for establishing links between single-cell mechanical phenotype changes and the genes involved in driving them. We combine mechanical characterization of cells across a variety of mouse and human systems with machine learning-based discriminative network analysis of associated transcriptomic profiles to infer a conserved network module of five genes with putative roles in cell mechanics regulation. We validate in silico that the identified gene markers are universal, trustworthy and specific to the mechanical phenotype, and demonstrate experimentally that a selected target, CAV1 , changes the mechanical phenotype of cells accordingly when silenced or overexpressed. Our data-driven approach paves the way towards engineering cell mechanical properties on demand to explore their impact on physiological and pathological cell functions.

Human bone marrow mesenchymal stromal cells (MSCs) have been used in clinical trials for the treatment of systemic inflammatory diseases due to their regenerative and immunomodulatory properties. However, intravenous administration of MSCs is hampered by cell trapping within the pulmonary capillary networks. Here, we hypothesize that traditional two-dimensional (2D) plastic-adherent cell expansion fails to result in appropriate morpho-rheological properties required for cell-circulation. To address this issue, we adapted a novel method to culture MSCs in non adherent three-dimensional (3D) spheroids (mesenspheres). The biological properties of mesensphere-cultured MSCs remained identical to conventional 2D cultures. Morpho-rheological analyses revealed a smaller size and lower cell stiffness of mesensphere-derived MSCs compared to plastic-adherent MSCs, measured using real-time deformability cytometry (RT-DC) and atomic force microscopy, resulting in an increased ability to pass through micro-constrictions in an ex vivo microcirculation assay. This ability was confirmed in vivo by analysis of cell accumulation in various organ capillary networks after intravenous injection of mesensphere-derived MSCs in mouse. Our findings generally identify cellular morpho-rheological properties as attractive targets to improve microcirculation and specifically suggest mesensphere cultures as a promising approach for optimized MSC-based therapies.

Blood is arguably the most important bodily fluid and its analysis provides crucial health status information. A first routine measure to narrow down diagnosis in clinical practice is the differential blood count, determining the frequency of all major blood cells. What is lacking to advance initial blood diagnostics is an unbiased and quick functional assessment of blood that can narrow down the diagnosis and generate specific hypotheses. To address this need, we introduce the continuous, cell-by-cell morpho-rheological (MORE) analysis of whole blood, without labeling, enrichment or separation, at rates of 1,000 cells/sec. In a drop of blood we can identify all major blood cells and characterize their pathological changes in several disease conditions in vitro and in patient samples. This approach takes previous results of mechanical studies on specifically isolated blood cells to the level of application directly in whole blood and adds a functional dimension to conventional blood analysis.

The identification and separation of specific cells from heterogeneous populations is an essential prerequisite for further analysis or use. Conventional passive and active separation approaches rely on fluorescent or magnetic tags introduced to the cells of interest through molecular markers. Such labeling is time- and cost-intensive, can alter cellular properties, and might be incompatible with subsequent use, for example, in transplantation. Alternative label-free approaches utilizing morphological or mechanical features are attractive, but lack molecular specificity. Here we combine image-based real-time fluorescence and deformability cytometry (RT-FDC) with downstream cell sorting using standing surface acoustic waves (SSAW). We demonstrate basic sorting capabilities of the device by separating cell mimics and blood cell types based on fluorescence as well as deformability and other image parameters. The identification of blood sub-populations is enhanced by flow alignment and deformation of cells in the microfluidic channel constriction. In addition, the classification of blood cells using established fluorescence-based markers provides hundreds of thousands of labeled cell images used to train a deep neural network. The trained algorithm, with latency optimized to below 1 ms, is then used to identify and sort unlabeled blood cells at rates of 100 cells/sec. This approach transfers molecular specificity into label-free sorting and opens up new possibilities for basic biological research and clinical therapeutic applications.### Competing Interest StatementP.R., C.H. and P.M. work for Zellmechanik Dresden GmbH, the company which sells devices based on RT FDC technology. P.R. and C.H. hold shares of Zellmechanik Dresden GmbH. A.A.N., M.H., M.N. and J.G. have applied for patent protection of this method. M.U., M.Kr., N.T., M.Ku., R.G., S.A., F.R., A.T., S.G. and A.J. declare no competing interest.

ABSTRACT Drosophila serves as a highly valuable model organism across numerous fields including genetics, immunology, neuroscience, cancer biology, and developmental biology. Central to Drosophila -based biological research is the ability to perform comprehensive genetic or chemical screens. However, this research is often limited by its dependence on laborious manual handling and analysis, making it prone to human error and difficult to discern statistically significant or rare events amid the noise of individual variations resulting from genetic and environmental factors. In this article we present flow zoometry, a whole-animal equivalent of flow cytometry for large-scale, individual-level, high-content screening of Drosophila . Our flow zoometer automatically clears the tissues of Drosophila melanogaster , captures three-dimensional (3D) multi-color fluorescence tomograms of single flies with single-cell volumetric resolution at an unprecedented throughput of over 1,000 animals within 48 hours (24 hr for clearing; 24 hr for imaging), and performs AI-enhanced data-driven analysis – a task that would traditionally take months or years with manual techniques. To demonstrate its broad applications, we employed the flow zoometer in various laborious screening assays, including those in toxicology, genotyping, and tumor screening. Flow zoometry represents a pivotal evolution in high-throughput screening technology: previously from molecules to cells, now from cells to whole animals. This advancement serves as a foundational platform for “statistical spatial biology”, to improve empirical precision and enable serendipitous discoveries across various fields of biology.

Abstract Biomedical research often relies on identification and isolation of specific cell types using molecular biomarkers and sorting methods such as fluorescence or magnetic activated cell sorting. Labelling processes potentially alter the cells’ properties and should be avoided, especially when purifying cells for clinical applications. A promising alternative is the label-free identification of cells based on their physical properties. Sorting real-time deformability and fluorescence cytometry (soRT-FDC) is a microfluidic technique for label-free analysis and sorting of single cells. In soRT-FDC, bright-field images of cells are analyzed by a deep neural net (DNN) to obtain a sorting decision, but sorting was so far only demonstrated for blood cells which show clear morphological differences and are naturally in suspension. Most cells, however, grow in tissues, requiring dissociation before cell sorting which is associated with additional challenges including survival, changes in morphology, or presence of aggregates. Here, we introduce methods for robust analysis and sorting of single cells from mammalian nervous tissue and provide DNNs which are capable of distinguishing visually similar cells. Exemplarily, we employ the DNN for image-based sorting to enrich photoreceptor cells from dissociated retina for transplantation into the mouse eye. Results provide evidence that the combination of machine learning and soRT-FDC allows label-free enrichment of target cells from dissociated tissues.

Abstract Misshaped red blood cells (RBCs), characterized by thorn-like protrusions known as acanthocytes, are a key diagnostic feature in Chorea-Acanthocytosis (ChAc), a rare neurodegenerative disorder. The altered RBC morphology likely influences their biomechanical properties which are crucial for the cells to pass the microvasculature. Here, we investigated blood cell deformability of 5 ChAc patients compared to healthy controls during up to one-year individual off-label treatment with the tyrosine kinases inhibitor dasatinib or several weeks with lithium. Measurements with two microfluidic techniques allowed us to assess RBC deformability under different shear stresses. Furthermore, we characterized leukocyte stiffness at high shear stresses. The results show that blood cell deformability – including both RBCs and leukocytes - in general is altered in ChAc patients compared to healthy donors. Therefore, this study shows for the first time an impairment of leukocyte properties in ChAc. During treatment with dasatinib or lithium, we observe alterations in RBC deformability and a stiffness increase for leukocytes. The hematological phenotype of ChAc patients hints at a reorganization of the cytoskeleton in blood cells which partly explains the altered mechanical properties observed here. These findings highlight the need for a systematic assessment of the contribution of impaired blood cell mechanics to the clinical manifestation of ChAc.

Cell mechanical characterization has recently approached the throughput of conventional flow cytometers. However, this very sensitive, label-free approach still lacks the specificity of molecular markers. Here we combine real-time 1D-imaging fluorescence and deformability cytometry (RT-FDC) to merge the two worlds in one instrument - opening many new research avenues. We demonstrate its utility using sub-cellular fluorescence localization to identify mitotic cells and test for their mechanical changes in an RNAi screen.