Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Mass Spectrometry: Complex Analysis01:21

Mass Spectrometry: Complex Analysis

2.1K
Mass spectrometry is an important technique for the identification of pure compounds. However, it has some limitations for the analysis of complex mixtures, often due to excessive fragmentation making the spectrum too complicated to decipher. Mass spectrometry can be combined with suitable separation methods in sequence, forming hyphenated methods, which are useful in the analysis of complex mixtures.
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
2.1K
Inductively Coupled Plasma–Mass Spectrometry (ICP–MS): Overview01:19

Inductively Coupled Plasma–Mass Spectrometry (ICP–MS): Overview

2.7K
In inductively coupled plasma–mass spectrometry (ICP–MS), an inductively coupled plasma (ICP) torch is used as an atomizer and ionizer. Solid samples are dissolved and volatilized before being introduced into the high-temperature argon plasma, while solution samples are nebulized and passed through the high-temperature argon plasma. Plasma dissociates the analytes and ionizes their component atoms to form a mixture of positive ions and molecular species. The positive ions are then...
2.7K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Dissecting non-small cell lung cancer (NSCLC) with blood proteomics-from surgical to immunotherapeutic responses.

NPJ precision oncology·2026
Same author

Defining the tumor microenvironment of non-small cell lung cancer.

Immunology and cell biology·2026
Same author

Spatial multi-omics characterization of neuroblastoma reveals ferroptosis-associated metabolic features in high-risk tumors.

Genome medicine·2026
Same author

ErbB receptor stimulation is required for mouse Colon adenoma organoids to form crypts.

Growth factors (Chur, Switzerland)·2026
Same author

T cell and monocyte activation in concert with hematopoietic stem cell interactions shapes the post-allogeneic transplant immune landscape in poor graft function.

Frontiers in immunology·2026
Same author

Metabolic characterization of tumor-immune interactions by multiplexed immunofluorescence reveals spatial mechanisms of immunotherapy response in non-small cell lung carcinoma (NSCLC).

Nature communications·2026
Same journal

asms: finding allele-specific methylation in human genomes without phasing.

NAR genomics and bioinformatics·2026
Same journal

An epigenetic clock for chronological age estimation in East Asian populations.

NAR genomics and bioinformatics·2026
Same journal

The role of ATF4 in neurons under mitochondrial stress.

NAR genomics and bioinformatics·2026
Same journal

Distinct repeat architecture landscapes in the proteomes of protozoan parasites.

NAR genomics and bioinformatics·2026
Same journal

Long non-coding RNA triplex-dependent regulation of melanoma gene networks.

NAR genomics and bioinformatics·2026
Same journal

Challenges in predicting chromatin accessibility differences between species.

NAR genomics and bioinformatics·2026
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: May 5, 2026

In vivo Imaging of Deep Cortical Layers using a Microprism
09:45

In vivo Imaging of Deep Cortical Layers using a Microprism

Published on: August 27, 2009

11.5K

PRISM: un paquete de Python para el análisis interactivo e integrado de microarrays de tejidos multiplexados

Rafael Tubelleza1,2, Aaron Kilgallon1,2, Chin Wee Tan1,3,4

  • 1Frazer Institute, Faculty of Medicine, The University of Queensland, Brisbane, QLD 4102, Australia.

NAR genomics and bioinformatics
|August 27, 2025
PubMed
Resumen
Este resumen es generado por máquina.

PRISM es un nuevo paquete de Python para el análisis de datos proteómicos multiplexados de microarrays de tejidos (TMA). Ofrece una solución de extremo a extremo para el análisis óptico espacial, ayudando al descubrimiento de biomarcadores en la investigación traslacional del cáncer.

Más Videos Relacionados

Predictive Immune Modeling of Solid Tumors
08:50

Predictive Immune Modeling of Solid Tumors

Published on: February 25, 2020

7.1K
Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples
08:18

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Published on: April 7, 2023

1.7K

Videos de Experimentos Relacionados

Last Updated: May 5, 2026

In vivo Imaging of Deep Cortical Layers using a Microprism
09:45

In vivo Imaging of Deep Cortical Layers using a Microprism

Published on: August 27, 2009

11.5K
Predictive Immune Modeling of Solid Tumors
08:50

Predictive Immune Modeling of Solid Tumors

Published on: February 25, 2020

7.1K
Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples
08:18

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Published on: April 7, 2023

1.7K

Área de la Ciencia:

  • Biología computacional
  • La bioinformática
  • Proteomía

Sus antecedentes:

  • Los microarrays de tejidos (TMA) permiten el análisis simultáneo de múltiples muestras de tejidos, conservando recursos y permitiendo un cribado eficiente para aplicaciones clínicas.
  • Las imágenes multiplexadas proporcionan perfiles de proteínas espaciales con resolución de una sola célula, cruciales para comprender los microambientes tumorales y los mecanismos de la enfermedad.
  • El análisis de datos proteómicos espaciales de alto complejo es vital para el descubrimiento de biomarcadores, pero carece de herramientas computacionales integrales.

Objetivo del estudio:

  • Presentar PRISM, un paquete de Python para el análisis interactivo de extremo a extremo de las TMA utilizando datos proteómicos multiplexados.
  • Facilitar la investigación traslacional y clínica mediante la simplificación del análisis de los datos de la óptica espacial.
  • Proporcionar una interfaz intuitiva para que los investigadores traduzcan las imágenes multiplexadas en imágenes clínicas procesables.

Principales métodos:

  • PRISM utiliza el marco SpatialData para el almacenamiento y la interoperabilidad estandarizados de datos.
  • Incluye el análisis de imágenes TMA para el enmascaramiento de tejidos, desarrollo, segmentación celular y extracción de características.
  • Características Análisis de AnnData para el control de calidad, agrupación, anotación de tipo de célula y análisis espacial, integrado en napari para uso interactivo.

Principales resultados:

  • PRISM permite el enmascaramiento de tejidos basado en marcadores, la eliminación de TMA y la extracción de características de una sola célula.
  • Facilita el control de calidad, el agrupamiento, la anotación por tipo de célula y el análisis espacial de los datos proteómicos.
  • Ofrece un procesamiento de imágenes de resolución múltiple eficiente y acelera los flujos de trabajo de bioinformática a través de estructuras de datos escalables, paralelización y aceleración de GPU.

Conclusiones:

  • PRISM proporciona una solución modular, computacionalmente eficiente e interactiva para el análisis de datos ópticos espaciales.
  • Simplifica la traducción de imágenes multiplexadas crudas en conocimientos clínicamente relevantes.
  • Permite a los investigadores explorar e interactuar eficazmente con conjuntos de datos proteómicos espaciales complejos para el descubrimiento de biomarcadores.