靈活的模塊化硬件
scanR篩選工作站將基于顯微鏡設置的模塊化和靈活性與高內涵篩選需求的自動化、速度和效率相結合。模塊化設計適合標準分析和分析開發，讓scanR工作站適用于研發應用或多用戶環境。

綜合性軟件

scanR解決方案靈活開放的設計讓其成為日常和*級應用的有效工具。其旨在滿足現代細胞生物學、分子生物學、1.系統生物學和醫學研究中的定量成像和圖像分析要求。

2.生物樣品的全自動圖像采集和數據分析

3.針對多孔板、載玻片和定制陣列而設計

4.用于生物功能測定的強大分析模塊

5.適合分析開發和高內涵篩選

6.可用于固定細胞和活細胞
分析示例
在藥*發現篩選中，已建立的協議可用于顯示化合物在細胞水平的生物化學作用?？梢岳靡幌盗袠藴驶治鰷蚀_評估基因表達水平的藥*誘導變化。scanR解決方案在測量細胞凋亡、微核或DNA片段化（彗星試驗）的常規篩選方面表現出色，并涵蓋了許多研究領域的各種篩選應用。
·細胞計數
·基因表達
·細胞內運輸
·易位
·細胞增殖
·早幼粒細胞白血?。≒ML）身體測定
·細菌和病毒感染試驗
·細胞周期分析
·細胞陣列篩選
·蛋白質定位和共定位
·包括動力學分析以及對所得響應曲線圈門的活細胞測定
·多色分析
·稀有事件分析
·自動FISH分析
·組織切片中的熒光分析
·細胞遷移

靈活的模塊選項

scanR的設計不僅滿足全自動高內涵篩選系統的特定速度、耐久性和可靠性要求，還具備無y倫b的靈活性和適應性以及廣泛的擴展能力。這些讓scanR能夠匹配任何應用和預算的規范要求。其他選項列表包括諸如基于深度學習技術的自主學習顯微鏡模塊、使用動力學模塊測量動力學參數的模塊、高速3D反卷積模塊、基于IX83的紅外（IR）激光硬件自動聚焦的集成ZDC等等。

圈門和分類

1.基于流式的強大數據分析概念已成功應用于大圖像數據集分析的需求。

2.多維圖像數據以二維散點圖或一維直方圖顯示；可使用圖形工具選擇感興趣的聚類數據群

3.來自不同散點圖的圈門可以與布爾運算組合創建復雜分類方案

分層圈門方法可以直觀地選擇群，也可以直接畫廊展示。
目標檢測與分析
1.強大的目標檢測模塊可以分割細胞核、細胞或其他結構
2.選擇多種檢測算法并根據感興趣的目標進行調整
3.基于分割結果，可從超過100個目標參數列表中選擇所要提取的特征
4.助力各類基于細胞的分析

下面圖像截屏詳細說明了scanR采集數據后對圖像的檢測和分割。由德國海德堡EMBL R. Pepperkok博士提供。

即時質量控制

1.圖像和目標與其相關數據點相互關聯：

2.單擊數據點則會在顯示窗口中加載相關圖像并突出顯示相關對象

3.單擊圖像顯示窗口中的對象可突出顯示散點圖和直方圖中的相關數據點

4.創建門控數據群或選定的所有圖像的圖庫視圖，從而便于將大圖像集與相關信息進行直接、可視化的比較

結果會在熱圖中可視化顯示或輸出到表格中。顯示全孔概覽非常簡單。
用動力學模塊測量動力學參數
1.可以通過時間變量對活細胞、細胞核和其他目標進行分類
2.根據隨著時間推移測量的值（諸如強度、面積、比率、形狀因子等平均靜態參數）評估跟蹤曲線
3.隨著時間變化評估和分析諸如強度或熒光標記強度、位置、大小或形狀等靜態參數
4.曲線濃縮為單一特征值（動力學參數）
5.在1D或2D直方圖中繪制動力學參數，并根據其特定的時間變量繪制門群
表達FUCC（CA）生物傳感器的hES細胞。由英國倫敦弗朗西斯克里克研究所Silvia Santos博士提供。

兩個系統的故事

1.在與scanR解決方案相同的系統上運行奧林巴斯cellSens活細胞成像軟件，您就可以同時使用相同的設置進行篩選和*端成像

2.利用2D和3D約束迭代反卷積算法，為苛刻的篩選應用獲取接近共焦品質的圖像細節

3.快速且便利的算法可以消除離焦模糊以及背景，從而突出重要的結構細節

4.有助于進行要求高分辨率結構細節的深度分析

自主學習顯微鏡
經過*次性培訓階段之后，scanR AI能夠讓系統通過將所學習的分析協議整合到基于分析的工作流中實現新數據的自動分析。由于用戶在訓練實驗的設計上掌握*全控制權，并且在訓練階段可以加入許多具有挑戰性的分析條件，因此提高了分析結果的準確性和魯棒性。所學到的AI分析協議可以通過軟件*有的數據探索和分析界面進行深入、輕松的驗證，確保您對AI結果充滿信心。
使用自主學習顯微鏡生成的AI模型對無熒光染色的明場圖形進行分析。Hela細胞的細胞核在訓練階段進行GFP標記，以此顯示系統如何對明場圖像進行分析。一種*新思維方式自主學習顯微鏡為高內涵分析拓展了*新的視野。應用范圍涵蓋了從以前不可能完成的圖像分割任務到極低信號水平的定量分析、簡化染色方案、無標記分析等。

應用示例：在不同信號水平下對細胞核的強大分割，能夠大幅減少定量分析的曝光量。
技術參數