灵活的模块化硬件
scanR筛选工作站将基于显微镜设置的模块化和灵活性与高内涵筛选需求的自动化、速度和效率相结合。模块化设计适合标准分析和分析开发，让scanR工作站适用于研发应用或多用户环境。

综合性软件

scanR解决方案灵活开放的设计让其成为日常和*级应用的有效工具。其旨在满足现代细胞生物学、分子生物学、1.系统生物学和医学研究中的定量成像和图像分析要求。

2.生物样品的全自动图像采集和数据分析

3.针对多孔板、载玻片和定制阵列而设计

4.用于生物功能测定的强大分析模块

5.适合分析开发和高内涵筛选

6.可用于固定细胞和活细胞
分析示例
在药*发现筛选中，已建立的协议可用于显示化合物在细胞水平的生物化学作用。可以利用一系列标准化分析准确评估基因表达水平的药*诱导变化。scanR解决方案在测量细胞凋亡、微核或DNA片段化（彗星试验）的常规筛选方面表现出色，并涵盖了许多研究领域的各种筛选应用。
·细胞计数
·基因表达
·细胞内运输
·易位
·细胞增殖
·早幼粒细胞白血病（PML）身体测定
·细菌和病毒感染试验
·细胞周期分析
·细胞阵列筛选
·蛋白质定位和共定位
·包括动力学分析以及对所得响应曲线圈门的活细胞测定
·多色分析
·稀有事件分析
·自动FISH分析
·组织切片中的荧光分析
·细胞迁移

灵活的模块选项

scanR的设计不仅满足全自动高内涵筛选系统的特定速度、耐久性和可靠性要求，还具备无y伦b的灵活性和适应性以及广泛的扩展能力。这些让scanR能够匹配任何应用和预算的规范要求。其他选项列表包括诸如基于深度学习技术的自主学习显微镜模块、使用动力学模块测量动力学参数的模块、高速3D反卷积模块、基于IX83的红外（IR）激光硬件自动聚焦的集成ZDC等等。

圈门和分类

1.基于流式的强大数据分析概念已成功应用于大图像数据集分析的需求。

2.多维图像数据以二维散点图或一维直方图显示；可使用图形工具选择感兴趣的聚类数据群

3.来自不同散点图的圈门可以与布尔运算组合创建复杂分类方案

分层圈门方法可以直观地选择群，也可以直接画廊展示。
目标检测与分析
1.强大的目标检测模块可以分割细胞核、细胞或其他结构
2.选择多种检测算法并根据感兴趣的目标进行调整
3.基于分割结果，可从超过100个目标参数列表中选择所要提取的特征
4.助力各类基于细胞的分析

下面图像截屏详细说明了scanR采集数据后对图像的检测和分割。由德国海德堡EMBL R. Pepperkok博士提供。

即时质量控制

1.图像和目标与其相关数据点相互关联：

2.单击数据点则会在显示窗口中加载相关图像并突出显示相关对象

3.单击图像显示窗口中的对象可突出显示散点图和直方图中的相关数据点

4.创建门控数据群或选定的所有图像的图库视图，从而便于将大图像集与相关信息进行直接、可视化的比较

结果会在热图中可视化显示或输出到表格中。显示全孔概览非常简单。
用动力学模块测量动力学参数
1.可以通过时间变量对活细胞、细胞核和其他目标进行分类
2.根据随着时间推移测量的值（诸如强度、面积、比率、形状因子等平均静态参数）评估跟踪曲线
3.随着时间变化评估和分析诸如强度或荧光标记强度、位置、大小或形状等静态参数
4.曲线浓缩为单一特征值（动力学参数）
5.在1D或2D直方图中绘制动力学参数，并根据其特定的时间变量绘制门群

表达FUCC（CA）生物传感器的hES细胞。由英国伦敦弗朗西斯克里克研究所Silvia Santos博士提供。

两个系统的故事

1.在与scanR解决方案相同的系统上运行奥林巴斯cellSens活细胞成像软件，您就可以同时使用相同的设置进行筛选和*端成像

2.利用2D和3D约束迭代反卷积算法，为苛刻的筛选应用获取接近共焦品质的图像细节

3.快速且便利的算法可以消除离焦模糊以及背景，从而突出重要的结构细节

4.有助于进行要求高分辨率结构细节的深度分析

自主学习显微镜
经过*次性培训阶段之后，scanR AI能够让系统通过将所学习的分析协议整合到基于分析的工作流中实现新数据的自动分析。由于用户在训练实验的设计上掌握*全控制权，并且在训练阶段可以加入许多具有挑战性的分析条件，因此提高了分析结果的准确性和鲁棒性。所学到的AI分析协议可以通过软件*有的数据探索和分析界面进行深入、轻松的验证，确保您对AI结果充满信心。

使用自主学习显微镜生成的AI模型对无荧光染色的明场图形进行分析。Hela细胞的细胞核在训练阶段进行GFP标记，以此显示系统如何对明场图像进行分析。一种*新思维方式自主学习显微镜为高内涵分析拓展了*新的视野。应用范围涵盖了从以前不可能完成的图像分割任务到极低信号水平的定量分析、简化染色方案、无标记分析等。

应用示例：在不同信号水平下对细胞核的强大分割，能够大幅减少定量分析的曝光量。
技术参数