Vogel, V. & Sheetz, M. La fuerza local y la detección de geometría regulan las funciones celulares. Nat. Rev Mol. Biol celular. 7265–275 (2006).
Vining, KH & Mooney, DJ Las fuerzas mecánicas dirigen el comportamiento de las células madre en el desarrollo y la regeneración. Nat. Rev Mol. Biol celular. 18728–742 (2017).
Roca-Cusachs, P., Conte, V. & Trepat, X. Fuerzas cuantificadoras en biología celular. Nat. Biol celular. 19742–751 (2017).
Petridou, NI, Spiró, Z. & Heisenberg, C.-P. Detección de fuerza multiescala en el desarrollo. Nat. Biol celular. 19581–588 (2017).
Huse, M. Fuerzas mecánicas en el sistema inmunológico. Nat. Rev. Inmunol. 17679–690 (2017).
Romani, P., Valcarcel-Jimenez, L., Frezza, C. & Dupont, S. Diafonía entre mecanotransducción y metabolismo. Nat. Rev Mol. Biol celular. 2222–38 (2021).
Winkler, J., Abisoye-Ogunniyan, A., Metcalf, KJ y Werb, Z. Conceptos de remodelación de la matriz extracelular en la progresión tumoral y la metástasis. Nat. común 115120 (2020).
Wirtz, D., Konstantopoulos, K. & Searson, PC La física del cáncer: el papel de las interacciones físicas y las fuerzas mecánicas en la metástasis. Nat. Rev. Cáncer 11512–522 (2011).
Fife, CM, McCarroll, JA & Kavallaris, M. Movers and shakers: citoesqueleto celular en la metástasis del cáncer. Hermano J. Pharmacol. 1715507–5523 (2014).
Lekka, M. et al. Reconocimiento de células cancerosas: fenotipo mecánico. Micrón 431259–1266 (2012).
Lin, H.-H. et al. Fenotipo mecánico de las células cancerosas: ablandamiento celular y pérdida de sensibilidad a la rigidez. Oncotarget 620946–20958 (2015).
Brill-Karniely, Y. et al. Correlación triangular (TrC) entre la agresividad del cáncer, la capacidad de absorción celular y la deformabilidad celular. ciencia Adv. 6eaax2861 (2022).
Di Carlo, D. Un biomarcador mecánico del estado celular en medicina. Laboratorio J. automático 1732–42 (2012).
Northcott, JM, Dean, IS, Mouw, JK & Weaver, VM Sentir estrés: la mecánica de la progresión y agresión del cáncer. Frente. Desarrollo celular Biol. 617 (2018).
Kozminsky, M. & Sohn, LL La promesa del mecanofenotipado unicelular para aplicaciones clínicas. Biomicrofluídica 1431301 (2020).
Nguyen, LTS, Jacob, MAC, Parajón, E. & Robinson, DN El cáncer como enfermedad biofísica: apuntando al programa de adaptabilidad mecánica. Biografía. j 1213573–3585 (2022).
Lekka, M. Discriminación entre células normales y cancerosas usando AFM. Bionanociencia 665–80 (2016).
Plodinec, M. et al. La firma nanomecánica del cáncer de mama. Nat. Nanotecnología. 7757–765 (2012).
cantado, h. et al. Estadísticas mundiales de cáncer 2020: estimaciones de GLOBOCAN de incidencia y mortalidad en todo el mundo para 36 cánceres en 185 países. CA Cáncer J. Clin. 71209–249 (2021).
Bouris, P. et al. El receptor de estrógeno alfa media la transición epitelial a mesenquimatosa, la expresión de efectores de matriz específicos y las propiedades funcionales de las células de cáncer de mama. Matriz Biol. 4342–60 (2015).
Padilla-Rodríguez, M. et al. La arquitectura del citoesqueleto de actina de las células de cáncer de mama con receptor de estrógeno positivo suprime la invasión. Nat. común 92980 (2018).
Smolyakov, G. et al. La elasticidad, la adhesión y la extrusión de ataduras en las células de cáncer de mama proporcionan una firma de su potencial invasivo. Aplicación ACS. Mate. Interfaces 827426–27431 (2016).
Aermes, C., Hayn, A., Fischer, T. & Mierke, CT Las propiedades mecánicas de las células de carcinoma de mama humano dependen de la temperatura. ciencia Reps. 1110771 (2021).
Li, QS, Lee, GYH, Ong, CN y Lim, CT Estudio de indentación AFM de células de cáncer de mama. Bioquímica Biografía. Res. común 374609–613 (2008).
Iturrí, J. et al. Variación temporal inducida por resveratrol en las propiedades mecánicas de las células de cáncer de mama MCF-7 investigadas por microscopía de fuerza atómica. En t. J. Mol. ciencia 203275 (2019).
Bischoff, P. et al. Los estrógenos determinan la organización de las uniones adherentes y la agrupación de E-cadherina en las células de cáncer de mama a través de la anfirregulina. iCiencia 23101683 (2020).
Moeendarbary, E. & Harris, AR Mecánica celular: principios, prácticas y perspectivas. Wiley Interdis. Rev. Sist. Biol. Medicina. 6371–388 (2014).
Wu, P.-H. et al. Una comparación de métodos para evaluar las propiedades mecánicas de las células. Nat. Métodos 15491–498 (2018).
Bufi, N., Durand-Smet, P. & Asnacios, A. Capítulo 11 – Mecánica unicelular: La técnica de placas paralelas. En Métodos en Biología Celular (ed. Paluch, EK) 187–209 (Academic Press, 2015).
Google AcadémicoA
Arbore, C., Perego, L., Sergides, M. & Capitanio, M. Fuerza de sondeo en células vivas con pinzas ópticas: de la mecánica de una sola molécula a la mecanotransducción celular. Biografía. Rdo. 11765–782 (2019).
Sarkar, R. & Rybenkov, VV Una guía de pinzas magnéticas y sus aplicaciones. Frente. física 448 (2016).
Hochmuth, RM Aspiración con micropipeta de células vivas. J. Biomech. 3315-22 (2000).
Guk, J. et al. La camilla óptica: una nueva herramienta láser para micromanipular células. Biophys J 81767–784 (2001).
Puig-De-Morales, M. et al. Medida de la microrreología celular por citometría de torsión magnética con demodulación en el dominio de la frecuencia. Aplicación J. Fisiol. 911152–1159 (2001).
Haase, K. & Pelling, AE Investigación de la mecánica celular con microscopía de fuerza atómica. JR Soc. Interfaz R. Soc. 1220140970 (2015).
Efremov, YM, Okajima, T. & Raman, A. Medición de la viscoelasticidad de muestras biológicas blandas mediante microscopía de fuerza atómica. materia blanda dieciséis64–81 (2019).
Lekka, M. et al. Elasticidad de células de vejiga humana normales y cancerosas estudiadas mediante microscopía de fuerza de barrido. EUR. Biografía. j 28312-316 (1999).
Azuri, I., Rosenhek-goldian, I., Regev-rudzki, N., Fantner, G. & Cohen, SR El papel de las redes neuronales convolucionales en la microscopía de sonda de barrido: una revisión. Beilstein J. Nanotecnología. 12878–901 (2021).
Sotres, J., Boyd, H. & Gonzalez-Martinez, JF Habilitación de imágenes de microscopía de sonda de barrido autónomas de moléculas individuales con aprendizaje profundo. Nanoescala 139193–9203 (2021).
Braunsmann, C. & Schäffer, TE Nota: redes neuronales artificiales para el análisis automatizado de datos de mapas de fuerza en microscopía de fuerza atómica. Rev. Sci. instrumento 8556104 (2014).
Müller, P. et al. nanite: uso del aprendizaje automático para evaluar la calidad de los datos de nanoindentación habilitados para microscopía de fuerza atómica. BMC Bioinformato. 20465 (2019).
Ilieva, NI, Galvanetto, N., Allegra, M., Brucale, M. y Laio, A. Clasificación automática de trazas de espectroscopia de fuerza de una sola molécula a partir de muestras heterogéneas. Bioinformática 365014–5020 (2020).
Sotres, J., Boyd, H. & Gonzalez-Martinez, JF Localización de eventos críticos en mediciones de fuerza AFM por medio de redes neuronales convolucionales unidimensionales. ciencia Reps. 1212995 (2022).
Minelli, E. et al. Un análisis de red neuronal totalmente automatizado de curvas de fuerza-distancia de AFM para el diagnóstico de tejido canceroso. aplicación física Letón. 111143701 (2017).
Sokolov, I. et al. Diagnóstico por imágenes no invasivo utilizando análisis de aprendizaje automático de imágenes de nanoresolución de superficies celulares: detección de cáncer de vejiga. proc. nacional Academia ciencia 11512920–12925 (2018).
Ciasca, G. et al. Muestreo espacial eficiente para el diagnóstico de cáncer basado en AFM: una comparación entre las redes neuronales y el análisis de datos convencional. condensa. Asunto 458 (2019).
Prasad, S. et al. La microscopía de fuerza atómica detecta la diferencia en las células cancerosas de diferente agresividad neoplásica a través del aprendizaje automático. Adv. Nanobiomed. Res. 12000116 (2021).
Tian, Y., Lin, W., Qu, K., Wang, Z. y Zhu, X. Información sobre la clasificación celular basada en la combinación de múltiples fenotipos mecánicos celulares mediante el uso de un algoritmo de aprendizaje automático. J. Mec. Comportamiento biomedicina Mate. 128105097 (2022).
Kohonen, T. Formación autoorganizada de mapas de características topológicamente correctos. Biol. cibernético 4359-69 (1982).
Kohonen, T., Oja, E., Simula, O., Visa, A. & Kangas, J. Aplicaciones de ingeniería del mapa autoorganizado. proc. IEEE 841358–1384 (1996).
Brereton, RG Mapas autoorganizados para visualización y modelado. química Centavo. j https://doi.org/10.1186/1752-153X-6-S2-S1 (2012).
Kohonen, T. Fundamentos del mapa autoorganizado. Red neuronal 3752–65 (2013).
Kohonen, T. et al. Autoorganización de una colección masiva de documentos. Trans. IEEE. Red neuronal 11574–585 (2000).
Marini, F., Bucci, R., Magrì, AL & Magrì, AD Redes neuronales artificiales en quimiometría: historia, ejemplos y perspectivas. microquímica j 88178–185 (2008).
Zbiral, B., Weber, A., Iturri, J., Vivanco, MDM y Toca-Herrera, JL El estrógeno modula la mecánica celular del cáncer de mama epitelial y los contactos de célula a célula. Materiales 142897 (2021).
Wehrens, R. & Buydens, LMC Mapas autoorganizados y superorganizados en R: el paquete Kohonen. Estado J. suave 211-19 (2007).
Raudenska, M. et al. El cisplatino mejora la rigidez celular y disminuye la tasa de invasividad en las células de cáncer de próstata mediante la acumulación de actina. ciencia Reps. 91660 (2019).
Rodríguez-Nieto, M. et al. Propiedades viscoelásticas de las células cancerosas HT-29 tratadas con doxorrubicina mediante microscopía de fuerza atómica: el modelo fraccional de Zener como modelo viscoelástico óptimo para las células. Biomecánica. Modelo. Mecanobiol. 19801–813 (2020).
Kubiak, A., ZieliÅ„ski, T., Pabijan, J. y Lekka, M. Nanomecánica en el control de la eficacia de los fármacos dirigidos al citoesqueleto de las células cancerosas. En t. J. Mol. ciencia 218786 (2020).
Darling, EM, Topel, M., Zauscher, S., Vail, TP y Guilak, F. Propiedades viscoelásticas de células madre derivadas del mesenquima humano y osteoblastos, condrocitos y adipocitos primarios. J. Biomech. 41454–464 (2008).
Iriondo, O. et al. Distintas poblaciones de células madre/progenitoras de cáncer de mama requieren HIF1α o pérdida de PHD3 para expandirse en condiciones hipóxicas. Oncotarget 631721–31739 (2015).
Butt, H.-J. & Jaschke, M. Cálculo del ruido térmico en microscopía de fuerza atómica. Nanotecnología 61-7 (1995).
Benítez, R., Moreno-Flores, S., Bolós, VJ & Toca-Herrera, JL Un nuevo algoritmo de detección automática de puntos de contacto para curvas de fuerza AFM. microsc. Res. tecnología 76870–876 (2013).
Benítez, R., Bolós, VJ & Toca-Herrera, JL afmToolkit: un paquete R para el análisis automatizado de curvas de fuerza-distancia AFM. R J. 9291–308 (2017).
Weber, A., Benitez, R. & Toca-Herrera, JL Medición de la mecánica de materiales (biológicos) con microscopía de fuerza atómica. 4. Determinación de las propiedades viscoelásticas de las células a partir de experimentos de relajación de tensiones. microsc. Res. tecnología 853584–3295 (2022).
Lloyd, GR, Brereton, RG & Duncan, JC Mapas autoorganizados para distinguir grupos de polímeros utilizando curvas de respuesta térmica obtenidas mediante análisis mecánico dinámico. Analista 1331046–1059 (2008).
Beckonert, O., Monnerjahn, J., Bonk, U. y Leibfritz, D. Visualización de cambios metabólicos en tejido de cáncer de mama mediante espectroscopia 1H-NMR y mapas de autoorganización. RMN Biomédica. dieciséis1-11 (2003).
Riese, FM, Keller, S. & Hinz, S. Mapas de autoorganización supervisados y semisupervisados para regresión y clasificación centrados en datos hiperespectrales. Sensores remotos 121–7 (2020).
Google AcadémicoA
Kang, M.-S., Kim, H.-R. y Kim, M.-H. Clasificación celular en imágenes de microscopía de contraste de fase 3D a través de mapas de autoorganización. En Advances in Visual Computing: 10th International Symposium, ISVC 2014, Las Vegas, NV, EE. UU., 8 al 10 de diciembre de 2014, Actas, Parte II (eds. Bebis, G. et al.) 652–661 (Springer International Publishing, 2014). https://doi.org/10.1007/978-3-319-14364-4_63.
Vijayakumar, C., Damayanti, G., Pant, R. y Sreedhar, CM Segmentación y clasificación de tumores cerebrales en imágenes de coeficiente de difusión aparente utilizando mapas de autoorganización. computar Medicina. imagen Grafico 31473–484 (2007).
aglutinante, h. et al. Mapas multiómicos integrados de gliomas de bajo grado. Cánceres (Basilea) 142797 (2022).
Relacionado:
