Summary

Identificazione dei sottotipi del linfocita usando la formazione immagine tridimensionale fase quantitativa privo di etichetta e Machine Learning

Published: November 19, 2018
doi:

Summary

Descriviamo un protocollo per l’identificazione di sottotipi del linfocita usando formazione immagine fase quantitativa e un algoritmo di apprendimento automatico privo di etichetta. Misurazioni dell’indice di rifrazione 3D tomogrammi dei linfociti presentano 3D informazioni morfologiche e biochimiche per le singole celle, che viene quindi analizzati con un algoritmo di apprendimento automatico per l’identificazione di tipi delle cellule.

Abstract

Descriviamo qui un protocollo per l’identificazione di sottotipi del linfocita usando formazione immagine fase quantitativa e apprendimento automatico privo di etichetta. L’identificazione di sottotipi del linfocita è importante per lo studio di immunologia, come pure la diagnosi ed il trattamento di varie malattie. Attualmente, metodi standard per la classificazione dei tipi di linfocita si basano sull’etichettatura di proteine di membrana specifici tramite reazioni antigene-anticorpo. Tuttavia, queste tecniche d’etichettatura trasportano i potenziali rischi di alterare le funzioni cellulari. Il protocollo descritto qui supera queste sfide sfruttando intrinseci contrasti ottici misurati da formazione immagine 3D fase quantitativa e un algoritmo di apprendimento automatico. Misurazione dell’indice di rifrazione 3D (RI) tomogrammi dei linfociti fornisce informazioni quantitative sulla morfologia 3D e fenotipi di singole celle. I parametri biofisici estratti dal misura 3D RI tomogrammi vengono poi analizzati quantitativamente con un algoritmo di apprendimento della macchina, che consente di identificare tipi di linfocita a livello di singola cellula privo di etichetta. Misuriamo i tomogrammi RI 3D dei linfociti B, T CD4 + e CD8 + T e identificati i tipi di cellule con oltre l’80% precisione. In questo protocollo, descriviamo la procedura dettagliata per l’isolamento, imaging 3D fase quantitativa e apprendimento automatico per l’identificazione dei tipi del linfocita.

Introduction

I linfociti possono essere classificati in diversi sottotipi, tra cui B, helper (CD4 +) T, linfociti T citotossici (CD8 +) e T regolatorie cellule. Ogni tipo di linfocita ha un ruolo diverso nel sistema immunitario adattivo; ad esempio, i linfociti B producono anticorpi, mentre i linfociti T rilevare antigeni specifici, eliminano le cellule anormali e regolano i linfociti B. Regolamento e funzione del linfocita è strettamente controllato da e relative alle varie malattie tra cui tumori1, malattie autoimmuni2e infezioni virali3. Così, l’identificazione dei tipi del linfocita è importante comprendere i loro ruoli fisiopatologici in tali malattie e per l’immunoterapia nelle cliniche.

Attualmente, metodi per la classificazione dei tipi di linfocita si basano sulle reazioni antigene-anticorpo targeting proteine specifiche della membrana superficiale o marcatori di superficie4. Targeting per gli indicatori di superficie è un metodo preciso e accurato per determinare i tipi di linfociti. Tuttavia, esso richiede costosi reagenti e lunghe procedure. Inoltre, trasporta i rischi della modificazione della struttura delle proteine di membrana e l’alterazione delle funzioni cellulari.

Per superare queste sfide, il protocollo descritto qui introduce l’identificazione privo di etichetta dei tipi del linfocita usando fase quantitativa 3D imaging (QPI) e machine learning5. Questo metodo consente la classificazione dei tipi di linfocita a livello di singola cellula basato su informazioni morfologiche estratte da imaging 3D privo di etichetta dei singoli linfociti. A differenza delle tecniche di microscopia di fluorescenza convenzionali, QPI utilizza l’indice di rifrazione (RI) distribuzioni (intrinseche proprietà ottiche di tessuti e cellule vive) come contrasto ottico6,7. I tomogrammi RI dei singoli linfociti rappresentano informazioni fenotipiche specifiche ai sottotipi di linfociti. In questo caso, per via sistemica utilizzare 3D RI tomogrammi dei linfociti individuali, è stato utilizzato un algoritmo di apprendimento supervisionato macchina.

Varie tecniche di QPI, i 3D tomogrammi RI delle cellule sono stati attivamente utilizzati per lo studio della fisiopatologia delle cellule perché forniscono un privo di etichetta, quantitativa imaging capacità8,9,10, 11,12,13. Le distribuzioni di RI 3D delle singole celle è anche, in grado di fornire informazioni morfologiche, biochimiche e biomeccaniche sulle celle. 3D RI tomogrammi sono stati precedentemente utilizzati nei settori dell’ematologia14,15,16,17, malattie infettive18,19, 20, immunologia21, cellula biologia22,23, infiammazione24, cancro25, neuroscienze26,27, biologia dello sviluppo28, tossicologia 29e microbiologia12,30,31,32.

Anche se 3D RI tomogrammi forniscono dettagliate informazioni morfologiche e biochimiche delle cellule, la classificazione dei sottotipi del linfocita è difficile da raggiungere da semplicemente imaging 3D RI tomogrammi5. Sfruttare sistematicamente e quantitativamente i misurato tomogrammi RI 3D per la classificazione del tipo di cellula, abbiamo utilizzato un algoritmo di apprendimento della macchina. Recentemente, diverse opere sono stati segnalati in quale fase quantitativa immagini delle cellule sono stati analizzati con vari di machine learning algoritmi33, compresa l’individuazione di microrganismi34, classificazione del genere di batteri35 , 36, rilevazione rapida e privo di etichetta di spore di antrace37, automatizzato di analisi delle cellule dello sperma38, analisi di cancro cellule39,40e la rilevazione di macrofago attivazione41.

Questo protocollo fornisce una procedura dettagliata per eseguire privo di etichetta di identificazione dei tipi del linfocita a livello di singola cella usando 3D QPI e il machine learning. Questo include: 1) l’isolamento dal sangue del topo, 2) dei linfociti l’ordinamento tramite flusso cytometry, 3) 3D QPI, 4) quantitativa funzione di estrazione da 3D RI tomogrammi e apprendimento 5) supervisionato per l’identificazione dei tipi del linfocita.

Protocol

Cura degli animali e procedure sperimentali sono state effettuate sotto l’approvazione del istituzionale Animal Care e uso Comitato del KAIST (KA2010-21, KA2014-01 e KA2015-03). Tutti gli esperimenti in questo studio sono stati effettuati conformemente agli orientamenti approvati. 1. l’isolamento dal sangue del topo Una volta che un mouse C57BL/6J è eutanasia tramite inalazione di CO2 , inserire un ago 26G il cuore del topo e raccogliere 0,3 mL di sangue. Direttamente met…

Representative Results

Figura 1 Mostra il processo schematico dell’intero protocollo. Utilizzando la procedura qui presentata, abbiamo isolato B (n = 149), CD4 + T (n = 95) e T CD8 + (n = 112) linfociti. Per ottenere informazioni di fase e ampiezza a vari angoli di illuminazione, sono stati misurati più ologrammi 2D di ogni linfocita modificando l’angolo di illuminazione (da-60 ° a 60 °). In genere, 50 ologrammi possono essere utilizzati per ricostruire un tomogramma RI 3D, …

Discussion

Vi presentiamo un protocollo che consente l’identificazione privo di etichetta dei tipi di linfocita sfruttando la fase quantitativa 3D imaging e apprendimento automatico. Fasi critiche del presente protocollo sono fase quantitativa imaging e funzionalità di selezione. Per l’imaging olografico ottima, la densità delle cellule dovrebbe essere controllata come descritto sopra. Stabilità meccanica delle cellule è anche importante per ottenere una precisa distribuzione RI 3D perché movimenti cellulari galleggianti o vib…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questo lavoro è stato supportato da KAIST BK21 + programma, Tomocube, Inc e National Foundation Research of Korea (2015R1A3A2066550, 2017M3C1A3013923, 2018K 000396). Y. Jo riconosce sostegno dal KAIST Presidential Fellowship e Asan Foundation Scholarship scienza biomedica.

Materials

Mouse Daehan Biolink C57BL/6J mice  gender and age-matched, 6 – 8 weeks
Falcon conical centrifuge tube ThermoFisher Scientific 14-959-53A 15 mL
Phosphate-buffered saline  Sigma-Aldrich 806544-500ML
Ammonium-chloride-potassium lysing buffer  ThermoFisher Scientific A1049201
RPMI-1640 medium Sigma-Aldrich R8758
Fetal bovine serum ThermoFisher Scientific 10438018
Antibody BD Biosciences 553140 (RRID:AB_394655) CD16/32 (clone 2.4G2)
Antibody BD Biosciences 555275 (RRID:AB_395699) CD3ε (clone 17A2)
Antibody Biolegnd 100734 (RRID:AB_2075238) CD8α (clone 53-6.7)
Antibody BD Biosciences 557655 (RRID:AB_396770) CD19 (clone 1D3)
Antibody BD Biosciences 557683 (RRID:AB_396793) CD45R/B220 (clone RA3-6B2)
Antibody BD Biosciences 552878 (RRID:AB_394507) NK1.1 (clone PK136)
Antibody eBioscience 11-0041-85 (RRID:AB_464893) CD4 (clone GK1.5)
DAPI  Roche 10236276001 4,6-diamidino-2-phenylindole
Flow cytometry  BD Biosciences Aria II or III 
Imaging chamber Tomocube, Inc. TomoDish
Holotomography Tomocube, Inc. HT-1H
Holotomography imaging software Tomocube, Inc. TomoStudio
Image professing software MathWorks Matlab R2017b

References

  1. Alizadeh, A. A., et al. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature. 403 (6769), 503 (2000).
  2. Von Boehmer, H., Melchers, F. Checkpoints in lymphocyte development and autoimmune disease. Nature Immunology. 11 (1), 14 (2010).
  3. Sáez-Cirión, A., et al. HIV controllers exhibit potent CD8 T cell capacity to suppress HIV infection ex vivo and peculiar cytotoxic T lymphocyte activation phenotype. Proceedings of the National Academy of Sciences. 104 (16), 6776-6781 (2007).
  4. Fischer, K., et al. Isolation and characterization of human antigen-specific TCRαβ+ CD4-CD8-double-negative regulatory T cells. Blood. 105 (7), 2828-2835 (2005).
  5. Yoon, J., et al. Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning. Scientific Reports. 7 (1), 6654 (2017).
  6. Popescu, G. . Quantitative phase imaging of cells and tissues. , (2011).
  7. Lee, K., et al. Quantitative phase imaging techniques for the study of cell pathophysiology: from principles to applications. Sensors. 13 (4), 4170-4191 (2013).
  8. Kim, D., et al. Refractive index as an intrinsic imaging contrast for 3-D label-free live cell imaging. bioRxiv. , 106328 (2017).
  9. Kim, K., et al. Optical diffraction tomography techniques for the study of cell pathophysiology. Journal of Biomedical Photonics & Engineering. 2 (2), (2016).
  10. Wolf, E. Three-dimensional structure determination of semi-transparent objects from holographic data. Optics Communications. 1 (4), 153-156 (1969).
  11. Kus, A., Dudek, M., Kemper, B., Kujawinska, M., Vollmer, A. Tomographic phase microscopy of living three-dimensional cell cultures. Journal of Biomedical Optics. 19 (4), 046009 (2014).
  12. Kim, T., et al. White-light diffraction tomography of unlabelled live cells. Nature Photonics. 8 (3), 256 (2014).
  13. Simon, B., et al. Tomographic diffractive microscopy with isotropic resolution. Optica. 4 (4), 460-463 (2017).
  14. Kim, Y., et al. Profiling individual human red blood cells using common-path diffraction optical tomography. Scientific Reports. 4, (2014).
  15. Park, H., et al. Measuring cell surface area and deformability of individual human red blood cells over blood storage using quantitative phase imaging. Scientific Reports. 6, (2016).
  16. Lee, S., et al. Refractive index tomograms and dynamic membrane fluctuations of red blood cells from patients with diabetes mellitus. Scientific Reports. 7, (2017).
  17. Merola, F., et al. Tomographic flow cytometry by digital holography. Light-Science & Applications. 6, (2017).
  18. Park, Y., et al. Refractive index maps and membrane dynamics of human red blood cells parasitized by Plasmodium falciparum. Proceedings of the National Academy of Sciences. 105, 13730-13735 (2008).
  19. Park, H., et al. Characterizations of individual mouse red blood cells parasitized by Babesia microti using 3-D holographic microscopy. Scientific Reports. 5, 10827 (2015).
  20. Chandramohanadas, R., et al. Biophysics of malarial parasite exit from infected erythrocytes. Public Library of Science ONE. 6 (6), 20869 (2011).
  21. Yoon, J., et al. Label-free characterization of white blood cells by measuring 3D refractive index maps. Biomedical Optics Express. 6 (10), 3865-3875 (2015).
  22. Kim, K., et al. Three-dimensional label-free imaging and quantification of lipid droplets in live hepatocytes. Scientific Reports. 6, 36815 (2016).
  23. Kim, D., et al. Label-free high-resolution 3-D imaging of gold nanoparticles inside live cells using optical diffraction tomography. Methods. , (2017).
  24. Lenz, P., et al. Multimodal Quantitative Phase Imaging with Digital Holographic Microscopy Accurately Assesses Intestinal Inflammation and Epithelial Wound Healing. Journal of Visualized Experiments. (115), (2016).
  25. Huang, J., Guo, P., Moses, M. A. A Time-lapse, Label-free, Quantitative Phase Imaging Study of Dormant and Active Human Cancer Cells. Journal of Visualized Experiments. (132), (2018).
  26. Yang, S. A., Yoon, J., Kim, K., Park, Y. Measurements of morphological and biochemical alterations in individual neuron cells associated with early neurotoxic effects in Parkinson’s disease. Cytometry Part A. 91 (5), 510-518 (2017).
  27. Cotte, Y., et al. Marker-free phase nanoscopy. Nature Photonics. 7 (2), 113-117 (2013).
  28. Nguyen, T. H., Kandel, M. E., Rubessa, M., Wheeler, M. B., Popescu, G. Gradient light interference microscopy for 3D imaging of unlabeled specimens. Nature Communications. 8 (1), 210 (2017).
  29. Kwon, S., et al. Mitochondria-targeting indolizino [3, 2-c] quinolines as novel class of photosensitizers for photodynamic anticancer activity. European Journal of Medicinal Chemistry. 148, 116-127 (2018).
  30. Bennet, M., Gur, D., Yoon, J., Park, Y., Faivre, D. A Bacteria-Based Remotely Tunable Photonic Device. Advanced Optical Materials. , (2016).
  31. Kim, T. I., et al. Antibacterial Activities of Graphene Oxide-Molybdenum Disulfide Nanocomposite Films. ACS Applied Materials & Interfaces. 9 (9), 7908-7917 (2017).
  32. Bedrossian, M., Barr, C., Lindensmith, C. A., Nealson, K., Nadeau, J. L. Quantifying Microorganisms at Low Concentrations Using Digital Holographic Microscopy (DHM). Journal of Visualized Experiments. (129), (2017).
  33. Jo, Y., et al. Quantitative Phase Imaging and Artificial Intelligence: A Review. arXiv preprint. , (2018).
  34. Javidi, B., Moon, I., Yeom, S., Carapezza, E. Three-dimensional imaging and recognition of microorganism using single-exposure on-line (SEOL) digital holography. Optics Express. 13 (12), 4492-4506 (2005).
  35. Jo, Y., et al. Label-free identification of individual bacteria using Fourier transform light scattering. Optics Express. 23 (12), 15792-15805 (2015).
  36. Jo, Y., et al. Angle-resolved light scattering of individual rod-shaped bacteria based on Fourier transform light scattering. Scientific Reports. 4, 5090 (2014).
  37. Jo, Y., et al. Holographic deep learning for rapid optical screening of anthrax spores. Science Advances. 3 (8), 1700606 (2017).
  38. Mirsky, S. K., Barnea, I., Levi, M., Greenspan, H., Shaked, N. T. Automated analysis of individual sperm cells using stain-free interferometric phase microscopy and machine learning. Cytometry Part A. 91 (9), 893-900 (2017).
  39. Roitshtain, D., et al. Quantitative phase microscopy spatial signatures of cancer cells. Cytometry Part A. 91 (5), 482-493 (2017).
  40. Lam, V. K., Nguyen, T. C., Chung, B. M., Nehmetallah, G., Raub, C. B. Quantitative assessment of cancer cell morphology and motility using telecentric digital holographic microscopy and machine learning. Cytometry Part A. , (2017).
  41. Pavillon, N., Hobro, A. J., Akira, S., Smith, N. I. Noninvasive detection of macrophage activation with single-cell resolution through machine learning. Proceedings of the National Academy of Sciences. , (2018).
  42. Basu, S., Campbell, H. M., Dittel, B. N., Ray, A. Purification of Specific Cell Population by Fluorescence Activated Cell Sorting (FACS). Journal of Visualized Experiments. (41), e1546 (2010).
  43. Takeda, M., Ina, H., Kobayashi, S. Fourier-transform method of fringe-pattern analysis for computer-based topography and interferometry. Journal of the Optical Society of America. 72 (1), 156-160 (1982).
  44. Debnath, S. K., Park, Y. Real-time quantitative phase imaging with a spatial phase-shifting algorithm. Optics Letters. 36 (23), 4677-4679 (2011).
  45. Kim, K., et al. High-resolution three-dimensional imaging of red blood cells parasitized by Plasmodium falciparum and in situ hemozoin crystals using optical diffraction tomography. Journal of Biomedical Optics. 19 (1), 011005 (2013).
  46. Vercruysse, D., et al. Three-part differential of unlabeled leukocytes with a compact lens-free imaging flow cytometer. Lab on a Chip. 15 (4), 1123-1132 (2015).
  47. Kim, K., et al. Correlative three-dimensional fluorescence and refractive index tomography: bridging the gap between molecular specificity and quantitative bioimaging. Biomedical Optics Express. 8 (12), 5688-5697 (2017).
  48. Shin, S., Kim, D., Kim, K., Park, Y. Super-resolution three-dimensional fluorescence and optical diffraction tomography of live cells using structured illumination generated by a digital micromirror device. arXiv preprint. , (2018).
  49. Chowdhury, S., Eldridge, W. J., Wax, A., Izatt, J. A. Structured illumination multimodal 3D-resolved quantitative phase and fluorescence sub-diffraction microscopy. Biomedical Optics Express. 8 (5), 2496-2518 (2017).

Play Video

Cite This Article
Yoon, J., Jo, Y., Kim, Y. S., Yu, Y., Park, J., Lee, S., Park, W. S., Park, Y. Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning. J. Vis. Exp. (141), e58305, doi:10.3791/58305 (2018).

View Video