Summary

AMEBaS: Автоматическое выделение срединной линии и вычитание фона ратиометрических флуоресцентных таймлапсов поляризованных одиночных ячеек

Published: June 23, 2023
doi:

Summary

Современные методы анализа внутриклеточной динамики поляризованных одиночных клеток часто являются ручными и не стандартизированы. В этой рукописи представлен новый конвейер анализа изображений для автоматизации срединного извлечения одиночных поляризованных ячеек и количественной оценки пространственно-временного поведения по временным интервалам в удобном онлайн-интерфейсе.

Abstract

Полярность клеток — это макроскопическое явление, устанавливаемое совокупностью пространственно концентрированных молекул и структур, кульминацией которых является появление специализированных доменов на субклеточном уровне. Он связан с развитием асимметричных морфологических структур, которые лежат в основе ключевых биологических функций, таких как деление клеток, рост и миграция. Кроме того, нарушение полярности клеток связано с тканевыми расстройствами, такими как рак и дисплазия желудка.

Современные методы оценки пространственно-временной динамики флуоресцентных репортеров в отдельных поляризованных клетках часто включают ручные шаги по трассировке средней линии вдоль главной оси клеток, что отнимает много времени и подвержено сильным смещениям. Кроме того, несмотря на то, что ратиометрический анализ может исправить неравномерное распределение репортерных молекул с помощью двух флуоресцентных каналов, методы вычитания фона часто произвольны и не имеют статистической поддержки.

В данной статье представлен новый вычислительный конвейер для автоматизации и количественной оценки пространственно-временного поведения отдельных клеток с использованием модели полярности клеток: рост пыльцевой трубки/корневых волосков и цитозольная ионная динамика. Был разработан трехступенчатый алгоритм для обработки ратиометрических изображений и извлечения количественного представления о внутриклеточной динамике и росте. На первом шаге ячейка отделяется от фона, создавая двоичную маску с помощью метода порогового значения в пространстве интенсивности пикселей. На втором шаге прослеживается путь по средней линии клетки с помощью операции скелетирования. Наконец, на третьем шаге обработанные данные представлены в виде ратиометрического таймлапса и получен ратиометрический кимограф (т.е. 1D-пространственный профиль во времени). Для тестирования метода были использованы данные ратиометрических изображений, полученных с помощью генетически закодированных флуоресцентных репортеров из растущих пыльцевых трубок. Этот конвейер позволяет быстрее, менее смещенно и более точно представлять пространственно-временную динамику вдоль средней линии поляризованных клеток, тем самым расширяя количественный инструментарий, доступный для исследования полярности клеток. Исходный код AMEBaS Python доступен по адресу: https://github.com/badain/amebas.git

Introduction

Полярность клеток является фундаментальным биологическим процессом, в котором согласованное действие набора пространственно концентрированных молекул и структур достигает кульминации в создании специализированных морфологических субклеточныхдоменов. Деление, рост и миграция клеток зависят от таких участков полярности, в то время как их потеря связана с раком при заболеваниях, связанных с эпителиальной тканью2.

Апикально растущие клетки являются ярким примером полярности, когда участок полярности на кончике обычно переориентируется на внеклеточные сигналы3. К ним относятся развивающиеся невриты, грибковые гифы, корневые волоски и пыльцевые трубки, где множественные клеточные процессы демонстрируют выраженные различия от кончика клетки к ножке. В пыльцевых трубках, в частности, полимеризация актина, транспорт везикул и концентрация ионов заметно поляризуются, демонстрируя градиенты, сфокусированные на кончиках4. Пыльцевые трубки являются мужскими гаметофитами цветковых растений и отвечают за доставку сперматозоидов к яйцеклетке, растя исключительно на верхушке клетки с одной из самых быстрых скоростей роста, известных для одной клетки. Градиенты ионов, таких как кальций 5 (Ca2+) и протоны 6 (H+), играют важную роль в поддержании роста пыльцевой трубки, что необходимо для выполнения ее основной биологической функции, кульминацией которой является двойное оплодотворение 5,6. Таким образом, количественные методы анализа пространственно-временной динамики вдоль срединной линии апикально растущих клеток имеют важное значение для изучения клеточных и молекулярных механизмов, лежащих в основе поляризованного роста 7,8,9. Исследователи часто используют кимографы, т.е. матрицы, представляющие интенсивность пикселей средней линии клетки (например, столбцов) во времени (например, строк), что позволяет визуализировать рост и миграцию клеток по диагонали (рис. 1). Несмотря на свою полезность, кимографы часто извлекаются путем ручного отслеживания средней линии, что подвержено предвзятости и человеческим ошибкам, а также довольно трудоемко. Это требует автоматизированного метода выделения срединной линии, который является первой особенностью представленного здесь конвейера под названием AMEBaS: Automatic Midline Extraction and Background Sутракции ратиометрической флуоресценции поляризованных одиночных клеток.

С точки зрения экспериментальных процедур, количественная визуализация интересующих ионов/молекул/видов в отдельных клетках может быть достигнута с помощью генетически кодируемых флуоресцентных зондов10. Среди постоянно расширяющегося выбора ратиометрические зонды являются одними из самых точных, поскольку они излучают различные длины волн флуоресценции при связывании/развязываниис интересующими молекулами. Это позволяет корректировать пространственную неоднородность внутриклеточной концентрации зонда за счет соотношения двух каналов с вычитанием их канального специфического фона. Однако оценка фонового порога для каждого канала и точки времени может быть сложной задачей, поскольку он часто изменяется в пространстве из-за таких эффектов, как затенение, когда углы изображения имеют изменение яркости относительно центра, и во времени из-за затухания флуорофора (фотообесцвечивание)12. Несмотря на то, что существует множество возможных методов, в данной работе предлагается определять интенсивность фона автоматически, используя порог сегментации, полученный с помощью алгоритма Isodata13, который затем сглаживается по кадрам с помощью полиномиальной регрессии в качестве стандарта. Однако пространственные компоненты, проистекающие из флуоресцентной гетерогенности, не связанной с клеткой-мишенью, удаленной в12, были проигнорированы этим методом. Автоматическое пороговое определение может быть выполнено несколькими методами, но алгоритм Isodata дал наилучшие результаты эмпирически. Таким образом, автоматическое вычитание значения фона и ратиометрический расчет являются второй основной особенностью AMEBaS (рис. 1), которая в совокупности получает на вход стопку изображений двухканальной флуоресцентной микроскопии, оценивает срединную линию ячейки и канальный фон, а также выдает кимографы обоих каналов и их соотношение (основной выход #1) после вычитания фона, сглаживания и удаления выбросов. вместе со стопкой ратиометрических изображений (основной выход #2).

AMEBaS был протестирован с помощью флуоресцентных таймлапсов растущих пыльцевых трубок Arabidopsis, полученных под микроскопом, либо с помощью ратиометрических сенсоров Ca2+ (CaMeleon)8 или pH (pHluorin)6 , экспрессированных под пыльцевым промотором LAT52. Изображения с каждого канала делались каждые 4 с в сочетании с инвертированным микроскопом, камерой с фронтальной подсветкой (2560 пикселей × 2160 пикселей, размер пикселя 6,45 мкм), флуоресцентным осветителем и объективом с погружением в воду 63x, 1,2NA. Для CaMeleon использовались следующие настройки фильтров: возбуждение 426-450 нм (CFP) и 505-515 нм (YFP), излучение 458-487 нм (CFP) и 520-550 нм (YFP), в то время как для pHluorin возбуждение 318-390 нм (DAPI) и 428-475 нм (FITC), излучение 435-448 нм (DAPI) и 523-536 нм (FITC). Для тестирования в Zenodo был добавлен полный набор данных (DOI: 10.5281/zenodo.7975350)14.

Кроме того, трубопровод был протестирован с данными корневых волосков, где визуализация была выполнена с помощью светового листового микроскопа (SPIM), как описано ранее15,16, с корневыми волосками арабидопсиса, экспрессирующими генетически кодируемыйCa2+ репортер NES-YC3.6 под контролем промотора UBQ10 17. Самодельное программное обеспечение LabView, которое управляло захватом камеры, перемещением образца и затвором светового микроскопа, позволяло наблюдать два канала cpVenus и CFP, а также визуализировать их соотношение в режиме реального времени. Каждое изображение интервальной съемки представляло собой проекцию максимальной интенсивности (MIP) между изображениями флуоресцентных каналов cpVenus и CFP, полученными из 15 срезов образца, расположенных на расстоянии 3 мкм друг от друга. Интервальная съемка соотношения cpVenus/CFP MIP была сохранена и непосредственно использована для анализа AMEBaS.

Хотя этот конвейер может работать с несколькими типами растущих и мигрирующих клеток, он был специально разработан для анализа растущих клеток, которые растут исключительно на кончике, таких как пыльцевые трубки, корневые волоски и гифы грибов, где существует соответствие нерастущих цитоплазматических областей между рамками. Если такого соответствия нет, пользователь должен выбрать вариант complete_skeletonization на шаге 1.3.1.1 (подробнее см. раздел Обсуждение).

Figure 1
Рисунок 1: Обзор рабочего процесса конвейера. Конвейер AMEBaS анализирует и обрабатывает микроскопические таймлапсы в три основных этапа: сегментация отдельных клеток, трассировка срединных линий и генерация кимографа. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Protocol

1. Протокол интерактивной записной книжки Записную книжку Jupyter можно использовать непосредственно в Интернете с помощью Google Colab в https://colab.research.google.com/github/badain/amebas/blob/main/AMEBAS_Colab.ipynb, где были основаны приведенные ниже инструкции. Кроме того, записная книжка Jupyter доступн…

Representative Results

Конвейер AMEBaS автоматизирует извлечение динамики срединной линии поляризованных одиночных клеток из стеков изображений флуоресцентной микроскопии, что делает его менее трудоемким и менее подверженным человеческим ошибкам. Метод количественно оценивает эти временные интервалы путе?…

Discussion

Новый метод, представленный здесь, является мощным инструментом для оптимизации и автоматизации анализа стеков изображений поляризованных клеток флуоресцентной микроскопии. Современные методы, описанные в литературе, такие как плагины ImageJ Kymograph, требуют ручной трассировки средней л?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Авторы выражают благодарность грантам FAPESP 2015/22308-2, 2019/23343-7, 2019/26129-6, 2020/06744-5, 2021/05363-0, CNPq, гранту NIH R01 GM131043 и грантам NSF MCB1714993, MCB1930165 за финансовую поддержку. Данные о корневых волосах были получены с помощью инфраструктуры и под руководством профессора Андреа Басси и профессора Алекса Коста.

Materials

Github Github https://github.com/badain/amebas
Google Colab Google https://colab.research.google.com/github/badain/amebas/blob/main/AMEBAS_Colab.ipynb

References

  1. Drubin, D. G., Nelson, W. J. Origins of cell polarity. Cell. 84 (3), 335-344 (1996).
  2. Wodarz, A., Näthke, I. Cell polarity in development and cancer. Nature Cell Biology. 9 (9), 1016-1024 (2007).
  3. Palanivelu, R., Preuss, D. Pollen tube targeting and axon guidance: parallels in tip growth mechanisms. Trends in Cell Biology. 10 (12), 517-524 (2000).
  4. Portes, M. T., et al. . The Pollen Tube Oscillator: Integrating Biophysics and Biochemistry into Cellular Growth and Morphogenesis. Rhythms in Plants: Dynamic Responses in a Dynamic Environment. , (2015).
  5. Wudick, M. M., et al. CORNICHON sorting and regulation of GLR channels underlie pollen tube Ca2+ homeostasis. Science. 360 (6388), 533-536 (2018).
  6. Hoffmann, R. D., et al. Plasma membrane H+-ATPases sustain pollen tube growth and fertilization. Nature Communications. 11 (1), 1-15 (2020).
  7. Michard, E., et al. Glutamate receptor-like genes form Ca2+ channels in pollen tubes and are regulated by pistil D-serine. Science. 332 (6028), 434-437 (2011).
  8. Damineli, D. S., Portes, M. T., Feijó, J. A. Oscillatory signatures underlie growth regimes in Arabidopsis pollen tubes: computational methods to estimate tip location, periodicity, and synchronization in growing cells. Journal of Experimental Botany. 68 (12), 3267-3281 (2017).
  9. Li, K., et al. An optimized genetically encoded dual reporter for simultaneous ratio imaging of Ca2+ and H+ reveals new insights into ion signaling in plants. New Phytologist. 230 (6), 2292-2310 (2021).
  10. Sadoine, M., et al. Designs, applications, and limitations of genetically encoded fluorescent sensors to explore plant biology. Plant Physiology. 187 (2), 485-503 (2021).
  11. Grenzi, M., et al. Illuminating the hidden world of calcium ions in plants with a universe of indicators. Plant Physiology. 187 (2), 550-571 (2021).
  12. Munglani, G., Vogler, H., Grossniklaus, U. Fast and flexible processing of large FRET image stacks using the FRET-IBRA toolkit. PLoS Computational Biology. 18 (4), 1009242 (2022).
  13. Ridler, T., Calvard, S. Picture thresholding using an iterative selection method. IEEE Transactions on Systems, Man, and Cybernetics. 8 (8), 630-632 (1978).
  14. Portes, M. T., Feijó, J. . Growing Arabidopsis pollen tubes expressing genetically encoded reporters for calcium and pH. , (2023).
  15. Candeo, A., Doccula, F. G., Valentini, G., Bassi, A., Costa, A. Light sheet fluorescence microscopy quantifies calcium oscillations in root hairs of Arabidopsis thaliana. Plant & Cell Physiology. 58 (7), 1161-1172 (2017).
  16. Romano Armada, N., et al. In vivo light sheet fluorescence microscopy of calcium oscillations in Arabidopsis thaliana. Methods in Molecular Biology. 1925, 87-101 (2019).
  17. Krebs, M., et al. FRET-based genetically encoded sensors allow high-resolution live cell imaging of Ca2+ dynamics. The Plant Journal. 69 (1), 181-192 (2012).
  18. Lee, T. -. C., Kashyap, R. L., Chu, C. -. N. Building skeleton models via 3-D medial surface axis thinning algorithms. CVGIP: Graphical Models and Image Processing. 56 (6), 462-478 (1994).
  19. Nunez-Iglesias, J., Blanch, A. J., Looker, O., Dixon, M. W., Tilley, L. A new Python library to analyse skeleton images confirms malaria parasite remodelling of the red blood cell membrane skeleton. PeerJ. 6, 4312 (2018).

Play Video

Cite This Article
Badain, R., Damineli, D. S. C., Portes, M. T., Feijó, J., Buratti, S., Tortora, G., Neves de Oliveira, H., Cesar Jr, R. M. AMEBaS: Automatic Midline Extraction and Background Subtraction of Ratiometric Fluorescence Time-Lapses of Polarized Single Cells. J. Vis. Exp. (196), e64857, doi:10.3791/64857 (2023).

View Video