Summary

Phänotypisches Profiling von aus menschlichen Stammzellen gewonnenen dopaminergen Neuronen im Mittelhirn

Published: July 07, 2023
doi:

Summary

Dieses Protokoll beschreibt die Zellkultivierung menschlicher dopaminerger Neuronen im Mittelhirn, gefolgt von immunologischen Färbungen und der Generierung neuronaler phänotypischer Profile aus aufgenommenen mikroskopischen High-Content-Bildern, die die Identifizierung phänotypischer Variationen aufgrund genetischer oder chemischer Modulationen ermöglichen.

Abstract

Die Parkinson-Krankheit (PD) ist mit einer Reihe zellbiologischer Prozesse verbunden, die den Verlust von dopaminergen (mDA) Neuronen im Mittelhirn verursachen. Vielen aktuellen In-vitro-PD-Zellmodellen mangelt es an Komplexität und sie berücksichtigen nicht mehrere Phänotypen. Phänotypisches Profiling in humanen induzierten pluripotenten Stammzellen (iPSC)-abgeleiteten mDA-Neuronen kann diese Mängel beheben, indem gleichzeitig eine Reihe von neuronalen Phänotypen in einem Parkinson-relevanten Zelltyp parallel gemessen wird. In dieser Arbeit beschreiben wir ein Protokoll zur Gewinnung und Analyse phänotypischer Profile von kommerziell erhältlichen humanen mDA-Neuronen. Ein neuronenspezifisches Fluoreszenz-Färbepanel wird verwendet, um die mit Kern, α-Synuclein, Tyrosinhydroxylase (TH) und Mikrotubuli-assoziiertem Protein 2 (MAP2) verwandten Phänotypen zu visualisieren. Das beschriebene phänotypische Profilierungsprotokoll ist skalierbar, da es 384-Well-Platten, automatisches Liquid Handling und Hochdurchsatzmikroskopie verwendet. Der Nutzen des Protokolls wird anhand gesunder mDA-Neuronen von Spendern und mDA-Neuronen veranschaulicht, die die PD-verknüpfte G2019S-Mutation im Gen für die Leucin-reiche Repeat-Kinase 2 (LRRK2) tragen. Beide Zelllinien wurden mit dem LRRK2-Kinase-Inhibitor PFE-360 behandelt und phänotypische Veränderungen gemessen. Darüber hinaus zeigen wir, wie multidimensionale phänotypische Profile mit Hilfe von Clustering oder maschinellem Lernen gesteuerten überwachten Klassifikationsmethoden analysiert werden können. Das beschriebene Protokoll wird besonders für Forscher interessant sein, die an der Modellierung neuronaler Krankheiten arbeiten oder die Wirkung chemischer Verbindungen in menschlichen Neuronen untersuchen.

Introduction

Bei der Parkinson-Krankheit (PD) sind verschiedene zellbiologische Prozesse gestört. Zum Beispiel wurden mitochondriale Dysfunktion, oxidativer Stress, Proteinabbaudefekte, Störung des vesikulären Transports und der endolysosomalen Funktion mit dem Verlust von dopaminergen (mDA) Neuronen im Mittelhirn in Verbindung gebracht, die häufig bei PD1 beobachtet werden. Daher scheint Parkinson mehrere Krankheitsmechanismen zu beinhalten, die miteinander interagieren und sich gegenseitig verschlimmern können. Eine nützliche Möglichkeit, dieses mechanistische Zusammenspiel zu untersuchen, ist die Erstellung eines umfassenden phänotypischen Fingerabdrucks oder Profils von dopaminergen (mDA) Neuronen im Mittelhirn.

Phänotypisches Profiling ist ein Ansatz, bei dem ein Profil einer Stichprobe auf der Grundlage einer Sammlung messbarer Merkmale erstellt wird, und zweitens werden auf der Grundlage dieses Profils Vorhersagen über eine Stichprobe getroffen 2,3. Das Ziel der Profilerstellung ist es, eine Vielzahl von Merkmalen zu erfassen, von denen einige zuvor möglicherweise nicht mit einer Krankheit oder Behandlung in Verbindung gebracht wurden3. Infolgedessen kann das Profiling unerwartete biologische Prozesse aufdecken. Die Erstellung von phänotypischen Profilen beruht in der Regel auf fluoreszenzgefärbten Zellen, und standardisierte Assays, wie z. B. Cell Painting, wurden entwickelt, um phänotypische Profile zu erstellen4. In jüngster Zeit wird phänotypisches Profiling beispielsweise für die Charakterisierung kleiner Moleküle oder die genaue Vorhersage von PD-Subtypen ausschließlich auf der Grundlage von patienteneigenen Fibroblasten eingesetzt 5,6. Trotz dieser Fortschritte wurde die phänotypische Profilerstellung bisher nur selten auf post-mitotisch differenzierte Zellen angewendet, wie z. B. von humanen induzierten pluripotenten Stammzellen (iPSC) abgeleitete mDA-Neuronen, die PD-assoziierte Mutationen wie LRRK2 G2019S exprimieren. Zu den wesentlichen Herausforderungen von iPSC-abgeleiteten Modellen gehören das Vorhandensein subtiler oder variabler pathologischer Merkmale über Differenzierungschargen oder Genotypen hinweg und die Tatsache, dass isolierte PD-Phänotypen nicht die volle Komplexität der Krankheit erfassen. Darüber hinaus sind neuronale iPSC-Modelle zwar physiologisch relevant, werden aber aufgrund von Bedenken hinsichtlich der technischen Komplexität nur selten in der PD-Wirkstoffforschung eingesetzt 7,8.

Wir haben zuvor eine robuste Methodik entwickelt, um mehrere Parkinson-bedingte pathophysiologische Phänotypen in menschlichen mDA-Neuronen zu messen, die sowohl empfindlich auf genetische als auch auf durch chemische Verbindungen induzierte phänotypische Veränderungen reagieren9. Dieser Artikel beschreibt detailliert eine weiter optimierte Version dieser Methodik, um phänotypische Profile aus mDA-Neuronen zu erstellen (Abbildung 1). Dieses Protokoll hat mehrere Vorteile gegenüber den zuvor beschriebenen phänotypischen Profiling-Ansätzen, wie z.B. die Verwendung hochwertiger mDA-Neuronen und die technische Reproduzierbarkeit. Dieses Protokoll ermöglicht zum ersten Mal ein phänotypisches Profiling in physiologisch relevanten post-mitotischen mDA-Neuronen nach chemischen Störungen in einer hochskalierbaren Weise. Vollständig differenzierte und kryokonservierte mDA-Neuronen sind kommerziell erhältlich, wodurch die Variabilität der Differenzierung von Charge zu Charge erheblich verringert wird. Zweitens kann die technische Variabilität durch ein klar definiertes Versuchsdesign (d. h. Kulturdauer oder Vermeidung von Randvertiefungen), automatisiertes Liquid Handling und automatisierte Mikroskopie weiter reduziert werden. Darüber hinaus werden hier die ersten Schritte der phänotypischen Profilanalyse unter Verwendung von unüberwachtem Clustering oder überwachten Klassifikationsansätzen skizziert, die zeigen, wie phänotypische Profiling-Daten analysiert werden können. Dieses Protokoll wird für Forscher von Nutzen sein, die sich für phänotypische Veränderungen von mDA-Neuronen interessieren, die durch genetische oder chemische Störungen induziert werden, insbesondere wenn ein hochgradig skalierbarer Studienaufbau erforderlich ist, z. B. bei Screening-Kampagnen oder wenn die Wirkung einer kleineren Anzahl von Verbindungen untersucht werden soll, z. B. um toxische Wirkungen zu bestimmen. Zusammenfassend wird erwartet, dass die Anwendung des phänotypischen Profilings menschlicher Neuronen eine wertvolle Technik ist, um komplexe krankheitsbedingte Phänotypen zu untersuchen und die zellulären Effekte von Wirkstoffkandidaten zu charakterisieren.

Figure 1
Abbildung 1: Schematische Darstellung des experimentellen Protokolls zur Generierung bildbasierter phänotypischer Profile aus humanen iPSC-abgeleiteten mDA-Neuronen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Protocol

1. Vorbereitung des Mediums und der Platten für das Neuronen-Seeding (Tag 1) Um die Platten für die Aussaat der Neuronen an Tag 1 vorzubereiten, erwärmen Sie Laminin kurz vor der Anwendung auf Raumtemperatur (RT). Bereiten Sie die Lamininlösung vor, indem Sie die Laminin-Stammlösung (0,1 mg/ml) 1/10 in kaltem PBS+/+ (mit Ca 2+ und Mg2+) verdünnen.HINWEIS: Alle Reagenzien sind in der Materialtabelle aufgeführt. Die Zusammensetzung von Lösungen u…

Representative Results

Das phänotypische Profiling in mDA-Neuronen ist ein effizienter Weg, um mehrere Aspekte der Zellbiologie und ihre Veränderungen während der experimentellen Modulation zu quantifizieren. Um diese Methodik zu veranschaulichen, wurden in dieser Studie kryokonservierte LRRK2 G2019S und gesunde Spender-mDA-Neuronen verwendet. Diese Neuronen wurden seit ca. 37 Tagen differenziert, sind postmitotisch und exprimieren neuronale Marker (TUBB3 und MAP2) und dopaminerge Neuronenmarker, einschließlich Tyrosinhydroxylase (TH) in K…

Discussion

Phänotypisches Profiling ist eine Technik zur Messung einer großen Anzahl von Phänotypen in Zellen durch Fluoreszenzfärbungen, Mikroskopie und Bildanalyse3. Phänotypische Profile können über Zelllinien oder andere experimentelle Bedingungen hinweg erstellt und verglichen werden, um komplexe Veränderungen in der Zellbiologie zu verstehen, die bei Verwendung einer einzigen Auslesung möglicherweise unbemerkt bleiben. Hier beschreiben wir die Anwendung von phänotypischem Profiling auf humane…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Die Autoren bedanken sich bei allen Kolleginnen und Kollegen von Ksilink für ihre wertvolle Hilfe und die Diskussionen, die zur Gestaltung des vorgestellten Protokolls geführt haben.

Materials

Anti- chicken – Alexa 647 Jackson ImmunoRearch 703-605-155 Immunofluorescence
Anaconda https://www.anaconda.com/download
Anti-Map2 Novus NB300-213 Immunofluorescence
Anti-mouse – Alexa 488 Thermo Fisher A11001 Immunofluorescence
Anti-rabbit – Alexa 555 Thermo Fisher A21429 Immunofluorescence
Anti-Tyrosine Hydroxylase Merck T2928 Immunofluorescence
Anti-α-synuclein Abcam 138501 Immunofluorescence
Bravo Automated Liquid Handling Platform with 384ST head Agilent If no liquid handler is available, the use of an electronic multichannel pipette is recommended.
Confocal microscope  Yokogawa CV7000 The use of an automated confocal fluorescence microscope is recommended to ensure image quality consistency.
Countess Automated cell counter Invitrogen Cell counting before seeding. Can also be done using a manual counting chamber.
DPBS +/+ Gibco 14040-133 Buffer for washing
EL406 Washer Dispenser  BioTek (Agilent)  If no liquid handler is available, the use of an electronic multichannel pipette is recommended.
Formaldehyde Solution (PFA 16 %) Euromedex EM-15710-S Fixation before staining
Hoechst 33342 Invitrogen H3570 Nuclear staining
iCell Base Medium 1 Fujifilm M1010 Base medium for neurons
iCell DPN, Donor#01279, Phenotype AHN, lot#106339, 1M Fujifilm C1087 Apparently healthy donor
iCell DPN, Donor#11299, Phenotype LRRK2 G2019S, phenotype PD lot#106139 Fujifilm C1149 Donor carrying LRRK2 G2019S mutation 
iCell Nervous System Supplement Fujifilm M1031 Supplement for base medium
iCell Neural Supplement B Fujifilm M1029 Supplement for base medium
Jupyter Python Notebook In-house development https://github.com/Ksilink/Notebooks/tree/main/Neuro/DopaNeuronProfiling Notebook to perform phenotypic profile visualization and classification from raw data.
Laminin Biolamina LN521 Plate coating
PFE-360 MedChemExpress HY-120085 LRRK2 kinase inhibitor
PhenoLink In-house development https://github.com/Ksilink/PhenoLink Software for image analysis
PhenoPlate 384w, PDL coated Perkin Elmer 6057500 Pre-coated plate for cell culture and imaging. This plate allows imaging of all wells using all objectives of the Yokogawa CV7000 microscope.
Storage plates Abgene 120 µL Thermo Scientific AB-0781 Necessary for compound dispensing using the Vprep pipetting system. If not available, the use of an electronic multichannel pipette is recommended.
Triton Sigma T9284 Permeabilization before lysis
Trypan Blue Sigma T8154-20ML Determination of living cells
Vprep Pipetting System  Agilent Medium change and compound dispensing. Alternatively, an electronic multichannel pipette can be used.

References

  1. Panicker, N., Ge, P., Dawson, V. L., Dawson, T. M. The cell biology of Parkinson’s disease. The Journal of Cell Biology. 220 (4), 202012095 (2021).
  2. Caicedo, J. C., et al. Data-analysis strategies for image-based cell profiling. Nature Methods. 14 (9), 849-863 (2017).
  3. Chandrasekaran, S. N., Ceulemans, H., Boyd, J. D., Carpenter, A. E. Image-based profiling for drug discovery: due for a machine-learning upgrade. Nature Reviews Drug Discovery. 20 (2), 145-159 (2021).
  4. Bray, M. -. A., et al. Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes. Nature Protocols. 11 (9), 1757-1774 (2016).
  5. Schiff, L., et al. Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts. Nature Communications. 13 (1), 1590 (2022).
  6. Ziegler, S., Sievers, S., Waldmann, H. Morphological profiling of small molecules. Cell Chemical Biology. 28 (3), 300-319 (2021).
  7. Cobb, M. M., Ravisankar, A., Skibinski, G., Finkbeiner, S. iPS cells in the study of PD molecular pathogenesis. Cell and Tissue Research. 373 (1), 61-77 (2018).
  8. Elitt, M. S., Barbar, L., Tesar, P. J. Drug screening for human genetic diseases using iPSC models. Human Molecular Genetics. 27 (R2), 89-98 (2018).
  9. Vuidel, A., et al. High-content phenotyping of Parkinson’s disease patient stem cell-derived midbrain dopaminergic neurons using machine learning classification. Stem Cell Reports. 17 (10), 2349-2364 (2022).
  10. Stirling, D. R., Swain-Bowden, M. J., Lucas, A. M., Carpenter, A. E., Cimini, B. A., Goodman, A. CellProfiler 4: improvements in speed, utility and usability. BMC Bioinformatics. 22 (1), 433 (2021).
  11. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  12. Sofroniew, N., et al. . napari: a multi-dimensional image viewer for Python. , (2022).
  13. Berthold, M. R., et al. KNIME: The Konstanz Information Miner. Data Analysis, Machine Learning and Applications. , 319-326 (2008).
  14. Fathi, A., et al. Diverging Parkinson’s Disease Pathology between patient-derived GBAN370S, LRRK2G2019S and engineered SNCAA53T iPSC-derived Dopaminergic Neurons. bioRxiv. , (2023).
  15. Wang, Y., Huang, H., Rudin, C., Shaposhnik, Y. Understanding How Dimension Reduction Tools Work: An Empirical Approach to Deciphering t-SNE, UMAP, TriMap, and PaCMAP for Data Visualization. Journal of Machine Learning Research. 22 (201), 1-73 (2021).
  16. Ke, G., et al. LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems. 30, (2017).
  17. Avazzadeh, S., Baena, J. M., Keighron, C., Feller-Sanchez, Y., Quinlan, L. R. Modelling Parkinson’s Disease: iPSCs towards Better Understanding of Human Pathology. Brain Sciences. 11 (3), 373 (2021).
  18. Sánchez-Danés, A., et al. Disease-specific phenotypes in dopamine neurons from human iPS-based models of genetic and sporadic Parkinson’s disease. EMBO Molecular Medicine. 4 (5), 380-395 (2012).
  19. Oosterveen, T., et al. Pluripotent stem cell derived dopaminergic subpopulations model the selective neuron degeneration in Parkinson’s disease. Stem Cell Reports. 16 (11), 2718-2735 (2021).
  20. Hughes, R. E., et al. Multiparametric high-content cell painting identifies copper ionophores as selective modulators of esophageal cancer phenotypes. ACS Chemical Biology. 17 (7), 1876-1889 (2022).
  21. Akbarzadeh, M., et al. Morphological profiling by means of the Cell Painting assay enables identification of tubulin-targeting compounds. Cell Chemical Biology. 29 (6), 1053-1064 (2022).
  22. Schiff, L., et al. Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts. Nature Communications. 13 (1), 1590 (2022).
  23. Way, G. P., et al. Morphology and gene expression profiling provide complementary information for mapping cell state. Cell Systems. 13 (11), 911-923 (2022).
  24. Feng, Y., Mitchison, T. J., Bender, A., Young, D. W., Tallarico, J. A. Multi-parameter phenotypic profiling: using cellular effects to characterize small-molecule compounds. Nature Reviews Drug Discovery. 8 (7), 567-578 (2009).
  25. Antonov, S. A., Novosadova, E. V. Current state-of-the-art and unresolved problems in using human induced pluripotent stem cell-derived dopamine neurons for parkinson’s disease drug development. International Journal of Molecular Sciences. 22 (7), 3381 (2021).
  26. Miller, J. D., et al. Human iPSC-based modeling of late-onset disease via progerin-induced aging. Cell Stem Cell. 13 (6), 691-705 (2013).
  27. Bezard, E., Gross, C. E., Brotchie, J. M. Presymptomatic compensation in Parkinson’s disease is not dopamine-mediated. Trends in Neurosciences. 26 (4), 215-221 (2003).
  28. Wu, Y., Le, W., Jankovic, J. Preclinical Biomarkers of parkinson disease. Archives of Neurology. 68 (1), 22-30 (2011).
  29. Verstraelen, P., et al. Systematic quantification of synapses in primary neuronal culture. iScience. 23 (9), 101542 (2020).
  30. Liu-Yesucevitz, L., et al. ALS-Linked mutations enlarge TDP-43-enriched neuronal RNA granules in the dendritic arbor. The Journal of Neuroscience. 34 (12), 4167-4174 (2014).

Play Video

Cite This Article
Weiss, A., Sommer, P., Wilbertz, J. H. Phenotypic Profiling of Human Stem Cell-Derived Midbrain Dopaminergic Neurons. J. Vis. Exp. (197), e65570, doi:10.3791/65570 (2023).

View Video