Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Immunology and Infection
Click here for the English version

Immunology and Infection

Mikrofluidische Co-Kulturmodelle zur Analyse der Immunantwort in in vitro Tumormikroumgebungen

Published: April 30, 2021 doi: 10.3791/61895
Automatic Translation
1, 1, 1, 2, 3, 3, 2, 3,4, 1
1CNR Institute for Photonics and Nanotechnology, 2Dept. of Oncology and Molecular Medicine, Istituto Superiore di Sanità, 3Istituto di Patologia Generale, Università Cattolica del Sacro Cuore, 4Tumor Immunology and Immunotherapy Unit, IRCCS Regina Elena National Cancer Institute

Summary

Im Zeitalter der Immuntherapie und des genomischen Profilings von Einzelzellen erfordert die Krebsbiologie neuartige In-vitro- und Computerwerkzeuge, um die Tumor-Immun-Schnittstelle in einem geeigneten raumzeitlichen Kontext zu untersuchen. Wir beschreiben Protokolle zur Nutzung von mikrofluidischen Kokulturen des Tumor-Immunsystems in 2D- und 3D-Umgebungen, die mit einer dynamischen, multiparametrischen Überwachung zellulärer Funktionen kompatibel sind.

Abstract

Komplexe Krankheitsmodelle erfordern modernste Werkzeuge, die in der Lage sind, physiologisch und pathologisch relevante, umsetzbare Erkenntnisse zu liefern und ansonsten unsichtbare Prozesse aufzudecken. Fortschrittliche Zellassays, die die In-vivo-Landschaft genau nachahmen, etablieren sich als neuartige Methoden zur Visualisierung und Messung des bidirektionalen Tumor-Wirt-Zusammenspiels, das das Fortschreiten von Krebs beeinflusst. Hier beschreiben wir zwei vielseitige Protokolle zur Nachbildung hochgradig kontrollierbarer 2D- und 3D-Kokulturen in Mikrogeräten, die die Komplexität der Tumormikroumgebung (TME) nachahmen, unter natürlicher und therapieinduzierter Immunüberwachung. In Abschnitt 1 wird eine experimentelle Umgebung bereitgestellt, um das Übersprechen zwischen adhärenten Tumorzellen und schwebenden Immunpopulationen durch Hellfeld-Zeitraffermikroskopie zu überwachen. Als Anwendungsszenario analysieren wir die Auswirkungen von Krebstherapien, wie z.B. den sogenannten immunogenen Krebszelltod-Induktoren, auf die Rekrutierung und Aktivierung von Immunzellen. In Abschnitt 2 werden 3D-Tumor-Immun-Mikroumgebungen in einem kompetitiven Layout zusammengestellt. Die differentielle Immuninfiltration wird durch Fluoreszenz-Snapshots bis zu 72 h überwacht, um therapeutische Kombinationsstrategien zu bewerten. In beiden Situationen werden Bildverarbeitungsschritte veranschaulicht, um eine Vielzahl von Immunzellparametern zu extrahieren (z. B. Immunzellmigration und -interaktion, Reaktion auf Therapeutika). Diese einfachen und leistungsfähigen Methoden können weiter zugeschnitten werden, um die Komplexität der TME zu simulieren, die die Heterogenität und Plastizität von Krebs-, Stroma- und Immunzell-Subtypen sowie ihre wechselseitigen Wechselwirkungen als Treiber der Krebsevolution umfasst. Die Übereinstimmung dieser sich schnell entwickelnden Technologien mit der High-Content-Bildgebung lebender Zellen kann zur Generierung großer informativer Datensätze führen, was neue Herausforderungen mit sich bringt. In der Tat weist das Dreieck "Co-Kulturen/Mikroskopie/fortgeschrittene Datenanalyse" den Weg zu einer präzisen Problemparametrisierung, die maßgeschneiderte therapeutische Protokolle unterstützen kann. Wir gehen davon aus, dass die zukünftige Integration von Krebsimmun-On-a-Chip mit künstlicher Intelligenz für die Hochdurchsatzverarbeitung einen großen Schritt nach vorne bei der Nutzung der Fähigkeiten als prädiktive und präklinische Werkzeuge für die Präzisions- und personalisierte Onkologie bewirken wird.

Introduction

Die Entwicklung verschiedener Zweige der Medizin als experimentelle Disziplinen hing von der Fähigkeit ab, Zellpopulationen und Organfunktionen unter kontrollierten Bedingungen zu manipulieren1. Diese Fähigkeit hat ihre Wurzeln in der Verfügbarkeit messbarer Modelle, die in der Lage sind, Prozesse in unserem Körper zu rekapitulieren.

Im Zeitalter der Immuntherapie und des Einzelzell-Genom-Profilings 2 muss die Krebsbiologie die Vorteile neuer In-vitro- und Computermodelle nutzen, um die Tumor-Immun-Schnittstelle in einem geeigneten raumzeitlichen Kontext zu untersuchen 2,3.

Die Tumormikroumgebung4 (TME) ist ein komplexes Gewebe, in dem Krebszellen kontinuierlich mit den anderen zellulären (Immun-, Stroma- und Endothelzellen) und nichtzellulären (extrazelluläre Matrix, EZM) Komponenten interagieren und sich dynamisch weiterentwickeln. Die Dynamik dieser komplexen Landschaft bestimmt, ob Immunzellen als Freund oder Feind bösartiger Zellen fungieren, und beeinflusst so sowohl das Fortschreiten der Krankheit als auch das Ansprechen auf die Therapie stark. Heutzutage laufen große Anstrengungen von Onkoimmunologen, Bioinformatikern und Experten für Systembiologie zusammen, um die klinische Bedeutung der Krebsheterogenität 5,6 entweder räumlich (d. h. in verschiedenen Tumorregionen) und zeitlich (d. h. in unterschiedlichen Tumorprogressionsstadien)5,6 zu untersuchen und den Phänotyp und die Funktion von Krebs- und Immunzellen auf Einzelzellebene zu charakterisieren. Als Beispiel für diese Synergie werden heute routinemäßig fortschrittliche Computer-Vision-Techniken für die räumliche Kartierung von Immuninfiltrat in histologischen Proben eingesetzt 7,8.

Neben experimentellen Modellen, die Tierversuche und traditionelle In-vitro-Methoden überbrücken, ermöglichen Fortschritte in der Mikrofluidik und Co-Kultivierungstechniken den Zugang zu verschiedenen Klassen von mikrotechnischen Zellmodellen wie Organoiden, mikrophysiologischen Systemen 9,10,11 (MPS) und Organs-on-Chip12,13,14 (OOC). Sie haben die gemeinsame Eigenschaft, das "große Ganze" der zellulären Ökosysteme zu vergrößern und das In-vitro-Potenzial zur Kontrolle von Mikroumgebungsfaktoren zu erweitern, während gleichzeitig High-Content-Mikroskopie15 und Bildverarbeitungsansätze genutzt werden.

Heutzutage haben hochmoderne MPS- und OOC-Systeme begonnen, immunologische Aspekte einzubeziehen und verschiedene Subtypen von Immunzellen in bestehende Gewebe- und Co-Kulturen einzubauen, um eine Vielzahl von Prozessen wie entzündliche Erkrankungen, Wundheilung, Schleimhautimmunität und Reaktion auf Toxine oder tägliche Nahrungsmittel zu erforschen und zu messen16. Die TME-on-a-Chip-Modelle 10,11,12,13,14,15,16,17, die auch in die perfusierbaren Mikrogefäße 18,19,20,21 integriert sind, wurden entwickelt, um zelltypabhängige Wechselwirkungen, physikalische und chemische Störungen sowie die zytotoxische Aktivität von infiltrierende Lymphozyten22 sowie klinisch relevante immunmodulatorische Wirkstoffe23.

Hier bieten wir vielseitige Protokolle an, die von Ladezellen in Chips bis hin zu Bildverarbeitungswerkzeugen reichen, um fortschrittliche mikrofluidische Tumor-Immun-Co-Kulturen in 2D- (Abschnitt 1) und 3D- (Abschnitt 2) Umgebungen16 zu nutzen, die mit der dynamischen, multiparametrischen24-Überwachung und Visualisierung zellulärer Funktionen kompatibel sind. Dies wird unter Beibehaltung der Benutzerfreundlichkeit und Flexibilität sowohl bei der Probenverwaltung als auch bei der Datenanalyse erreicht, wobei die Vorteile der Fidschi-Freeware-Software und ihrer Toolboxengenutzt werden 25,26.

Die in Abschnitt 1 beschriebene mikrofluidische Vorrichtung ist für die Durchführung von 2D-Kokulturen von adhärenten Krebs- und schwebenden Immunzellen ausgelegt. Diese Plattform wurde für die in vitro Messung des Verhaltens von Immunzellen in Gegenwart genetischer Mutationen27 und/oder Immundefekte28 validiert. Hier veranschaulichen wir Schritte zur Verfolgung von Immunzellen in Zeitraffer-Hellfeldbildern, indem wir eine halbautomatische Methode nutzen, die auf Trackmate (einem in Fidschi-Software implementierten Plugin) basiert. Dieses Verfahren ermöglicht die Extraktion kinematischer Deskriptoren der Immunmigration 29 und der Reaktion (d. h. der Interaktionszeiten) auf Krebszellen, die mit immunogenen Zelltod-Induktoren behandelt wurden oder nicht27.

Wichtig ist, dass diese Parameter, die aus Zeitreihenbildern extrahiert werden, mit fortschrittlichen mathematischen Maschinen verarbeitet werden können. Als Beispiel für die Potenzialität dieses Ansatzes haben unsere Gruppen kürzlich eine Analyse veröffentlicht, die auf mathematischen Methoden aus stochastischen Prozessen und statistischer Mechanik basiert, um zelluläre Netzwerkeigenschaften zu modellieren und eine parametrisierte Beschreibung des Verhaltens von Immunzellen zu liefern (d.h. verzerrter oder unkorrelierter Random Walk, hochgradig oder nicht koordinierte Bewegung30,31).

Die 3D-Einstellung, die im zweiten Abschnitt vorgestellt wird, basiert auf einem Co-Kultur-Protokoll, um komplexere immunkompetente TMEs, die in zwei Gelregionen mit unterschiedlichen Kombinationen von Zelltypen und Medikamenten eingebettet sind, wettbewerbsfähig nachzubilden. Hier werden Bildverarbeitungsschritte beschrieben, um zu verschiedenen Zeitpunkten die Infiltration von gefärbten Immunzellen in humanen A375M-Melanomzellen, die in Matrigel kultiviert werden, zu messen, um Antitumorwirkstoffkombinationen zu bewerten32. Die A375M-Linie, eine von A375P abgeleitete Zelllinie, die durch einen stark metastasierten Phänotyp gekennzeichnet ist, wurde ausgewählt, um ihre Metastasierungsfähigkeit in Gegenwart von Immunzellen zu bewerten32.

Die beschriebenen Modelle können vollständig mit verschiedenen Zellquellen (murine und humane immortalisierte oder primäre Zelllinien, Organoide, Xenotransplantate usw.) kompatibel sein. In neueren Studien unseres Labors wurde durch die Kombination von High-Content-Videomikroskopie mit Bildanalyse das kompetitive 3D-Layout angewendet, um Folgendes zu untersuchen: i) eine antitumorale (antikörperabhängige zellvermittelte Zytotoxizität, ADCC) Immunantwort und die Rolle von Fibroblasten bei der Resistenz gegen die Trastuzumab-Therapie in HER2+ Brustkrebs-On-Chip-Modellenzu untersuchen 33; ii) die Wirkung myeloischer Zellen (d.h. krebsassoziierter Makrophagen) bei Mechanismen der Tumorevasion und Rekrutierung von T-Zellen34; iii) die Wirksamkeit von immuntherapeutischen Regimen, die speziell auf Interferon-α-konditionierten dendritischen Zellen (IFN-DCs) basieren, die mit medikamentös behandelten Darmkrebszellen in Kollagenmatrizen kultiviert werden, und zur Bewertung der effizienten Bewegung und der nachfolgenden Phagozytoseereignisse35; iv) die chemotaktische Migration von aus dem Knochenmark stammenden Eosinophilen zu IL-33-behandelten oder unbehandelten Melanomzellen36.

Diese fortschrittlichen Modelle könnten als Beobachtungsfenster dienen, um die Rolle der Immunkontexture bei Krebsmetastasen und Resistenzmechanismen zu verstehen, aber es sind Anstrengungen erforderlich, um die Ergebnisse in die Kliniken zu übertragen und die Lücke zur Grundlagenforschung zu schließen37.

Die Nutzung der Leistungsfähigkeit der automatisierten High-Content-Mikroskopie in Verbindung mit der Verwendung physiologisch relevanterer Mikrosysteme eröffnet neue potenzielle Herausforderungen für die Handhabung, Verarbeitung und Interpretation von Hunderten und sogar Tausenden von Gigabyte multiparametrischer Daten, die aus einer einzigen experimentellen Kampagne generiert werden können. Dies impliziert eine direkte Verbindung von OOC-Experimenten mit KI-basierten Algorithmen der künstlichen Intelligenz 38,39,40,41,42 (KI) sowohl für die fortgeschrittene automatisierte Analyse als auch für die Generierung von Merkmalen, die wiederum in silico-Modelle des Krebs-Immun-Zusammenspiels43 einfließen können, mit aufregenden neuen Anwendungen am Horizont, wie z. B.der Entwicklung von prädiktiven Wirkstoff-Screening-Assays 44.

Ein ständig wachsender Fluss von Anstrengungen konzentriert sich auf die Entwicklung von Krankheitsmodellen zusammen mit der Optimierung von Strategien zur Implementierung der groß angelegten Störungsbildschirme mit Einzelzell-Multi-Omics-Auslesungen. Dies wird zweifellos dazu beitragen, einen systematischen Onko-Immunologie-on-a-Chip-Ansatz zu entwickeln und hoffentlich auch klinisch umzusetzen, begleitet von einem angemessenen Grad an Methodenstandardisierung, um neue Einblicke in Immunerkrankungen und Krebsverbreitungsmechanismen zu gewinnen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Chip-Design für adhärente und schwimmende Zellen 2D-Co-Kulturen

HINWEIS: Das 2D-Co-Kultur-Layout (Abbildung 1A-C) zeichnet sich durch drei Kammern (100 μm hoch) aus, die durch zwei Sätze von Mikrokanal-Arrays (500 x 12 x 10 μm3, L×W×H) miteinander verbunden sind. Die Zwischenkammer bildet zwei geschlossene Sackgassenkompartimente, die das Überlaufen schwebender Immunzellen in die Tumorstelle während des Ladeschritts 2.5 blockieren. Dieser Gerätetyp eignet sich für zweidimensionale Echtzeitmessungen der Motilität einzelner Zellen (entweder adhärent oder schwimmend) und der Zell-Zell-Interaktionen 16,27,28,30,31. Eine typische Zellmigrationsstudie (die von mehreren Stunden bis zu mehreren Tagen durchgeführt wird) kombiniert Lebendzellmikroskopie mit Bildverarbeitungsalgorithmen45, um die aufgenommenen Bildsequenzen in numerische Merkmale zu übersetzen25. Basierend auf den Migrationsmustern können mehrere biophysikalische Indikatoren abgeschätzt werden, wie z. B. die Verdrängung und Geschwindigkeit von Zellen sowie die Dauer der Interaktionen zwischen Immunzellen und Zielzellen24.

  1. Präparation von Krebs- und PBMC-Zellen
    1. Krebszellkultur
      HINWEIS: MDA-MB-231 dreifach negative [Östrogenrezeptor (ER)-, Progesteronrezeptor (PR)- und humaner epidermaler Wachstumsfaktorrezeptor 2 (HER2)-] menschliche Brustadenokarzinomzellen werden routinemäßig in einem 1640-Medium des Roswell Park Memorial Institute (RPMI) gezüchtet, das mit 10% (v/v) fötalem Rinderserum (FBS), 2 mM L-Glutamin, 100 IE ml −1 Penicillin G Natriumsalz und 100 μg ml −1 Streptomycinsulfat (Wachstumsmedium) ergänzt wird. unter Standardkulturbedingungen (37 °C und 5 % CO2).
      1. Um das Zellkulturwachstum zu optimieren, werden MDA-MB-231-Zellen in 75 cm2 Flaschen mit einer Dichte von 1 × 106 Zellen mL-1 in 12 bis 15 ml Wachstumsmedium geplattet.
      2. Wenn die Zellen die 75-80% der Konfluenz erreichen, verwerfen Sie das Wachstumsmedium, waschen Sie die Zellen mit vorgewärmter phosphatgepufferter Kochsalzlösung (PBS), um FBS vollständig zu entfernen, und lösen Sie sie dann mit vorgewärmtem Trypsin (1 bis 2 min bei 37 ° C).
      3. Fügen Sie Wachstumsmedium hinzu, um die enzymatische Aktivität von Trypsin zu inaktivieren und abgelöste Zellen zu sammeln. Waschen Sie die Zellen zweimal für 5 min bei 1.100 x g bei Raumtemperatur (RT).
      4. Zählen Sie die Zellen in einem Zellzählobjektträger mit Hilfe des Trypanblau-Farbstoffausschlusstests und säen Sie sie dann entweder für die Erhaltungskultur (für nicht mehr als 6 Durchgänge nach dem Auftauen) oder für experimentelle Verfahren nach.
      5. Für mikrofluidische Experimente werden 1 × 106 Zellen in 6-Well-Platten in 3 ml Wachstumsmedium gesät und entweder mit 25 μM Doxorubicin (DOXO) oder einem gleichen Volumen DOXO-Lösungsmittel (PBS) als Kontrolle behandelt.
      6. Vier bis 6 Stunden danach werden DOXO-behandelte Zellen zweimal mit vorgewärmtem PBS für 5 min bei 1.100 x g RT gewaschen.
      7. Zählen Sie DOXO-behandelte und PBS-behandelte Kontrollzellen wie oben (siehe Schritt 1.1.1.5) und stellen Sie die Kokultur mit mononukleären Zellen des peripheren Blutes (PBMCs) in mikrofluidischen Geräten ein.
    2. PBMC-Isolation
      1. Sammeln Sie venöses Vollblut (ca. 10 ml) von gesunden Probanden in heparinisierten Fläschchen und mischen Sie es vorsichtig, indem Sie das Röhrchen 2 bis 4 mal47 umdrehen.
      2. Verdünnen Sie das Blut 1:1 mit PBS und schichten Sie es über 10 ml des Dichtegradientenmediums Lymphoprep in einem 50-ml-Röhrchen.
        HINWEIS: Stellen Sie sicher, dass Sie die Schichtung sehr sanft und langsam durchführen, damit Blut und Lymphoprep zwei verschiedene Schichten bilden können.
      3. Zentrifugenröhrchen für 30 Minuten bei 400 x g bei 4 °C in einem ausschwenkbaren Eimer ohne Bremsen. Es bilden sich vier verschiedene Schichten: (i) Plasma an der Spitze, (ii) eine weiße und trübe Schicht mit PBMCs, (iii) Lymphoprep und (iv) ein Pellet aus Erythrozyten und Granulozyten.
      4. PBMCs vorsichtig mit einer 2-ml-Pipette absaugen und sofort in warmem Wachstumsmedium resuspendieren (wie in Schritt 1.1.1 verwendet) und zweimal 5 min bei 1.100 x g RT waschen.
      5. Zähle pelletierte PBMCs wie oben (siehe Schritt 1.1.1.5) und verwende sie entweder für experimentelle Verfahren oder friere sie für die Langzeitlagerung ein.
  2. Beschichtung der Zellen in 2D-Chips
    HINWEIS: PBMCs werden in diesem Protokoll nicht gefärbt. Um spezifische Phänotypen auf dem Chip zu charakterisieren, können Immunzell-Subpopulationen durch immunmagnetische Bead-Selektion isoliert, mit fluoreszierenden Zell-Trackern gefärbt, mit der unmarkierten verbleibenden Fraktion neu gemischt und so mit Zielkrebszellen konfrontiert werden, wie in den On-Chip-Experimenten berichtet, die in Vacchelli et al.27 und in Racioppi et al.34 beschrieben wurden.
    1. Bevor Sie mit Co-Kultur-Experimenten beginnen und die Zugabe von Reagenzien erleichtern, aktivieren Sie die gelagerten Chips durch eine Sauerstoffplasmabehandlung für einige Sekunden. Füllen Sie die Reservoirs sofort mit deionisiertem Wasser oder PBS, um die PDMS-Oberflächen (Polydimethylsiloxan) bis zu den Beschichtungsschritten hydrophil zu halten.
      HINWEIS: PDMS ist von Natur aus hydrophob, was zu Funktionsschwierigkeiten und zum Einschließen von Luftblasen in Mikrokanälen führen kann. Siehe Schritt 7 in der ergänzenden Datei mit Details zur Aktivierung von Sauerstoffplasma.
    2. 20 Minuten unter einem UV-Schrank sterilisieren, 2-3 mal mit frischem PBS waschen und dann 1 h mit Nährmedien inkubieren. Bewahren Sie die Chips im Inkubator auf, bis die Beschichtungsschritte ausgeführt werden.
    3. Entnehmen Sie überschüssige Medien aus allen sechs Behältern. Achten Sie darauf, dass Medien nicht aus den Hauptkulturkammern aufgesaugt werden.
    4. Tragen Sie langsam 1 × 105 Krebszellen auf, die in 10-20 μl Wachstumsmedium im oberen linken Reservoir und dann in der unteren Vertiefung resuspendiert sind (Abbildung 1A, Reservoirs 1 und 2). Warten Sie 5 Minuten, bis die Zellen in der Tumorkammer haften bleiben. Einige Zellen setzen sich in den Reservoirs ab und heften sich an.
      HINWEIS: Führen Sie die Zellsuspension neben den Kanalöffnungen ein. Dieses Verfahren wird auf MDA-MB-231-Krebszellen angewendet, andere Linien erfordern eine Optimierung der Zelldichte. Um die Anhaftung von Krebszellen zu verbessern, kann eine Beschichtungsfunktionalisierung von Oberflächen (z.B. Poly-L-Lysin, Fibronektin) durchgeführt werden. Bitte beachten Sie die zuvor veröffentlichten Protokolle für die Beschichtungsschritte16, 48, 49, 50.
    5. Auf der rechten Seite werden 1 × 106 PBMCs vorsichtig in 50 μl Wachstumsmedium in die Vertiefungen 3 und 4 resuspendiert (siehe Abbildung 1A, Reservoirs 3 und 4).
      HINWEIS: Nach dem Fließen verteilt sich PBMC in der Zwischenkammer und bildet eine "Front", die den Ausgangspunkt des Experiments darstellt.
    6. Füllen Sie alle sechs Behälter mit bis zu 100-150 μl Wachstumsmedium. Überprüfen Sie unter dem Mikroskop, ob sich die Zellen in den Kulturkompartimenten korrekt verteilt haben, wie in Abbildung 1D-E dargestellt. Das endgültige Volumen kann mit der Größe der Reservoirs variieren. Stellen Sie die Volumina so ein, dass sie in allen Vertiefungen gleich sind.
    7. Legen Sie die Chips für ca. 1 h zurück in den Inkubator, um das System vor der Zeitrafferaufnahme zu stabilisieren. Fügen Sie alle 3 Tage frisches Medium hinzu, da es zu Verdunstungsverlusten kommen kann.
      HINWEIS: Das System ist sowohl mit der Lebend-/Totzellanalyse als auch mit der dynamischen Multiplex-Zytokinsekretionsprofilierung aus konditionierten Medien kompatibel. Für Chemokinanalysen können bis zu 200-250 μl Aliquote von Überständen zugänglich sein, indem Medien aus den beiden Reservoirs jedes Kompartiments gesammelt werden. Klassische ELISA- und Luminex-Zytokin-Profiling-Assays benötigen etwa 50 μl Überstände. Bitte sehen Sie sich 51,52 Beispiele für Studien anderer Labore an, die Zytokinprofile an OOC-Modellen durchführen.
  3. Zeitrafferaufnahme von unmarkierten Krebs- und Immunzellen
    HINWEIS: In der Regel sind 3 Chips auf einem einzigen Objektträger angeordnet (siehe Abbildung 1A für den 2D-Chip und Abbildung 4B für den 3D-Chip). Durch die Verwendung von Tischhaltern, die 4 Objektträger zuweisen, können Co-Kulturen durch automatisierte High-Content-Mikroskopie überwacht werden, um große Chargen von Versuchsbedingungen zu analysieren. Die Chips können problemlos auf Objektträgern mit einer Dicke von 1 mm oder 170 Mikrometern (Kunststoff- oder Glasdeckgläser, optische 6-Well-Boden-Multiwells) montiert werden, um eine hochauflösende konfokale Bildgebung zu ermöglichen.
    1. Aufnahme von Hellfeld-Bildserien von unmarkierten Zellen mittels eines Videomikroskopie-Aufbaus, der mit einem Inkubationssystem ausgestattet ist.
      HINWEIS: Hier wurden Zeitreihendatensätze (Zeitfenster: 48 h, Bildrate: 2 min) mit einem Fluoreszenzmikroskop aufgenommen, das mit einem 4-fach-Objektiv und CMOS-Pixeln von 1,3 Mio. Pixeln ausgestattet war und für den Einbau in einen Standard-Zellkultur-Inkubator optimiert war.
    2. Erwärmen Sie das Mikroskop mindestens 2 Stunden lang, um sich auf 37 °C und 5 % CO2 zu äquilibrieren, bevor Sie mit der Aufnahme beginnen.
    3. Wählen Sie das Beobachtungsfenster aus, indem Sie das Mikrokanal-Array zwischen dem Tumor und dem zentralen Kompartiment zentrieren. Dies ermöglicht es, die Dynamik der Immuninfiltration und die Wechselwirkungen innerhalb der Region, in der Krebszellen ausgesät werden, sichtbar zu machen.
    4. Passen Sie die Beleuchtungsintensität und den Fokus von Krebs- und Immunzellen an.
    5. Um die Zeitrafferaufnahme zu starten, optimieren Sie die Bildrate und die Zeitdauer je nach Experiment und untersuchtem Zelltyp.
      HINWEIS: Die Bildgebungsbedingungen müssen optimiert werden, um eine übermäßige Belichtung zu vermeiden und gleichzeitig ein gutes Signal-Rausch-Verhältnis (SNR) aufrechtzuerhalten. Da Immunzellen sehr beweglich sind, muss die Aufnahmebildrate ausreichend hoch sein, um dem interessierenden dynamischen Prozess zu folgen und eine einfache Verfolgungzu ermöglichen 53. Es sollte ein Kompromiss zwischen dem Tracking-Algorithmus, der Kompatibilität mit der Größe des resultierenden Datensatzes und der Lebensfähigkeit, Dichte und Motilität der beobachteten Zellen gefunden werden.
    6. Verwenden Sie am Ende des Zeitraffers die Funktion Bildsequenz importieren und speichern unter der ImageJ-Software, um den Frame-Datensatz in eine unkomprimierte Videodatei mit 25 fps zu konvertieren.
      HINWEIS: Die generierte Videodatei ist jetzt bereit für die Zellen-Tracking-Analyse. Hier wurden RGB-Bilder (1280x1024 Pixel) mit einer räumlichen Auflösung von 1,33 μm/Pixel aufgenommen. Ein Film mit einer Dauer von 24 Stunden (3,5 GB Stapel) mit einem einzigen Sichtfeld (FOV) besteht aus 720 Bildern für jede Bedingung.
  4. Datenanalyse: Halbautomatische Extraktion unmarkierter Immunspuren durch Trackmate
    HINWEIS: Hier wird die Analyse der Immunmotilität in unbeschrifteten 2D-Zeitrafferbildern mit TrackMate durchgeführt54, eine Open-Source-Toolbox, die im Fiji/ImageJ-Softwarepaket (https://imagej.nih.gov/ij/) verfügbar ist. Es stehen mehrere Algorithmen zur Verfügung, um ein automatisiertes Einzelpartikel-Tracking durchzuführen55(SPT) von fleckenförmigen Strukturen. Sie wurden effizient auf fluoreszierende Bilder angewendet, bei denen Objekte auf einem dunklen Hintergrund mit hohem SNR hell sind (d. h. fluoreszierende Flecken mit geringer Auflösung, markierte Verkehrsvesikel, Kerne)1,25,56,57,58. SPT basiert hauptsächlich auf zwei aufeinanderfolgenden Schritten. Zunächst werden Objekte mit identifizierten Positionen in mehreren Frames lokalisiert (Segmentierung), wie in schematisiertAbbildung 2. In der zweiten Stufe (Partikelverknüpfung) werden detektierte Punkte über aufeinanderfolgende Bilder verknüpft, um die Bewegung abzuschätzen und ihre Flugbahnen in Form einer Spur (Abbildung 3). Numerische Merkmale können aus jedem extrahierten X-, Y- und Z-Koordinatenarray im Laufe der Zeit berechnet werden. Ausführliche Dokumentation finden Sie in54sowie online (http://imagej.net/TrackMate), nach dem Tutorial Erste Schritte mit TrackMate. Die Genauigkeit des Prozesses kann sofort überprüft werden, indem eine intuitive grafische Benutzeroberfläche (assistentenähnliche GUI) verwendet wird, die es dem Benutzer ermöglicht, die Einstellungen bei jedem Schritt neu anzupassen. Im folgenden Teil wird kurz beschrieben, wie Trackmate für Bildverarbeitungs- und Quantifizierungsschritte verwendet wird, die auf Bilder im sichtbaren Licht angewendet werden:
    2. Aufbau des Kalibrierungsstapels (Abbildung 2A).
      1. Überprüfen Sie die Dimensionalität und weisen Sie die Bildeigenschaften zu, indem Sie Bild> Eigenschaften auswählen. Füllen Sie die Felder "Längeneinheit", "Pixelabmessungen" und "Rahmenintervall" aus.
        HINWEIS: Verwenden Sie zur Durchführung der Kalibrierung die bekannte Länge der Mikrokanäle (500 μm, Abbildung 1C) und dividieren Sie sie durch die entsprechende gemessene Länge in Pixeln. Stellen Sie bei 2D-Zeitreihen sicher, dass Sie das Z/T-Feld mit der Eingabe von 1 als Z-Slice und der richtigen Anzahl von Filmbildern austauschen. Wenn dies nicht der Fall ist, werden die quantitativen Ausgaben und Parameter von Trackmate in Pixeleinheiten und Zeitrahmen angegeben.
    3. Vorverarbeitung von Bildern.
      1. Um die korrekte Unterscheidung von Immunzellen vor einem verrauschten Hintergrund zu verbessern, sollten Hellfeldbilder vorverarbeitet werden, um Artefakte zu kompensieren. Stellen Sie sicher, dass die Datensätze aus 8-Bit-TIFF-Bildern bestehen (Helligkeitsbereich: 0-255).
        HINWEIS: Ungleichmäßige Beleuchtung, niedriges SNR und Kontamination durch kleine Schmutzpartikel in Bildern im sichtbaren Licht können den Erfolg eines Zellverfolgungsprozesses beeinträchtigen. Hier werden Zeitreihendatensätze durch Hintergrundsubtraktion, Helligkeits-/Kontrastanpassungsfunktion und durch lokale Bildsubtraktion einer Gaußschen Unschärfe von Originalbildern vorverarbeitet. In ImageJ stehen weitere Analyse-Toolkits für die Verarbeitung und Segmentierung von Phasenkontrast- oder Hellfeldbildern zur Verfügung, einschließlich der empirischen Gradientenschwelle (EGT)59.
    4. Erstes Kalibrierpanel (Abbildung 2A)
      1. Starten Sie bei ausgewähltem Bildstapel Trackmate (Plugins>Tracking).  Überarbeiten/bestätigen Sie die Dimensionalität und das zeitliche Fenster der Daten (d. h. Pixelbreite und Bildintervall).
        HINWEIS: TrackMate liest automatisch das Feld für die Bildeigenschaften ein, um die endgültigen Tracking-Ergebnisse in kalibrierten physikalischen Einheiten (d. h. μm und Minuten) anzuzeigen.
      2. Definieren Sie einen Bereich von Interesse, um die Extraktion von Immunspuren zu berechnen, indem Sie Werte manuell einfügen oder einen geschlossenen Bereich über das aktive Bild zeichnen und dann auf die Schaltfläche Quelle aktualisieren klicken. Um globale Immunmigrationspfade zu extrahieren, wählen Sie rechteckige Regionen auf der rechten Seite der Mikrokanäle (zentrale Kammer, Abbildung 1E) bzw. auf der linken Seite (Tumorkammer, Abbildung 1D). Um die Wechselwirkungen zwischen Krebs und Immun-Hotspots zu analysieren, zeichnen Sie kreisförmige Unterregionen mithilfe von ROI-Werkzeugen (gehen Sie zu Bearbeiten → Auswahl → Spezifizieren).
        HINWEIS: Wenn Sie diese Toolbox zum ersten Mal auf einer neuen biologischen Anwendung ausführen, verbringen Sie die notwendige Zeit, um die Einstellungen für die Rekonstruktion der Spuren zu optimieren.
        HINWEIS: Führen Sie eine manuelle Verfolgung der Zelltrajektorien (ca. 50-100 Zellen) durch, um empirisch die richtige Konfiguration zu finden und als Benchmark die Zuverlässigkeit der automatischen Extraktion von Bewegungen zu validieren. Arbeiten Sie außerdem zunächst auf einer kleineren Fläche, um die Genauigkeit der ausgewählten Parameter leicht zu überprüfen.
    5. Schritt zur Erkennung von Immunflecken (Abbildung 2B)
      1. Wählen Sie den Standard-Laplace-of-Gauß-Detektor (LoG) aus. Der LoG-Detektor arbeitet daran, helle, klecksartige, rundliche Objekte zu finden und einen Laplace-of-Gauß-Filter auf das Bild anzuwenden, das auf mittlere Punktgrößen (5 bis 20 Pixel Durchmesser) abgestimmt ist.
      2. Geben Sie im Feld Geschätzter Blobdurchmesser (hier 10-13 μm) einen Wert ein, der etwas größer als die erwartete Punktgröße ist. Erhöhen Sie den Schwellenwert (hier 1-3 μm), bis zusätzliche störende Hintergrundflecken reduziert werden, möglicherweise ohne die Objektmerkmale zu entfernen. Erkennungen unterhalb des Schwellenwerts (basierend auf einer Qualitätsmetrik) werden aus der nachfolgenden Analyse verworfen. Aktivieren Sie das Kontrollkästchen für den Medianfilter und die Subpixel-Lokalisierung, um die Qualität der Punkterkennung zu verbessern.
      3. Verwenden Sie die Schaltfläche Vorschau, um identifizierte Immunzellen, die den Bildern von magentafarbenen Kreisen überlagert sind, anzuzeigen und schnell zu untersuchen.
        HINWEIS: Fehler bei der Erkennung haben erhebliche Auswirkungen auf den Verknüpfungsprozess. Andere unerwünschte Erkennungen können in den folgenden Menüs durch benutzerdefinierte Filter korrigiert werden (z. B. nach Spot-Intensität, -Größe oder -Position).
    6. Wenn Sie mit der Auswahl zufrieden sind, klicken Sie auf Weiter.
      HINWEIS: Diese Einstellungen können je nach Versuchsaufbau und Bildgebungsmodalitäten (z. B. Sichtfeld, Objektivvergrößerung, Hellfeld- oder Fluoreszenzbilder), Zelltyp (adhärente oder schwimmende Zellen), langsamer oder schneller Motilität, Art des zellulären Verhaltens (interagierend oder nicht) und niedriger/mittlerer/hoher Dichte im Beobachtungsbereich variieren.
    7. Fahren Sie fort und überspringen Sie das Menü Initial Thresholding. Wählen Sie das Hyperstack Displayer-Fenster aus.
    8. Legen Sie Filter im Spot-Bereich fest (Abbildung 2C).
      1. Wählen Sie: Einheitliche Farbe. Filter, wie in Abbildung 2C dargestellt, können hinzugefügt werden, um beschriftete Punkte mit Feature-Werten, die in einem Histogramm angezeigt werden, über oder unter einem reversiblen Schwellenwert beizubehalten.
    9. Tracker-Auswahlphase (Abbildung 3A). Wählen Sie den Simple LAP-Tracker als Partikelverknüpfungsalgorithmus, der nach drei auszufüllenden Feldern fragt (in diesem Fall "Linking max distance": 30-50 μm, "Gap-closing max distance": 25-50 μm, "Gap-closing max frame gap": 4-6). Dieser Detektor verwaltet lückenschließende Ereignisse, wobei die Berechnung der Kostenbindung ausschließlich auf der jeweiligen Entfernung basiert.
      HINWEIS: Der maximal zulässige Verknüpfungsabstand begrenzt den räumlichen Suchbereich für Kandidaten-Matching-Spots, der der maximal zulässigen Verschiebung zwischen zwei aufeinanderfolgenden Bildern entspricht (Abbildung 3D).
      1. Geben Sie größere Werte für die maximale Verschiebung an, wenn die Fragmentierung von Spuren stark beweglicher Partikel festgestellt wird.
        HINWEIS: Zwei Verbindungen werden nicht verbunden, wenn die Bewegung von Bild zu Bild größer als der angegebene maximale Entfernungswert ist. Wenn Segmente zwei verschiedene Zellen schlecht überbrücken, verringern Sie den Wert der maximalen Verschiebung.
      2. Versuchen Sie, fehlende Stellen wieder zu verbinden, indem Sie die Werte für "den maximalen Abstand zum Schließen des Spalts" und den "maximalen Rahmenabstand" variieren.
        HINWEIS: Diese Parameter befassen sich mit Lückenschließungsereignissen in nicht benachbarten Frames. Bei einigen Bildern kann es zu einem Verschwinden von Flecken kommen (z. B. unscharfe Partikel, Zellen, die im Sichtfeld weggelassen werden, Segmentierungsfehler in einem verrauschten Bild).
        HINWEIS: Um Aufteilungs- oder Zusammenführungsereignisse zu handhaben, entscheiden Sie sich für den LAP-Linker als Detektor, der Strafen für die Verknüpfungskostenmatrix einführt.
    10. Klicken Sie auf Weiter, um die Tracking-Berechnung auszuführen. Klicken Sie auf Weiter.
    11. Bereich "Filtern von Spuren" (Abbildung 3B). Ändern Sie die Farbe der Immunpfade, indem Sie im Dropdown-Menü "Track-ID" oder andere Track-Funktionen auswählen. Wählen Sie an dieser Stelle optional aus, ob Sie interaktive Filter funktional festlegen möchten, um die Qualität des Ergebnisses zu verbessern und das Verfahren erneut zu überprüfen.
      HINWEIS: Störende Flecken entstehen durch Rauschen im Bild und Verlust der Funktionsqualität. Dadurch werden kurze Segmente erzeugt, während die interessierenden Zellen über viele Frames hinweg verfolgt werden können.
      1. Um kurze Pfade zu entfernen, versuchen Sie, basierend auf der Anzahl der darin enthaltenen Punkte herauszufiltern. Darüber hinaus können Sie Spuren mit einer Kombination von Optionen wie Spurverschiebung, Spurdauer oder Minimal/Mittelwert/MaximaleGeschwindigkeit sortieren, um falsche oder unerwünschte Spuren (mit weniger Frames in Bezug auf die Gesamtdauer des Zeitraffers oder mit verschmutzten oder sich nicht bewegenden Partikeln) von der weiteren Nachbearbeitung auszuschließen.
        HINWEIS: Die Auswahl der Filter kann je nach Anwendung und biologischem System variieren.
    12. Untersuchen Sie alle Spuren in der Benutzeroberfläche "Anzeigeoptionen", scrollen Sie durch die Zeit, und überprüfen Sie, wie genau die Spuren mit den Zellmigrationspfaden übereinstimmen. Das Dropdown-Menü bietet Farbcodes für Punkte und Pfade zur einfachen Visualisierung und Filterung nach verschiedenen Modalitäten (z. B. kinetische Parameter, Intensität, zeitliche oder räumliche Position).
      HINWEIS: Erhöhen Sie für die Verfolgung von Kulturen mit hoher Dichte oder hochbeweglichen Zellen die Erfassungsbildrate, um die Zellverschiebung zu minimieren, die in aufeinanderfolgenden Zeitintervallen zurückgelegt wird.
    13. Manuelle Korrektur von Segmentierungs- und Verknüpfungsfehlern (Abbildung 3E).
      1. Um die Qualität der Ergebnisse weiter zu verbessern, bearbeiten Sie Flecken (Trümmerpartikel, stationäre Zellen) manuell und entfernen Sie fehlerhafte Spuren, die sich aus erkannten Tumorgrenzen ergeben, wenn Sie die ROIs der Tumor-Immun-Interaktion analysieren.
      2. Wählen Sie zunächst das TrackMate-Werkzeug in der ImageJ-Symbolleiste aus. Um einen vorhandenen Spot im gesamten Stack zu eliminieren, drücken Sie die Umschalttaste und erstellen Sie mit dem Mauszeiger eine ROI-Maske über dem Zielspot (bearbeitet in einem grünen Kreis) und drücken Sie dann die ENTF-Taste.
      3. Um einen neuen Spot hinzuzufügen (im Falle fehlender Tracks aufgrund des Verschwindens von Spots), drücken Sie die A-Taste und legen Sie die Maus auf die gezeigte Stelle. Wiederholen Sie den Berechnungsprozess zum Verknüpfen von Spuren nach diesem Schritt.
    14. Wenn Sie zufrieden sind, wählen Sie im Bedienfeld "Anzeigeoptionen" die Option "Analyse" aus, um drei Textdateien zu generieren (Abbildung 3C und 3F). Die Tabelle in "Spots in Tracks statistics" enthält die räumlichen und zeitlichen Koordinaten der Immunspots (X-Y-Z-Positionen der Zellen, die mit dem zugehörigen Frame und der Track-Nummer markiert sind). "Links in Track-Statistiken" und "Track-Statistiken" enthalten Informationen zu den Tracks: Track-Dauer, Anzahl der erkannten Lücken oder Spots, Track-Initial und Stop-Frame usw. Speichern und exportieren Sie für jeden Datensatz.
      HINWEIS: Wenn Sie innerhalb der Ergebnisfenster auf eine Zeile klicken, wird der entsprechende Spot, Link oder Track innerhalb des Zeitraffervideos zur visuellen Inspektion aktiviert. Wiederholen Sie die Filterschritte, um Spuren auszuwählen/zu entfernen. Alle zukünftig exportierten Daten werden aktualisiert. TIPP: Track-Initial- und Stop-Frame- und Track-Duration-Werte können verwendet werden, um die Kontaktzeiten zwischen Krebs- und Immunzellen bei der Verarbeitung von ROIs der Interaktion zu berechnen.
    15. Klicken Sie auf die Schaltfläche Speichern, um eine resultierende XML-Datei zu generieren, die alle Parameterwerte, den Pfad zu den Bildern und die Punktpositionen in der Zeit enthält. Der Befehl ''Load TrackMate file'' (Plugins> Tracking) stellt die gesamte Prozesssitzung für jede Filmdatei einzeln wieder her.
    16. Wechseln Sie zum letzten Bereich der GUI mit dem Namen Aktion auswählen. Verwenden Sie in der Liste die Funktion "Capture-Overlay" > "Ausführen", um ein Video mit überlagerten Spuren zu erstellen. TIPP: Die Option "N-Punkte in Abhängigkeit von der Zeit darstellen" kann verwendet werden, um die räumliche Dichte von Immunzellen in einem ROI zu berechnen (Abbildung 6B, rechtes Bild).
    17. Post-Processing-Analyse und Migrationsstatistiken
      1. Analysieren Sie die rohen Positionsdaten direkt in Trackmate oder exportieren Sie Daten, um umfassende kinetische Parameter29 zu berechnen (d. h. Gesamttrajektorienlänge, euklidische Entfernung, Einschlussverhältnis, mittlere quadratische Verschiebung56, durchschnittliche oder momentane Spurgeschwindigkeit, Arrestkoeffizient, Verteilung der Migrationswinkel, Vorwärtsmigrationsindex, mittlere geradlinige Geschwindigkeit), um das Migrationsverhalten von Immunzellen zu klassifizieren (z. B. gerichtete oder diffusive Bewegung30, 31) und Reaktion auf Zielkrebszellen (z. B. behandelt vs. Kontrolle).
        HINWEIS: Zusätzliche nützliche Plugins wie das Chemotaxis and Migration Tool (http://ibidi.com/software/chemotaxis_and_migration_tool/) bieten verschiedene Diagramme (z. B. Rose- oder Sektordiagramme, wie in Abbildung 6 dargestellt) und statistische Tests für die erweiterte Analyse und Visualisierung von experimentellen Migrations- und Chemotaxisdaten. Die Kombination von Zellverfolgungs- und Zellsegmentierungsalgorithmen24,25,45 kann Messungen morphologischer Metriken auf Einzelzellebene ermöglichen (d.h. Zelloberfläche, Haupt- und Nebenachsenlänge und Zellseitenverhältnis).

2. Immunkompetentes 3D-Krebs-On-Chip-Modell in einem kompetitiven Assay

HINWEIS: Das inAbbildung 4 dargestellte  3D-Chip-Design besteht aus 5 Hauptkompartimenten: einem zentralen für die Aufnahme von schwimmenden Immunzellen, zwei Seitenbereichen für die Einbettung von Tumorzellen in Hydrogelmatrizen (150-250 μm hoch) und Medienperfusionskammern. Immun- und Tumorkammern sind durch zwei Sätze schmaler Anordnungen von Mikrokanälen verbunden (200×12×10 μm3, L×W×H, Abbildung 4E). Regelmäßige trapezförmige gleichschenklige Mikrosäulen mit einem Abstand von 100 μm (etwa 25-30 Grenzflächen für jede Seitengelregion, Abbildung 4C) wirken als Barrieren für die Eingrenzung der Gellösung während der Injektion, wobei das Gleichgewicht zwischen Oberflächenspannung und Kapillarkräften60,61 ausgenutzt wird und Tumorregionen mit den beiden seitlichen zusätzlichen Medienkammern verbunden werden, um eine Gel-Flüssigkeits-Grenzfläche einzustellen (Abbildung 5). Die detaillierten Merkmale des 3D-Wettbewerbstests sind in Abbildung 4 dargestellt. Die bevorzugte Migration von Immunzellen zu den beiden Hydrogelkompartimenten, in denen sich Tumorzellen befinden, die unterschiedlich behandelt wurden, kann überwacht und quantifiziert werden. Das besondere kompetitive Layout kann angewendet werden, um eine Vielzahl verschiedener krebsbiologischer Phänotypen zu untersuchen (z. B. arzneimittelresistent vs. aggressiv, primär oder metastasiert, Responder vs. Non-Responder). Darüber hinaus können die in Gele eingebetteten Regionen leicht in verschiedene Zellpopulationen integriert werden, um heterogenere TMEs nachzubilden, einschließlich Stromakomponenten (Fibroblasten, Endothelzellen)23 oder um spezifisches immunsuppressives Milieu34 (z. B. Makrophagen) zu simulieren, um Mechanismen der Arzneimittelresistenz und Tumorevasion zu analysieren.
HINWEIS: Die nukleare und aktive Caspase-Färbung kann unter Verwendung kommerzieller Kits für Lebend-/Tot-Assays (z. B. Thermo Fisher Scientific, Incucyte-Reagenzien) implementiert werden, um mitotische oder apoptotische Todesereignisse zu bewerten, wie in Nguyen et al.33 berichtet.

  1. Herstellung der Matrixlösung mit Zellen und Beladung im Gerät
    HINWEIS: In der folgenden Versuchsumgebung enthalten die beiden Gelregionen Mischungen aus humanen A375M-Melanomzelllinien, die in Matrixlösung (z. B. Matrigel) gezüchtet und therapeutischen Wirkstoffen ausgesetzt sind, die als Monotherapie oder in Kombination verwendet werden. Dieses Setting ermöglichte es uns, die Wirksamkeit einer Kombination von zwei Medikamenten in Bezug auf einzelne Medikamente kompetitiv zu bewerten und ihre Fähigkeit, PBMCs anzuziehen, zu quantifizieren.
    1. Tauen Sie einen Vorrat an Matrixlösung (z. B. Matrigel) auf, indem Sie ihn einen Tag vor dem Experiment auf Eis in einen 4 °C warmen Kühlschrank stellen.
      HINWEIS: Setzen Sie das Produkt nicht mehreren Gefrier-Tau-Zyklen aus, da es "klumpt". Andere synthetische oder natürliche Hydrogel-Protokolle können für die Verwendung in dieser Umgebung geeignet sein. Bitte beachten Sie 33,34,35 für die Herstellung von Krebszellen in Kollagenmatrizen.
    2. Resuspendieren Sie menschliche A375-Melanomzellen, gefärbt mit lebendkompatiblem PKH67 Green Fluorescent Cell Linker in Matrixlösung (2 mg mL-1). Falls angegeben, werden 5-Aza-2'-Desoxycytidin (DAC; 2,5 μM), als DAC bezeichnet, und/oder IFN-α2b, als IFN bezeichnet, in den richtigen Dosen32 hinzugefügt.
      HINWEIS: Passen Sie das Los # auf dem Datenblatt der Matrixflasche an. Berechnen Sie basierend auf der Konzentration das Volumen des Mediums, das benötigt wird, um bis zu 2 mg ml-1 herzustellen Bitte passen Sie die optimale Proteinkonzentration und die Konzentration der Krebszellsuspension entsprechend Ihrer gewünschten Anwendung an.
    3. Pipettieren Sie vorsichtig auf und ab, um die Bildung von Blasen zu vermeiden. Halten Sie das Mikrozentrifugenröhrchen während des Mischens auf Eis, um eine unerwünschte Polymerisation zu verhindern.
    4. Stellen Sie die Geräte nach der Sterilisation auf Eis (mit einem Eiskübel und Deckel), um eine Verfestigung der Matrixlösung während des gesamten Vorgangs der Zellbeladung zu vermeiden.
    5. Die beiden IFN- und DAC/IFN-Matrigel/Tumorzell-Mischungen (2-4 μl) werden langsam mit einer 10-μl-Mikropipette unter Verwendung von kalten Spitzen in den linken bzw. rechten Gelport injiziert (Abbildung 5A). Üben Sie leichten Druck aus, um die Matrixlösung von einer Seite zu drücken, bis sie die gegenüberliegende erreicht.
      HINWEIS: Das Volumen der Matrixlösung wurde so gewählt, dass ein Überlaufen in benachbarte Kanäle vermieden wird. Üben Sie keinen übermäßigen Pipettierdruck aus, um zu verhindern, dass die Lösung in das Medium und die zentralen Kanäle gelangt. Wenn während des Ladens der Gelweg entlang des Kanals blockiert ist, versuchen Sie, die Lösung aus dem anderen Einlass einzuführen, bis sich die Gelfronten treffen. Halten Sie beim Entfernen der Mikropipette aus den Einlässen den Kolben fest, da sonst der Unterdruck die Matrixlösung ansaugt.
    6. Stellen Sie das Gerät 30 Minuten lang in aufrechter Position bei 37 °C und 5 % CO2 in einen Inkubator, damit die Matrixlösung geliert werden kann (Abbildung 5B). Behandeln Sie Chips mit eingebettetem nicht polymerisiertem Gel, um ein Austreten aus dem Gelkanal zu verhindern.
    7. In der Zwischenzeit werden PKH67-markierte PBMCs (1x106 Zellen) in 10 μl vollständigem DMEM (modifiziertes Eagle-Medium von Dulbecco) resuspendiert.
    8. Füllen Sie nach der Matrixgelierung die Medienkanäle mit (50-100 μl) dem gleichen Aliquot des Nährmediums in allen sechs Reservoirs, um ein Austrocknen des Gels in den Chips zu verhindern. Im Inkubator aufbewahren, bis die Aussaat der Immunzellsuspension erfolgt.
      HINWEIS: Überprüfen Sie unter dem Mikroskop die korrekte und homogene Verteilung der Tumorzellen im Gel und die Integrität der polymerisierten Gelbarrieren. Teilweise oder nicht gleichmäßig gelierte Bereiche oder Blasen in der Mischung führen zu einem vorzeitigen Fließen von PBMCs in Gelmedienkanälen am Startpunkt des Experiments aufgrund von Druckanfängsschwankungen.
    9. Saugen Sie das Medium aus den sechs Vertiefungen ab und positionieren Sie die Spitze in der Nähe des Einlasses eines Medienkanals, um die PBMC-Zellsuspension mit mäßigem Druck sanft zu injizieren. Die zeitliche Abfolge des Ladens ist in Abbildung 5C dargestellt:
      1. PBMCs in 10 μL Medium in die obere zentrale Vertiefung.
      2. 50-100 μl Medium in jede der vier Vertiefungen der seitlichen Kanäle.
      3. 40-90 μL Medium in die obere zentrale Vertiefung.
      4. 50-100 μl Medium in die untere zentrale Vertiefung.
    10. Stellen Sie unter dem Mikroskop sicher, dass die PBMCs-Verteilung nach dem Ladeschritt in der zentralen Kammer eingeschlossen bleibt. (Abbildung 7A).
      HINWEIS: Wenn es nicht optimal ist, passen Sie die Konzentration bei Bedarf an und wiederholen Sie die Aussaatschritte mit makellosen Spänen. Beziehen Sie sich bei der Berechnung des Volumens für die geplanten Versuchsbedingungen auf eine übermäßige Anzahl von Chips (15-20%), um mögliche Fehler und Anpassungen zu berücksichtigen. Volumina und Konzentrationen sollten je nach Anwendung optimiert werden.
    11. Platzieren Sie die zusammengebauten Geräte auf einer ebenen Fläche im Inkubator bei 37 °C und 5 % CO2 für die anschließende Fluoreszenzbildgebung. Gehen Sie vorsichtig mit Chips um, nachdem Sie schwimmende Immunzellen geladen haben.
      HINWEIS: Kompensieren Sie Verdunstungsverluste von Volumen in Reservoirs, indem Sie die Medien alle 2-3 Tage austauschen. Für die Chemokinprofilierung können bis zu 100 μl aus jeder der beiden Vertiefungen von Kulturkompartimenten abgesaugt werden, siehe Schritt 2.7 in Schritt 1.
  2. Automatisierte Zählung von rekrutierten PBMCs in einkanaligen Fluoreszenzbildern in ImageJ
    HINWEIS: Klassische Methoden der Immunfluoreszenz für die konfokale hochauflösende Bildgebung können als Endpunktmessungen auf On-Chip-Operationen angewendet werden. Das grundlegende Färbeverfahren umfasst die Zell-on-Chip-Fixierung, Permeabilisierung, Blockierung, Antikörperbindung und Färbung von Kernen mit dazwischen liegenden Waschschritten. Unmarkierte Immunzellen, die in 3D-Gelregionen mit eingebetteten Krebsmikroumgebungen infiltriert werden, können zu gewünschten Zeitpunkten fixiert und für Expressionsmarker der Aktivierung/Erschöpfung/Reifung gefärbt werden (z. B. für CD8-Zellen, Überwachung von CD69-, CD95-, PD1- und TIM3-Markern). In Parlato et al.35wurde die Phagozytose von apoptotischen SW620-Zellen durch konfokale Mikroskopie unter Verwendung von Geräten untersucht, die auf 170 μm dicken Deckgläsern montiert waren. IFN-DCs wurden unter Zugabe von On-Chip-Anti-Human-HLA-DR-FITC-Ab-Aliquoten gefärbt.
    Um das Ausmaß infiltrierter fluoreszenzgefärbter lebender Immunzellen zu berechnen, die mit kompetitiven Signalen herausgefordert werden, wird ein allgemeiner Bildanalyse-Workflow wie folgt eingestellt (Abbildung 7D-G):
    1. Erfassen Sie zu bestimmten Zeitpunkten Endpunkte, Phasenkontrast und Rot/Grün-Kanäle Fluoreszenz-Mikrofotografien der linken und rechten Gelregionen, die Tumorzellen enthalten, die jeweils einzelnen oder Kombinationen von pharmakologischen Regimen ausgesetzt sind.
      HINWEIS: Hier wurden die Bilder von einem EVOS-FL Fluoreszenzmikroskop nach Zellbeladung (0 h), nach 48 h und nach 72 h Inkubation aufgenommen (Abbildung 7A-B). Eine 4-fache bis 10-fache Vergrößerung wurde verwendet, um die zentrale Kammer, die Mikrokanal-Arrays und die beiden nebeneinander liegenden Seitenkanäle mit A375 plus IFN und A375 plus DAC/IFN zu erfassen.
      1. Berücksichtigen Sie beim Ausführen von Erfassungsvorgängen die zu messenden Parameter und vermeiden Sie die Sättigung der zu zählenden Features. Optimale Segmentierungsergebnisse hängen von der Art der aufgenommenen Bilder ab, aufgrund der Variabilität in den biologischen Proben selbst, der Qualität der Färbung und der Mikroskopietechniken, die für benutzerorientierte Anwendungen verwendet werden.
    2. Laden Sie einkanalige Fluoreszenzdaten (in diesem Fall rot = PBMCs) in Fidschi, indem Sie sie in das Hauptfenster ziehen (Abbildung 7D). Duplizieren Sie das Bild, um zu vermeiden, dass die Rohdaten während der Auswahl der Vorverarbeitungsfilter bis zur endgültigen Segmentierung überschrieben werden.
      1. Wenn es sich bei dem Bild um ein Farbbild (RGB) handelt, drücken Sie Bild > Geben Sie 8 oder 16 Bit ein, um es in Graustufen zu konvertieren. Vergewissern Sie sich, dass die Option "> Optionen bearbeiten" > "Konvertierungen" beim Konvertieren auf "Skalieren" eingestellt ist.
    3. Vorverarbeitung von Rohdaten durch Bereinigung von Rauschen und Artefakten.
      1. Gehen Sie zum Menü "Hintergrund verarbeiten > subtrahieren", indem Sie den Rolling-Ball-Algorithmus anwenden, um einen ungleichmäßigen Rauschhintergrund mit großen räumlichen Intensitätsschwankungen zu korrigieren. Stellen Sie den Radius mindestens auf die Größe des größten Vordergrundpartikels ein. Wählen Sie das Feld Vorschau für das Trial-and-Error-Verfahren aus, um optimale Ergebnisse zu erzielen. Zu kleine Werte können interessante Strukturen fälschlicherweise entfernen.
      2. Ziehen Sie im Befehl "Helligkeit und Kontrast" die Schieberegler "Minimum/Maximum", um den Intensitätsbereich im Histogramm zu ändern. Verschieben Sie den Schieberegler "Maximum" nach links, um die Helligkeit zu erhöhen, ohne dass es zu Auswaschfunktionen kommt. Verschieben Sie die Minimum-Folie nach rechts, um den Kontrast des Bildes zu erhöhen und zu vermeiden, dass weniger sichtbare Features im Hintergrund verschwinden. Klicken Sie auf Übernehmen, um die Änderungen zu korrigieren.
    4. Bildverbesserung.
      1. Gehen Sie zu > Filter verarbeiten und experimentieren Sie mit den Median-Gauß-Filtern für Bilder (Abbildung 7E).
        HINWEIS: Der Vorfilterradius sollte an die Bildrauschpixel angepasst werden. Der nichtlineare Medianfilter ersetzt den Pixelwert durch den Medianwert der Nachbarn, um das Salz-und-Pfeffer-Rauschen zu reduzieren. "Gaußscher Weichzeichner" wird verwendet, um ein digitales Bild zu glätten, indem Pixel durch einen gewichteten Durchschnitt der umgebenden Pixel ersetzt werden. Die Gewichte stammen aus der Gaußschen Wahrscheinlichkeitsverteilung, so dass die nächsten Pixel einflussreicher sind.
      2. Gehen Sie optional zu Verarbeiten > Mathematik > Gamma mit aktiviertem Kontrollkästchen Vorschau, um den Kontrast zu erhöhen.
        HINWEIS: Die im B&C-Bedienfeld eingestellten Intensitäten werden zwischen den beiden Min- und Max-Grenzwerten skaliert. Werte < 1,0 betonen die Unterschiede zwischen niedrigen Intensitäten, während Werte > 1,0 die Unterschiede zwischen hohen Intensitäten betonen. Die Gammakorrektur dient dazu, einen Anzeigebereich zu finden, der die dunkelsten Objekte anzeigt, ohne die hellsten zu sättigen.
    5. Erstellung einer binären Bildmaske.
      1. Gehen Sie zu Bild > passen Sie > Schwellenwert an. Die am einfachsten anzuwendende Methode zur Bestimmung von Schwellenwerten beruht auf der Histogrammanalyse der Intensitätsstufen, wie in Abbildung 7F gezeigt. Spielen Sie im Dropdown-Menü mit verschiedenen globalen Schwellenwertmethoden (in unserem Fall wird Otsu angewendet).
      2. Scrollen Sie manuell oder geben Sie einen bekannten Bereich von Pixelintensitäten in die Histogrammfelder ein, beobachten Sie die Änderung des roten Musters, das das Bild überlagert und dem tatsächlichen Zellbereich am ähnlichsten ist. Mit der Schaltfläche Zurücksetzen wird das Overlay entfernt. Wenn Sie zufrieden sind, klicken Sie auf Übernehmen, um eine Binärversion des Bildes zu generieren. Aktivieren Sie Prozess- > binäre >Optionen, um zu steuern, wie Bilder mit Schwellenwerten angezeigt werden und wie Objekte vom Partikelanalysator identifiziert werden.
    6. Verwenden Sie den Menübefehl Process/Binary/Watershed Articles, um während des Schwellenwerts teilweise überlappend oder verschmolzen zu teilen. Watershed kann sie oft genau auseinander schneiden, indem eine 1 Pixel dicke Linie hinzugefügt wird. Führen Sie morphologische Vorgänge aus, z. B. Erweitern oder Erodieren, um Pixel aus unter- oder übersättigten Pixeln zu vergrößern oder zu entfernen.
      HINWEIS: Weitere Informationen finden Sie im Abschnitt Menübefehle oder in MorphoLib J, einer integrierten Bibliothek zur Verarbeitung von Binärdaten, die auf mathematischer Morphologiebasiert.
    7. Beschreibung der quantitativen Bildmerkmale.
      1. Sobald Sie eine zufriedenstellende Objekterkennung erhalten haben, öffnen Sie den Partikelanalysator unter Analysieren > Partikel analysieren. Partikel können durch ihre Größe und Zirkularität, ausgedrückt in Pixeln oder in einer kalibrierten Maßeinheit, ausgeschlossen werden (überprüfen Sie die richtige Skala relativ zu den Mikroskopeinstellungen unter Bild > Eigenschaften). Um alles einzuschließen, belassen Sie den Standardwert 0-Unendlich und den Standardbereich der Zirkularität bei 0,00 - 1,00 (0 = gerade Linie, 1 = perfekter Kreis).
      2. Um kleine "Rausch"-Pixel oder Features zu filtern, die nicht von Interesse sind, legen Sie den minimalen und maximalen Bereich fest. Aktivieren Sie die Optionen "Löcher einschließen", "Anzeigen", "Umreißen" und "Ergebnisse anzeigen" im Fensterfeld. Mit der Option "An Kanten ausschließen" werden Partikel verworfen, die an den Rändern des Bildes erkannt wurden. Add to Manager fügt die erhaltene Auswahl dem ROI-Manager zur weiteren Analyse hinzu, wobei die Positionsinformationen des Partikels beibehalten werden.
        HINWEIS: Im "ROI-Manager" ist es möglich, die automatische Segmentierung der aufgezeichneten Ausgabe zu korrigieren (geteilte Zellen zusammenführen, zusammengeführte Zellen teilen). Wählen Sie mithilfe der Auswahlwerkzeuge in der Fidschi-Symbolleiste ROIs in beiden Gelregionen aus, in die Krebszellen eingebettet sind, um die Immuninfiltration abzuschätzen.
    8. Exportieren Sie die erhaltenen Werte in eine Tabelle, um eine statistische Analyse durchzuführen, wie in Abbildung 7G gezeigt. "Ergebnisse" listet eine Datentabelle relativ zu den nummerierten, umrissenen Partikeleigenschaften auf. "Zusammenfassen" öffnet ein Fenster mit dem Namen des Bildes, der Gesamtzahl und anderen Informationen für das gesamte Bild.
      1. Gehen Sie zu Analysieren > Legen Sie Messungen fest, um eine breite Palette von Parametern einzubeziehen.
    9. Zeichnen Sie optional ein Makro auf (indem Sie Plugins > Makros > Record auswählen), um den Verarbeitungsworkflow zu automatisieren und Zeit bei der Analyse großer Datensätze zu sparen.
      1. Verwenden Sie die gleiche Verarbeitungsroutine, um den grünen Fluoreszenzkanal in denselben Regionen zu analysieren, um morphologische Veränderungen von Tumorzellen in 3D-Regionen zu analysieren16

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die Tumorimmuninfiltration ist ein Parameter der Anti-Tumor-Reaktion des Wirts. Tumore sind heterogen in Zusammensetzung, Dichte, Lage und Funktionszustand infiltrierender Leukozyten, deren Wechselwirkungen mit Krebszellen klinisch relevanten Informationen zur Vorhersage des Krankheitsverlaufs und des Ansprechens auf die Therapie zugrunde liegen können. In diesem Sinne könnten mikrofluidische Technologien als komplementäre und privilegierte In-vitro-Werkzeuge eingesetzt werden, um die Immunkontextur von Tumoren zu erforschen und das Ansprechen auf Krebstherapien zu überwachen. Die Kopplung des mikrofluidischen Assays, der Bildgebung lebender Zellen und der Tracking-Software kann zuverlässige Quantifizierungsmethoden etablieren, um zu quantifizieren, wie Immunzellen ihr Migrationsmuster in verschiedenen Kontexten anpassen. In diesem Kapitel haben wir Schritte zum Aufbau vielseitiger 2D- oder 3D-Co-Kulturen von Immun- und Zielkrebszellen in Ad-hoc-Mikrofluidik-Geräten beschrieben, die mit Standard-Softlithographie-Verfahren realisiert wurden. In Abschnitt 1 wurden mikrofluidische Geräte eingesetzt, um chemische und physikalische Kontakte zwischen adhärenten (MDA-MB-231-Krebszellen) und nicht-adhärenten (PBMCs) Populationen zu ermöglichen. Einige Chemotherapeutika (z. B. Anthrazykline und andere) können eine "immunogene" Apoptose bösartiger Zellen induzieren und so ihre Sichtbarkeit in immunkompetenten Wirten verbessern. Der immunogene Zelltod (ICD) von Krebs ist gekennzeichnet durch die Freisetzung membrangebundener und löslicher Signale, die von sterbenden Zellen abgegeben werden, die als Alarmine für Immunzellen fungieren. Um eine quantitative Validierung des ICD-Ansprechens zu ermöglichen, verwenden wir Daten, die in der mikrofluidischen Plattform gesammelt wurden, auf der sich Leukozyten durch entsprechend gebaute Mikrokanalbrücken zu ihren Zielzellen bewegen können. Zeitrafferaufnahmen wurden nach gleichzeitiger Beladung von PBMCs von gesunden Spendern (WT, Wildtyp) mit humanen MDA-MB-231-Brustkrebszellen durchgeführt, die mit dem Anthrazyklin DOXO vorbehandelt wurden oder nicht. Mikrofotografien wurden alle 2 Minuten für zwei aufeinanderfolgende Zeitintervalle von 24 und 48 h erstellt. Film S1 von 0-24 h Intervall). Die Tracking-Analyse einzelner PBMCs, die mit sterbenden (DOXO-behandelten) oder lebenden (PBS-behandelten) Krebszellen konfrontiert waren, wurde mit dem Trackmate-Plug-in durchgeführt, wie in Abbildung 6A (linkes Feld). Relevante Chemotaxis-Werte und Migrationsdiagramme wurden automatisch mit dem Chemotaxis and Migration Tool generiert, wie in62. Die Zelltrajektorien wurden alle zum Zeitpunkt 24 h auf (x, y) = 0 extrapoliert. Die Ergebnisse deuteten auf ein anderes Migrationsprofil der Immunzellen hin, wenn sie zusammen mit Brustkrebszellen beladen wurden, die DOXO oder PBS ausgesetzt waren. Wenn PBMCs mit apoptotischen Krebszellen konfrontiert wurden, überquerten sie Mikrokanäle in Richtung sterbender/toter Zellen (aber nicht zu lebenden unbehandelten Zellen). Migration X/Y Spinnen- und Rosendiagramme, dargestellt im linken Feld Abbildung 6B-Cwurden kartiert und verglichen, um den Einfluss immunogener Induktoren auf Unterschiede in der Immundynamik hervorzuheben. Rose-Plots zeigen, dass PBMCs im Kontrollexperiment hauptsächlich in fast alle Richtungen wanderten, nur ein vernachlässigbarer Bruchteil wird den Gradienten hinaufgeführt, der durch proliferierende Krebszellen erzeugt wird. Umgekehrt zeigen die Bahnen einzelner Zellen eine starke Bias-Bewegung entlang der Richtung apoptotischer Brustkrebszellen (negative x-Richtung). Um die gerichtete Migration von Immunzellen in Richtung DOXO-behandelter oder PBS-behandelter Krebszellen zu bewerten, werden mehrere Chemotaxis-Parameter berechnet, darunter: a) der Massenschwerpunkt (räumlich gemittelter Punkt aller Endpunkte); b) die Richtung; c) der Vorwärtsmigrationsindex (d.h. die durchschnittliche Zellverschiebung in eine interessierende Richtung, d.h. in unserem Fall in Richtung der Zieltumorstelle). Die letztgenannten Werte stellen ein Maß für die Effizienz einer Zelle dar, in die gegebene chemotaktische Reize zu wandern. Nach Erreichen der linken Kammer zeigte eine Fraktion von Leukozyten mit zunehmender Dichte über 24-48 h Langzeitkontakte (>60 min) mit DOXO-behandeltem MDA-MB-231. PBMCs sind nicht in der Lage, massiv zu migrieren und sich auf solche langfristigen und anhaltenden Interaktionen mit lebenden Krebszellen einzulassen (wie repräsentative Mikrofotografien von sich nähernden PBMCs in Abbildung 6A, rechts). Zur Quantifizierung von Unterschieden im Tumor-Immun-Zusammenspiel wurde die Tumorregion mit einem festen Kreis mit einem Durchmesser von 20 bis 80 Mikrometern abgegrenzt, der als "Hotspot" bezeichnet wird. Die Quantifizierung und Analyse von repräsentativen FOVs ist dargestellt in Abbildung 6 (Rechtes Feld, B-C).

In Abschnitt 2 wurde ein neuartiges immunkompetentes 3D-Tumormodell beschrieben, um die Rekrutierung von Immunzellen als Reaktion auf Krebskombinationen epigenetischer Medikamente32 (DAC/IFN vs . IFN allein) zu quantifizieren, was den gleichzeitigen Vergleich von zwei verschiedenen Behandlungsbedingungen von A375-Melanomzellen ermöglicht. So wurden A375M-Melanomzellen, die mit dem grünen Fluoreszenzfarbstoff PKH67 markiert waren, in Gegenwart von DAC und/oder IFN in jede Gelkammer in Matrigelmatrizen eingebettet, während die rot markierten PBMCs von PKH26 am Startpunkt homogen in der zentralen Fluidikkammer verteilt wurden (Abbildung 7A). Wir verglichen gleichzeitig die beiden Tumormassen in 3D-Matrizen auf ihre Fähigkeit, PBMCs anzuziehen. Nach 48 und 72 h werden PBMCs massiv in die rechten Mikrokanäle geleitet, wie in Abbildung 7B zu sehen ist.

Es wurde deutlich beobachtet, dass PBMCs bevorzugt in Richtung der Gelmatrix mit DAC/IFN-behandelter und nicht mit IFN behandelter Melanomstelle hinzogen, während eine schlechte Migrationsrate zu A375-Zellen sichtbar war, die einer Einzelbehandlung ausgesetzt waren (linke Chipseite). Das Wettbewerbsumfeld ist anwendbar, um eine Vielzahl verschiedener krebsbiologischer Phänotypen zu untersuchen (z. B. arzneimittelresistent vs. aggressiv, primär oder metastasiert (z. B. A375P vs. A375M-Melanomzellen) und Responder vs. Non-Responder). Gelkammern können aus komplexen Kokulturen von malignen Zellen und mehreren nicht-krebsartigen Tumor-assoziierten Zellen, wie Endothelzellen, Immunzellen und Fibroblasten33, bestehen, um Arzneimittelreaktionen auf TME-Ebene zu charakterisieren. Ereignisse der Mitose und des apoptotischen Todes von Krebszellen können durch Färbung mit lebenden Farbstoffen überwacht werden33. Immunfärbungsverfahren an mikrofluidischen 3D-Geräten könnten angepasst werden, um Aktivierungszustände infiltrierter Immunzellen in Tumorstellen durch konfokale Mikroskopie zu bewerten35. In diesem Sinne können diese mikrofluidischen 3D-Systeme komplexe Tumorstrukturen und multizelluläre Interaktionen nachahmen und sind daher wertvolle Plattformen für zuverlässigere präklinische Arzneimitteltests.

Figure 1
Abbildung 1. Planimetrie der mikrofluidischen Vorrichtung zum Aufbau von 2D-Tumor-Immun-Cokulturen. (A) Echte Mikrofotografie von 3 Chips, die zu einem einzigen Objektträger zusammengefügt sind. Die Reservoirs sind je nach Beladungsreihenfolge nummeriert und farblich gekennzeichnet wie die entsprechenden Kulturkammern, die in der Legende aufgeführt sind. Maßstabsleiste, 6 mm. (B) 3D-CAD des Chips, bestehend aus drei Hauptzellkulturbereichen, die durch Mikrorillen verbunden sind. C) Details der schmalen Mikrorillenbrücke, die die auf die Größe der Krebszellen und PBMCs zugeschnittenen Abmessungen zeigen. D-E) Vor Beginn des Zeitraffers wurde ein Mikrofoto mit sichtbarem Licht aufgenommen, das die Verteilung von Krebszellen bzw. PBMCs in der linken bzw. der Zwischenkammer zeigt. Maßstabsleiste, 500 μm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 2
Abbildung 2. Trackmate-Analyse-Pipeline zur Lokalisierung von Immunflecken in Zeitreihenbildern. A) Oberes Bedienfeld: Screenshot des Trackmate-Bildkalibrierungsmenüs. Unterer Bereich: Fidschi "Menü Bildeigenschaften" zum Einstellen von Zeit- und Raumeinheiten. B) Oberes Bedienfeld: Screenshot des Trackmate-Menüs "Spot-Erkennung". Unteres Panel: Ausgabebild mit angewendeten unterschiedlichen Werten von "Threshold". C) Oberes Bedienfeld: Screenshot des Trackmate "Spot Filtering"-Menüs, das einige Filter veranschaulicht. Unteres Bild: Beispielhaftes Zeitrafferbild, das Immunflecken zeigt, gefiltert nach Position entlang X in der Zwischenkammer. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 3
Abbildung 3. Trackmate-Analyse-Pipeline zur Rekonstruktion von Immunspuren in Zeitreihen-Bildsequenzen. A-C) Screenshots von Trackmate-Menüs zum Erstellen von Tracks, zum Filtern von Tracks und zum Exportieren von Enddaten. D) Beispiele für generierte Spuren in vorverarbeiteten Zeitrafferbildern, die die Einstellungen des Verknüpfungsdetektors variieren. E) Beispiel für falsche Spuren und schlechte Verknüpfungen, die sich aus der Detektion von Tumorzellgrenzen ergeben. F) Tracks werden grün hervorgehoben, indem Zeilen in der Datei .txt der Ergebnisse ausgewählt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 4
Abbildung 4. Schematische Übersicht für immunkompetente 3D-Tumor-on-Chips. A) Beispiel eines mikrostrukturierten Siliziummasters. Die Stempel für PDMS wurden in einem Reinraum, der mit E-Beam und optischer Lithographie ausgestattet war, in SU-8-Negativlack gemustert. B) PDMS-Repliken wurden mit Standard-Soft-Lithographie-Methoden hergestellt. Die Zentraleinheit hat die Kammern so eingefärbt, wie sie im 3D-Rendering des Chips gezeichnet sind, dargestellt in der Tafel D. C) Rasterelektronenmikroskopie (REM) vergrößerte Ansicht der Anordnung von Mikrosäulen, die für den Einschluss von Hydrogellösungen geeignet sind. D) 3D-CAD, das die durch Mikronuten verbundenen Kammern und die Ladeschächte zeigt. Gestrichelte Kästchen werden als REM-Fotos von Details (Tafel C und E) bezeichnet. E) REM-Aufnahme von 10 μm hohen Verbindungsmikrorillen. F) 2D-CAD-Layout, das die Abmessungen von Mikrostrukturen darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 5
Abbildung 5. Schematischer Workflow der wichtigsten Schritte des Ladeprotokolls für die Zusammenstellung von 3D-Co-Kulturen. A) Oberes Bild: Schematische Darstellung des Injektionsschritts der Matrigellösung in jedem Gelseitenbereich. Unteres Bild: Reales Foto des Chips, das den Vorschub der Gelfront entlang des Kanals während des Ladeschritts zeigt. B) Schematische Darstellung des Matrigel-Polymerisationsschritts. Unteres Bild: Phasenkontrastmikroskopische Ansicht der Gel-Luft-Grenzfläche, die nach dem Gelierschritt gebildet wird. Maßstabsleiste, 100 μm. C) Oberes Bild: Zeichnung, die das Laden von Zellen und Medien mit beispielhaften Volumina darstellt, die im Protokoll verwendet werden. Unteres Bild: Ein 4-faches Phasenkontrastbild der zusammengesetzten Co-Kultur bei 0h wird gezeigt. Maßstabsleiste, 200 μm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 6
Abbildung 6. Analyse von Migrationsprofilen und Interaktionsverhalten von PBMC in Richtung sterbender/lebender Tumorkammer im Zeitfenster von 24-48 h. Linke Leiste. A) Screenshots von vorverarbeiteten Zeitrafferbildern, die mit immunfarbigen Spuren überlagert sind und von Trackmate extrahiert wurden. Die Immunpfade werden durch ein einzelnes Sichtfeld unter den angegebenen experimentellen Bedingungen im Intervall von 24 bis 48 h in der Zwischenkammer erhalten. B-C) Repräsentative Migrationsspuren und Rosenparzellen von PBMCs, die unter den beiden verschiedenen Bedingungen kultiviert wurden (n = 1550 PBMCs im Vergleich zu DOXO-behandelten Krebszellen, DOXO+ oder n = 1434 PBMCs im Vergleich zu Kontrollkrebszellen, DOXO-). Jede Linie in x-y-Diagrammen stellt eine einzelne PBMC-Trajektorie dar, und jeder Kreis stellt die endgültige Position einer einzelnen Zelle in Bezug auf die Ausgangsposition dar. Startpunkte werden mithilfe einer Koordinatentransformation auf (0,0) gesetzt. Die Koordinaten und die Verschiebung des Massenschwerpunkts der Zellmigration werden unter den angegebenen experimentellen Bedingungen angezeigt. Die Schwerpunktkoordinaten und die Verschiebung (berechnet als durchschnittlicher euklidischer Abstand für die X- und Y-Komponenten) geben Aufschluss über die durchschnittliche Richtung, in die sich die Gruppe von Zellen hauptsächlich bewegt hat, und über das Ausmaß der gesamten Zellbewegung in Zustandsgruppen. Blaue bzw. grüne Linien markieren einzelne Spuren durch euklidischen Abstandswert, der größer/kleiner als ein Schwellenwert (100 μm) ist. D) Schema der numerischen Daten, die von einer Zellspur extrahiert werden. E-F) Box & Whiskers-Diagramm, das die Direktionalität (p<0,0001 ungepaarter t-Test mit Welch-Korrektur) bzw. FMI (p<0,0001 ungepaarter t-Test mit Welch-Korrektur) darstellt. Die horizontale Linie in Kästchen stellt die Medianwerte dar. Die FMI-Werte sind der Durchschnitt für alle Zellspuren in jeder Bedingungsgruppe. Rechtes Bedienfeld. A) Screenshots von Trackmate-extrahierten ROIs, die unterschiedliche Wechselwirkungen zwischen PBMCs und DOXO oder PBS-behandelten Krebszellen zeigen. B) Zeitdichte von PBMCs um DOXO-behandelte oder kontrollierte MDA-MB-231-Krebszellen. Anzahl der PBMCs, die in ausgewählten ROI um Krebszellen für jede Erkrankung vorhanden sind. Bei den gemeldeten Werten handelt es sich um den Durchschnitt über 9 ausgewählte ROI aus einem einzelnen Zeitraffer-FOV. Krebs-Hotspots werden in einem ROI (80 μm Durchmesser) definiert. Die entsprechende Dichte-Heatmap wird angezeigt. Die Punkte stellen die durchschnittliche Anzahl der Zellen dar, die zu den angegebenen Zeitpunkten über 9 Krebs-Hotspots berechnet wurden. C) Verteilung der Zeiten (min) der Kontakte für jede Versuchsgruppe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 7
Abbildung 7. Bevorzugte Rekrutierung von PBMCs als Reaktion auf DAC- und IFN-Wirkstoffkombinationen in einem kompetitiven 3D-immunkompetenten Melanom-on-Chip-Modell. A) Verteilung der anfänglich geladenen PBMCs in der Zentralkammer mikrofluidischer Geräte. Mikrofotografien werden mit dem Fluoreszenzmikroskop EVOS-FL in einem Intervall von 0-72 h aufgenommen. Rote Fluoreszenz (PKH67-markierte Zellen) repräsentiert PBMCs von gesunden Spendern. PKH67-markierte (grüne) menschliche Melanomzellen, die in Matrigel eingebettet waren und Einfach- oder Doppelkombinationen enthielten, wurden in seitlichen Kammern plattiert. B) A375-Zellen plus IFN auf der linken Seite versus A375 plus DAC/IFN auf der rechten Seite. Fluoreszenzbilder wurden bei 72 h Co-Kultur gezeigt. Der eingestellte gelbe Kasten zeigt die sichtbar massive Rekrutierung in A375 plus DAC/IFN-Seite. C) PBMC zählt in vier verschiedenen ROIs von IFN-Kammern im Vergleich zu DAC+IFN-Kammern. Histogramme stellen Zellzahlen +/- S.D. dar; In der Heatmap wurden Werte aus jedem ROI aufgezählt. Maßstabsbalken, 200 μm. D-G) Schematische Darstellung der Segmentierungs- und Quantifizierungsschritte infiltrierter PBMCs in Gelmatrizen, die auf Einkanal-Fluoreszenzbilder angewendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Ergänzende Akte. Mikrofabrikationsprotokoll Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzender Film 1. Zeitraffersequenzen in einer 2D-Tumor-Immun-On-Chip-Kokultur. Mikrofotografien wurden alle 2 Minuten in einem Zeitintervall von 0-24 h mit Hilfe eines kompakten Mikroskops aufgenommen, das in einen Standard-Zellkultur-Inkubator gestellt wurde. Linke Leiste. Film von PBMCs von gesunden Spendern (WT, Wildtyp), plattiert mit MDA-MB-231 kontrollieren Brustkrebszellen. Rechtes Bedienfeld. Film einer massiven Migration von PBMCs WT in Richtung der Chipkammer, in der MDA-MB-231 DOXO-behandelte Krebszellen geladen werden. Das 2D-Chip-Layout wird in Abschnitt 1 des Protokolls ausführlich beschrieben und in Abbildung 1 dargestellt. Bitte klicken Sie hier, um diesen Film herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Die beschriebenen Methoden versuchen, einen allgemeinen Ansatz zu entwickeln, um mit modulierbarem Komplexitätsgrad zwei wichtige Aspekte auf dem Gebiet der Onkoimmunologie zu rekapitulieren, die von der Übernahme relevanterer In-vitro-Modelle profitieren können. Die erste betrifft die Seite der Tumorzellpopulation, wo die Auseinandersetzung mit Einzelzellmerkmalen zu einer besseren Beschreibung der Heterogenität und der korrelierten biologischen und klinischen Bedeutung führen kann, einschließlich Therapieresistenz, Propension gegen Metastasierung, Stammzell- und Differenzierungsgrad. Die andere Seite der Geschichte wird durch die TME dargestellt, einschließlich der nicht-krebsartigen Komponenten (Immun- und Stromazellen, Blutgefäße) und der chemisch-physikalischen Landschaft (EZM-Bestandteile, Chemokine und andere freigesetzte lösliche Faktoren), die sowohl die Merkmale der Krankheit als auch das Ansprechen des Einzelnen auf die Therapie63, insbesondere auf die Immuntherapie, tiefgreifend beeinflussen können. Es ist erwähnenswert, dass der Export des beschriebenen Ansatzes in andere Forschungsbereiche ein tiefes Verständnis der Einschränkungen und Herausforderungen erfordert, die die Entwicklung und Einführung neuer Modelle mit sich bringt.

In Anlehnung an eine Maxime, die in der technischen Modellierung angewendet wird ("Modellieren Sie das Problem, nicht das System"), muss optimiert werden, was die minimale Anzahl von (zellulären, physikalischen und chemischen) Komponenten und Bedingungen ist, die erforderlich sind, um ein eigenes On-Chip-Modell biologisch relevant und stabil zu machen während des gesamten Experiments. Jede Kombination von Zelltypen/Mikroumgebung/Versuchsumgebung muss daher genau ausgewählt, bewertet und kontinuierlich in einzelnen Experimenten und von Sitzung zu Sitzung überwacht werden. Diese Überprüfungen umfassen, wie in den Protokollabschnitten erwähnt, die strenge Kontrolle von Parametern wie Volumina in den mikrofluidischen Geräten, die durch Feuchtigkeitsbedingungen oder Erwärmung durch Beleuchtungsquellen verändert werden können, mögliche Bewegungen und Nichtplanarität von Stadien, die unkontrollierte Flüssigkeitsdrifts verursachen, aber auch einige Endpunktüberprüfungen des Zellzustands, der Lebensfähigkeit und der phänotypischen Charakterisierung. Ein kritischer Schritt betrifft die Entscheidung, Perfusionssysteme zur Erzeugung vaskularisierter (ähnlicher) Strukturen oder zur Verabreichung von Medikamenten auf dem Chip33 zu verwenden, da dies die Experimente in Bezug auf die zunehmende Komplexität, die Zellkulturdauer und die Modulation der chemischen Faktoren in Gegenwart von schwimmenden Zellen wie den Immunzellen beeinflussen kann.

Im Folgenden fassen wir die wichtigsten kritischen und relevanten Fragen zusammen, die in den experimentellen Settings und in der neuesten Literatur zu finden sind.

Definition der ECM- und Chemielandschaft
TME wird auch stark von den mechanischen64,65 Eigenschaften der Umgebung63, 66 beeinflusst. Aus diesem Grund ist die Wahl der Kultivierungsmatrix von grundlegender Bedeutung, insbesondere wenn es sich um Immunzellen handelt, die unter bestimmten Bedingungen auf Signale reagieren können, die von der Matrix selbst freigesetzt werden. Relevante Fortschritte werden in der nächsten Zukunft auch durch das Design und die Entwicklung neuer Materialien und Hydrogele erwartet (die sich unter anderem durch unterschiedliche Steifigkeit, Porosität, Vorhandensein löslicher Faktoren auszeichnen), die eine zunehmend verfeinerte und kontrollierbare EZM ermöglichen, die die Besonderheiten verschiedener Gewebe heute und verschiedener Patienten von morgen nachahmt. Auf der anderen Seite ist es auch wichtig, die durch die verschiedenen Zellpopulationen in der EZM induzierten Veränderungen zu überwachen und Strategien zu definieren, um diese Informationen in dynamische und phänotypische Analysen einzubeziehen.

Datenmanagement
Der Weg zum Einsatz von Tumor-on-Chip-Techniken in einem klinischen Arbeitsablauf wird von einer enormen experimentellen Arbeit profitieren, die in mehrere Richtungen stattfindet. Organ-on-Chip-Modelle sind, wie viele In-vitro-Techniken, zumindest potenziell funktionsfähig, um Messungen mit hohem Durchsatz und hohem Gehalt durchzuführen. Die Parallelisierung von experimentellen Bedingungen, einschließlich Positiv- und Negativkontrollen, und technischen/biologischen Replikaten wird durch die Integration mehrerer Chips auf derselben Platte ermöglicht. Die Steigerung des quantitativen Durchsatzes spielt eine entscheidende Rolle bei der Translation und Validierung dieser Systeme in einer schnellen Wirkstoff- oder Gen-Screening-Pipeline für Immuntherapien. In der Tat haben mehrere Unternehmen bereits Plattformen in einem Multi-Well-Format entwickelt, und es werden verschiedene Bildgebungsansätze getestet, um die gleichzeitige Überwachung einer großen Anzahl von Geräten zu ermöglichen14. In den oben beschriebenen Protokollen haben wir Objektträger verwendet, die bis zu 3 Chips zuweisen, mit der Möglichkeit, bis zu 12 Versuchsbedingungen parallel zu visualisieren, wobei ein Standard-Mikroskop-Multi-Slide-Tray verwendet wird. Dieses Setup ist mit dem Handpipettieren kompatibel und eignet sich für kundenspezifische Anpassungen, die in unserer Mikrofabrikationsanlage durchgeführt werden. Im Gegenteil, wenn eine starke Parallelisierung erforderlich ist (mehrere Screening-Tests und -Kontrollen), sind Setup-Optimierungen erforderlich, um einen höheren Automatisierungsgrad einzustellen (z. B. Einsatz von Pipettierrobotern, Kunststoff-Multi-Wells).

Bei der Planung von Experimenten muss ein Kompromiss zwischen räumlicher und zeitlicher Auflösung berücksichtigt werden.

Die riesige Datenmenge, die durch High-Content-Mikroskopie erzeugt wird, stellt einen limitierenden Faktor in Bezug auf Speicherung, Übertragung und Analyse dar. Diese Probleme werden mit computergestützten Ansätzen angegangen, die Tools für maschinelles Lernen und Hardware-/Softwareressourcen implementieren, was die zukünftige Möglichkeit fördern könnte, On-Chip/In-silico-Experimente67,68 bei der Auswahl therapeutischer Strategien zu verknüpfen, und dies stellt eine ehrgeizige, aber nicht aufschiebbare Chance dar.

Jenseits der Fluoreszenzbildgebung
Die Fluoreszenzmarkierung durch Farbstoffe oder Reportergene stellt aufgrund ihrer hohen Spezifität zweifellos die Goldstandardmethode dar, um verschiedene Zellpopulationen unter Co-Kulturbedingungen zu identifizieren und molekulare Eigenschaften mit hohem SNR aufzulösen. In OOC-Modellen wird dieser Ansatz häufig als Referenz verwendet, und insbesondere in heterogenen Tumor-on-Chip-Mikroumgebungen kann es wertvoll sein, den Phänotyp der infiltrierten und interagierenden Immunzellen zu charakterisieren.

Dennoch gibt es zunehmend Hinweise darauf, dass Effekte, die durch Fluorophore, aufwändige Färbeverfahren und Beleuchtungsroutinen induziert werden, überwacht und minimiert werden müssen69, da sie das Zellverhalten und den Zellzustand stark beeinflussen können70,71. Dieses Risiko scheint insbesondere für fragile Systeme wie Immunzellen zu gelten72,73. Phototoxische Reaktionen können zu Einschränkungen bei der Definition des zeitlichen Fenstererwerbs lebender Zellen führen, wenn sie mit hoher räumlicher und zeitlicher Auflösung überwacht werden. Darüber hinaus macht es der Reichtum an Immunsubpopulationen unmöglich, sie nur durch Fluoreszenzfärbung zu unterscheiden, wenn man bedenkt, dass die Anzahl der Filter, die üblicherweise auf Mikroskopen verfügbar sind, begrenzt ist.

Um dieses Problem aus instrumenteller Sicht anzugehen, erscheinen jetzt neuartige markierungsfreie74-Mikroskopietechniken wie die holographische56 oder die hyperspektrale Mikroskopie57 auf der Bühne. Sie versprechen fortschrittliche Klassifizierungsstrategien für zelluläre Prozesse, die über die Fluoreszenz hinausgehen, und können besonders wertvoll für die Untersuchung empfindlicher Proben sein. Aus Sicht der Datenanalyse sind fortschrittliche Berechnungsansätze, die auf Deep-Learning-Algorithmen75 (trainiert durch Fluoreszenzbilddatensätze) basieren, Türöffner für die Durchführung der sogenannten "In-silico-Markierung"76,77. Sie wurden erfolgreich eingesetzt, um Fluoreszenzmarker aus Hellfeldbildern78 vorherzusagen, markierte Bilder zu erzeugen, ohne Zellen zu färben, wodurch die Aussagekraft der Hellfeldmikroskopie erhöht wird. Diese Strategie kann auch nützlich sein, um Zeit und Fluoreszenzkanäle für andere Marker zu sparen. Wir glauben, dass die OOC-Gemeinschaft von diesen neuen Techniken profitieren wird, die eine weniger invasive Untersuchung der Interaktion von Zellpopulationen ermöglichen.

Datenanalyse
Mechanismen der Interaktionen zwischen Immun- und Zielkrebszellen können durch die Verfolgung von Zellbewegungen untersucht werden28,79. Zeitraffer-Tracking-Experimente in komplexen und heterogenen Co-Kulturen sind äußerst wertvoll, um Zellmigrationsmuster, morphologische und Zustandsänderungen sowie umfassende Informationen über die Abstammungslinie zu extrahieren. Die manuelle Analyse ist praktisch nur für kurze Sequenzen mit wenigen Zellen möglich, nicht jedoch für systematische Hochdurchsatzexperimente. Folglich ist die Entwicklung von computergestützten Werkzeugen für die Zellverfolgung, entweder voll- oder teilautomatisiert, ein wichtiges Forschungsfeld in der Bildanalyse24. In der Regel erfordert die konventionelle Zellverfolgung eine relativ hohe Probenahmehäufigkeit und räumliche Auflösung, um Segmentierungsaufgaben korrekt auszuführen, was unter vielen experimentellen Bedingungen eine Herausforderung darstellen kann. Zur Lokalisierung von Zellen stehen Open-Access-Segmentierungs- und Tracking-Tools (z. B. ImageJ-Software22) zur Verfügung, wie sie in diesem Protokoll vorgestellt werden, oder dedizierte proprietäre Software. In groß angelegten Studien haben wir eine proprietäre Software namens Cell Hunter16,31 angewendet, die von der Universität Tor Vergata in Rom entwickelt wurde, um Krebs- und Immunzellen in mehreren Populationen vollautomatisch zu unterscheiden. Maßgeschneiderte Lösungen, die auf maschinellem Lernen und neuronalen Netzansätzen 80,81,82 basieren, werden heute in Mikroskopie-Softwarepaketen 83 implementiert, von der Verbesserung des SNR bis hin zur Verwaltung kritischer Erfassungsparameter oder Segmentierungsschritte. Maschinelles Lernen kann genutzt werden, um gängige zelluläre Muster (z. B. Bewegungsstile) zu erkennen, um die biologische Reaktion in Bezug auf Mikroumgebungsfaktoren zu charakterisieren.

In Comes et al.41 wurde eine vortrainierte Deep Learning Convolutional Neural Network-Architektur angewendet, um zu klassifizieren, ob Krebszellen einer medikamentösen Behandlung ausgesetzt sind oder nicht, indem als "Marker" die Motilität der Immunzellen verwendet wird, die aus Zeitrafferdaten von Co-Kulturen von Brustkrebszellen und PBMCs in Kollagenmatrizen in Mikrogeräten verfolgt wird. wie in33 beschrieben.

Entwicklung von Einzelzell-Omics-Methoden und Ontologien
Wir weisen auf die Notwendigkeit einer strategischen Allianz zwischen Einzelzell-Omics-Technologien84 (z.B. Proteomik, Metabolomik, Genomik) und On-Chip-Methoden hin: Die molekulare detaillierte Charakterisierung, konjugiert mit funktionellen dynamischen Informationen, könnte das Verständnis grundlegender Mechanismen und der klinischen Beschreibung verbessern. In diesem Fall stehen neue Instrumente zur Verknüpfung der beiden Welten am Anfang85. Die erste Herausforderung besteht darin, Einzelzell-Omics-Ansätze direkt auf den Onko-Immunologie-Chips22 zu implementieren. Darüber hinaus könnten Organ-on-Chips als Plattformen genutzt werden, um potenzielle Ziele zu testen, die durch Genomik- und Proteomikanalysen identifiziert wurden86,87. Ein zweites Verknüpfungswerkzeug, das noch weitgehend fehlt, ist eine strukturierte, standardisierte Methode zur Annotation und Speicherung von Messsystemergebnissen88,89. Aber das ist genau das, was wir in Zukunft brauchen, um systematische Datenbanken mit zellulären quantitativen Ergebnissen und gemessenen Merkmalen aufzubauen, um sie zu gewinnen, abzuleiten und mit den inhärenten biologischen Informationen zu korrelieren. Kurz gesagt, die Notwendigkeit der Standardisierung und systematischen Analyse heterogener experimenteller Datensätze erfordert ein Ontologie-Framework.

Personalisierung von Modellen
Die Organs-on-Chip-Technologie eignet sich für die Personalisierung12, da Zellen und Gewebe von einzelnen Patienten (oder Patientenklassen) unter kontrollierten Bedingungen in den Geräten verwendet werden können, was zu klinisch relevanten Messwerten führt, die für therapeutische oder präventive Strategien nützlich sind. Einige Beispiele tauchen in der Literatur90 auf. Für Tumor-on-Chip-Modelle wirft diese Herausforderung natürlich mehrere technische und wissenschaftliche Fragen auf, die gelöst werden müssen36 (wie z.B. die Kontrolle der TME-Eigenschaften wie Sauerstoffkonzentration, Zytokingradienten usw.). Wichtig ist, dass die Aussicht, onkologische und onkoimmunologische Therapien effektiver zu machen und gleichzeitig schädliche Auswirkungen für jeden Patienten zu reduzieren, aus Sicht der Lebensqualität und der Optimierung der Gesundheitsressourcen attraktiv ist.

Zusammenfassend lässt sich sagen, dass es sich bei diesem Bereich um ein authentisch interdisziplinäres Gebiet handelt, das als solches große Anstrengungen erfordert, um eine gemeinsame Sprache und gemeinsame Ziele zwischen Forschern, Klinikern, der Industrie, aber auch aus verschiedenen Disziplinen (Ingenieurwesen, Biologie, Datenwissenschaft, Medizin, Chemie) zu finden, um ein gutes Gleichgewicht und neue Lösungen zu finden91.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu offenbaren. AS wird von der Fondazione Italiana per la Ricerca sul Cancro (AIRC, Start-Up 2016 #18418) und dem Ministero Italiano della Salute (RF_GR-2013-02357273) unterstützt. GS und FM werden von der Italienischen Vereinigung für Krebsforschung (AIRC) Nr. 21366 an G.S. unterstützt.

Materials

Name Company Catalog Number Comments
Cell culture materials 
50 mL tubes Corning-Sigma Aldrich, St. Louis, MO CLS430828 centrifuge tubes
5-aza-2'-deoxycytidine DAC Millipore-Sigma; St. Louis, MO A3656 DNA-hypomethylating agent
6-well plates Corning-Sigma Aldrich, St. Louis, MO CLS3506 culture dishes
75 cm2 cell culture treated flask Corning, New York, NY 430641U culture flasks
A365M American Type Culture Collection (ATCC), Manassas, VA
CVCL_B222		 human melanoma cell line
Doxorubicin hydrochloride Millipore-Sigma; St. Louis, MO D1515 anthracycline antibiotic 
Dulbecco's Modified Eagle Medium DMEM EuroClone Spa, Milan, Italy ECM0728L Culture medium for SK-MEL-28  cells
Dulbecco's Phosphate Buffer Saline w/o Calcium w/o Magnesium EuroClone Spa, Milan, Italy ECB4004L saline buffer solution
Fetal Bovine Serum EuroClone Spa, Milan, Italy ECS0180L ancillary for cell culture
Ficoll GE-Heathcare 17-1440-02 separation of mononuclear cells from human blood. 
hemocytometer Neubauer Cell counter
Heparinized vials Thermo Fisher Scientific Inc., Waltham, MA Vials for venous blood collection
interferon alpha-2b Millipore-Sigma; St. Louis, MO SRP4595 recombinant human cytokine
L-Glutamine 100X EuroClone Spa, Milan, Italy ECB3000D ancillary for cell culture
Liquid nitrogen
Lympholyte cell separation media Cedarlane Labs, Burlington, Canada Separation of lymphocytes by density gradient centrifugation
Lymphoprep Axis-Shield PoC AS, Oslo, Norway
Matrigel Corning, New York, NY 354230 growth factor reduced basement membrane matrix
MDA-MB-231  American Type Culture Collection (ATCC), Manassas, VA  HTB-26 human breast cancer cell line
Penicillin/ Streptomycin 100X   EuroClone Spa, Milan, Italy ECB3001D ancillary for cell culture
Pipet aid Drummond Scientific Co., Broomall, PA 4-000-201 Liquid handling
PKH26 Red Fluorescent cell linker Millipore-Sigma; St. Louis, MO PKH26GL red fluorescent cell dye
PKH67 Green fluorescent cell linker Millipore-Sigma; St. Louis, MO PKH67GL green fluorescent cell dye
RPMI-1640 EuroClone Spa, Milan, Italy ECM2001L Culture medium for MDA-MB-231 cells
serological pipettes (2 mL, 5 mL, 10 mL, 25 mL, 50 mL) Corning- Millipore-Sigma; St. Louis, MO CLS4486; CLS4487; CLS4488; CLS4489; CLS4490 Liquid handling
sterile tips (1-10 μL, 10-20 μL, 20-200 μL, 1000 μL) EuroClone Spa, Milan, Italy ECTD00010; ECTD00020; ECTD00200; ECTD01005 tips for micropipette
Timer
Trypan Blue solution Thermo Fisher Scientific Inc., Waltham, MA 15250061 cell stain to assess cell viability
Trypsin EuroClone Spa, Milan, Italy ECM0920D dissociation reagent for adherent cells
Cell culture equipment
EVOS-FL fluorescence microscope Thermo Fisher Scientific Inc., Waltham, MA Fluorescent microscope for living cells
Humified cell culture incubator  Thermo Fisher Scientific Inc., Waltham, MA 311 Forma Direct Heat COIncubator; TC 230 Incubation of cell cultures at 37 °C, 5% CO2
Juli Microscope Nanoentek
Laboratory refrigerator (4 °C) FDM
Laboratory Safety Cabinet (Class II) Steril VBH 72 MP Laminar flow hood
Optical microscope Zeiss
Refrigerable centrifuge Beckman Coulter
Thermostatic bath
Microfabrication materials 
3-Aminopropyl)triethoxysilane (Aptes) Sigma Aldrich A3648 silanizing agent for bonding PDMS to plastic coverslip
Chromium quartz masks / 4"x4", HRC / No AZ  MB W&A,  Germany optical masks for photolithography
Glass coverslip, D 263 M Schott glass,  (170 ± 5 µm) Ibidi, Germany 10812
Hydrogen Peroxide solution 30% Carlo Erba Reagents 412081 reagents for piranha solution
Methyl isobutyl ketone Carlo Erba Reagents 461945 PMMA e-beam resist developer
Microscope Glass Slides (Pack of 50 slides) 76.2 mm x 25.4 mm  Sail Brand 7101 substrates for bonding chips
Miltex Biopsy Punch with Plunger, ID 1.0mm Tedpella dermal biopsy punches for chip reservoirs
PMMA  950 kDa Allresist,Germany AR-P. 679.04 Positive electronic resists for patterning optical masks
Polymer untreated coverslips Ibidi, Germany 10813 substrates for bonding chips
Prime CZ-Si Wafer,  4”, (100), Boron Doped Gambetti Xenologia Srl, Italy 30255
Propan-2-ol Carlo Erba Reagents 415238
Propylene glycol monomethyl ether acetate (PGMEA) Sigma Aldrich 484431-4L SU-8 resists developer
SU-8 3005 Micro resist technology,Germany C1.02.003-0001 Negative Photoresists
SU-8 3050 Micro resist technology,Germany C1.02.003-0005 Negative Photoresists
Suite of Biopunch, ID 4.0 mm, 6.0 mm, 8.0 mm Tedpella 15111-40, 15111-60, 15111-80 dermal biopsy punches for chip reservoirs
Sulfuric acid 96% Carlo Erba Reagents 410381 reagents for piranha solution
SYLGARD 184 Silicone Elastomer Kit Dowsil, Dow Corning 11-3184-01 Silicone Elastomer (PDMS)
Trimethylchlorosilane (TMCS) Sigma Aldrich 92360-100ML silanizing agent for SU-8 patterned masters
Microfabrication equipment
100 kV e-beam litography Raith-Vistec EBPG 5HR
hotplate
Optical litography system EV-420 double-face contact mask-aligner
Reactive Ion Etching system Oxford plasmalab 80 plus system
Vacuum dessicator

DOWNLOAD MATERIALS LIST

References

  1. Abbas, A. K., L, A. H., P, S. Cellular and Molecular Immunology, Ninth Edition. , (2018).
  2. Eisenstein, M. Cellular censuses to guide cancer care. Nature. , (2019).
  3. Cancer Cell. Models for Immuno-oncology Research. Cancer Cell. , (2020).
  4. Zhang, Z., et al. Morphology-based prediction of cancer cell migration using an artificial neural network and a random decision forest. Integrative biology quantitative biosciences from nano to macro. 10 (12), 758-767 (2018).
  5. Dagogo-Jack, I., Shaw, A. T. Tumour heterogeneity and resistance to cancer therapies. Nature Reviews Clinical Oncology. 15 (2), 81-94 (2018).
  6. Milo, I., et al. The immune system profoundly restricts intratumor genetic heterogeneity. Science Immunology. 3 (29), (2018).
  7. Mlecnik, B., et al. The tumor microenvironment and Immunoscore are critical determinants of dissemination to distant metastasis. Science Translational Medicine. , (2016).
  8. Sbarrato, T., et al. 34th Annual Meeting & Pre-Conference Programs of the Society for Immunotherapy of Cancer (SITC 2019): part 1. Journal for ImmunoTherapy of Cancer. 7, Suppl 1 282 (2019).
  9. Miller, C. P., Shin, W., Ahn, E. H., Kim, H. J., Kim, D. -H. Engineering Microphysiological Immune System Responses on Chips. Trends in Biotechnology. 38 (8), 857-872 (2020).
  10. Ma, C., Harris, J., Morales, R. -T. T., Chen, W. Microfluidics for Immuno-oncology. Nanotechnology and Microfluidics. , 149-176 (2020).
  11. Mengus, C., et al. In vitro Modeling of Tumor-Immune System Interaction. ACS Biomaterials Science & Engineering. 4 (2), 314-323 (2018).
  12. Van Den Berg, A., Mummery, C. L., Passier, R., Van der Meer, A. D. Personalised organs-on-chips: functional testing for precision medicine. Lab on a Chip. , (2019).
  13. Ingber, D. E. Reverse Engineering Human Pathophysiology with Organs-on-Chips. Cell. , (2016).
  14. Huh, D., et al. Microfabrication of human organs-on-chips. Nature Protocols. , (2013).
  15. Mazzarda, F., et al. Organ-on-chip model shows that ATP release through connexin hemichannels drives spontaneous Ca2+ signaling in non-sensory cells of the greater epithelial ridge in the developing cochlea. Lab Chip. , (2020).
  16. Mencattini, A., et al. High-throughput analysis of cell-cell crosstalk in ad hoc designed microfluidic chips for oncoimmunology applications. Methods in Enzymology. 632, 479-502 (2020).
  17. Maharjan, S., Cecen, B., Zhang, Y. S. 3D Immunocompetent Organ-on-a-Chip Models. Small Methods. , 2000235 (2020).
  18. Phan, D. T. T., et al. A vascularized and perfused organ-on-a-chip platform for large-scale drug screening applications. Lab on a Chip. , (2017).
  19. Jeon, J. S., Zervantonakis, I. K., Chung, S., Kamm, R. D., Charest, J. L. In vitro Model of Tumor Cell Extravasation. PLoS ONE. , (2013).
  20. Jeon, J. S., et al. Human 3D vascularized organotypic microfluidic assays to study breast cancer cell extravasation. Proceedings of the National Academy of Sciences of the United States of America. , (2015).
  21. Chen, M. B., Whisler, J. A., Fröse, J., Yu, C., Shin, Y., Kamm, R. D. On-chip human microvasculature assay for visualization and quantification of tumor cell extravasation dynamics. Nature Protocols. , (2017).
  22. Sade-Feldman, M., et al. Defining T Cell States Associated with Response to Checkpoint Immunotherapy in Melanoma. Cell. , (2018).
  23. Di Modugno, F., Colosi, C., Trono, P., Antonacci, G., Ruocco, G., Nisticò, P. 3D models in the new era of immune oncology: Focus on T cells, CAF and ECM. Journal of Experimental and Clinical Cancer Research. , (2019).
  24. Svensson, C. -M., Medyukhina, A., Belyaev, I., Al-Zaben, N., Figge, M. T. Untangling cell tracks: Quantifying cell migration by time lapse image data analysis. Cytometry. Part A : the journal of the International Society for Analytical Cytology. 93 (3), 357-370 (2018).
  25. Arena, E. T., Rueden, C. T., Hiner, M. C., Wang, S., Yuan, M., Eliceiri, K. W. Quantitating the cell: turning images into numbers with ImageJ. Wiley interdisciplinary reviews. Developmental biology. 6 (2), (2017).
  26. Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. , (2012).
  27. Vacchelli, E., et al. Chemotherapy-induced antitumor immunity requires formyl peptide receptor 1. Science. 350 (6263), 972-978 (2015).
  28. Businaro, L., et al. Cross talk between cancer and immune cells: exploring complex dynamics in a microfluidic environment. Lab on a Chip. 13 (2), 229-239 (2013).
  29. Beltman, J. B., Marée, A. F. M., de Boer, R. J. Analysing immune cell migration. Nature Reviews Immunology. 9 (11), 789-798 (2009).
  30. Agliari, E., et al. Cancer-driven dynamics of immune cells in a microfluidic environment. Scientific Reports. 4 (1), 6639 (2014).
  31. Biselli, E., et al. Organs on chip approach: a tool to evaluate cancer -immune cells interactions. Scientific Reports. 7 (1), 12737 (2017).
  32. Lucarini, V., et al. Combining Type I Interferons and 5-Aza-2'-Deoxycitidine to Improve Anti-Tumor Response against Melanoma. Journal of Investigative Dermatology. 137 (1), 159-169 (2017).
  33. Nguyen, M., et al. Dissecting Effects of Anti-cancer Drugs and Cancer-Associated Fibroblasts by On-Chip Reconstitution of Immunocompetent Tumor Microenvironments. Cell Reports. 25 (13), 3884-3893 (2018).
  34. Racioppi, L., et al. CaMKK2 in myeloid cells is a key regulator of the immune-suppressive microenvironment in breast cancer. Nature Communications. 10 (1), 2450 (2019).
  35. Parlato, S., et al. 3D Microfluidic model for evaluating immunotherapy efficacy by tracking dendritic cell behaviour toward tumor cells. Scientific Reports. 7 (1), 1093 (2017).
  36. Andreone, S., et al. IL-33 Promotes CD11b/CD18-Mediated Adhesion of Eosinophils to Cancer Cells and Synapse-Polarized Degranulation Leading to Tumor Cell Killing. Cancers. 11 (11), 1664 (2019).
  37. Bray, L. J., Hutmacher, D. W., Bock, N. Addressing Patient Specificity in the Engineering of Tumor Models. Frontiers in Bioengineering and Biotechnology. 7, 217 (2019).
  38. Fetah, K. L., et al. Cancer Modeling-on-a-Chip with Future Artificial Intelligence Integration. Small. 15 (50), 1901985 (2019).
  39. Jabbari, P., Rezaei, N. Artificial intelligence and immunotherapy. Expert Review of Clinical Immunology. 15 (7), 689-691 (2019).
  40. Mak, K. -K., Pichika, M. R. Artificial intelligence in drug development: present status and future prospects. Drug Discovery Today. 24 (3), 773-780 (2019).
  41. Mencattini, A., et al. Discovering the hidden messages within cell trajectories using a deep learning approach for in vitro evaluation of cancer drug treatments. Scientific Reports. , (2020).
  42. Isozaki, A., et al. AI on a chip. Lab Chip. , (2020).
  43. Makaryan, S. Z., Cess, C. G., Finley, S. D. Modeling immune cell behavior across scales in cancer. Wiley Interdisciplinary Reviews: Systems Biology and Medicine. , (2020).
  44. Mak, K. K., Pichika, M. R. Artificial intelligence in drug development: present status and future prospects. Drug Discovery Today. , (2019).
  45. Masuzzo, P., Van Troys, M., Ampe, C., Martens, L. Taking Aim at Moving Targets in Computational Cell Migration. Trends in Cell Biology. 26 (2), 88-110 (2016).
  46. Meijering, E., Dzyubachyk, O., Smal, I. Chapter nine - Methods for Cell and Particle Tracking. Imaging and Spectroscopic Analysis of Living Cells. 504, 183-200 (2012).
  47. Riedhammer, C., Halbritter, D., Weissert, R. Peripheral blood mononuclear cells: Isolation, freezing, thawing, and culture. Methods in Molecular Biology. , (2015).
  48. Harris, J., et al. Fabrication of a microfluidic device for the compartmentalization of neuron soma and axons. Journal of Visualized Experiments. , (2007).
  49. Shin, Y., et al. Microfluidic assay for simultaneous culture of multiple cell types on surfaces or within hydrogels. Nature Protocols. , (2012).
  50. Park, J. W., Vahidi, B., Taylor, A. M., Rhee, S. W., Jeon, N. L. Microfluidic culture platform for neuroscience research. Nature Protocols. , (2006).
  51. Gjorevski, N., et al. Neutrophilic infiltration in organ-on-a-chip model of tissue inflammation. Lab on a Chip. , (2020).
  52. Jenkins, R. W., et al. Ex vivo profiling of PD-1 blockade using organotypic tumor spheroids. Cancer Discovery. , (2018).
  53. Comes, M. C., et al. The influence of spatial and temporal resolutions on the analysis of cell-cell interaction: a systematic study for time-lapse microscopy applications. Scientific Reports. 9 (1), 6789 (2019).
  54. Tinevez, J. -Y., et al. TrackMate: An open and extensible platform for single-particle tracking. Methods. 115, 80-90 (2017).
  55. Ulman, V., et al. An objective comparison of cell-tracking algorithms. Nature Methods. , (2017).
  56. Tinevez, J. -Y., Herbert, S. The NEMO Dots Assembly: Single-Particle Tracking and Analysis BT - Bioimage Data Analysis Workflows. , 67-96 (2020).
  57. Jacquemet, G., Hamidi, H., Ivaska, J. Filopodia quantification using filoquant. Methods in Molecular Biology. , (2019).
  58. Caldas, P., Radler, P., Sommer, C., Loose, M. Computational analysis of filament polymerization dynamics in cytoskeletal networks. Methods in Cell Biology. , (2020).
  59. Chalfoun, J., Majurski, M., Peskin, A., Breen, C., Bajcsy, P., Brady, M. Empirical gradient threshold technique for automated segmentation across image modalities and cell lines. Journal of Microscopy. 260 (1), 86-99 (2015).
  60. Huang, C. P., et al. Engineering microscale cellular niches for three-dimensional multicellular co-cultures. Lab on a Chip. , (2009).
  61. Farahat, W. A., et al. Ensemble analysis of angiogenic growth in three-dimensional microfluidic cell cultures. PLoS ONE. , (2012).
  62. Zengel, P., Nguyen-Hoang, A., Schildhammer, C., Zantl, R., Kahl, V., Horn, E. μ-Slide Chemotaxis: A new chamber for long-term chemotaxis studies. BMC Cell Biology. , (2011).
  63. Henke, E., Nandigama, R., Ergün, S. Extracellular Matrix in the Tumor Microenvironment and Its Impact on Cancer Therapy. Frontiers in Molecular Biosciences. , (2020).
  64. Wirtz, D., Konstantopoulos, K., Searson, P. C. The physics of cancer: The role of physical interactions and mechanical forces in metastasis. Nature Reviews. , (2011).
  65. Northcott, J. M., Dean, I. S., Mouw, J. K., Weaver, V. M. Feeling stress: The mechanics of cancer progression and aggression. Frontiers in Cell and Developmental Biology. , (2018).
  66. Wan, L., Neumann, C. A., LeDuc, P. R. Tumor-on-a-chip for integrating a 3D tumor microenvironment: chemical and mechanical factors. Lab Chip. 20 (5), 873-888 (2020).
  67. Braun, E., Bretti, G., Natalini, R. Mass-preserving approximation of a chemotaxis multi-domain transmission model for microfluidic chips. ArXiv. , (2020).
  68. Mahlbacher, G. E., Reihmer, K. C., Frieboes, H. B. Mathematical modeling of tumor-immune cell interactions. Journal of Theoretical Biology. , (2019).
  69. Magidson, V., Khodjakov, A. Circumventing photodamage in live-cell microscopy. Methods in Cell Biology. , (2013).
  70. Jensen, E. C. Use of Fluorescent Probes: Their Effect on Cell Biology and Limitations. Anatomical Record. , (2012).
  71. Skylaki, S., Hilsenbeck, O., Schroeder, T. Challenges in long-term imaging and quantification of single-cell dynamics. Nature Biotechnology. , (2016).
  72. Abbitt, K. B., Rainger, G. E., Nash, G. B. Effects of fluorescent dyes on selectin and integrin-mediated stages of adhesion and migration of flowing leukocytes. Journal of Immunological Methods. , (2000).
  73. Smith, E., et al. Phototoxicity and fluorotoxicity combine to alter the behavior of neutrophils in fluorescence microscopy based flow adhesion assays. Microscopy Research and Technique. , (2006).
  74. Suman, R., et al. Label-free imaging to study phenotypic behavioural traits of cells in complex co-cultures. Scientific Reports. , (2016).
  75. Brent, R., Boucheron, L. Deep learning to predict microscope images. Nature Methods. , (2018).
  76. Christiansen, E. M., et al. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. , (2018).
  77. Waibel, D. J. E., Tiemann, U., Lupperger, V., Semb, H., Marr, C. In-silico staining from bright-field and fluorescent images using deep learning. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , (2019).
  78. Ounkomol, C., Seshamani, S., Maleckar, M. M., Collman, F., Johnson, G. R. Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy. Nature Methods. , (2018).
  79. Diehl, M. I., Wolf, S. P., Bindokas, V. P., Schreiber, H. Automated cell cluster analysis provides insight into multi-cell-type interactions between immune cells and their targets. Experimental Cell Research. 393 (2), 112014 (2020).
  80. Chen, H., Engkvist, O., Wang, Y., Olivecrona, M., Blaschke, T. The rise of deep learning in drug discovery. Drug Discovery Today. , (2018).
  81. Angermueller, C., Pärnamaa, T., Parts, L., Stegle, O. Deep learning for computational biology. Molecular Systems Biology. , (2016).
  82. Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., Van Valen, D. Deep learning for cellular image analysis. Nature Methods. , (2019).
  83. Nikon. , Available from: http://www.microscope.healthcare.nikon.com/produc (2020).
  84. Bock, C., Farlik, M., Sheffield, N. C. Multi-Omics of Single Cells: Strategies and Applications. Trends in Biotechnology. , (2016).
  85. Lin, A., et al. 3D cell culture models and organ-on-a-chip: Meet separation science and mass spectrometry. Electrophoresis. , (2020).
  86. Ingber, D. E. Developmentally inspired human 'organs on chips.'. Development. , Cambridge. (2018).
  87. Low, L. A., Mummery, C., Berridge, B. R., Austin, C. P., Tagle, D. A. Organs-on-chips: into the next decade. Nature Reviews Drug Discovery. , (2020).
  88. Mangul, S., et al. Systematic benchmarking of omics computational tools. Nature Communications. , (2019).
  89. Burek, P., Scherf, N., Herre, H. Ontology patterns for the representation of quality changes of cells in time. Journal of Biomedical Semantics. 10 (1), 16 (2019).
  90. Benam, K. H., et al. Small airway-on-a-chip enables analysis of human lung inflammation and drug responses in vitro. Nature Methods. , (2016).
  91. Horning, S. J. A new cancer ecosystem. Science. , (2017).

Tags

Diesen Monat in JoVE Ausgabe 170 Organs-on-Chip Tumorimmunologie Krebs-Immun-Crosstalk Tumormikroumgebung Immunkontexture zelluläre Dynamik und Interaktionen Mikrofluidik immunkompetenter Tumor-on-Chip Immunonkologie Zellverfolgung
Mikrofluidische Co-Kulturmodelle zur Analyse der Immunantwort in in vitro Tumormikroumgebungen
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

De Ninno, A., Bertani, F. R.,… More

De Ninno, A., Bertani, F. R., Gerardino, A., Schiavoni, G., Musella, M., Galassi, C., Mattei, F., Sistigu, A., Businaro, L. Microfluidic Co-Culture Models for Dissecting the Immune Response in in vitro Tumor Microenvironments. J. Vis. Exp. (170), e61895, doi:10.3791/61895 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter