Method Article

Mapping molekulare Diffusion in der Plasmamembran durch Multiple-Target Tracing (MTT)

DOI:

10.3791/3599

⸱

May 27th, 2012

 ,  ,  ,  ,  ,  , 
1Institut National de la Santé et de la Recherche Médicale, UMR 631, Parc scientifique de Luminy, 2Centre National de la Recherche Scientifique, UMR 6102, Parc scientifique de Luminy, 3Centre d'Immunologie de Marseille-Luminy, Aix-Marseille University, 4École Centrale Marseille, Technopôle de Château-Gombert, 5Institut Fresnel, Aix-Marseille University, 6Centre National de la Recherche Scientifique, UMR 6133, Aix-Marseille University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Multiple-Target-Tracing ist ein Algorithmus für die Verfolgung von hausgemachten individuell markierten Moleküle in der Plasmamembran von lebenden Zellen entwickelt. Effiziente Erfassung, Abschätzung und Tracing-Moleküle im Laufe der Zeit bei hoher Dichte bieten eine benutzerfreundliche, umfassende Werkzeug, um nanoskalige Membran Dynamik zu untersuchen.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Unser Ziel ist eine umfassende Beschreibung der molekularen Vorgänge bei zellulären Membranen in verschiedenen biologischen Funktionen zu erhalten. Unser Ziel ist die Charakterisierung der komplexen Organisation und Dynamik der Plasmamembran auf Einzel-Molekül-Ebene, durch die Entwicklung von Analysewerkzeugen gewidmet Single-Particle Tracking (SPT) in hoher Dichte: Multiple-Target Tracing (MTT) 1. Einzel-Molekül-Videomikroskopie und bietet Millisekunde und Auflösung im Nanometerbereich 1-11, erlaubt eine detaillierte Darstellung der Membran Organisation von 12-14 genau Mapping-Deskriptoren wie Zell-Rezeptoren-Lokalisierung, Mobilität, Gefangenschaft oder Wechselwirkungen.

Wir revisited SPT, sowohl experimentell als auch algorithmisch. Experimentelle Aspekte waren die Optimierung Setup-und Zell-Kennzeichnung, mit besonderem Schwerpunkt auf dem Erreichen der höchstmöglichen Dichte Kennzeichnung, um eine dynamische Momentaufnahme der Molekulardynamik einen gebens tritt es innerhalb der Membran. Algorithmische Fragen betroffenen einzelnen Schritte für den Wiederaufbau von Flugbahnen verwendet: Spitzen-Erkennung, Einschätzung und der Wiederanschluss von speziellen Werkzeugen aus Bildanalyse 15,16 gerichtet. Implementieren von Deflation nach Entdeckung ermöglicht Rettung Gipfel zunächst von benachbarten, stärkeren Peaks versteckt. Zu beachten ist, wirkt sich direkt auf die Verbesserung der Erkennung Wiederverbindung, durch Reduzierung der Lücken innerhalb Flugbahnen. Vorstellungen wurden ausgewertet mit Hilfe von Monte-Carlo-Simulationen für unterschiedliche Kennzeichnung Dichte und Noise-Werte, die in der Regel stellen die beiden wesentlichen Einschränkungen für parallele Messungen bei hoher örtlicher und zeitlicher Auflösung.

Die Nanometergenauigkeit 17 für einzelne Moleküle erhalten, unter Verwendung von entweder aufeinanderfolgenden Ein / Aus Photoschalten oder der nichtlinearen Optik, liefern kann, flächendeckende Betrachtungen. Dies ist die Grundlage von Nanoskopiemethoden 17 wie Sturm 18, PALM 19,20, 21 oder RESOLFT STED 22,23, which erfordert häufig den Imaging-fixierten Proben. Die zentrale Aufgabe ist die Erkennung und Einschätzung der beugungsbegrenzten Spitzen ausgehend von Single-Moleküle. Daher angemessene Annahmen wie z. B. Umgang mit einer konstanten Positionsgenauigkeit anstelle der Brownschen Bewegung, wird MTT unkompliziert für nanoskopische Analysen geeignet. Ferner kann MTT grundsätzlich in jedem Maßstab verwendet werden: nicht nur für Moleküle, sondern auch für Zellen oder Tiere, zum Beispiel. Daher ist ein leistungsfähiges MTT-Tracking-Algorithmus, der Anwendungen findet auf molekularer und zellulärer Skalen.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In diesem Video stellen wir eine vollständige Single Particle Tracking Experiment, mit Hilfe von Quanten-Dots gezielt an eine bestimmte Membran-Rezeptor. Das Hauptziel dieser Versuch besteht darin, diskriminierende verschiedene molekulare Diffusion Verhalten in der Plasmamembran von lebenden Zellen gemessen. Tatsächlich können molekulare Bewegungen, die durch an der Membran typischerweise Brownsche Diffusion abweichen, die linear gerichteten oder geschlossenen in Nanodomänen 26-29, zum Beispiel. Wir zielen darauf ab, gleichzeitig nach so vielen Rezeptoren wie technisch möglich, um einen Schnappschuss von der Vielfalt, die sich in der Dynamik, die innerhalb der Membran einer lebenden Zelle liefern. Dies wird letztlich zu erwarten, damit Entschlüsselung der Mechanismen, die Zelloberflächen-Rezeptor-Signalisierung.

1. Cell Culture

  1. Bereiten Sie die zelluläre Probe: verwenden adhärenten COS-7-Zellen, die endogen exprimieren den epidermalen Wachstumsfaktor-Rezeptor (EGFR) 30. WannArbeit mit lebenden Zellen ohne Antibiotika sicher kein latentes Sub-nachweisbare Verunreinigungen durch Verwendung geeigneter steriler Techniken zu jeder Zeit während der Vorbereitung haben zu machen.
  2. Kultivieren von Zellen in vollständigem Medium (DMEM mit 10% Kälberserum, 1% Glutamin, 1% HEPES und 1% Natriumpyruvat, siehe Tabelle Reagenzien unten), bei 37 ° C mit 7% CO 2, wobei dafür, dass sie haben subkonfluenten, exponentielles Wachstum bevor sie sich ihnen in Lab-Tek.
  3. Am Tag vor dem Versuch, zu verbreiten 5.000 Zellen / Well in 8-well Kammern (Lab-Tek) und über Nacht. Zählen von Zellen sorgt für eine konstante Zelldichte, damit eine reproduzierbare Verhältnis von Quanten-Punkten pro Zelle.

2. Zellmarkierung

Bereiten Quanten-Punkte mit einer speziellen Beschichtung. Quantum-Dots sind fluoreszierende Nanopartikel von Halbleitern. Diese Nanopartikel stellen eine hohe Interesse, da sie sehr hell und photostabil sind im Vergleich zu klassischenFluoreszenzsonden 31,32, die Erreichung eines entsprechenden Signals erlaubt es, Rauschabstand (SNR) für Single Molecule Imaging.

  1. Vor dem Experiment, Fab-Fragmente zu erzeugen gegen EGFR aus Hybridom-Zelllinie (mAb 108, ATCC HB-9764), durch Verdau mit Papain, wie zuvor 21 beschrieben.
  2. Konjugat Fab mit Biotin, als den Anweisungen des Herstellers (EZ-Link Sulfo-NHS-LC-Biotinylierungskit; Thermo Scientific, 1A.).
  3. Verwendung Quanten-Punkte mit Streptavidin (Invitrogen) und Emission bei 605 nm (optimale Emissionswellenlänge für Glanz, Detektion und Abtrennung von zellulären Autofluoreszenz) funktionalisiert.
  4. Bereiten Sie die Lösung zur Kennzeichnung in vollständigem Medium (siehe Tabelle der Reagenzien), um die vorliegenden Streptavidine um die Quanten-Punkte sowie eine Aggregation und nicht-spezifische Bindung an die Zellen und auf das Deckglas zu verhindern sättigen.
  5. Bereiten Sie zwei Zwischen-Lösungen:ein mit Quantum-Dots-Streptavidin und ein weiteres mit biotinylierten Fab, jeweils bei 20 nM.
  6. Mischen Sie das gleiche Volumen dieser beiden Lösungen: Mischen Sie die Quantum-Dots mit Fab im Verhältnis 1:1 in eine finale Arbeitsdatei Konzentration von 10 nM Fab erhalten: Quanten-Punkte-Komplex. Verwendung einer äquimolaren Verhältnis begünstigt die Bildung von Mono-funktionalisierten Komplexen eines Quantenpunkt-und einem biotinylierten Fab-Fragment besteht. Dies begünstigt monovalenten Kennzeichnung, die Begrenzung Artefakt Beobachtungen durch Rezeptor-Vernetzung 33,34.
  7. Inkubieren für 15 Minuten bei 25 ° C unter Verwendung eines Schüttler bei 1.200 Umdrehungen pro Minute eine Aggregation zu verhindern. Die Mischung ist dann bereit, auf lebende Zellen zu verwenden.
  8. Inkubieren Zellen in 100 ul-Mix für 5 Minuten bei 37 ° C mit 7% CO 2.
  9. Waschen der Zellen mit nicht-Autofluoreszenzlichtbild Bilderzeugungsmedium (HBSS-Puffer, 1% HEPES, siehe Tabelle der Reagenzien) bei 37 vorgewärmt ° C
  10. Entfernen Sie vorsichtig das überschüssige von Etiketten zu verhindern UN-notwendig verderben das SNR um ungebundene, unscharf Quanten-Punkte, indem sie ausführlich Waschen jeder Vertiefung mit Bilderzeugungsmedium, typischerweise 5 mal bei Raumtemperatur mit mindestens 5 Minuten Verzögerung vor dem letzten Waschen.

3. Optischer Aufbau

Die Video-Mikroskopie-Setup besteht aus vier Hauptteilen:

  1. Mithilfe eines inversen Mikroskops mit einem spezifischen Fluoreszenz-Würfel (FF01-457/50 Anregung, FF495-DI02 dichroitische und FF01-617/73 Emissionsfilter, Semrock) und einer hohen numerischen Apertur (1,3 oder 1,49) Öl-Immersions-100x Objektiv.
  2. Ein 100-W-Quecksilberlampe (die mit dem Mikroskop durch eine optische Faser, die Vermeidung stören Thermoregulation).
  3. Ein 512 x 512 Pixel hohe Empfindlichkeit EMCCD-Kamera, einen ausreichenden SNR zu erreichen.
  4. Ein Inkubator für biologische Proben bei 37 ° C zu halten während des Experiments.

4. Erwerb

  1. Wählen Sie isolierten und gut Ausbreitung Zellen. Diesbegünstigt die Verlängerung der schönen, flachen Lamellipodien, am besten geeignet, für planare Bewegung der Membran Moleküle aussehen.
  2. Bewerten Sie die zellulären physiologischen Status durch sein Aussehen sowohl im Durchlicht und Fluoreszenz-in: intensiv vesikulären Verkehr, das Fehlen von nekrotischen oder apoptotischen Zeichen, geringe Autofluoreszenz und mittlere-starke Quantenpunkt-Kennzeichnung (in der Regel bis zu 1.000 Quanten-Punkten pro Zelle, siehe Abb.. 1B, C).
  3. Wählen Sie einen hohen Dichte Kennzeichnung, die entscheidend zur simultanen Überwachung so viele Rezeptoren wie möglich ist. Dies ist tatsächlich sowohl durch physiologische (Oberflächenexpression, Epitop Zugänglichkeit, seitliche Bewegung) und algorithmischen Parameter (nicht-überlappenden Point-Spread-Funktionen (PSF), auch unter Berücksichtigung der Unschärfen durch Bewegung, um die ordnungsgemäße Erfassung und Wiederverbindung zu erlauben). Begrenzt
  4. Für jede Zelle wird zunächst einen Hellfeld-Feld-Bild (vorzugsweise unter Verwendung von DIC, wenn verfügbar), die weitere Überprüfung zulassen kann für die Zelle Aspektund räumlichen Grenzen des Lamellipodien.
  5. Speichern Sie das Bild mit dem gleichen Namen wie die Video-Stapel (wie cell1.tif & cell1.stk zum Beispiel), in einen Unterordner namens DIC, da mit diesen Konventionen, kann der Algorithmus automatisch zurück finden das passende Bild für jeder Stapel.
  6. Erwerben Sie 1 bis 3 Videos pro Zelle, kontinuierlich, typischerweise bei 36-ms-Rate, die schnellste Geschwindigkeit, die in Full-Frame mit dieser Kamera. Allerdings kann man bei höheren Frequenzen zu erwerben, bis zu 1-ms-Rate, mit dedizierten CCD-Sensor mit erhöhter Empfindlichkeit und / oder weniger Pixel. Die Frame-Transfer-Technologie bietet vernachlässigbare Verzögerung zwischen Frames.
  7. Electron mehrfach Erweiterung sollte immer bei maximaler (knapp unterhalb der Sättigung, wenn relevant) gesetzt werden, damit erreicht einzelnes Molekül Empfindlichkeit, mit einem ausreichenden SNR, zumindest oberhalb von 20 dB (Peak-Erkennung für eine effiziente 1), in der Regel etwa 25-30 dB.
  8. In der Regel erwirbt 300 Bilder pro Video, sinCE-Bahnen werden über ~ 100 Frames im Schnitt, meist durch lange blinken Ereignisse beschränkt rekonstruiert. Video Häufigkeit und Länge kann für eine bestimmte Maßnahme, die mehr Spuren zum Beispiel verlangen, angepasst werden konnten.

5. MTT-Analyse

  1. Wählen Sie den Pfad zu dem Verzeichnis, das die Video-Dateien, um eine bestimmte Datenmenge mit Matlab oder Octave zu bewerten.
  2. Um die vollautomatische Analyse 1,35 zu starten, geben Sie den Befehl detect_reconnex23 in Octave, oder MTT23i in Matlab. Dieses Programm steht für "Version 2.3, mit User-Interface" und steht zum Download bereit, zusammen mit der Vorgängerversion 2.2. Es zeigt zuerst ein grafisches Interface, in dem alle Parameter verwendet, wie in Abb. 2.

6. Repräsentative Ergebnisse

MTT automatisch analysiert jedes Video-Recorder, um Spuren von erkannt und geschätzt, Ziele, durch weitere ergänzt liefern inchungen, wie Einschluss Detektion. Dies ermöglicht letztendlich Mapping Spuren über Zell-Bilder (Abb. 1C und 3).

MTT-Beschreibung

Der Kern MTT Analyse wird über jeden Rahmen durchgeführt unter Berufung auf drei Hauptaufgaben (Abb. 3):

  1. Nachweis der Anwesenheit oder Abwesenheit eines Ziels (Quantenpunkt-), innerhalb eines gleitenden Teilbereich nacheinander um jedes Pixel zentriert ist, wobei zwei Hypothesen verglichen: Gegenwart entweder eines Signals, mit dem PSF als zweidimensionale Gauß-Peak modellierte , oder nur Lärm, unter Verwendung eines Schwellenwertes versichern niedrig genug Fehlalarm, mit weniger als einem unechten Erkennung pro Frame. Dies führt zu einer Karte Detektionswahrscheinlichkeit. Jede lokale Maximum ergibt, als mögliches Zielgen erlaubt, sichergestellt wird, dass die Wahrscheinlichkeit höher als ein Mindestwert, richtet sich nach der gewünschten Wahrscheinlichkeit eines falschen Alarms (PFA) ist. Diese Grenze ist tief genug, um effizient zu diskriminieren SIGSignale vom Rauschen und vermeidet bestenfalls falsche Erkennungen (PFA von 10 -6 standardmäßig auf weniger als ein Fehler in 512 x 512 Pixel Bilder zu versichern), während immer noch eine ausreichend hohe Wahrscheinlichkeit der Aufdeckung und erreichte damit den theoretisch vorhergesagten optimalen ein. Beachten Sie, dass das Erfordernis der Verwendung eines Teilbereich bedeutet, dass die Bildränder (3 Pixel, für eine Standard-Fenster von 7 x 7 Punkte) nicht ausgewertet werden kann.
  2. Schätzung für jedes detektierte Ziel, der relevanten Parameter, wie Subpixel-Position und der Signalintensität. Für jedes detektierte Ziel wird eine Methode der kleinsten Quadrate Gauß-Newton-Sitz nächsten durchgeführt, um die Position, Breite und Höhe des detektierten Gauß zu schätzen. Dies stellt insbesondere die Subpixel-Position des Farbstoffs (10 bis 20 nm Genauigkeit für typische SNR-Werte und unbeweglich und langsam diffundierende Farbstoffe, jedoch bis zu ~ 100 nm für Farbstoffe Diffundieren bei 0,1 um 2 / s).
  3. Reconnection der neuen Ziele mit derSpuren bereits in den vorangegangenen Frames aufgebaut. Die Reihe neuer Ziele mit dem Satz von vorhergehenden Spuren abgestimmt. Zu diesem Zweck, um jedes Ziel eine Spur zuzuordnen, wenn möglich, alle erhältlich statistischer Information zur Detektion Schritt verwendet wird, nicht nur die Position, sondern auch die Intensität, Breite, zu blinken, und die zugehörigen Statistiken. Daher werden Ziele nicht nur auf die nächste Spur zugewiesen: im Falle von kreuzenden Spuren, Intensität, Geschwindigkeit, Breite und blinkende werden berücksichtigt. Dies liefert die statistisch optimale Wiederanschluss des Gastes. Diese Strategie vermeidet, wenn möglich, das Vorspannen des Wiederverbindung zu den nächsten Nachbarn.

Detektierten Peaks können im Nachhinein abgelehnt werden, wenn ihrer Einschätzung oder Wiederverbindung scheitert sein. Eine besondere Prüfung übernimmt die Erkennung von neuen Spitzen, die neue Spuren zu initiieren würde. Dieser Test verwendet eine strengere PFA (10 -7), da Sie wieder eine Spitze, um eine Spur können de facto als Bestätigung interpretiert werden o f seine Relevanz (dieses Kriterium als per Definition nicht anwendbar für neue Peaks).

Trajektorienanalyse

Mögliche vorübergehende Entbindung nächsten durch eine Funktion umgekehrt proportional zur lokalen Verbreitung 24-29 im Zusammenhang ausgewertet. Die Anwendung ermöglicht einen Schwellenwert zu definieren, beschränkt oder nicht Episoden. Durch diese Iteration über alle Spuren, können wir abbilden Membran Dynamik im Hinblick auf die vorübergehende Haft / verlangsamen Veranstaltungen. Dies kann alternativ dargestellt werden entweder mit dem Binär-oder diskrete Werte dieser Beschränkung Index.

Standardmäßig MTT diese Aufgaben automatisch und spart 8 Peakparameter in einer Textdatei: Frame-Nummer, Offset-i und j Position, Signalstärke, den Radius und blinken, für jeden Video-Frame (Gruppe von 7 Zeilen) und Spurenelemente (Spalte) . Diese Ausgabeparameter kann in Matlab oder Octave mit dem fread_data_spt Skript für die weitere Analyse dh Spuren oder Signalintensitäten geladen werden, wie in der beispielhaft "Http://www.jove.com/files/ftp_upload/3599/MTT_example.txt"> MTT_example Skript im Anhang.

Weitere Analysen führen zu Spuren in jeder Zelle zugeordnet werden (Abb. 1C und 3) und Histogramm-Verteilung für die relevanten Parameter (wie zB Peak-Intensitäten, SNR oder lokale Diffusion Werte) zu schaffen. Für jede Datei, Mittelwert und Standardabweichung der einzelnen Parameter werden in einer Textdatei gespeichert, zusammen mit einem Bild der Histogramme. Logarithmisch-Distributionen, wie zum Quadrat Verschiebungen R 2, auf geometrische Mittel führen. Der Diffusionskoeffizient D wird aus einer linearen Anpassung in den fünf ersten Punkte der MSD-Kurve berechnet. Diese Werte geben einen Überblick über ein Experiment mit zum Beispiel Kinetik der zellulären Reaktionen oder pharmazeutische / enzymatische Behandlungen beeinflussen Membran Organisation. Da MTT ist ein Open-Source-Code, kann dieser Aspekt ohne weiteres auf jeden engagierten Untersuchung angepasst werden.

599fig1.jpg "alt =" Bild 1 "/>
Abbildung 1. Überwachung Membranrezeptoren Dynamik MTT. (A) Membrankomponenten, wie EGFR, sind markiert mit Quanten-Punkten gekoppelt ist, um biotinylierte Fab-Fragmente (schematische Zeichnung mit annähernd richtig Skalierung jedem Molekül). (B) Typische fluoreszierende Bild von einer Live-COS-7 Zelle erworben, mit 36-ms Belichtungszeit, Darstellung beugungsbegrenzten Peaks, die individuell beschriftet Rezeptor. (C) Ausgang des MTT-Analyse zeigt die rekonstituierte Bahnen der Rezeptoren auf der Hellfeldbild der Zelle überlagert.

figure-protocol-1
Abbildung 2. MTT Eingabeparameter. Laufen MTT23i öffnet eine grafische Benutzeroberfläche listet alle Input-Parameter, Namen und Standardwerte, wie in unseren früheren Publikation 1 beschrieben. In den Algorithmus, Raum und Zeit Parameter (Suchfenster, Spitzenradius, maximale Verbreitung und blinkend) sind in dimensionslosen Standard-Einheiten, Pixel und Rahmen. Kalibrierungen können im Nachhinein zu Ausgabeergebnisse umwandeln angewendet werden. Default-Werte, entsprechend einer Cascade 512BFT mit 100-facher Vergrößerung, sind Pixel-Größe: 156 nm / pxl und Frame-Verzögerung: 36 ms / Frame.

Die Ermittler sollten die Optimierung ein paar kritische Parameter, wie zB der maximal zu erwartenden Diffusionskoeffizienten ("Diff max") und einem maximalen blinkt Verschwinden ("T off"). Diese beiden Raum und Zeit Limits sind fast die einzigen, die zu überdenken für einen bestimmten experimentellen Bedingungen, die anderen nach robusten Standardwerte werden gesetzt werden müssen. Zum Beispiel wird die Anzahl von Fehlalarmen direkt auf weniger als einem Fehler pro Millionen Pixel, so dass weniger als einmal pro Frame, was zufriedenstellend in den meisten Fällen zu gewährleisten. Alle Parameter werden in einer Textdatei in der Ausgabe-Ordner gespeichert, so dass Anwender im Nachhinein zu überprüfen, welche Einstellungen wurden für die Analyse verwendet.

s/ftp_upload/3599/3599fig3.jpg "alt =" Bild 3 "/>
Abbildung 3. Wichtige Schritte des MTT-Analyse. Ausgehend von einem Stapel von experimentellen Fluoreszenzbilder werden Peaks nacheinander und automatisch erkannt, geschätzt durch eine Gauß-Sitz und wieder über Rahmen (erste Reihe von Operationen, oberen Teil des Flussdiagramms). Die Spuren können weiter nach möglichen Einschluss untersucht werden, zum Beispiel, was letztlich zu einer dynamischen Karte von relevanten Deskriptoren (zweite Reihe von Operationen, unterer Teil).

figure-protocol-2
Abbildung 4. Labeling Wertigkeit hat keinen Einfluss auf MTT. Um die mögliche Voreingenommenheit durch artifizielle multivalenten Kennzeichnung eingeführt zu bewerten, wurde MTT-Analyse durchgeführt, um endogenen EGFR getaggt mit 2 verschiedenen Systemen, zur Generierung und Analyse von Trajektorien Karten zu verfolgen. (A)-Rezeptoren wurden mit biotinylierten Fab und Quanten-dots605-Streptavidin markiert, wie im Protokoll beschrieben.In diesem Fall kann die Multi-Quanten-Wertigkeit von Punkten und Streptavidine in Kopplung mehrerer Rezeptoren an einen einzigen Farbstoff führen. (B)-Rezeptoren wurden mit Fab direkt mit einem organischen Farbstoff, ATTO647N gekoppelt ist markiert. In diesem Fall kann man Fab, damit ein Rezeptor, um mehr als einen Farbstoff gekoppelt sein. (C) mittleren quadratischen Verlagerung (MSD)-Kurve für alle Spuren für jede Zelle berechnet wurde, entweder mit Quantenpunkt-Farbstoffe oder Atto (links und rechts Graphs, jeweils) markiert. Diffusionskoeffizienten wurden durch lineare Anpassung in den fünf ersten Punkte der MSD (rote gepunktete Linie) berechnet. Jedes Schema der Kennzeichnung führten zu ähnlichen Werten Diffusion (Zentral Grafik). Qdot: Quanten-dots605 (n = 5 Zellen), Atto: ATTO647N (n = 7 Zellen), ns: nicht signifikant (Student t-Test p-Wert> 0,05).

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In Einzelpartikel-Tracking, neben den Zellen und Mikroskopie Aspekte stellt die Analyse einen wesentlichen Teil der Arbeit. Diese befasst sich mit der Algorithmus verwendet, um die drei wichtigsten Aufgaben: Erkennen, Abschätzen und wieder Gipfeln über jeden Frame. Aber die konsequente Aspekt dieser Arbeit besteht in der Erarbeitung des Algorithmus selbst, die müssen für jede neue dedizierte Untersuchung, im Wesentlichen für den letzten, zusätzliche Schritte (wie Entschlüsselung Arten der Bewegung, Interaktionen oder St...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Keine Interessenskonflikte erklärt.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir bedanken uns bei Mitgliedern unseres Teams, vor allem MC Blache für technische Unterstützung, sowie M-und B-Irla Imhof, für ihre Unterstützung und fruchtbare Diskussionen. Zahlen für Deflation und Entbindung reproduziert mit freundlicher Genehmigung von Nature Methods. Dieses Projekt wird von institutionellen Zuschüssen aus dem CNRS, INSERM und Marseille-Universität, und durch gezielte Zuschüsse aus der Region Provence-Alpes-Côte d'Azur, Institut National du Cancer, Agence Nationale de la Recherche (ANR unterstützt-08-PCVI- 0034-02, ANR 2010 BLAN 1214 01) und der Fondation pour la Recherche Médicale (Equipe labélisée FRM-2009). VR wird durch ein Stipendium der Ligue Nationale Contre le Cancer unterstützt.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Reagens Firma Katalog-Nummer Menge
Cos-7-Zelllinie ATCC CRL-1651 5000 Zellen / Well
HBSS ohne Ca 2 + GIBCO 14175 1 ml
0,05% Trypsin-EDTA GIBCO 25300 1 ml
8-Well Lab-Tek NUNC 155441 1
QDot-605 Streptavidin Invitrogen Q10101MP 20 mM
Biotinylierten Fab (Fab für Synthese, siehe Referenz 21)
Fab aus mAb 108 ATCC HB-9764 200 ug
NHS-Biotin Thermo Scientific 21435 18,5 pg
Komplett Medium
DMEM GIBCO 41965 500 ml
Fötalem Rinderserum SIGMA F7524 50 ml
L-Glutamin GIBCO 25030 5 ml
HEPES GIBCO 15630 5 ml
Natriumpyruvat GIBCO 11360 5 ml
Bilderzeugungsmedium
HBSS mit Ca 2 + GIBCO 14025 25 ml
HEPES GIBCO 15630 250 ul

1 "> Ausrüstung Firma Referenz Inverses Mikroskop Nikon Eclipse-TE2000U Leuchtstofflampe Nikon Intensilight C-HGFIE 1,3 NA 100x Objektiv Nikon Plan Fluor 1,30 1,49 NA 100x Objektiv Nikon APO TIRF 1,49 Kamera Roper Scientific Cascade 512 B Thermostatisiert Box Life Imaging Dienstleistungen The Box

Anhang: Auszug aus einem Skript von MTT ergänzende Analyse

Funktion MTT_example (Dateiname)
%%% Basic-Beispiele, die zeigen, wie man MTT Ausgabeergebnisse erholen
%%% Zu plotten jede trace und um das Histogramm zu bauen
%%% Der Fluoreszenzintensitäten

wenn nargin <1% kein file_name zur Verfügung gestellt?
Dateien = dir ('* stk.');
wenn IsEmpty (Dateien), disp ('keine Daten im aktuellen Verzeichnis'), Rückkehr, Ende
. file_name = Dateien (1) Name;% default: stk erste Datei
disp (['mit' datei 'standardmäßig'])
Ende

file_param = [Dateiname '_tab_param.dat'];% Ausgabe-Datei

%% Laden von Daten
cd ("output23 ')% oder (' output22 '), je nach Ausführung verwendet
% Haftungsausschluss: Version 2.2 erzeugt nur 7 Parameter,
% Ein zusätzlicher Parameter, Lärm, wurde in Version 2.3 hinzugefügt

% Um alle Parameter auf einmal zu lesen, in einer einzigen Tabelle
% = Tab_param fread_all_param (file_param);
% Tab_i = tab_param (2:8: end, :); tab_j = ...

% Um alle Parameter (außer frame_number) in separaten Tabellen lesen
% [Tab_i, tab_j, tab_alpha, tab_radius, tab_offset, tab_blk, tab_noise] = fread_all_data_spt (file_param);

tab_i = fread_data_spt (file_param, 3);% Index ist 3, weil Trace-Nummer und Rahmennummer, nicht informativ, verworfen werden!
tab_j = fread_data_spt (file_param, 4);
tab_alpha = fread_data_spt (file_param, 5);
tab_blk = fread_data_spt (file_param, 8);

%% Schleife über Spuren
N_traces = size (tab_i, 1);
% Tabellen sind N_traces Linien durch Spalten N_frames

für ITRC = 1: N_traces
No_blk_index = tab_blk (ITRC, :)> 0;% nicht blinken Schritte nur
Grundstück (tab_i (ITRC, No_blk_index), tab_j (ITRC, No_blk_index))
& Nbsp; xlabel ('i (Pixel)'), ylabel ('J (Pixel)')
title (['trace #' num2str (ITRC)])
disp ('Bitte treffen Sie eine beliebige Taste für die nächste Spur "), Pause
Ende

%% Fluo Histogramm
N_datapoints = SUMME (tab_blk (:)> 0);% nicht blinken Schritte nur
hist (tab_alpha (tab_blk> 0), 2 * sqrt (N_datapoints))% mit 2sqrt (N) Bins
xlabel ('Intensität (au)'), ylabel ("Ereignis")
title ('Histogramm der Partikel Fluoreszenzintensität')

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Serge, A., Bertaux, N., Rigneault, H., Marguet, D. Dynamic multiple-target tracing to probe spatiotemporal cartography of cell membranes. Nat. Methods. 5, 687-694 (2008).
  2. Schmidt, T., Schutz, G. J., Baumgartner, W., Gruber, H. J., Schindler, H. Imaging of single molecule diffusion. Proc. Natl. Acad. Sci. U S A. 93, 2926-2929 (1996).
  3. Lommerse, P. H. Single-molecule imaging of the H-ras membrane-anchor reveals domains in the cytoplasmic leaflet of the cell membrane. Biophys. J. 86, 609-616 (2004).
  4. Marguet, D., Lenne, P. F., Rigneault, H., He, H. T. Dynamics in the plasma membrane: how to combine fluidity and order. EMBO. J. 25, 3446-3457 (2006).
  5. Saxton, M. J., Jacobson, K. Single-particle tracking: applications to membrane dynamics. Annu. Rev. Biophys. Biomol. Struct. 26, 373-399 (1997).
  6. Dahan, M. Diffusion dynamics of glycine receptors revealed by single-quantum dot tracking. Science. 302, 442-445 (2003).
  7. Harms, G. S. Single-molecule imaging of l-type Ca(2+) channels in live cells. Biophys. J. 81, 2639-2646 (2001).
  8. Iino, R., Koyama, I., Kusumi, A. Single molecule imaging of green fluorescent proteins in living cells: E-cadherin forms oligomers on the free cell surface. Biophys. J. 80, 2667-2677 (2001).
  9. Sako, Y., Minoghchi, S., Yanagida, T. Single-molecule imaging of EGFR signalling on the surface of living cells. Nat. Cell Biol. 2, 168-172 (2000).
  10. Schutz, G. J., Kada, G., Pastushenko, V. P., Schindler, H. Properties of lipid microdomains in a muscle cell membrane visualized by single molecule microscopy. Embo. J. 19, 892-901 (2000).
  11. Seisenberger, G. Real-time single-molecule imaging of the infection pathway of an adeno-associated virus. Science. 294, 1929-1932 (2001).
  12. Jacobson, K., Sheets, E. D., Simson, R. Revisiting the fluid mosaic model of membranes. Science. 268, 1441-1442 (1995).
  13. Saffman, P. G., Delbruck, M. Brownian motion in biological membranes. Proc. Natl. Acad. Sci. U S A. 72, 3111-3113 (1975).
  14. Singer, S. J., Nicolson, G. L. The fluid mosaic model of the structure of cell membranes. Science. 175, 720-731 (1972).
  15. Papoulis, A. Probability, Random Variables and Stochastic Process 277. , McGraw Hill. (2001).
  16. Van Trees, H. L. Detection, Estimation, and Modulation Theory, Wiley Inter-Science. , (1968).
  17. Moerner, W. E. Single-molecule mountains yield nanoscale cell images. Nat. Methods. 3, 781-782 (2006).
  18. Rust, M. J., Bates, M., Zhuang, X. Sub-diffraction-limit imaging by stochastic optical reconstruction microscopy (STORM). Nat. Methods. 3, 793-795 (2006).
  19. Betzig, E. Imaging intracellular fluorescent proteins at nanometer resolution. Science. 313, 1642-1645 (2006).
  20. Manley, S. High-density mapping of single-molecule trajectories with photoactivated localization microscopy. Nat. Methods. 5, 155-157 (2008).
  21. Andrew, S. M. Enzymatic digestion of monoclonal antibodies. Methods Mol. Med. 40, 325-331 (2000).
  22. Hell, S. W., Wichmann, J. Breaking the diffraction resolution limit by stimulated emission: stimulated-emission-depletion fluorescence microscopy. Opt. Lett. 19, 780-782 (1994).
  23. Klar, T. A., Hell, S. W. Subdiffraction resolution in far-field fluorescence microscopy. Opt. Lett. 24, 954-956 (1999).
  24. Meilhac, N., Guyader, L. L. e, Salome, L., Destainville, N. Detection of confinement and jumps in single-molecule membrane trajectories. Phys. Rev. E. Stat. Nonlin. Soft. Matter Phys. 73, 011915(2006).
  25. Saxton, M. J. Single-particle tracking: effects of corrals. Biophys. J. 69, 389-398 (1995).
  26. Serge, A., Fourgeaud, L., Hemar, A., Choquet, D. Receptor activation and homer differentially control the lateral mobility of metabotropic glutamate receptor 5 in the neuronal membrane. J. Neurosci. 22, 3910-3920 (2002).
  27. Simson, R., Sheets, E. D., Jacobson, K. Detection of temporary lateral confinement of membrane proteins using single-particle tracking analysis. Biophys. J. 69, 989-993 (1995).
  28. Jacobson, K., Dietrich, C. Looking at lipid rafts. Trends Cell Biol. 9, 87-91 (1999).
  29. Kusumi, A., Sako, Y., Yamamoto, M. Confined lateral diffusion of membrane receptors as studied by single particle tracking (nanovid microscopy). Effects of calcium-induced differentiation in cultured epithelial cells. Biophys. J. 65, 2021-2040 (1993).
  30. Livneh, E. Large deletions in the cytoplasmic kinase domain of the epidermal growth factor receptor do not affect its laternal mobility. J. Cell Biol. 103, 327-331 (1986).
  31. Medintz, I. L., Uyeda, H. T., Goldman, E. R., Mattoussi, H. Quantum dot bioconjugates for imaging, labelling and. 4, 435-446 (2005).
  32. Wu, X., Bruchez, M. P. Labeling cellular targets with semiconductor quantum dot conjugates. Methods Cell Biol. 75, 171-183 (2004).
  33. Mohammadi, M. Aggregation-induced activation of the epidermal growth factor receptor protein tyrosine kinase. Biochemistry. 32, 8742-8748 (1993).
  34. Howarth, M. Monovalent, reduced-size quantum dots for imaging receptors on living cells. Nat. Methods. 5, 397-399 (2008).
  35. Bertaux, N., Marguet, D., Rigneault, H., Sergé, A. Multiple-target tracing (MTT) algorithm probes molecular dynamics at cell surface. Protocol Exchange. , (1038).
  36. Groc, L. Surface trafficking of neurotransmitter receptor: comparison between single-molecule/quantum dot strategies. The Journal of neuroscience : the official journal of the Society for Neuroscience. 27, 12433-12437 (2007).
  37. Cui, B. One at a time, live tracking of NGF axonal transport using quantum dots. Proceedings of the National Academy of Sciences of the United States of America. 104, 13666-13671 (2007).
  38. He, H. T., Marguet, D. Detecting nanodomains in living cell membrane by fluorescence correlation spectroscopy. Annu. Rev. Phys. Chem. 62, 417-436 (2011).
  39. Cebecauer, M., Spitaler, M., Serge, A., Magee, A. I. Signalling complexes and clusters: functional advantages and methodological hurdles. J. Cell. Sci. 123, 309-320 (2010).
  40. Kao, H. P., Verkman, A. S. Tracking of single fluorescent particles in three dimensions: use of cylindrical optics to encode particle position. Biophys. J. 67, 1291-1300 (1994).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Multiple Target TracingSingle Particle TrackingEpidermal Growth Factor ReceptorQuantum Dot LabelingHigh Density ImagingTrajectory ReconstructionPeak DetectionDeflation AlgorithmTransient Confinement AnalysisMonte Carlo Simulations

Related Articles