Name: AMEBaS: Automatische Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen (Video) | JoVE Journal
Uploaded: 2023-06-23T12:30:00.000+00:00
Duration: 6 min 3 s
Description: Lernen Sie die automatisierte Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen. Diese Methode eliminiert Verzerrungen und ermöglicht Skalierbarkeit.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Die Autoren bedanken sich für die FAPESP-Zuschüsse 2015/22308-2, 2019/23343-7, 2019/26129-6, 2020/06744-5, 2021/05363-0, CNPq, NIH R01 Grant GM131043 und die NSF-Zuschüsse MCB1714993, MCB1930165 für die finanzielle Unterstützung. Die Wurzelhaardaten wurden mit der Infrastruktur und unter der Aufsicht von Prof. Andrea Bassi und Prof. Alex Costa erstellt.

1. Interaktives Notebook-Protokoll
Das Jupyter-Notebook kann direkt im Web verwendet werden, indem Google Colab at https://colab.research.google.com/github/badain/amebas/blob/main/AMEBAS_Colab.ipynb verwendet wird, auf dem die folgenden Anweisungen basieren. Alternativ ist das Jupyter-Notebook unter https://github.com/badain/amebas verfügbar, wo es heruntergeladen und für die lokale Ausführung in Jupyter konfiguriert werden kann (Anaconda kann einen einfachen und plattformübergreifenden Installationsprozess bereitstellen). Vollständige Testdaten sind bei Zenodo (https://doi.org/10.5281/zenodo.7975350) zu finden, die ein- und zweikanalige Daten von Arabidopsis-Pollenröhrchen enthalten, die entweder pH- oder Ca2+ -Reporter exprimieren14. Die Pipeline wurde in Teile unterteilt, in denen jeder Schritt durch Klicken auf den Play-Button ausgeführt werden kann, nachdem die benutzerspezifischen Optionen festgelegt wurden. Die für diese Studie notwendigen Dateien sind im AMEBaS-Haupt-ZIP-Ordner (Supplementary Coding File 1) verfügbar.
<ol><li>Öffnen Sie Jupyter Notebook, und lesen Sie die Zeitrafferdateien.<ol><li>Navigieren Sie zur Startseite des oben genannten interaktiven Notizbuchs in Google Colab, oder laden Sie das Notizbuch AMEBaS_Local.ipynb von GitHub herunter und öffnen Sie es.</li>
		<li>Bereiten Sie die Verzeichniseinrichtung für die Ein- und Ausgabedaten vor:<ol><li>Wenn Sie die lokale Version verwenden, platzieren Sie den Fluoreszenz-Zeitraffer als TIFF-Datei oder DV-Datei in einem Ordner mit dem Namen data , der sich im Stammordner des Programms befinden muss. Es muss ein Ordner mit dem Namen out erstellt werden, um die generierten Daten zu empfangen. Führen Sie dann den Setup-Codeblock aus.</li>
			<li>Wenn Sie das Notizbuch in Google Colab verwenden, führen Sie den Setup-Codeblock aus, um die Daten - und Ausgangsordner automatisch zu generieren.</li>
		</ol></li>
		<li>Führen Sie den Codeblock Dateieingabe aus, um die Zeitrafferdaten zu lesen, indem Sie auf die Wiedergabeschaltfläche klicken. Wenn Sie die Google Colab-Version des Notizbuchs verwenden, klicken Sie auf die Schaltfläche Datei auswählen, um die Zeitrafferdatei direkt in den Datenordner hochzuladen. HINWEIS: Die Anzahl der Kanäle wird automatisch anhand der Größe des Bildes erkannt.</li>
		<li>Wählen Sie aus, ob zusätzliche Ausgaben für jeden Schritt generiert werden sollen, indem Sie den Parameter "verbose" auf "True " oder " False" setzen.</li>
	</ol></li>
	<li>Erkennen Sie die Hauptzelle und das Segment im Hintergrund (Abbildung 2).<ol><li>Führen Sie den Codeblock Einzelzellensegmentierung aus, um die gewünschte Zelle automatisch vom Hintergrund zu trennen, indem Sie auf die Wiedergabeschaltfläche klicken. HINWEIS: Median- und Gauß-Filter werden als Vorverarbeitungsschritt angewendet, um unerwünschtes Rauschen zu entfernen, bevor der Vordergrund vom Hintergrund durch Isodata-Schwellenwerte segmentiert und der Bereich des größten Bereichs isoliert wird, um unerwünschte Artefakte zu entfernen.<ol><li>Passen Sie den Sigma-Wert an, der von der Gauß-Funktion in der Variablen "Sigma" verwendet wird, um die Glätte der Segmentierungsmaske fein abzustimmen. Der Standardwert ist 2,0.</li>
			<li>Legen Sie die Variablenschätzung auf False fest, um den aus Isodata geschätzten Schwellenwert direkt zu speichern, oder auf True , um ihn mithilfe der lokalen Polynomregression (LOESS) über benachbarte Frames hinweg zu glätten. Passen Sie die Funktion an, indem Sie die n_points Variable ändern. Der Standardwert ist 40.</li>
		</ol></li>
	</ol></li>
	<li>Zeichnen Sie die Mittellinie entlang der Zellverlängerung nach (Abbildung 3).<ol><li>Führen Sie den Codeblock Cell Midline Tracing aus, indem Sie auf die Wiedergabeschaltfläche klicken, um die Zelle mithilfe der Lee-Methode18 automatisch zu skelettieren und die Spitze des letzten Skeletts durch lineare Extrapolation zu verlängern.<ol><li>Wählen Sie aus, ob die Mittellinie nur auf dem letzten Frame oder einmal pro Frame nachgezeichnet werden soll, indem Sie das Argument complete_skeletonization anpassen. HINWEIS: Wenn alle Frames skelettiert sind, wird die Extrapolation übersprungen.</li>
			<li>Legen Sie den Anteil der Punkte im Skelett fest, der während der Extrapolation interpoliert werden soll, indem Sie die Variable interpolation_fraction anpassen. Der Standardwert ist 0,25.</li>
			<li>Wählen Sie die Länge der Mittellinienextrapolation aus, indem Sie die Variable extrapolation_length ändern. Der Standardwert ist -1, wodurch das Skelett bis zur nächsten Kante verlängert wird.</li>
		</ol></li>
	</ol></li>
	<li>Generieren Sie Kymographen für jeden Kanal ( Abbildung 4).<ol><li>Führen Sie den ersten Codeblock für die Datenvisualisierung aus, indem Sie auf die Schaltfläche " Wiedergabe" klicken, um automatisch Kymographen für beide Kanäle zu generieren.<ol><li>Wählen Sie die Größe des Gaußschen Kerns, der für die Glättung verwendet wird, indem Sie die Variable kymograph_kernel anpassen. HINWEIS: Sie entspricht der Größe der Nachbarschaft (in Pixeln), über die die Pixelintensitäten gemittelt werden. Der Standardwert ist 3 Pixel x 3 Pixel.</li>
			<li>Nicht verlängerte Skelette erzeugen gekappte Kymographen, die eine benutzerdefinierte Farbkarte verwenden müssen, um ihre Intensitäten korrekt anzuzeigen. Wählen Sie den prozentualen Anteil der Intensitäten, die der Hintergrundfarbe Schwarz zugewiesen werden, und passen Sie die Variable shift_fraction an. Der Standardwert ist 0,7.</li>
		</ol></li>
	</ol></li>
	<li>Berechnen Sie das Verhältnis zwischen den Kanälen (Abbildung 5).<ol><li>Führen Sie den zweiten Codeblock für die Datenvisualisierung aus, indem Sie auf die Wiedergabeschaltfläche klicken, um automatisch einen ratiometrischen Kymographen und einen ratiometrischen Zeitraffer zu generieren (Abbildung 6). HINWEIS: Dieser Schritt ist nur verfügbar, wenn Sie Dual-Channel-Zeitraffer verwenden. Der in Schritt 1.2.1.2 gespeicherte Schwellenwert für die Hintergrundintensität wird von jedem Kanal subtrahiert.<ol><li>Passen Sie die Variable switch_ratio an, um die Reihenfolge der Kanäle zu ändern, die bei der Berechnung des Verhältnisses als Zähler und Nenner verwendet werden. Der Standardwert ist False.</li>
			<li>Wählen Sie aus, ob das Zeitrafferverhältnis mit einem Median-Filterdurchlauf weiter geglättet werden muss, indem Sie die Variable smooth_ratio anpassen. Der Standardwert ist False.</li>
			<li>Wählen Sie aus, ob Ausreißer, die durch das Low-Signal des Nennerkanals erzeugt werden, durch Manipulation der Variablen reject_outliers entfernt werden sollen. Der Standardwert ist True und definiert Ausreißer als Werte, die dem 1,5-fachen des Interquartilsabstands über dem dritten Quartil (wo 75 % der Werte liegen) entsprechen.</li>
			<li>Wählen Sie aus, ob der Hintergrund in der ratiometrischen Ausgabe exportiert werden soll, indem Sie die Variable background_ratio anpassen. Der Standardwert ist False, wodurch er durch Nullen ersetzt wird.</li>
		</ol></li>
	</ol></li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/64857/64857fig02.jpg"> Abbildung 2: Schritt der Einzelzellsegmentierung. Bildverarbeitungstechniken wie Filterung, Schwellwertbildung und Bereichsbeschriftung werden verwendet, um das interessierende Signal zu isolieren (Schritt 1.2). Diese speziellen Daten enthielten die folgenden Werte für die niedrigste Intensität: 2556, den Median: 3441 und die höchste Intensität: 32125. <a href="https://www.jove.com/files/ftp_upload/64857/64857fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/64857/64857fig03.jpg"> Abbildung 3: Übersicht über die Mittellinienverfolgung - Die Mittellinie der einzelnen Zelle wird durch Berechnung ihres Skeletts (weiß) ermittelt. Die Spitze (Magenta) wird linear von den letzten Punkten am Ende des Skeletts extrapoliert (Schritt 1.3). In dieser Komposition werden sowohl die Mittellinie als auch ihre Spitze über die ursprüngliche Zelle gelegt. <a href="https://www.jove.com/files/ftp_upload/64857/64857fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/64857/64857fig04.jpg"> Abbildung 4: Zeitraffer-Kymographen - Vergleich der Kymographen für jeden Kanal, der mit ausgeschaltetem "complete_skeletonization" erzeugt wurde (Schritt 1.4). Die vertikale Achse beschreibt den Verlauf der Zeit, und die horizontale Achse stellt die durchschnittliche Intensität des extrapolierten Mittellinienpfads dar, dem eine einzelne Zelle folgt. Für diese speziellen Daten stellt die Farbkarte die folgenden Werte für Kanal 1 (Niedrigste Intensität): 2886, Median: 3167, Höchste Intensität: 21021 dar. Kanal 2 Niedrigste Intensität: 3030, Median: 3400, Höchste Intensität: 29688. <a href="https://www.jove.com/files/ftp_upload/64857/64857fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/64857/64857fig05.jpg"> Abbildung 5: Glättung des Hintergrundschwellenwerts - Der Schwellenwert für die Hintergrundsegmentierung wird über den Isodata-Algorithmus geschätzt und dann über die lokale polynomiale Regression geglättet (Schritt 1.5). <a href="https://www.jove.com/files/ftp_upload/64857/64857fig05large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/64857/64857fig06.jpg"> Abbildung 6: Ratiometrische Ergebnisse- (A) Vergleich zwischen dem letzten Frame des ratiometrischen Zeitraffers und dem segmentierten ursprünglichen ersten Kanal. (B) Kymograph, der aus dem ratiometrischen Zeitraffer (Schritt 1.5) generiert wurde. <a href="https://www.jove.com/files/ftp_upload/64857/64857fig06large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
2. Protokoll für den Batch-Modus
<ol><li>Laden Sie die Datei pipeline.py aus dem AMEBaS GitHub-Repository herunter und legen Sie sie im selben Verzeichnis wie die Daten ab.</li>
	<li>Geben Sie den Speicherort der Datei in der Befehlszeile nach der Programmdatei ein.</li>
	<li>Fügen Sie - -v als Positionsargument ein, um die internen Schritte der Pipeline anzuzeigen, falls gewünscht.</li>
	<li>Schließen Sie --s ein, um den Sigma-Wert auszuwählen, der im Vorverarbeitungsschritt des Gaußschen Filters in Vorbereitung auf die Zellsegmentierung verwendet wird. Der Standardwert ist 2.</li>
	<li>Fügen Sie - -a ein, um die Mittellinie für jedes Bild des Zeitraffers nachzuzeichnen. Standardmäßig verwendet die Pipeline nur den letzten Frame.</li>
	<li>Fügen Sie - -f ein, um den Bruchteil [0,1] des Skeletts auszuwählen, der in der Interpolation verwendet werden soll. Der Standardwert ist 0,25.</li>
	<li>Fügen Sie -e ein, um die Länge des extrapolierten Skeletts in Pixeln auszuwählen. Der Standardwert ist -1, wodurch das Skelett bis zur nächsten Kante verlängert wird.</li>
	<li>Fügen Sie - -sf ein, um den Anteil des Farbbereichs auszuwählen, der in nicht extrapolierten Kymographen in den Hintergrund verschoben wird. Der Standardwert ist 0,7.</li>
	<li>Fügen Sie - -k ein, um die Größe des Kernels zu bestimmen, der in der Gaußschen Filterung des kymographen verwendet wird. Der Standardwert ist 3.</li>
	<li>Fügen Sie --eb ein, um die globale Intensität des Hintergrundschwellenwerts über die polynomiale LOESS-Regression der framespezifischen Hintergrundschwellenwertintensitäten zu schätzen.<ol><li>Passen Sie die Anzahl der Punkte an, die bei der LOESS-Glättung der Hintergrundschwellenwerte verwendet werden, indem Sie den Parameter - -n ändern. Der Standardwert ist 40.</li>
	</ol></li>
	<li>Wechseln Sie die Kanäle, die als Zähler und Nenner bei der Berechnung des Verhältnisses verwendet werden, einschließlich - r oder - -switch_ratio, wenn der Zeitraffer zwei Kanäle hat. Standardmäßig ist der zweite Kanal der Zähler und der erste der Nenner.</li>
	<li>Wählen Sie aus, ob das Zeitrafferverhältnis mit einem Medianfilter-Durchlauf mit dem Argument - -sm weiter geglättet werden muss. Der Standardwert ist False.</li>
	<li>Schließen Sie -o ein, um Pixel mit abnormaler Intensität während der ratiometrischen Zeitraffererzeugung abzulehnen.</li>
	<li>Wählen Sie mit dem Argument - -b aus, ob der Hintergrund in der ratiometrischen Ausgabe exportiert werden soll. Der Standardwert ist False, wodurch er durch Nullen ersetzt wird.</li>
	<li>Drücken Sie die Eingabetaste, um auszuführen. Die Ausgabe wird im selben Verzeichnis wie die Programmdatei erzeugt.</li>
</ol>

<ol><li>Drubin, D. G., Nelson, W. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Origins+of+cell+polarity%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Origins of cell polarity.</a> Cell. 84 (3), 335-344 (1996).</li>
<li>Wodarz, A., Näthke, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cell+polarity+in+development+and+cancer%5BTitle%5D)+AND+%22Nature+Cell+Biology%22%5BJournal%5D)">Cell polarity in development and cancer.</a> Nature Cell Biology. 9 (9), 1016-1024 (2007).</li>
<li>Palanivelu, R., Preuss, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pollen+tube+targeting+and+axon+guidance%3A+parallels+in+tip+growth+mechanisms%5BTitle%5D)+AND+%22Trends+in+Cell+Biology%22%5BJournal%5D)">Pollen tube targeting and axon guidance: parallels in tip growth mechanisms.</a> Trends in Cell Biology. 10 (12), 517-524 (2000).</li>
<li>Portes, M. T., et al. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPortes%2C+MT+%22The+Pollen+Tube+Oscillator%3A+Integrating+Biophysics+and+Biochemistry+into+Cellular+Growth+and+Morphogenesis.+Rhythms+in+Plants%3A+Dynamic+Responses+in+a+Dynamic+Environment%22">The Pollen Tube Oscillator: Integrating Biophysics and Biochemistry into Cellular Growth and Morphogenesis. Rhythms in Plants: Dynamic Responses in a Dynamic Environment</a>. , Springer. Cham. (2015).</li>
<li>Wudick, M. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CORNICHON+sorting+and+regulation+of+GLR+channels+underlie+pollen+tube+Ca2%2B+homeostasis%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">CORNICHON sorting and regulation of GLR channels underlie pollen tube Ca2+ homeostasis.</a> Science. 360 (6388), 533-536 (2018).</li>
<li>Hoffmann, R. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Plasma+membrane+H%2B-ATPases+sustain+pollen+tube+growth+and+fertilization%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Plasma membrane H+-ATPases sustain pollen tube growth and fertilization.</a> Nature Communications. 11 (1), 1-15 (2020).</li>
<li>Michard, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Glutamate+receptor-like+genes+form+Ca2%2B+channels+in+pollen+tubes+and+are+regulated+by+pistil+D-serine%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Glutamate receptor-like genes form Ca2+ channels in pollen tubes and are regulated by pistil D-serine.</a> Science. 332 (6028), 434-437 (2011).</li>
<li>Damineli, D. S., Portes, M. T., Feijó, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Oscillatory+signatures+underlie+growth+regimes+in+Arabidopsis+pollen+tubes%3A+computational+methods+to+estimate+tip+location%2C+periodicity%2C+and+synchronization+in+growing+cells%5BTitle%5D)+AND+%22Journal+of+Experimental+Botany%22%5BJournal%5D)">Oscillatory signatures underlie growth regimes in Arabidopsis pollen tubes: computational methods to estimate tip location, periodicity, and synchronization in growing cells.</a> Journal of Experimental Botany. 68 (12), 3267-3281 (2017).</li>
<li>Li, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+optimized+genetically+encoded+dual+reporter+for+simultaneous+ratio+imaging+of+Ca2%2B+and+H%2B+reveals+new+insights+into+ion+signaling+in+plants%5BTitle%5D)+AND+%22New+Phytologist%22%5BJournal%5D)">An optimized genetically encoded dual reporter for simultaneous ratio imaging of Ca2+ and H+ reveals new insights into ion signaling in plants.</a> New Phytologist. 230 (6), 2292-2310 (2021).</li>
<li>Sadoine, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Designs%2C+applications%2C+and+limitations+of+genetically+encoded+fluorescent+sensors+to+explore+plant+biology%5BTitle%5D)+AND+%22Plant+Physiology%22%5BJournal%5D)">Designs, applications, and limitations of genetically encoded fluorescent sensors to explore plant biology.</a> Plant Physiology. 187 (2), 485-503 (2021).</li>
<li>Grenzi, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Illuminating+the+hidden+world+of+calcium+ions+in+plants+with+a+universe+of+indicators%5BTitle%5D)+AND+%22Plant+Physiology%22%5BJournal%5D)">Illuminating the hidden world of calcium ions in plants with a universe of indicators.</a> Plant Physiology. 187 (2), 550-571 (2021).</li>
<li>Munglani, G., Vogler, H., Grossniklaus, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+and+flexible+processing+of+large+FRET+image+stacks+using+the+FRET-IBRA+toolkit%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Fast and flexible processing of large FRET image stacks using the FRET-IBRA toolkit.</a> PLoS Computational Biology. 18 (4), 1009242(2022).</li>
<li>Ridler, T., Calvard, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Picture+thresholding+using+an+iterative+selection+method%5BTitle%5D)+AND+%22IEEE+Transactions+on+Systems%2C+Man%2C+and+Cybernetics%22%5BJournal%5D)">Picture thresholding using an iterative selection method.</a> IEEE Transactions on Systems, Man, and Cybernetics. 8 (8), 630-632 (1978).</li>
<li>Portes, M. T., Feijó, J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPortes%2C+MT+%22Growing+Arabidopsis+pollen+tubes+expressing+genetically+encoded+reporters+for+calcium+and+pH%22">Growing Arabidopsis pollen tubes expressing genetically encoded reporters for calcium and pH</a>. , (2023).</li>
<li>Candeo, A., Doccula, F. G., Valentini, G., Bassi, A., Costa, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Light+sheet+fluorescence+microscopy+quantifies+calcium+oscillations+in+root+hairs+of+Arabidopsis+thaliana%5BTitle%5D)+AND+%22Plant+%26+Cell+Physiology%22%5BJournal%5D)">Light sheet fluorescence microscopy quantifies calcium oscillations in root hairs of Arabidopsis thaliana.</a> Plant & Cell Physiology. 58 (7), 1161-1172 (2017).</li>
<li>Romano Armada, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+vivo+light+sheet+fluorescence+microscopy+of+calcium+oscillations+in+Arabidopsis+thaliana%5BTitle%5D)+AND+%22Methods+in+Molecular+Biology%22%5BJournal%5D)">In vivo light sheet fluorescence microscopy of calcium oscillations in Arabidopsis thaliana.</a> Methods in Molecular Biology. 1925, 87-101 (2019).</li>
<li>Krebs, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FRET-based+genetically+encoded+sensors+allow+high-resolution+live+cell+imaging+of+Ca2%2B+dynamics%5BTitle%5D)+AND+%22The+Plant+Journal%22%5BJournal%5D)">FRET-based genetically encoded sensors allow high-resolution live cell imaging of Ca2+ dynamics.</a> The Plant Journal. 69 (1), 181-192 (2012).</li>
<li>Lee, T. -C., Kashyap, R. L., Chu, C. -N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Building+skeleton+models+via+3-D+medial+surface+axis+thinning+algorithms%5BTitle%5D)+AND+%22CVGIP%3A+Graphical+Models+and+Image+Processing%22%5BJournal%5D)">Building skeleton models via 3-D medial surface axis thinning algorithms.</a> CVGIP: Graphical Models and Image Processing. 56 (6), 462-478 (1994).</li>
<li>Nunez-Iglesias, J., Blanch, A. J., Looker, O., Dixon, M. W., Tilley, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+Python+library+to+analyse+skeleton+images+confirms+malaria+parasite+remodelling+of+the+red+blood+cell+membrane+skeleton%5BTitle%5D)+AND+%22PeerJ%22%5BJournal%5D)">A new Python library to analyse skeleton images confirms malaria parasite remodelling of the red blood cell membrane skeleton.</a> PeerJ. 6, 4312(2018).</li>
</ol>

Die Autoren dieses Manuskripts erklären keine konkurrierenden finanziellen Interessen oder andere Interessenkonflikte.

Die hier vorgestellte neuartige Methode ist ein leistungsfähiges Werkzeug, um die Analyse von fluoreszenzmikroskopischen Bildstapeln polarisierter Zellen zu rationalisieren und zu automatisieren. Aktuelle Methoden, die in der Literatur beschrieben werden, wie z. B. ImageJ Kymograph-Plugins, erfordern eine manuelle Verfolgung der Mittellinie der polarisierten Zelle von Interesse, eine Aufgabe, die nicht nur zeitaufwändig, sondern auch anfällig für menschliche Fehler ist. Da die Definition der Mittellinie in dieser Pipelin...

Die Zellpolarität ist ein grundlegender biologischer Prozess, bei dem die konzertierte Wirkung einer Ansammlung von räumlich konzentrierten Molekülen und Strukturen in der Etablierung spezialisierter morphologischer subzellulärer Domänen gipfelt1. Zellteilung, Wachstum und Migration hängen von solchen Polaritätsstellen ab, während ihr Verlust mit Krebs bei epithelialen Gewebeerkrankungen in Verbindung gebracht wurde2.
Apikal wachsende Zellen sind ein dramatisches Beispiel für Polarität, bei der sich die Polaritätsstelle an der Spitze typischerweise auf extrazelluläre Signale umorientiert3. Dazu gehören die Entwicklung von Neuriten, Pilzhyphen, Wurzelhaaren und Pollenschläuchen, bei denen mehrere zelluläre Prozesse ausgeprägte Unterschiede von der Zellspitze zum Schaft hin zeigen. Insbesondere in Pollenschläuchen sind die Aktinpolymerisation, der Vesikeltransport und die Ionenkonzentrationen deutlich polarisiert und zeigen spitzenfokussierte Gradienten4. Pollenschläuche sind die männlichen Gametophyten von Blütenpflanzen und sind dafür verantwortlich, die Samenzellen in die Eizelle zu bringen, indem sie ausschließlich an der Spitze der Zelle mit einer der schnellsten Wachstumsraten wachsen, die für eine einzelne Zelle bekannt sind. Die spitzenfokussierten Gradienten von Ionen wie Calcium 5 (Ca2+) und Protonen 6 (H+) spielen eine wichtige Rolle bei der Aufrechterhaltung des Pollenschlauchwachstums, das für die Erfüllung seiner biologischen Hauptfunktion, die in einer doppelten Befruchtung gipfelt, unerlässlich ist 5,6. Daher sind quantitative Methoden zur Analyse der raumzeitlichen Dynamik entlang der Mittellinie apikal wachsender Zellen unerlässlich, um die zellulären und molekularen Mechanismen zu untersuchen, die dem polarisierten Wachstum zugrunde liegen 7,8,9. Forscher verwenden häufig Kymographen, d. h. eine Matrix, die die Pixelintensitäten der Mittellinie der Zelle (z. B. Spalten) im Laufe der Zeit (z. B. Zeilen) darstellt und es ermöglicht, das Zellwachstum und die Zellwanderung in der Diagonalen zu visualisieren (Abbildung 1). Trotz ihrer Nützlichkeit werden Kymographen häufig durch manuelles Nachzeichnen der Mittellinie extrahiert, was anfällig für Verzerrungen und menschliche Fehler ist und gleichzeitig ziemlich mühsam ist. Dies erfordert ein automatisiertes Verfahren der Mittellinienextraktion, das das erste Merkmal der hier vorgestellten Pipeline mit dem Namen AMEBaS ist: Eineutomatische M-Idline-E-Xtraktion und eine Ba ckground-S-Traktion von ratiometrischen Fluoreszenzzeitraffern polarisierter Einzelzellen.
In Bezug auf experimentelle Verfahren kann die quantitative Abbildung von Ionen/Molekülen/Spezies von Interesse in einzelnen Zellen mit genetisch kodierten Fluoreszenzsondenerreicht werden 10. Unter den ständig wachsenden Möglichkeiten sind ratiometrische Sonden eine der genauesten, da sie unterschiedliche Fluoreszenzwellenlängen emittieren, wenn sie an die interessierenden Moleküle gebunden oder ungebunden sind11. Dies ermöglicht die Korrektur der räumlichen Heterogenität in der intrazellulären Konzentration der Sonde, indem das Verhältnis zweier Kanäle mit ihrem kanalspezifischen Hintergrund subtrahiert wird. Die Schätzung des Hintergrundschwellenwerts für jeden Kanal und jeden Zeitpunkt kann jedoch eine komplexe Aufgabe sein, da er oft räumlich aufgrund von Effekten wie Schattierungen, bei denen die Ecken des Bildes Helligkeitsschwankungen relativ zur Mitte aufweisen, und im Laufe der Zeit aufgrund des Verblassens des Fluorophors (Photobleaching)12 variiert. Obwohl es mehrere mögliche Methoden gibt, schlägt dieses Manuskript vor, die Hintergrundintensität automatisch unter Verwendung der mit dem Isodata-Algorithmus13 erhaltenen Segmentierungsschwelle zu bestimmen, die dann durch polynomiale Regression als Standard über Frames geglättet wird. Räumliche Komponenten, die sich aus der Fluoreszenzheterogenität ergeben, die nicht mit der entfernten Zielzelle inVerbindung steht, wurden bei dieser Methode jedoch ignoriert. Die automatische Schwellenwertbestimmung kann mit verschiedenen Methoden durchgeführt werden, aber der Isodata-Algorithmus lieferte empirisch die besten Ergebnisse. Daher sind die automatische Hintergrundwertsubtraktion und die ratiometrische Berechnung das zweite Hauptmerkmal von AMEBaS (Abbildung 1), das zusammengenommen einen Stapel von Zweikanal-Fluoreszenzmikroskopiebildern als Eingabe empfängt, die Mittellinie der Zelle und den kanalspezifischen Hintergrund schätzt und Kymographen beider Kanäle und ihres Verhältnisses (Hauptausgang #1) nach Hintergrundsubtraktion, Glättung und Ausreißerentfernung ausgibt. zusammen mit einem Stapel ratiometrischer Bilder (Hauptausgabe #2).
AMEBaS wurde mit Fluoreszenzzeitraffern von wachsenden Arabidopsis-Pollenröhrchen getestet, die unter einem Mikroskop aufgenommen wurden, entweder mit ratiometrischen Ca2+ (CaMeleon)8 oder pH (pHluorin)6 Sensoren, die unter dem pollenspezifischen LAT52-Promotor exprimiert wurden. Die Bilder von jedem Kanal wurden alle 4 s aufgenommen, gekoppelt mit einem inversen Mikroskop, einer frontbelichteten Kamera (2560 Pixel × 2160 Pixel, Pixelgröße 6,45 μm), einem Fluoreszenzstrahler und einem Wasserimmersionsobjektiv 63x, 1,2NA. Die für CaMeleon verwendeten Filtereinstellungen waren: Anregung 426-450 nm (CFP) und 505-515 nm (YFP), Emission 458-487 nm (CFP) und 520-550 nm (YFP), während für pHluorin Anregung 318-390 nm (DAPI) und 428-475 nm (FITC), Emission 435-448 nm (DAPI) und 523-536 nm (FITC). Ein vollständiger Datensatz wurde zum Testen bei Zenodo hinzugefügt (DOI: 10.5281/zenodo.7975350)14.
Darüber hinaus wurde die Pipeline mit Wurzelhaardaten getestet, wobei die Bildgebung mit einem Lichtblattmikroskop (SPIM) durchgeführt wurde, wie zuvor beschrieben 15,16, wobei Arabidopsis-Wurzelhaare den genetisch kodierten Ca2+ Reporter NES-YC3.6 unter der Kontrolle des UBQ10-Promotors17 exprimierten. Die selbstgebaute Software LabView, die die Kameraaufnahme, die Probenverschiebung und den Shutter des Lichtblattmikroskops steuerte, ermöglichte die Beobachtung der beiden cpVenus- und CFP-Kanäle, aber auch die Visualisierung ihres Verhältnisses in Echtzeit. Jedes Verhältnisbild des Zeitraffers stellte eine Projektion maximaler Intensität (MIP) zwischen den cpVenus- und CFP-Fluoreszenzkanälen dar, die von 15 Schichten der Probe im Abstand von 3 μm aufgenommen wurden. Das Zeitraffer-cpVenus/CFP-Verhältnis der MIPs wurde gespeichert und direkt für die AMEBaS-Analyse verwendet.
Obwohl diese Pipeline mit mehreren Arten von wachsenden und migrierenden Zellen arbeiten kann, wurde sie speziell entwickelt, um wachsende Zellen zu analysieren, die ausschließlich an der Spitze wachsen, wie z. B. Pollenschläuche, Wurzelhaare und Pilzhyphen, bei denen es eine Entsprechung der nicht wachsenden zytoplasmatischen Regionen zwischen den Frames gibt. Wenn eine solche Entsprechung nicht vorhanden ist, sollte der Benutzer die Option complete_skeletonization in Schritt 1.3.1.1 auswählen (weitere Informationen finden Sie im Abschnitt Diskussion).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/64857/64857fig01.jpg"> Abbildung 1: Ein Überblick über den Pipeline-Workflow. Die AMEBaS-Pipeline analysiert und verarbeitet mikroskopische Zeitraffer in drei Hauptschritten: Einzelzellsegmentierung, Midline-Tracing und Kymograph-Generierung. <a href="https://www.jove.com/files/ftp_upload/64857/64857fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

<table><tbody><tr><td>Github</td><td>Github</td><td></td><td>https://github.com/badain/amebas</td></tr><tr><td>Google Colab</td><td>Google</td><td></td><td>https://colab.research.google.com/github/badain/amebas/blob/main/AMEBAS_Colab.ipynb</td></tr></tbody></table>

amebas: automatische mittellinienextraktion und hintergrundsubtraktion von ratiometrischen fluoreszenz-zeitraffern polarisierter einzelzellen

AMEBaS: Automatic Midline Extraction and Background Subtraction of Ratiometric Fluorescence Time-Lapses of Polarized Single Cells

Zellpolarität ist ein makroskopisches Phänomen, das durch eine Ansammlung von räumlich konzentrierten Molekülen und Strukturen entsteht, die in der Entstehung spezialisierter Domänen auf subzellulärer Ebene gipfeln. Es ist mit der Entwicklung asymmetrischer morphologischer Strukturen verbunden, die wichtigen biologischen Funktionen wie Zellteilung, Wachstum und Migration zugrunde liegen. Darüber hinaus wurde die Störung der Zellpolarität mit gewebebezogenen Erkrankungen wie Krebs und Magendysplasie in Verbindung gebracht.
Derzeitige Methoden zur Bewertung der raumzeitlichen Dynamik von fluoreszierenden Reportern in einzelnen polarisierten Zellen beinhalten oft manuelle Schritte, um eine Mittellinie entlang der Hauptachse der Zellen zu verfolgen, was zeitaufwändig und anfällig für starke Verzerrungen ist. Obwohl die ratiometrische Analyse die ungleichmäßige Verteilung von Reportermolekülen mit Hilfe von zwei Fluoreszenzkanälen korrigieren kann, sind die Techniken der Hintergrundsubtraktion häufig willkürlich und nicht statistisch abgesichert.
Dieses Manuskript stellt eine neuartige Rechenpipeline vor, um das raumzeitliche Verhalten einzelner Zellen unter Verwendung eines Modells der Zellpolarität zu automatisieren und zu quantifizieren: Wachstum der Pollenröhren/Wurzelhaare und zytosolische Ionendynamik. Es wurde ein dreistufiger Algorithmus entwickelt, um ratiometrische Bilder zu verarbeiten und eine quantitative Darstellung der intrazellulären Dynamik und des Wachstums zu extrahieren. Der erste Schritt segmentiert die Zelle vom Hintergrund und erzeugt eine binäre Maske durch eine Schwellwerttechnik im Pixelintensitätsraum. Im zweiten Schritt wird ein Weg durch die Mittellinie der Zelle durch eine Skelettierungsoperation nachgezeichnet. Der dritte Schritt schließlich liefert die verarbeiteten Daten als ratiometrischen Zeitraffer und ergibt einen ratiometrischen Kymographen (d.h. ein räumliches 1D-Profil über die Zeit). Daten aus ratiometrischen Bildern, die mit genetisch kodierten fluoreszierenden Reportern aus wachsenden Pollenschläuchen aufgenommen wurden, wurden verwendet, um die Methode zu vergleichen. Diese Pipeline ermöglicht eine schnellere, weniger verzerrte und genauere Darstellung der raumzeitlichen Dynamik entlang der Mittellinie polarisierter Zellen und erweitert so das quantitative Instrumentarium, das zur Untersuchung der Zellpolarität zur Verfügung steht. Der AMEBaS-Python-Quellcode ist verfügbar unter: https://github.com/badain/amebas.git

Die AMEBaS-Pipeline automatisiert die Extraktion der Mittelliniendynamik polarisierter Einzelzellen aus fluoreszenzmikroskopischen Bildstapeln, wodurch sie weniger zeitaufwändig und weniger anfällig für menschliche Fehler ist. Die Methode quantifiziert diese Zeitspanner durch die Erzeugung von Kymographen und ratiometrischen Bildstapeln (Abbildung 1) in wachsenden Einzelzellen. Es kann so eingestellt werden, dass es an der Migration einzelner Zellen arbeitet, aber weitere Experimente sind no...

Derzeitige Methoden zur Analyse der intrazellulären Dynamik polarisierter Einzelzellen sind oft manuell und nicht standardisiert. Dieses Manuskript stellt eine neuartige Bildanalyse-Pipeline zur Automatisierung der Mittellinienextraktion einzelner polarisierter Zellen und zur Quantifizierung des raumzeitlichen Verhaltens aus Zeitraffern in einer benutzerfreundlichen Online-Oberfläche vor.

AMEBaS: Automatische Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen

Cell polarity is a macroscopic phenomenon established by a collection of spatially concentrated molecules and structures that culminate in the emergence ...

Diese Methode quantifiziert die raumzeitliche Dynamik polarisierter Zellen entlang ihrer Mittellinie, die fluoreszierenden Reporter oder Farbstoff für bestimmte Einheiten von Interesse wie Aktin-, Ionen- oder Vesikeldynamik exprimieren. Die Version der Automatisierung eliminiert Verzerrungen und ermöglicht Skalierbarkeit, insbesondere für Aufgaben, die digital manuell erledigt werden und zeitaufwändig und subjektiv werden können. Öffnen Sie zunächst Jupyter Notebook, und lesen Sie die Zeitrafferdateien, indem Sie entweder auf die Startseite des interaktiven Notebooks von Google CoLab zugreifen oder die AMEBaS_local IP-YNB von GitHub herunterladen und öffnen.Um die Verzeichniseinrichtung für die Ein- und Ausgabedaten mit der lokalen Version vorzubereiten, legen Sie den Fluoreszenzzeitraffer als TIF- oder DV-Datei in einem Ordner mit dem Namen data ab, der sich im Stammordner des Programms befindet. Erstellen Sie einen Ausgangsordner, um die generierten Daten zu empfangen, und führen Sie dann den Setup-Codeblock aus. Wenn Sie das Notizbuch in Google CoLab verwenden, führen Sie den Setup-Codeblock aus, um automatisch Daten und Ausgangsordner zu generieren, und führen Sie dann den Dateieingabecodeblock aus, um die Zeitrafferdaten zu lesen, indem Sie auf die Wiedergabeschaltfläche klicken.Wenn Sie Google CoLab verwenden, laden Sie die Zeitrafferdatei in den Datenordner hoch, indem Sie auf die Schaltfläche "Datei auswählen" klicken. Wählen Sie als Nächstes aus, ob Sie für jeden Schritt zusätzliche Ausgaben generieren möchten, indem Sie den ausführlichen Parameter auf true oder false setzen. Um die Hauptzelle und das Segment im Hintergrund zu erkennen, führen Sie den Codeblock für die Einzelzellensegmentierung aus, indem Sie auf die Wiedergabeschaltfläche klicken, um die gewünschte Zelle automatisch vom Hintergrund zu trennen.Passen Sie den Sigma-Wert in der Sigma-Variablen an, um die Glätte der Segmentierungsmaske zu optimieren. Der Standardwert ist 2,0. Legen Sie nun die Variablenschätzung auf false fest, um den direkt aus den ISO-Daten geschätzten Schwellenwert zu speichern, oder auf true, um ihn mithilfe der lokalen polynomialen Regression über benachbarte Frames hinweg zu glätten.Passen Sie die Variable n_points an, um die Funktion mit dem Standardwert 40 zu optimieren. Um die Mittellinie entlang der Zellverlängerung zu verfolgen, führen Sie den Codeblock für die Zellenmittellinienverfolgung aus, indem Sie auf die Schaltfläche "Wiedergabe" klicken, um die Zelle mit der Lee-Methode zu skelettieren und die Spitze des letzten Skeletts durch lineare Extrapolation zu verlängern. Wählen Sie als Nächstes die Nachzeichnungsoption für die Mittellinie aus, indem Sie das Argument complete_skeletonization so anpassen, dass entweder auf dem letzten Frame oder einmal pro Frame nachgezeichnet wird.Passen Sie die Variable interpolation_fraction an, um den Anteil der Punkte im Skelett für die Interpolation während der Extrapolation festzulegen. Der Standardwert ist hier 0,25. Ändern Sie als Nächstes die Variable extrapolation_length, um die Länge der Mittellinienextrapolation zu bestimmen.Der Standardwert ist minus eins, wodurch das Skelett bis zur nächsten Kante verlängert wird. Führen Sie nun den ersten Codeblock für die Datenvisualisierung aus, indem Sie auf die Schaltfläche "Wiedergabe" klicken, um automatisch Kymographen für beide Kanäle zu generieren. Wählen Sie die Gaußsche Kerngröße für die Glättung aus, indem Sie die Variable kymograph_kernel anpassen.Um die Intensitäten von nicht verlängerten Skeletten richtig darzustellen, wird eine benutzerdefinierte Farbkarte für ihre gekappten Kymographen benötigt. Passen Sie die Variable shift_fraction an, um den prozentualen Anteil der Intensitäten auszuwählen, die als Hintergrundfarbe Schwarz festgelegt werden. Führen Sie dann den zweiten Codeblock für die Datenvisualisierung aus, indem Sie auf die Schaltfläche "Wiedergabe" klicken, um automatisch einen Metrik-Kymographen und einen Zeitraffer zu generieren.Passen Sie die Variable switch_ratio an, um die Reihenfolge der Kanäle zu ändern, die bei Verhältnisberechnungen als Zähler und Nenner verwendet werden, wobei der Standardwert false ist. Überprüfen Sie, ob der Zeitraffer des Verhältnisses eine zusätzliche Glättung mit einem mittleren Filterdurchgang erfordert, indem Sie die smooth_ratio Variable anpassen. Standardmäßig ist dies auf false festgelegt.Wählen Sie als Nächstes, ob Sie Ausreißer, die sich aus einem niedrigen Signal im Nennerkanal ergeben, entfernen oder beibehalten möchten, indem Sie die Variable reject_outliers anpassen. Ausreißer werden als Werte markiert, die das 1,5-fache des Interquartilsabstands über dem dritten Quartil betragen. Wählen Sie abschließend aus, ob die Ausgabe der Hintergrund- und Verhältnismetrik exportiert werden soll, indem Sie die Variable background_ratio anpassen.Der Standardwert ist false, um den Hintergrund durch Nullen zu ersetzen. AMEBaS, die an Datensätzen wie Pollenschläuchen, die den Kalziumreporterkameleon exprimieren, Pollenschläuchen, die den pH-Indikator Florin exprimieren, Wurzelhaaren, die den Kalziumreporter NESYC 3.6 exprimieren, getestet wurden, funktionierten trotz Unterschieden in der Wachstumsrichtung, den bildgebenden Verfahren, den Fluoreszenzreportern und den Zelltypen erfolgreich. Denken Sie daran, den Satz von block auszuführen, damit Sie die erforderlichen Pakete installieren können.Darüber hinaus ist es wichtig, die Sigma-Werte speziell für Ihre Bilder anzupassen, damit Sie genauere Ergebnisse erhalten. Die resultierenden Kymographen können dann verwendet werden, um die raumzeitliche Dynamik des Lösungsinteresses zu analysieren. Darüber hinaus können Sie die Findungsmethode, das Wachstum und die Zeitreihen berechnen, um die richtige Lösung zu analysieren.

amebas-automatic-midline-extraction-background-subtraction

Research

Forschung

JoVE Journal

Developmental Biology

Entwicklungsbiologie

Mitochondrien-Fusion wurde durch das Verfolgen der Äquilibrierung von photokonvertiertem Matrix-bezogenen GFP über die mitochondriale Netzes über die Zeit gemessen. Bisher konnte nur eine Zelle zu einer Stunde lange kinetische Analyse bei einer Zeit unterworfen werden. Wir präsentieren eine Methode, die misst gleichzeitig mehrere Zellen und beschleunigt so den Prozess der Datensammlung.

Der schnellere, Hohe Auflösung, MTPA-GFP-basierte Mitochondriale Fusion Assay Acquiring Kinetische Daten mehrerer Zellen parallel mit Hilfe der konfokalen Mikroskopie

Wir beschreiben eine super-resolution imaging Methode, um die strukturelle Organisation des bakteriellen FtsZ-Ring, ein wesentlicher Vorrichtung zur Zellteilung zu untersuchen. Diese Methode basiert auf quantitativen Analysen von photoaktivierten Lokalisierungs-Mikroskopie (PALM) Bilder und kann auf andere bakterielle Proteine ​​des Zytoskeletts angewendet werden.

Super-Resolution Imaging der Bakterien Abteilung Machinery

Die räumliche Verteilung und zeitliche Dynamik von Plasmamembranproteinen und Lipiden ist ein heißes Thema in der Biologie. Hier wird dieses Problem durch eine räumlich-zeitliche Bildfluktuationsanalyse gelöst, die konzeptionell die gleichen physikalischen Größen der Einzelpartikelverfolgung liefert, jedoch kleine molekulare Markierungen und Standardmikroskopie-Setups verwendet.

Von Fast Fluoreszenz-Imaging, um molekulare Diffusion Gesetz über Live Cell Membrane in einem kommerziellen Mikroskop

Studien von Biomolekülen in vivo sind entscheidend für das Verständnis der molekularen Funktion in einem biologischen Kontext. Hier beschreiben wir eine neuartige Methode, die es ermöglicht, fluoreszierende Biomoleküle, wie DNA oder Proteine, in lebende Mikroorganismen zu internalisieren. Die Analyse von in vivo-Daten, die durch Fluoreszenzmikroskopie aufgenommen wurden, wird ebenfalls vorgestellt und diskutiert.

Internalisierung und Beobachtung von Fluoreszenz Biomoleküle in lebenden Mikroorganismen durch Elektroporation

Protokolle für die Kultur humaner Nabelvenen-Endothelzellen (HUVEC), die transiente Transfektion von fluoreszenzmarkierten Markern des Mikrotubuli-Wachstums, die Bildgebung lebender Zellen und die automatisierte Analyse der Wachstumsdynamik von Mikrotubuli zwischen den Phasen werden detailliert beschrieben.

Hochauflösende Zeitraffer-Imaging und automatische Analyse von Dynamik der Mikrotubuli in lebenden menschlichen Endothelzellen aus der Nabelvene

Eine genaue Quantifizierung vesikulärer Transportereignisse liefert oft wichtige Einblicke in die Rolle bestimmter Proteine und die Auswirkungen von Mutationen. In diesem Artikel werden Methoden zur Verwendung von superekliptikem pHluorin, einer pH-sensitiven GFP-Variante, als Werkzeug zur Quantifizierung endozytärer Ereignisse in lebenden Zellen mittels quantitativer Fluoreszenzmikroskopie und Durchflusszytometrie vorgestellt.

Anwendungen von pHluorin für Quantitative, Kinetic und Hochdurchsatz-Analyse von Endozytose in Bäckerhefe

Wir beschreiben, wie Mikro- und Fotomanipulation Techniken wie FRAP und photoaktivierungen ermöglichen die Bestimmung der Motilität Parameter und die räumlich-zeitliche Dynamik der Proteine innerhalb Migration Zellen. Experimentellen Messwerte sind subzelluläre Dynamik und Umsatz der Motilität Regulierungsbehörden oder des zugrunde liegenden Aktin-Zytoskeletts.

Mikromanipulation Techniken Analyse der morphogenetischen Dynamik und Umsatz des Zytoskeletts Regulatoren

Dieses Protokoll beschreibt einen Fluoreszenz Fluktuation Spektroskopie basierende Ansatz zur Untersuchung von Interaktionen zwischen den Proteinen, die Vermittlung von Zell-Zell-Interaktionen, d.h. Proteine in der Zelle Verzweigungen direkt in lebenden Zellen lokalisiert. Wir bieten detaillierte Richtlinien auf Kalibrierung, Datenerfassung und -Analyse, einschließlich Korrekturen möglich Artefakt Quellen.

Eine Fluoreszenz Fluktuation Spektroskopie Assay von Protein-Protein-Wechselwirkungen an den Zell-Zell-Kontakten

Die 3D-Einzelmolekül-Lokalisationsmikroskopie wird verwendet, um die räumlichen Positionen und Bewegungsbahnen fluoreszierend markierter Proteine in lebenden Bakterienzellen zu untersuchen. Das hier beschriebene experimentelle und Datenanalyseprotokoll bestimmt das vorherrschende diffusive Verhalten von zytosolischen Proteinen auf der Grundlage gepoolter Einzelmolekülbahnen.

Single-Molecule Tracking-Mikroskopie - Ein Werkzeug zur Bestimmung der diffusiven Zustände von zytosolischen Molekülen

Diese Studie skizziert quantitative Messungen der synaptischen Größe und Lokalisation, Muskelmorphologie und mitochondrialen Form in C. elegans mit frei verfügbaren Bildverarbeitungswerkzeugen. Dieser Ansatz ermöglicht es zukünftigen Studien in C. elegans, das Ausmaß der strukturellen Veränderungen von Gewebe und Organellen infolge genetischer Mutationen quantitativ zu vergleichen.

Quantitative Ansätze zur Untersuchung zellulärer Strukturen und Organelle Morphologie in Caenorhabditis elegans

Dieser Artikel stellt eine Methode zur raumzeitlichen Analyse von mobilen, einzelmolekularen Förster-Resonanz-Energietransfer-basierten (smFRET)-basierten Sonden mittels Weitfeldfluoreszenzmikroskopie vor. Das neu entwickelte Software-Toolkit ermöglicht die Bestimmung von smFRET-Zeitspuren bewegter Sonden, einschließlich der korrekten FRET-Effizienz und der molekularen Positionen, als Funktionen der Zeit.

Automatisierte zweidimensionale raumzeitliche Analyse mobiler Einzelmolekül-FRET-Sonden

Lernen Sie die automatisierte Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen. Diese Methode eliminiert Verzerrungen und ermöglicht Skalierbarkeit.

AMEBaS: Automatische Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen (Video) | JoVE Journal

AMEBaS: Automatische Mittellinienextraktion und Hintergrundsubtraktion von ratiometrischen Fluoreszenz-Zeitraffern polarisierter Einzelzellen

Weitere Videos entdecken