Summary
ここでは、血液脳関門転移性腫瘍微小環境を調製し培養し、共焦点イメージングと人工知能(機械学習)を用いてその状態を定量化するためのプロトコルを提示する。
Abstract
脳転移は最も致死的な癌病変である。すべての癌の10〜30%が脳に転移し、癌の種類に応じて生存期間の中央値は〜5〜20ヶ月である。脳転移性腫瘍の負担を軽減するためには、基礎的および翻訳的な知識のギャップに対処する必要があります。主な課題には、再現可能な前臨床モデルおよび関連ツールの貧弱性が含まれます。脳転移の三次元モデルは、専用の分析ツールと組み合わせると、これらのニーズに対処するために使用される関連する分子および表現型データを生成することができます。さらに、マウスモデルと比較して、血液脳関門を脳微小環境に通過する患者腫瘍細胞の臓器オンチップモデルは、結果を迅速に生成し、定量的方法でより解釈可能であり、したがって、高スループット検査に適しています。ここでは、新しい3Dマイクロ流体血液脳ニッチ(μmBBN)プラットフォームの使用を説明し、ニッチの複数の要素を長期間(数日間)培養し、共焦点顕微鏡で蛍光的に画像化し、革新的な共焦点断層撮影技術を使用して再構築された画像を説明し、実証します。全ては、マイクロ転移の発症と、繰り返し可能かつ定量的な方法での腫瘍微小環境(TME)の変化を理解することを目的としている。このプラットフォームを用いて、がん細胞やTME細胞および体液性成分を作製、種、画像化、分析する方法を実演します。さらに、モデルμmBBNを介して通過できるがん細胞の本質的な異型性差を特定し、脳転移電位の客観的指標を割り当てる、人工知能(AI)がどのように使用されているかを示す。この方法で生成されるデータセットは、転移、治療戦略の有効性、およびTMEの役割に関する基本的な質問と翻訳的な質問に答えるために使用することができます。
Introduction
脳転移は最も致死的な癌病変である。全ての癌の10~30%が脳に転移し、癌タイプ1、22に応じて、生存期間の中央値は約5~201ヶ月である。癌転移を研究する際に生じる主な問題は、サブクローンが血流の液性環境から脳33、44などの器官に移行する方法である。この質問は、移行、侵略、および外挿アッセイの多くのバリエーションにつながっています。これらの方法はすべて、刺激に応答してある場所から別の場所に移動する細胞の特性をカウントまたは測定する重要なステップを共有します。容易に利用できるほとんどの移動のアッセイは癌細胞の二次元(2D)のマイグレーションを研究するために使用される。これらは豊富な知識を解明しました。しかし、他の方法が5を提供できるin vivoシステムの立体的性質を再現しません。したがって、3次元(3D)系で腫瘍微小環境(TME)を研究する必要がありますが、3D構造に対して利用可能な解析アプローチは限られており、しばしば矛盾しています。
最も人気のある3Dツールの1つは、2つの異なる領域を分離し、井戸の底に吊り下げられた膜で構成されるボイデン室です。ボイデンは白血球の化学軸4を研究するアッセイを導入した。底部領域は、化学または他の手段66、77によって変化させ、上領域の細胞を下領域に移行するように誘導することができる。移行した細胞の数を定量化する最も一般的なアプローチは、バッファー溶液を用いて膜底から細胞を放出し、それらを溶解し、そして溶液7中のDNA含有量の量に基づいてそれらを数える。この間接的なアプローチは、技術の変動のためにオペレータエラーを起こしやすいため、処置は癌表現型および微小環境に関する情報を破壊する。ボイデンチャンバーアッセイのバリエーションは、膜上に残っている回遊細胞の固定を伴うが、継続的な研究66、8、98,9のためにもはや生存できない細胞の数を提供する。
ボイデン室の限界とマイクロ流体コミュニティにおける技術革新の成長により、移行アッセイチップは、3つの10、11、12ではなく一11,12方向の刺激に応答して細胞の動きを観察する開発が行われている。これらの移行アッセイは、結果のより良い解釈を可能にするフローまたは単一細胞分離13、14,14などの要因の制御を容易にする。ただし、2D 形式では動的な情報が失われるのは避けがちです。最近の研究では、3D環境14,15,15における血管外開法(すなわち、血液脳関門などの組織への循環からの細胞の移動)に焦点を当てている。細胞バリア/膜で起こる組織およびプローブ挙動への飛離距離は、ボイデンチャンバーまたは2Dマイクロ流体移動装置16のいずれかを使用して収集された測定値よりも洗練されている。したがって、3D外挿の適切なイメージングと解析を可能にするデバイスは、これらの高度な測定値をキャプチャするために重要ですが、文献には欠けています。
移動アッセイとは無関係に、3D空間17,18,18において組織を同定し、正確に再構成することができる磁気共鳴画像法(MRI)および断層撮影用の堅牢なイメージング技術が開発されている。これらの技術は、組織の特性に基づいて画像のzスタックおよびセグメント部分の画像を取得し、セグメント化された画像を3次元メッシュ19、20、2120,21に変換する。19これにより、医師は、3D個々の臓器、骨、および血管を視覚化して、癌または心臓病22、23,23の診断を外科的計画または援助する。ここでは、これらのアプローチが顕微鏡標本や3D外挿装置での使用に適応できることを示す。
この結果、我々は、既存の断層撮影ツールを適応させることによって膜全体の腫瘍細胞の飛散を研究する柔軟性を与える、本明細書で提示される革新的な共焦点断層撮影技術を開発した。このアプローチにより、内皮細胞層などの細胞バリアと相互作用するがん細胞行動の全範囲の研究が可能になります。がん細胞は、プローブ行動を示します;侵入するが膜の近くに残る人もいれば、バリアを容易に横断する人もいる。この技術は、全次元24における細胞の表現型に関する情報を得ることができる。この手法を使用して TME を研究することは、比較的安価で、解釈しやすく、再現性が高く、インビボマウスモデルの複雑性と比較すると、比較的複雑です。提示された方法論は、多くの種類の腫瘍および微小環境の研究のための強力な基礎を提供すべきである。
我々は、バリアおよびニッチ(脳内脳内皮細胞および星状細胞)の重要な要素を長期間培養できる3D微小流体血液脳ニッチ(μmBBN)プラットフォーム(図1)の使用を記述し、実証する。全ては、繰り返し可能かつ定量的な方法で、マイクロ転移の発症と腫瘍微小環境への変化を理解することを目的としている。脳ニッチとの血液脳関門界は、地下膜によって強化された脳内皮細胞、星血球足、および近球25から構成される。血液脳関門の形成と調節においてその重要性を考えると、アストロサイトおよび内皮成分に選択的に焦点を当てた。このプラットフォームを用いて、がん細胞や腫瘍微小環境細胞および体液性成分の製造、種子、画像、分析の方法を実演します。最後に、機械学習を用いて、モデルμmBBNを介して通過できる癌細胞の本質的な形素の違いを特定し、脳転移電位24の客観的指標を割り当てる方法を示す。この方法で生成されたデータセットは、転移、治療戦略、およびTMEの役割に関する基本的および翻訳的な質問に答えるために使用することができます。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 血液脳関門ニッチ型を準備する
注:このプラットフォームで使用される培養装置は、我々は上に細胞血液脳関門ニッチを構築するPDMSベースの足場です。それは多孔質膜によって分離される2つの部分から成っている。血液脳関門ニッチを準備するためにフォトリソグラフィを使用して作られた2つのSU-8型が必要である26、27。26,プロトコルは、最初に100 μmの厚い金型について説明し、その後、200 μmの厚い金型に対してノートが与えられます。
- 金型を準備するには、スクイーズボトルでアセトンを使用して4インチシリコンウエハーを洗浄し、窒素銃で乾燥させます。
- シリコンウェーハをホットプレートで200°Cで10分間焼き、残留溶媒をすべて除去します。
- 次に、シリコンウェーハをスピンコーターのチャックの上に中央に配置し、上部モールド用のSU8-2075の1 mLを分配します。500 rpm(加速度300 rpm/s)で5 sスピンしてフォトレジストを分散させ、次いで2200rpmで30秒(加速300 rpm/s)で100μm厚のSU-8コーティングを得る。指定された厚さを達成するために最適化が必要な場合があります。
- ホットプレートのウエハーを65°Cで2分間柔らかく焼き、すぐに98°Cで20分間焼きます。
- ウエハーをフォトリソグラフィーランプに設置し、標準手順に従って、マスクをウエハの中心に置きます。UVB(360 nm ± 10 nm)の230 mJ/cm2 の輝度とSU-8被覆のウエハースを露出させます。最適な投与量を決定するために、露光マトリックス実験を行うことができる。マスクデザインは 補足ファイル 1 で入手できます。
- 65°Cで2分間、98°Cで10分間すぐに露光後焼成を行い、接着性を向上させます。ウエハーを50°Cに冷却します。
- SU-8フォト開発者を使用して、露出していないレジストを取り外します。ウエハーを浴室で5分間リンスし、化学フードでSU-8開発者で満たされたスプレーボトルを使用して、残りの未硬化のSU-8を攪拌して取り除きます。4倍顕微鏡を用いれば、未硬化のSU-8が取り除かれたかどうかを観察することができます。フォトレジストのエッジの白い線は SU-8 が完全に除去されないことを示します。
- 110°Cのオーブンで60分間、最後のハードベークを行います。
- SU-8 2075を使用した200 μmの厚さの金型でも同じ手順に従いますが、プロトコルを次のように調整します。
- スピンコーターの設定:500 rpm(加速度300 rpm/s)で5 sスピンしてフォトレジストを分散させ、30秒を1300 RPM(加速度300 rpm/s)で分散させ、200 μmの厚いコーティングを得ます。
- 65°Cで2分間柔らかく焼き、98°Cで40分間焼きます。
- 340 mJ/cm2の露出時間。
- ポスト露光ベーク:65°Cで2分、15分間98°C。
- 最後に、シラナイジング溶液(トリクロロパーフルオロオチルシラン)の3滴(約150μL)が入ったプラスチック容器を用いて、化学フードの内部の真空チャンバーに入れることで、各ウエハをシラナイズする。真空を引っ張り、蒸気がウエハーをコーティングできるように一晩放置します。このステップはSU-8とPDMS間の接着を減らし、型の寿命を増加させる。
注意:トリクロロパーフルオロクチルシランは、常にヒュームフードで処理し、水源から遠ざける必要があります。 - 両面テープの2つのストリップを使用して、個々のウエハー金型を150mmのペトリ皿に入れます。ウェハーが平らであることを確認します。別の方法は、ウエハを配置することができるアルミニウムモールドを製造することです。アルミニウムモールドが封じ込められているので均一な厚さの鋳造物を生成し、ペトリ皿法は表面の傾きに敏感であるのに対し、それは上に置かれる。PDMSキャストの平面性の向上により、下流の共焦点イメージング時間が短縮されます。
2. PDMS血液脳関門(BBB)装置を形成し、組み立てる
- プラスチックカップで重量で1:10(架橋器:ベース)の比率でPDMSの75gを混ぜます。
- PDMSを金型(厚さ200μmの場合は厚さ1mm、厚さ100μmの金型に4mm)を注ぎ、真空デシケータで1時間またはすべての気泡が取り除かれるまで脱気します。65°Cのオーブンに一晩置きます。1mm厚さは、共焦点顕微鏡における10x目的の作動距離に基づいて調整することができる。
- PDMSが硬化した後、刃を使用して、エッジの周りのPDMSを通してウエハに対して穏やかに切断します。PDMSを剥がし、ブレードを使用して長方形のガイドに沿って切断し、1.5 mmのバイオプシーパンチを使用してデバイスの入口とコンセントを開きます。PDMSデバイスの部品を48mm幅のパッキングテープで覆い、ほこりやごみからきれいに保ちます。
- 次に、解剖はさみを使用して5μmの孔でポリカーボネート膜の5ミリメートルx 50mmの長方形をカットし、後で使用するためにペトリ皿の中に保管してください。
- 200 μL ピペットチップ、2 mL の 1:10 PDMS の 1:10 PDMS をガラスバイアルで重量 2:3 の割合で混合し、パスツールピペットにスクイーズバルブ、準備した PDMS 上部および下部部分、膜、3 つの 50 mm x 75 mm ガラス スライドをスピン コートに転送します。デバイスの組み立ておよびセルシードの次の手順を 図 1に示します。
- パスツールピペットを使用して、スピンコート機のチャック上の50 mm x 75 mmガラススライドにPDMS:トルエン接着剤溶液を1 mL転送します。100 rpm(加速300 rpm/s)で5秒間、2000rpmで30秒間(加速300 rpm/s)回転します。
- テーブルの上にスライドを置き、1つのPDMS上部チャンバーと1つの下の部屋でそれをカバーし、それに成形された特徴を持つPDMSの顔がスライドに接触し、接着剤がPDMS面に転送され、すべての特徴の周囲を概説します。
- PDMS上部チャンバーを接着剤コーティングを上に向けて別のスライドに反転させ、入口と出口の間のデバイス全体に膜を慎重に配置します。200 μL のチップを PDMS:トルエン接着剤溶液に入れ、チップに悪を起たくなるまで置きます。各入口と出口の間の先端をタッチして、PDMSに接触する膜の端の近くに小さな落下を配置します。
- デバイスの残りの半分を取り外し、2つの部分の入り口とコンセントを揃えながら、接着剤コーティングを下にして上に置きます。
- 組み立てた装置を一晩37°Cのオーブンに入れ、接着剤を硬化させます。乾燥剤で真空ベル瓶に移し、2日間脱水します。これは、トルエンが蒸発し、実験室の空気中の吸収された水蒸気を調節することによって、デバイスを播種する一貫性を向上させるための重要なステップです。
3. 脳マイクロ環境をデバイスにシードする
- 細胞培養および試薬:このプロトコルを開始する前に、以下の試薬および細胞を入手する。5%CO2で37°Cに設定されたインキュベーターですべての細胞株を2培養する。
- ヒトトリプルネガティブ乳癌細胞株MDA-MB-231(ATCC HTB-26)およびMDA-MB-231-BR-GFP細胞(パトリシア・スティーグ、PhDから得た)を4.5g/LグルコースでDMEMに維持し、2mM Lグルタミン、10%FBSおよび1x抗生物質抗ミキサキを補充する。MDA-MB-231-GFP蛍光細胞を空のベクターpLL-EV-GFPレンチウイルスでトランスデューシングして、MDA-MB-231-GFP蛍光細胞を作成します。実験前に蛍光活性化細胞分類(FACS)を使用して、トランスデューシングされたGFP+ 集団を並べ替えます。
- EGM-2培地でヒト脳内皮細胞hCMEC/D3を維持する。空のベクターpLL-3.7-dsRedレンチウイルスでhCMEC/D3をトランスデューシングすることにより、hCMEC/D3-DsRed蛍光細胞を作成します。実験使用前にFACSを用いて、非蛍光細胞を培養から全て除去する。
- 4.5 g/Lグルコース、10%FBS、2 mMグルタマックス、1 mMピルビン酸ナトリウム、1x N-2成長サプリメント、および1x抗生物質抗抗抗抗抗抗抗抗抗薬を補ったDMEMで正常なヒトアストロサイト(NHA)を維持します。pLOX-TERT-iresTKレンチウイルスベクター(Addgene 12245)をトランスデューシングすることにより、アストロサイトを不死化させる。プラスミドpsPAX2およびエンベローププラスミドpMD2.G(Addgene 12260および12259)を使用してベクターを作成します。
- 真空デシケータからμmBBNデバイスを取り出し、入口を下に向けて金属または紙(テープ)表面に置き、プラズマチャンバーに入れます。また、プラズマチャンバーに50 mm x 75 mmのガラススライドを設置します。真空を引き出し、80 Wのプラズマで30sの処理を行います。
- プラズマチャンバから素早くガラススライドと装置を取り外し、ガイド(補足ファイル2)を使用して、入口を上向きにしてガラススライドに配置します。これにより、PDMS とガラス スライドの間に永続的な結合が作成され、再配置できません。
- 次に、チップを16、200 μLピペットチップ、先端から2mm切り落とします。すべての入口と出口にピペットの先端を挿入します。このデバイスは、細胞を播種する準備ができていない場合は、この時点で真空デシケーターに戻すことができます。
- デバイスをプラズマチャンバーに戻し、200 Wで8分間プラズマで処理します。デバイスがプラズマ処理から冷却された後(5分)、透明なピペットチップボックスのように、滅菌二次容器の中に置きます。次のステップを〜15分以内に行うか、または血漿処理の有効性が低下し、詰まりにつながる可能性がある。
- 実験培養の数日前にペトリ皿 1 x 106 内皮細胞 (hCMEC/D3-DsRed) と 1 x 106 アストロサイト (NHA).装置が8分の血漿処理を受けている間に、0.8 M NaHCO3 の64 μLおよび10x高グルコース(250 mM)MEMの20 μLの3 mg/mLピュアコルI型ウシのコラーゲンの0.5 mLからなるコラーゲン溶液を準備する。コラーゲン溶液中の5.0 x 105個 のNHA細胞を懸濁します。使用していない間氷の上にソリューションを維持します。
- コラーゲン/アストロサイト/ミクログリア溶液の120 μLを底チャンバのピペットチップを通してデバイスに移します(図1赤い矢印)。ソリューションが反対側のピペットチップにチャンバーを横切ってウィックするようにします。装置の4つのチャネルがすべて満たされた後、チップをCO2インキュベーターに37°Cで、5%CO2で21時間かコラーゲンがセットされるまで置く。
- コラーゲンがセットされた後、完全な培地の混合物で底のチャンバーを供給するすべてのピペットの先端を充填します。内皮細胞とアストロサイトを含むチップの場合、内皮:アストロサイト培地の50:50ミックスが使用されます。
- 上部のピペットチップ(図1ブルー矢印)を使用して完全な内皮培地で2%成長因子減少したマトリゲルを上のチャンバーにコーティングし、インキュベーターに1時間置きます。
- 示された媒体混合物で上のチャンバーをリンスし、代わりの先端が内皮細胞で播種される(図1緑の矢印)。1 m 10 6 の内皮培地で 1 x 106 個の内皮細胞をサスペンドし、15 分ごとに 30 μL をシードして、均等なカバレッジのための上部チャンバーチップを交互に使用します。内皮細胞を各上部チャンバー先端に2回、チャンバーあたり合計4回ずつシードします。
- 内皮細胞の最終播種後、すべての先端を培地混合物で満たし、37°Cおよび5%CO2のインキュベーターに装置を入れ、122時間ごとに両方のチャンバーで培地を交換する。
4. 内皮層形成の進行を監視する
- 内皮層によるチャネルの完全なカバレッジは3日後に観察される。内皮バリアの被覆範囲を監視するには、蛍光またはTEERの2つの方法のいずれかを使用します。hCMEC/D3-DsRed蛍光とチャンネルエリア全体のパーセントカバレッジは、ImageJを使用して定量化することができます。
- hCMEC/D3-DsRed バリアを表すイメージ J で TIFF ファイルを開きます。ImageJ ソフトウェアで、[ファイル] > [開く ] をクリックしてファイルを選択します。
- 次のキー コマンドとオプションに従って最大強度を使用して、イメージのすべての Z レイヤーをマージします。
- この方法で評価されるすべてのマイクロ流体チップで同じ色のしきい値を実行します。提示された研究のために、我々は450のしきい値を採用しました。ImageJ のしきい値メニューを使用します: イメージ> 調整/しきい値。
- 次のコマンドとオプションを使用して記録する測定値を設定します: 分析> [測定値を設定]> [しきい値に制限] , 面積分数.
- ボックスを描画して測定するマイクロ流体チャネルの代表領域を選択します。ボックスツールはImageJのメインメニューにあります。同じボックスサイズを使用して、各マイクロ流体チャネルの始まり、中間、および終点に位置する3つの技術的な反復を測定します。
- 各チャネルを分析し、領域の割合を記録して、内皮カバレッジの割合を表します。これらの測定値をスプレッドシート ファイルとしてエクスポートし、次のコマンドを使用してデータをプロットおよび視覚化します。
- 代替として、インピーダンス分光法ベースのTEERを使用して、領域あたりの内皮タイトジャンクションを測定します。TEERを用いた内皮バリアの定量化は、内皮層をバリアとして完全性の代理としている。
- 上下のチャンバの入口と出口に2つの電極を配置します。
- Srinivasanらの提案したモデルに従って、チップ内の抵抗、インダクタンス、および容量の組み合わせとして内皮単層のインピーダンスを定量化する28,。
5. がん細胞をデバイスにシードする
- 内皮層が成熟した後、癌細胞をデバイスに播種する。完全な癌細胞媒体の1 x106 癌細胞の1 mLの解決を準備する。
- チップ内の培地を交換して細胞培養栄養分を補充する。
- 各上部チャンバーチャネルに30μLのがん細胞を懸濁させ、15分間インキュベーターに戻します。常に単一のデバイス内のすべての4つのトップチャンバーチャネルの同じ側に癌細胞を播種します。
- デバイスを新しいメディアと交換し、デバイスがメタスタティック動作のためにイメージされるまで 12 時間ごとにヒントを補充します。
6. 共焦点イメージングによる腫瘍微小環境の画像化
- 目的の実験時間(1、2、または9日間)で、共焦点イメージングを使用してチャネルの3D画像をキャプチャします。ここで説明する設定を使用して、ニコン A1 でこの手順を実行します。このステップは自動化されており、各チャンネルは、含まれている蛍光チャネルの数とすべての細胞の位置をカバーするために必要なZ深さに応じて、画像に20〜40分を必要とします。
- 顕微鏡をオンにし、ソフトウェアを開き、インキュベーターカバーを顕微鏡に置きます。
- 顕微鏡ステージヒーターを37°C、CO22を5%に設定します。
- 顕微鏡インキュベーターが安定した後、50 mm x 75 mm マウントを使用してデバイスを顕微鏡ステージに設置します。
- 10xの目的でデバイスの片側(提供された解析ソフトウェアで使用する場合は左)に焦点を合わせ、Z高さをゼロに設定します。Zスタック設定では、フォーカス平面の下に100 μm以上、200 μmの範囲を含めます。次に、ステッチ設定を使用して、X フィールドと Y フィールドの数を 1 と 9 にそれぞれ 15% の重なり合いを設定します。ピンホールを推奨最小値に、Zレイヤーの高さを 9 μm に設定します。多孔膜が見えるように明視野露光を調整します。dsRed(561 nm)およびGFP(488 nm)チャンネルの励起レーザーをオンにし、各チャンネルがピクセルを露出し過ぎることなく見えるように蛍光レーザーのパワーとカットオフを調整します。
- ステップオーバー時にすべてのフィールドがフォーカスされていることを確認します。その場合は、イメージの出力ファイル名(001.nd2)を入力し、実験を開始して3D共焦点イメージを自動的にキャプチャします。
7. 共焦点断層撮影による腫瘍微小環境の測定
- 共焦点断層撮影法を使用して、デバイス内の個々の細胞と腫瘍の微小環境を記述する一連のメトリックと測定値を推定します。共焦点断層分析(図2)は、共焦点zスタックを細胞の3次元表現に変換する。Jupyter ノートブック/ラボ環境内でカスタムの Python スクリプトを使用して、平面は、膜30のような血液脳関門を形成する細胞の層に一致します。最後に、がん細胞集団の表向き測定を行う(表1)。
- この解析は、実験の最後または時間経過に合うように実行します。参照されているソフトウェアガイドに従ってPythonと適切なライブラリをインストールし、コマンド「conda activate」を実行し、続いて「jupyterラボ」を実行して、Windowsコマンドプロンプトからソフトウェアを開きます。Jupyter 環境は、既定のブラウザー内に読み込まれます。
- Jupyter ファイル エクスプローラで、ジュピター ノートブック "contom.ipynb" をダブルクリックして開きます。タイトルの下のセルを実行 する インポート ライブラリ、カスタム クラス/関数、 ノートブックのセルをクリックし、再生ボタンをクリックしてノートブックを設定します。以下のすべてのノートブックセルは、同じアプローチを使用して実行されます。ここでノートブック"cell"は、Jupyter ノートブック内の Python コードのブロックを指します。
- データを準備します。このアルゴリズムは、視覚化ツールキット (VTK) を使用して、z スタックおよび 3 次元データ17を操作および表示します。
- 提供されたを置く.ジュピター ノートブックと同じウィンドウ フォルダー内の XLSX ファイル (「実験トラッカー.xlsx」)このファイルは、実験を追跡し、Jupyter ノートブックとのインターフェイスを使用します。セクション 6 の ND2 ファイルを、Jupyter ノートブックの場所の下にある"\\Experiment_XXX\Confocal\"というサブフォルダに配置します。新しいフォルダに割り当てられた数値IDに「XXX」を調整することで、実験フォルダを追加できます。
- 最初の実験フォルダに「Experiment_001」とND2ファイル「001.nd2」というラベルを付けます。まず、ND2イメージングファイルを、カラーチャンネルで区切られたステッチマルチイメージTIFFファイルに変換します。これは、Save_tiff_from_ND2() 関数がコメントなし30で、「コンフォーカル z スタックをメモリに読み込む」というタイトルの下にあるノートブックセルを実行して行います。ND2ファイルは、ニコンからの独自のイメージング形式であるため、オープンソースソフトウェアと互換性のある形式に変換する必要があります。
メモ:TIFF(タグイメージファイル形式)は、ユビキタスで、16ビット互換で、VTKに簡単にインポートでき、複数の画像をZスタックイメージに適した単一のファイルに保存できるため使用されます。ノートセルを実行すると、ND2ファイルから画像を読み込み、色とXYZ位置の情報を抽出し、事前に決定された構造に従って、その画像をnumpy配列に格納します。次に、Python ライブラリの tiff ファイルを使用して、配列を TIFF ファイルとして保存します。
- イメージングデータを3Dモデルに変換
- 3D レンダリングを使用して TIFF ファイルを VTK (vtkTIFFReader) にインポートしてセルを視覚化します (図 2)。画像内のセルの色に基づいてしきい値を選択します。明確にするために、VTK オブジェクトは空間 (ボリューム) のピクセル (X、Y、Z) のブロックを表しますが、特定のピクセル (緑または赤) だけがセルを表し、残りは背景またはノイズ (黒) です。
- したがって、バックグラウンドを除去するボリュームに不透明度フィルタを設定し、蛍光が残っているものは細胞だけであることを確認する。これは、jupyter ノートブックセルを使用して行います, Channel_alpha値変数を調整することによって、 各顕微鏡チャンネルの不透明度 値を変更します (すなわち、GFP_alpha)。「3D レンダリングを表示」というタイトルのノートブックセルを使用して効果 を視覚化し、しきい値が正しく設定されていることを確認します。
- 次の手順で使用するスプレッドシートに不透明度の値を保存します。ボリューム データを個々の 3D オブジェクトに変換し、それぞれマーチング キューブ31と呼ばれる手法を使用して、イメージ内のセルを表します。このアルゴリズムは、ボクセルの3次元の離散スカラーフィールドから等値面のポリゴンメッシュを抽出します。
- マーチング キューブ アルゴリズムで不透明度の値を使用して、各セルを背景から分離します。ボ クセル画像を三角形メッシュに変換し、ノート型に VTK ファイルとして保存 して、各顕微鏡チャネルで識別されるすべての蛍光セルに対してこの手順を完了します。
- 平面を膜に取り付ける
- 最初に細胞の重心を見つけることによって、内皮障壁に平面を適合させます (ノートブックセル: RFP チャネルを解析 します (内皮バリア)。ボリューム内のリスト メッシュを反復処理し、VTK から PolyDataConnectivityFilter を使用して接続されていない領域を抽出します。各メッシュの重心を計算し、大きすぎるメッシュまたは小さすぎるメッシュの重心フィルタリングのリストに測定を追加します(<50,>100000ボクセル)。
- 誤差の最小化法を用いて内皮細胞の重心リストに平面を適合させる(ノートセル:RFP重心(内皮バリア)に平面を合わせる)(図2、図3)32。32平面と中心心をプロットして平面の適合を検査し、必要に応じて手動で調整します(シータ、ベータ、zを使用して)、RFPの中心と平面フィットを視覚化というタイトルのノートブックセルを実行します。
- 平面が正しく取り付けられた後、平面の法線を実験トラッカー ファイル に保存します。XLSX ファイルは、将来の使用のために使用します。
- 次の記述子について、個々の癌細胞の記述的特徴を分析する (表 1)。
注: 解析を実行するコンピュータが遅れている場合は、高パフォーマンス コンピューティングによる高スループット分析がオプションです。このアルゴリズムは、少数のセルを分析する標準のラップトップでは有用ですが、VTKは多数の個別オブジェクト(>1000)に適していません。したがって、高性能コンピューティングクラスター上で機能するために適合アルゴリズムを使用することは任意です。これにより、多くの細胞を用いた実験の迅速な分析が可能になります(図2)。7.5のすべては、 触視記述子のための残りの顕微鏡チャンネルを分析 し 、Experiment_tracker情報を読み取り、存在するチャネルを分析するというタイトルのノートブックセルを実行することによって達成されます。- がん細胞の外挿を測定する:内皮層を平面で特徴付けた後、膜を通過した各癌細胞の体積を測定する。各セル(Boolean)をクリップして、膜の下のメッシュが保持され、膜の上の部分が除去されるようにします33.次に、開いたメッシュを閉じます (vtkFillHoles)。
- クリップされたメッシュの法線と新しい中心を再計算します。分析のために、クリップされた各癌細胞の体積と位置を測定します。ボリュームは、各セルのメッシュフィルのボクセル数と同じです。内皮面と各癌細胞の位置との間の距離を計算する。
- 細胞表現型を測定する:その形状、体積および位置を因数化することによって、各癌細胞の形態を計算する。
- がん細胞の外挿を測定する:内皮層を平面で特徴付けた後、膜を通過した各癌細胞の体積を測定する。各セル(Boolean)をクリップして、膜の下のメッシュが保持され、膜の上の部分が除去されるようにします33.次に、開いたメッシュを閉じます (vtkFillHoles)。
- 測定値を検証し、スプレッドシートまたはプロットに保存します。「図心が正確に測定されたことを確認する」というタイトルのノートブックセルを実行すると、セルタイプ別に画像ボリュームの上に識別された図心が表示されます。すべての実験が完了した後、指定された実験 ID を置き換える変数の変数のファイルの単一の Data.XLSX ファイルをエクスポートするというタイトルのノートブックセルに ID に含まれる実験を入力して、完全なデータセットを単一のスプレッドシートファイルとしてエクスポートします。完成したデータセットを確認する場合は、「距離の除行ストリッププロット」というタイトルのノートブックセルを使用してプロットします。プロットはノートブック環境に表示され、ファイルに保存されます。
8. 人工知能を用いて関連する特性を分析する
注: 人工知能アルゴリズムを使用して、転移性の表皮特性を特定します。
- 図 5と補足ファイル 3に示すスキームに従って、オレンジを使用して二項分類を実行します。「conda activate」と入力し、「python -m Orange.canvas」と入力して、2番目のWindowsコマンドプロンプトからオレンジを起動し、プロンプトから「新規」をクリックします。オレンジはドラッグアンドドロップベースのソフトウェアなので、左のメニューからキャンバスに各項目をドラッグして、補足ファイル3に一致するように機能を配置します。その後、ファイルアイコンをダブルクリックし、データ.XLSXファイルを選択します。
- 「行の選択」アイコンを使用して、データをフィルタリングして、ブール演算に失敗したものとして定義された、または既知の境界の外にパラメトリック変数値を与えたものとして定義された、不適切な測定値を削除します。アイコンをダブルクリックし、"球面の範囲は 0 ~ 1" などのフィルタに対応する条件を設定します。8.2.1、8.2.2、8.2.3 の条件を作成します。
- フィルター距離は-100から200 μmの範囲に射出された測定を余分にする。
- セル形状の球形の測定を 0 ~ 1 の範囲にフィルターします。
- がん細胞の体積測定を0~2000ボクセルに絞り込みます。
- すべてのパラメータ変数を使用して(表1)脳転移性MDA-MB-231-BR-GFPと非脳転移性MDA-MB-231-GFPを分類します。キャンバスから [列の選択 ]アイコンをダブルクリックします。 [>] ボタンを使用して 、使用可能な変数 を [フィーチャ]、[ ターゲット変数]、または [メタ属性]に移動します。 ターゲット変数 である必要がある唯一の変数は、データ・セット内のセルが、転移 (1) と見なされる (0) かどうかを定義する「転移型ラベル」です。実験変数はメタ 属性 セクションに配置できます。
- データをトレーニングにサンプリングする (80%)とテストセット(20%)。[データ サンプラー ] アイコンをダブルクリックし、[データの固定比率]の [サンプリングの種類] を選択します。各モデル/分類器に対して 10 の折り目を使用してトレーニング セットを階層化し、クロス検証します。[テストとスコア] をダブルクリックし、[折り目数: 10 に設定し、階層化] をオンにして交差検証を選択します。ターゲットクラスを1に設定します。
- この方法では、データに対して堅牢なニューラル ネットワークとランダム フォレスト学習アルゴリズムを使用します。[ランダム フォレスト] アイコンで、[樹木数] を 50 に選択し、他のオプションは選択しません。ニューラルネットワークアイコン内で、隠しレイr:100、活性化:ReLu、ソルバー:アダム、アルファ:0.0001、および最大反復:200を選択します。 100ただし、これらの設定は、研究によって大きく異なり、アプリケーションの前によく理解する必要があります。
- キャンバスを設定した後、 ファイル から サンプルデータ まで各アイコンをダブルクリックし、 適用 または データの送信を押します。 [テストとスコア ] をダブルクリックすると、アルゴリズムを使用したモデルの開発にトレーニング データが使用されます。機械学習モデルをトレーニングした後、 テストとスコアを 再度開き、[ テストデータでテスト ]を選択し、ポップアップウィンドウを閉じて、0から1までの脳転移の確率に従ってチップ内の細胞を分類してモデルのパフォーマンスをスコアリングします。
- 機械学習モデルのパフォーマンスをファイルに保存します (表 2)。ROCのカーブ(AUC)の下の領域、精度、およびF1スコアを含めます。個別の転移インデックスと分類確率を含む 2 番目のファイルを保存します。 [保存 ] アイコンをダブルクリックし、[ 名前を付けて保存 ] をクリックして、分類の確率をファイルに書き込みます。同様に、ROC 曲線は ROC 解析 アイコンをダブルクリックして表示でき、モデルのパフォーマンスは 「混乱行列 」アイコンをダブルクリックして計算できます。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
この手法を用いて、異なる蛍光タンパク質または色素で標識された細胞タイプを分析しました。hCMEC/D3-DsRedおよび非蛍光アストロサイトを配合したμmBBNチップを用いて、このアプローチの使用を実証します。脳内血管内皮細胞を多孔膜(5μmトラックエッチング細孔)に播種し、5%CO2下で37°Cでインキュベーター34に入れた。23日後に、内視鏡検査を介して内皮層の合流性を確認し、次いで癌細胞を内皮層の上に置いた。2つの乳癌細胞株、MDA-MB-231-BR-GFPと呼ばれる脳を求めるクローン、および親のMDA-MB-231-GFP細胞を、ア,ストロサイトの脳ニッチ35、36、37、38、39、40、41を含むμmBBNチップに入力した。35,36,3738,39,40,41μmBBNチップは、10xの目的を使用した3チャンネル(dsRed、GFP、ブライトフィールド)を用いた共焦点顕微鏡を使用して1、2、9日間で画像化し、9μmごとにZスライスを、膜領域全体をカバーする1x9 XYステッチを行いました。この顕微鏡は、細胞のストレスを最小限に抑えるために、イメージングプロセス中に37°Cの温度を維持しました。
μmBBNチップ全体(図3A)と内皮被覆(図3B-D)の代表的な画像を示します。高い及び低い被覆率を有する内皮障壁は、μmBBNチップが癌細胞の添加に適していることを確かめるために定量される(図3B)。実験に適したコンフルエント内皮バリアを有するμmBBNチップの代表的な画像(図3C)と、特に癌細胞の添加に適さない内皮被覆性の悪いμmBBNチップが提供される(図3D)。内皮細胞の長期培養は、上部と下部μmBBNチップチャンバーを分離する膜を超える範囲で発生する可能性があります。内皮細胞はしばしば膜の上と下の両方で成長し、脳ニッチ空間への癌細胞の動きには影響を与えないが、飛行機を困難にすることができる。μmBBNチップの製造と膜の内皮被覆のばらつきにより、代表的な平面は通常の平らな内皮バリア(図3E)に適合し、非定型曲面膜が参照用に表示される(図3F)。40°Cを超える温度でオーブン内で装置を乾燥させると、図のように湾曲膜を生じさせる。
我々は、開発された共焦点断層分析を用いて定量化されたアストロサイトティックμmBBNに遭遇した際に、MDA-MB-231-BR-GFPと親のMDA-MB-GFPと親のMDA-MB-231-GFP細胞株の表現型の違いを観察した。機械学習アルゴリズムへの入力に使用される 4 つの表解記述子 (表 1) を 図 4に示します。
外接距離は、内皮バリアとμmBBNチップ内の各癌細胞位置との間の距離をμmで表す(図4A)。内皮障壁は0 μmに位置する。距離<0 μmは、流れチャンバに残った癌細胞を表します。距離 >0 μm は、内皮バリアを通って飛び出し、脳のニッチ空間に入った癌細胞を示します。μmBBN への 1 日の暴露の後、MDA-MB-231-BR-GFP および MDA-MB-231-GFP は、内皮バリア内に配置されました。しかし、2日と9日間の相互作用の後、MDA-MB-231-BR-GFPのサブセットは、親のMDA-MB-231-GFP細胞が内皮障壁に近いままであったのに対し、>100μmを占星脳ニッチに移行した。内皮バリア/脳ニッチ界面で、内皮バリアを通過した各がん細胞の体積を計算することで、がん細胞の位置を解決しました。結果のパーセンテージは、体積によって外挿された癌細胞を表す(図4B)。細胞容積によって0%外挿された細胞は、内皮障壁の上に残っている癌細胞を示し、癌細胞が内皮障壁を通って完全に外挿し、脳ニッチ空間に存在する場合には100%に及ぶ。親のMDA-MB-231-GFP細胞は、体積で50%外挿されたμmBBNチップへの1日間の曝露後、最初に内皮バリアと相互作用します。2、および9日間でMDA-MB-231-GFP細胞は、脳ニッチ空間から離れて障壁の上に残った細胞のかなりの割合を維持します。MDA-MB-231-BR-GFP細胞は、特に2日間のタイムポイントで>100%の外挿された細胞の割合を維持した。
癌細胞の形状はμmBBNへの曝露の間に劇的に変化した。各時点における癌細胞の代表的な画像は、図4Cに示されている。癌細胞形状の形態学的定量は、球形を用いて計算した、その細胞体積および表面積を占める(図4D)。球面メトリックの範囲は 0 ~ 1 で、1 は完全な球体を表します。MDA-MB-231-BR-GFPおよびMDA-MB-231-GFP細胞はいずれも、μmBBNチップへの1日間の高球面ポストシードであった。μmBBNチップでの2日間および9日間の相互作用の後、両方の癌細胞株は、異なる速度ではあるが、形状の球形を減少させる傾向にあった。癌細胞形状に加えて、各癌細胞のボクセル中の体積も共焦点断層分析を用いて定量化される。各癌細胞株は、内皮障壁を通過した癌細胞(>90%が障壁を通って飛び出す)と「in」、内皮バリアと相互作用するが、余分な蒸気を介して外蒸気を介しない細胞の集団を表す図4E-Fの2つのグループに階層化された。占星術のニッチに飛入した癌細胞の亜集団は、内皮障壁との相互作用にとどまったが、脳に完全に通用しなかった癌細胞と比較して、サイズが小さかった。
脳を求めるMDA-MB-231-BR-GFPは、機械学習を使用して脳転移性癌細胞と非脳転移性癌細胞を区別するために利用することができる親のMDA-MB-231-GFPとは異なるμmBBNチップのフェノミズムパターンを明らかにした。データは、モデルをトレーニングし、検証テストを実行するために、トレーニング データセットと検証データセットにランダムに分離されました。モデルをトレーニングするために、データをフィルタリングした後に合計38,859個のセルを使用し、モデルを9,714個のセルに対してテストしました。この訓練モデルを、乳腺細胞細胞およびPDX生成癌細胞に適用し、星状のμmBBNチップ(4種類の原発性腫瘍の患者脳転移から単離した、および1原発乳癌腫瘍)、脳転移確率の指標を生成した(図5)。ナイーブベイ、ランダムフォレスト、デシジョンツリー 、k-最も近い隣人(kNN)、確率的勾配降下、ニューラルネットワーク、Adaboostの8つの異なる機械学習分類方法がテストされました。各メソッドの結果を 表 2に示します。ニューラルネットワークとAdaboostは、μmBBNプラットフォームを使用して生成されたデータを使用して、それぞれ0.920と0.928のデータで使用するために推奨される2つの最もパフォーマンスの高い分類方法でした。さらに、彼らは0.833と0.853の精度を示しました。ニューラルネットワークとAdaboost法の精度とリコール(F1)の平均は0.847と0.860でした。このアプローチを非転移性乳房腫瘍および既知の転移性サンプル(乳房、肺、卵巣、舌)のPDXサンプルに適用した以前の研究から、PDXサンプルに適用される同じアプローチが、非転移性細胞からの転移細胞の正確な同定を可能にすることがわかった。 表2 は、PDXデータに適用される各機械学習アルゴリズムの結果を示しており、同じ方法が最も堅牢であることが判明した(ニューラルネットワークとAdaboost(ランダムフォレスト)。PDXサンプルの試験セットに用いた143個の細胞のうち、71個は非転移性、46個は転移性乳房、11個は転移性舌、13個は転移性肺、2は転移性卵巣であった。各細胞タイプは0.88の全体的な精度を生み出したが、個人は次のおおよその精度を有していた:非転移性乳房:0.96、転移性乳房:0.80、転移性舌:0.80、転移性肺:0.92、転移性卵巣:1.0
図1:実験ワークフロー(A)マイクロ流体デバイスの組み立てプロセスの概略図。50 mm x 75 mm ガラス スライドに PDMS:トルエン接着剤の薄膜を堆積させるために、スピナーが使用されます。μmBBNデバイスの各半分は、接着剤に面したチャネル側にスタンプされ、μmBBNデバイス部品の間にポリカーボネート膜(5μmの孔)で組み立てられます。μmBBNデバイスは、接着剤を硬化させるために37°Cのオーブンに24時間置かれます。デバイスは、実験使用の前に少なくとも48時間真空デシケーターで乾燥されます。μmBBNデバイスと50mm x 75 mmガラススライドは、プラズマ処理で作動し、一緒に接着します。チップでカットされる標準P200ピペットは、すべてのμmBBNデバイスの入口とコンセントに挿入されます。完成したμmBBNデバイスは、8分(200W)プラズマ処理によって滅菌され、滅菌二次容器に移されます。(B)マイクロ流体デバイス足場を利用して細胞血脳関門と脳ニッチマイクロ環境を作り出す概略図。バイオセーフティキャビネット内では、コラーゲン中のアストロサイトの混合物を底部μmBBNデバイスチャンバーに播種し、37°Cで1時間固化させます。 マトリゲルは、37°Cで1時間の上部流れチャンバを通して膜をコーティングするために使用される。 次いで、内皮細胞を上部チャンバの1チップに播種し、15分間流して沈着させる。この播種は、流れチャンバの交互の側面、x4を繰り返す。この図の大きなバージョンを表示するには、ここをクリックしてください。
図2:共焦点断層解析の概要ソフトウェアは、セグメンテーションと3Dメッシュを使用して、顕微鏡的な共焦点Zスタック画像をセルの3Dモデルに変換することで始まります。プログラムは、各セルの中心位置(重心)を計算し、内皮バリアに平面を適合させます。各単一細胞の表型測定値は、次に表表される。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図3:内皮バリアカバレッジと平面フィッティング。(a) μmBBNデバイスの代表的な概略図と画像。上面図の図表内の白い破線は、断面図で表されるデバイスの領域を示します。(B)癌細胞の適用前μmBBNデバイスの高および低内皮被覆率の比較。ウェルチ2サンプルtテスト、 *** p < 0.1*10-4.(C)高い内皮被覆の代表的なイメージ。μmBBNデバイスの差し込み回路図内の破線の白いボックスは、デバイス内の内皮細胞の位置を示します。概要とインセット画像のスケールバー = 200 μm(D) 低内皮被覆の代表的な画像。概要およびインセット画像のスケールバー= 200 μm(E) 平らな内皮バリアの平面適合例。緑色の四角形は、内皮面の位置を表します。ドットは、障壁を含む単一の内皮細胞を表す。黄色の点は平面の上の内皮細胞であり、紫色の点は平面の下に落ちる細胞です。平面上の内皮細胞(黄色の点)は、側壁および上部のデバイスを成長させチューブを形成する傾向を示す。(F)曲面を有するμmBBNデバイスの例の平面適合。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図4:脳転移型および親細胞表現型の細胞表現型の定量化(A)1、2、9日間の内皮バリアからの癌細胞のμm距離のストリッププロット。0 μm の黒い破線は、内皮バリアを表します。赤いボックスは、脳のニッチに遠くに移行したMDA-MB-231-BR-GFP細胞のサブセットを示しています。(B)内皮バリアを通って1日、2日、9日間に通行したがん細胞の総量パーセントのバイオリンプロット。短い破線は四分位数を表し、長い破線は平均を表します。(C) μmBBN装置における癌細胞の形態の代表的な画像。スケールバー= 25 μm(D) μmBBN装置における癌細胞の球数のバイオリンプロットを1日、2日、9日間で表示する。球面の範囲は 1: 球面から 0: 球形ではありません。(E)μmBBNデバイスのMDA-MB-231-GFP細胞容積のボックスプロットを、内皮バリアの外に置く細胞(アウト)およびバリア(in)を通って外挿した細胞のボクセルで表した。(F)μmBBNデバイスのMDA-MB-231-BR-GFP細胞体積のボックスプロットを、内皮バリアの外に置く細胞(アウト)およびバリア(in)を介して外挿した細胞のボクセルで表した。ボックスには四分位数とひげが表示され、低い四分位数と高い四分位数を超える四分位数の範囲の割合が表示されます。ペアワイズウィルコクソンランクサムとクルスカルウォリスとダンの複数の比較, *** p < 0.1*10-4.英国王立化学会の許可を得て、参考資料24 から再現。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図5:がん細胞の機械学習分類の代表的な結果。(A) 機械学習の概要共焦点断層撮影から収集したデータを分割し、データをフィルタリングし、10 倍の検証を使用して機械学習アルゴリズムをトレーニングし、予約したデータの 20% のランダム サンプルに対してモデルをテストするプロセスを示します。選択したモデルを新しいデータに適用して、個々のセルの転移インデックスを収集できます。(B) 画像撮影前の1、2、9日間のMDA-231-BR-GFPおよびMDA-231-GFP細胞培養のための8つの異なる機械学習アルゴリズムの性能を示すROC曲線。これは、トレーニングされたモデルのパフォーマンスを理解するために解析される曲線のタイプを表しています。(C)2日間培養した患者由来異種移植片(PDX)解約細胞に適用される8種類の機械学習アルゴリズムのROC曲線。これは、トレーニングされたモデルのパフォーマンスを理解するために解析される曲線のタイプを表しています。英国王立化学会の許可を得て、参考資料24 から再現。 この図の大きなバージョンを表示するには、ここをクリックしてください。
機能 | 記述子 |
腫瘍細胞 | ニッチに飛び出した% |
腫瘍細胞 | ボリューム |
腫瘍細胞 | 球形 |
腫瘍細胞 | 空入距離 |
腫瘍細胞 | ライブセル2D移行 |
微小転移 | 気孔 率 |
微小転移 | 間質相互作用 |
微小転移 | 年齢 |
微小転移 | 成長率 |
間質細胞 | ボリューム |
間質細胞 | 近くのがん細胞からの距離 |
間質細胞 | 内皮バリアからの距離 |
間質細胞 | 形状 |
表 1: 機能タイプ別の記述子のリスト 腫瘍細胞の表現型特性は、記述子のパネルを使用して表される。赤いボックスは、機械学習を介して脳転移確率を予測するために使用された記述子を示します。
がん細胞 | |||
メソッド | Auc | 精度 | F1 |
ニューラルネットワーク | 0.925 | 0.84 | 0.847 |
アダブースト | 0.928 | 0.853 | 0.86 |
ランダムフォレスト | 0.925 | 0.849 | 0.855 |
ディシジョンツリー | 0.898 | 0.817 | 0.827 |
Knn | 0.775 | 0.702 | 0.718 |
ロジスティック回帰 | 0.769 | 0.735 | 0.751 |
ナイーヴ ベイズ | 0.745 | 0.715 | 0.73 |
Sgd | 0.73 | 0.73 | 0.737 |
PDXがん細胞 | |||
メソッド | Auc | Ca | F1 |
ニューラルネットワーク | 0.972 | 0.881 | 0.878 |
ランダムフォレスト | 0.964 | 0.888 | 0.887 |
アダブースト | 0.957 | 0.881 | 0.879 |
ツリー | 0.954 | 0.867 | 0.865 |
ロジスティック回帰 | 0.897 | 0.832 | 0.831 |
ナイーヴ ベイズ | 0.896 | 0.846 | 0.849 |
Knn | 0.882 | 0.818 | 0.814 |
Sgd | 0.861 | 0.86 | 0.853 |
表2:脳転移電位によるがん細胞とPDXがん細胞を分類する機械学習方法の比較
Subscription Required. Please recommend JoVE to your librarian.
Discussion
内皮バリアを介して脳組織へのがん細胞の外挿や移動を測定するために、臨床画像解析に頻繁に利用されるツールを適応させる新しい方法を開発し、発表しました。このアプローチは、生体内測定とインビトロ測定の両方に役立ちます。脳血管系を再現する3Dマイクロ流体システムでの使用を実証しました。がん細胞の測定は、この技術を使用して、外挿距離、体積、球面性、体積による外挿率を含む測定を定量化する。体積によって飛散され、欠通される割合の距離は、ユーザーがチップ内の癌細胞の位置を再構築し、障壁を越えて外挿し、組織内の移動を評価することを可能にする。球形の形状の測定(球形や体積など)は、各時点におけるセルの動きや機能に関連しています。μmBBNデバイスに最初に導入すると、移行MDA-MB-231-BR-GFP細胞は、μmBBNデバイスに導入された際に高いレベルの球形を呈し、動きを減少させ、ニッチを植民地化し始めるにつれて、形状が小さくなります。MDA-MB-231-GFPおよびMDA-MB-231-BR-GFPの全体的な細胞容積は、細胞株の形状の違いにより異なった。内皮バリアを通過する癌細胞は、バリアを通過しない細胞よりも丸みを帯び、したがって、より小さい丸い細胞は、より効率的に内皮層を横切って飛散することができるかもしれない。
プロトコルには、成功を促進する 2 つの重要なステップがあります。最初は、多孔質膜によって分離されたμmBBNデバイスの上部および下部の部品の組み立て中に発生します。上部と下部のデバイスパーツは、入口と出口が重なり合うが、適切な流れを促進するために間の膜によって閉塞しないように合致する必要があります。上部と下部のデバイス部品または膜の位置合わせが不十分なμmBBNデバイスは、品質の変動を最小限に抑えるために廃棄されます。PDMS:トルエン接着剤を硬化させるその後のベーキングは、デバイスを組み立てるために37°Cで行うために重要であり、平坦な膜を有するμmBBNデバイスを製造する。37°Cを超えるベーキング温度は、特に内皮バリアに平面を取り付ける場合に画像分析が困難になる湾曲した膜を持つデバイスを生成する傾向があります。第2の重要なステップは、内皮バリアの播種中に起こる。播種は、デバイスの膜上に内皮細胞のランダムな分布を確保するために、デバイスの上部を供給する2つの入口の間に最低15分間隔で発生する必要があります。チップにアストロサイトを含むコラーゲン混合物の播種は、ラボ固有のプロトコルへのトラブルシューティングおよび修正を必要とするかもしれない。デバイスの膜表面が疎水性でない場合、コラーゲンはデバイスの下部と上部の両方を満たし、デバイスの上部を通るすべての流れを詰まらせるように設定されます。最終的なプラズマガス処理の目的は、デバイス表面を疎水性にすることです。この場合、疎水性を高めるために、装置のプラズマガス処理の調整をお勧めします。
このアプローチでは、いくつかの制限が見られました。例えば、細胞蛍光を誘導するために使用されるアプローチは、画像化の質に影響を与える可能性がある。生細胞追跡色素を使用する場合、蛍光パターンは小さなスポットで作られ、蛍光色素のトランスフェクションまたはトランスフェック発現は均一なパターンを生成します。斑点パターンには、ピクセルのクラスタリングが追加され、エラーが発生する場合があります。さらに、測定の感度は、イメージング中に取られる注意に依存します。解像度の高いイメージと z スライスの数が増えるほど解像度は向上しますが、画像と分析に時間がかかります。また、接触しているセルは、大きな単一のセルとして誤って分析される場合があります。これは多くの自動イメージングシステムでは問題ですが、2つの方法で対処できます。1つ目は、内皮層が多くの細胞に触れることですが、その組み合わせは切断面の最終的な位置にわずかな影響を与えます。2つ目は、がん細胞の数が少なく、触れることがまれです。平面を取り付けるとエラーが発生する場合、いくつかの理由が考えられます。1つ目は、一部の内皮細胞が細胞培養中に中央膜から離れて移動した可能性があるということです。これにより、内皮細胞がチャネル全体をコーティングしたり、コラーゲン充填空間に侵入したりして、測定を歪めることができます。もう一つのエラーの原因は、逆説的に、前のエラーを修正するために平面の手動調整です。しかし、再現性と再現性の研究では、この影響は最小限に抑えられることがわかりました。最後に、特定の状況下で、セルメッシュのブールカットが失敗したり、切断メッシュを閉じるアルゴリズムが失敗したりする可能性があることを確認しました。ここで使われている技術は現在の「最先端」であり、これらの問題は現在、アルゴリズム科学者によって取り組まれている。
μmBBNの共焦点断層撮影によって収集されたデータに対して機械学習アルゴリズム(AI)を訓練した結果は、このアプローチによって分析されたかなりの数の個々の細胞が、癌細胞に見られる不均一性を捕捉する問題に対処するのに役立つ可能性があることを示している。0.9 より大きい AUC は、高いパフォーマンスの分類子と見なされます。ここでは、0.928のAUCを実証しました。性能向上にともなう方法が向上し続けると期待しています。すべての AI メソッドと同様に、トレーニング データ セットは、テスト対象と予想されるデータの種類を広く表すように、慎重に選択する必要があります。このため、モデルが患者サンプルに直接適用された場合、まずモデルを患者サンプルの堅牢なコレクションにさらすことなく、パフォーマンスが低下することが予想されます。ここでは、前の研究で使用した2日間と比較して、モデル内のがん細胞の1日、2日、9日間の測定値を含めることによって、これをある程度実証します。広範なサンプリングによってモデルのパフォーマンスがわずかに低下し、パフォーマンスの低いメソッドの一部がどれほど敏感であるかを示し、ユーザーがデータ上のいくつかのモデルをテストすることを示唆しています。PDX の結果を説明する 表 2 は、全体的に良好なパフォーマンスを示しています。ただし、個々の PDX タイプは、各サンプルから測定されるセルの割合が異なり、各原産地のパフォーマンスに影響を与える可能性があることを示しています。例えば、卵巣サンプルは、テストセットのために2つの細胞のみを産生した。対照的に、人口が多かった転移性乳癌。このデータセットは、細胞がニッチで生き残り、分析できることを実証することを目的としていたが、解釈的ケアが必要であることを強調する。標的変数の変更は、研究者が間質細胞や静止行動との相互作用などの他の形質を有するサブクローンを同定する際にも導く可能性がある。
このアプローチは、より多くのラボがチップ上の血液脳関門、チップ上の肺、チップ11、42,42の腸などの膜オンチップシステムを採用する上で重要です。これらのチップの大部分は、膜がイメージングシステムと平行になるように組み立てられ、これまでは膜の一方の側から他の15、28,28に移動した細胞の数を測定することが困難であることを意味していた。また、水平方向のチップと比較すると、垂直方向のチップは、実験のダイナミックレンジを大きくするはるかに大きな膜面積を提供する。さらに、膜の向きはこの分析技術にとって重要ではないので、共焦点断層撮影は新しいインビトロ実験を可能にする可能性がある。例えば、マウス脂肪パッドから血流への乳癌細胞の外挿を画像化することは、これらの方法によって近づくであろう。これは、がん細胞が乳房ECMと血管の間の界面を探査する方法を研究者が特定するのに役立つ可能性があります。
結論として、我々は、血液脳ニッチを再現し、共焦点断層撮影と機械学習を分析に使用する方法を実証する3Dマイクロ流体デバイスを構築する方法論を提示した。このプラットフォームを用いて、μmBBNデバイス内での脳転移性と非転移性PDXがん細胞を区別する脳転移性癌細胞特性を同定した。今後の研究は、脳転移の予測に向けた診断として、このプラットフォームの臨床適用性を向上させる。私たちは、このプラットフォームを発表することは、膜全体に移動または外挿任意のタイプの細胞を測定する必要があるラボにとって有用で興味深いものになると信じています。これは、腫瘍マイクロ環境の前臨床モデルがますます洗練され、モデルとサポートソフトウェアのエンジニアリングが必要になるにつれて重要です。データの堅牢な分析を支援するために、我々は、インストール手順30と共有pythonノートブックを使用して、シンプルなとして、このツールをパッケージ化しました。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
申告する開示はありません。
Acknowledgments
国立がん研究所のSteeg Labに対し、MDA-MB-231-BR-GFP細胞の寛大な寄付に感謝します。共焦点顕微鏡は、ミシガン大学バイオインターフェース研究所(BI)で行われました。フローサイトメトリーは、ミシガン大学フローサイトメトリーコアで行われました。ウイルスベクターは、ミシガン大学ベクターコアによって作成されました.また、これらのデータの統計分析におけるガイダンスに対するケリー・キッドウェルに感謝します。
資金:
C.R.O.は、NIH T-32トレーニングフェローシップ(T32CA009676)と1R21CA245597-01によって部分的にサポートされました。T.M.W.は、1R21CA245597-01と国立衛生研究所の国立トランスレーショナルサイエンス推進センターによって部分的にサポートされました。材料と特性評価のための資金は、賞番号1R21CA245597-01、P30CA046592、5T32CA009676-23、CA196018、AI116482、METAvivor財団、乳癌研究財団の下で国立衛生研究所によって提供されました。コンテンツは著者の責任であり、必ずしも国立衛生研究所の公式見解を表すものではありません
Materials
Name | Company | Catalog Number | Comments |
0.25% Trypsin-EDTA with phenol red | Thermo Fisher Scientific | 25200056 | |
1.5 mm biopsy punch with plunger | Integra LifeSciences Corporation | 33-31A-P/25 | |
10x MEM | Thermo Fisher Scientific | 11430030 | |
150 mm petri dishes | Fisher Scientific | FB0875714 | |
1x DPBS, without Ca and Mg | Thermo Fisher Scientific | 14190144 | |
200uL pipette tip | Fisher Scientific | 02-707-411 | |
4 inch silicon wafer | University Wafer | 452 | |
48 mm wide packing tape | Fisher Scientific | 19-072-097 | |
50 x 75 mm glass slide | Fisher Scientific | 12-550C | |
A1 confocal microscope | Nikon | ||
acetone | Fisher Scientific | A9-20 | |
antibiotic/antimycotic (penicillin/streptomycin/amphotericin) | Gibco | 15240062 | |
box cutter blade | Fisher Scientific | NC1721575 | |
dissection scissors | Fisher Scientific | 08-951-5 | |
DMEM with 4.5 g/L glucose | Thermo Fisher Scientific | 11960-044 | |
double sided tape | Fisher Scientific | NC0879005 | |
EGM-2 | Lonza | CC-3162 | |
Fetal Bovine Serum, Heat inactivated | Corning | MT35011CV | |
Fiji software | ImageJ | ||
glass vial | Fisher Scientific | 03-341-25D | |
glutamax | Thermo Fisher Scientific | 35050061 | |
hCMEC/D3 | EMD Millipore | SCC066 | |
Jupyter notebook | Anaconda | ||
L-glutamine | Thermo Fisher Scientific | 25030081 | |
Matrigel - growth factor reduced with phenol red | Corning | CB-40230A | |
MDA-MB-231 | ATCC | HTB-26 | |
MDA-MB-231-BR-GFP | Dr. Patricia Steeg, NIH | ||
N-2 growth supplement | Thermo Fisher Scientific | 17502048 | |
normal human astrocytes (NHA) | Lonza | CC-2565 | |
Orange software | University of Ljubljana | ||
Pasteur pipette | Fisher Scientific | 13-711-9AM | |
Photolithography masks | Photosciences Incorporated | ||
pLL3.7-dsRed | University of Michigan Vector Core | ||
pLL-EV-GFP | University of Michigan Vector Core | ||
pLOX-TERT-iresTK | Addgene | 12245 | |
pMD2.G | Addgene | 12259 | |
polycarbonate membrane, 5um pore size | Millipore | TMTP04700 | |
psPAX2 | Addgene | 12260 | |
PureCol, 3 mg/mL | Advanced Biomatrix | 5005 | Type I bovine collagen |
sodium bicarbonate | Thermo Fisher Scientific | 25080094 | |
sodium pyruvate | Thermo Fisher Scientific | 11360070 | |
Solo cup | Fisher Scientific | NC1416545 | |
SU-8 2075 | MicroChem Corporation | Y111074 0500L1GL | |
SU8 developer | MicroChem Corporation | Y020100 4000L1PE | |
Sylgard 184 | Ellsworth Adhesive Company | NC0162601 | |
Toluene | Sigma-Aldrich | 179965-1L | |
Tricholoro perfluoro octyl silane | Sigma-Aldrich | 448931-10G |
References
- Rastogi, K., et al. Palliation of Brain Metastases: Analysis of Prognostic Factors Affecting Overall Survival. Indian Journal of Palliative Care. 24 (3), 308-312 (2018).
- Wang, R., et al. The Clinicopathological features and survival outcomes of patients with different metastatic sites in stage IV breast cancer. BMC Cancer. 19 (1), 1091 (2019).
- Valster, A., et al. Cell migration and invasion assays. Methods. 37 (2), 208-215 (2005).
- Eccles, S. A., Box, C., Court, W. Cell migration/invasion assays and their application in cancer drug discovery. Biotechnology Annual Review. 11, 391-421 (2005).
- Brekhman, V., Neufeld, G. A novel asymmetric 3D in-vitro assay for the study of tumor cell invasion. BMC Cancer. 9, 415 (2009).
- Chen, H. C.
Boyden chamber assay. Methods in Molecular Biology. 294, 15-22 (2005). - Poissonnier, A., Legembre, P. Boyden Chamber Assay to Study of Cell Migration Induced by Metalloprotease Cleaved-CD95L. Methods in Molecular Biology. 1557, 117-123 (2017).
- Li, X., Yang, H., Huang, H., Zhu, T. CELLCOUNTER: novel open-source software for counting cell migration and invasion in vitro. BioMed Research International. 2014, 863564 (2014).
- Little, A. C., et al. IL-4/IL-13 Stimulated Macrophages Enhance Breast Cancer Invasion Via Rho-GTPase Regulation of Synergistic VEGF/CCL-18 Signaling. Frontiers in Oncology. 9, 456 (2019).
- Allen, S. G., et al. Macrophages Enhance Migration in Inflammatory Breast Cancer Cells via RhoC GTPase Signaling. Scientific Reports. 6, 39190 (2016).
- Bhatia, S. N., Ingber, D. E.
Microfluidic organs-on-chips. Nature Biotechnology. 32 (8), 760-772 (2014). - Huh, D., et al. Reconstituting organ-level lung functions on a chip. Science. 328 (5986), 1662-1668 (2010).
- Chen, Y. C., et al. Single-cell Migration Chip for Chemotaxis-based Microfluidic Selection of Heterogeneous Cell Populations. Scientific Reports. 5, 9980 (2015).
- Choi, Y. P., et al. Cancer-associated fibroblast promote transmigration through endothelial brain cells in three-dimensional in vitro models. International Journal of Cancer. 135 (9), 2024-2033 (2014).
- Takeshita, Y., et al. An in vitro blood-brain barrier model combining shear stress and endothelial cell/astrocyte co-culture. Journal of Neuroscience Methods. 232, 165-172 (2014).
- Kienast, Y., et al. Real-time imaging reveals the single steps of brain metastasis formation. Nature Medicine. 16 (1), 116-122 (2010).
- Schroeder, W., Martin, K., Lorenson, B. The Visualization Toolkit. 4th edn. , Kitware. (2006).
- Wells, W. M., Grimson, W. L., Kikinis, R., Jolesz, F. A.
Adaptive segmentation of MRI data. IEEE Transactions on Medical Imaging. 15 (4), 429-442 (1996). - Agarwal, S. K., Singh, S., Ghuman, S. S., Sharma, S., Lahiri, A. K. Radiological assessment of the Indian children with congenital sensorineural hearing loss. International Journal of Otolaryngology. 2014, 808759 (2014).
- Mansfield, P., Maudsley, A. A.
Medical imaging by NMR. The British Journal of Radiology. 50 (591), 188-194 (1977). - Plewes, D. B., Kucharczyk, W.
Physics of MRI: a primer. Journal of Magnetic Resonance Imaging. 35 (5), 1038-1054 (2012). - Batteux, C., Haidar, M. A., Bonnet, D. 3D-Printed Models for Surgical Planning in Complex Congenital Heart Diseases: A Systematic Review. Frontiers in Pediatrics. 7, 23 (2019).
- Thibault, F., et al. MRI for surgical planning in patients with breast cancer who undergo preoperative chemotherapy. American Journal of Roentgenology. 183 (4), 1159-1168 (2004).
- Oliver, C. R., et al. A platform for artificial intelligence based identification of the extravasation potential of cancer cells into the brain metastatic niche. Lab on a Chip. 19 (7), 1162-1173 (2019).
- Gril, B., et al. Reactive astrocytic S1P3 signaling modulates the blood-tumor barrier in brain metastases. Nature Communications. 9 (1), 2705 (2018).
- Badilescu, S., Packirisamy, M. BioMEMS: Science And Engineering Perspectives. , Taylor & Francis/CRC Press. (2011).
- Liu, C. Foundations of MEMS. 2nd edn. , Prentice Hall. (2012).
- Booth, R., Kim, H. Characterization of a microfluidic in vitro model of the blood-brain barrier (muBBB). Lab on a Chip. 12 (10), 1784-1792 (2012).
- Lockman, P. R., et al. Heterogeneous blood-tumor barrier permeability determines drug efficacy in experimental brain metastases of breast cancer. Clinical Cancer Research. 16 (23), 5664-5678 (2010).
- Ryan Oliver, C., W, T. M. Con-tom: A Jupyter Notebook for Analyzing the tumor micro-environment in confocal images. Zenodo. , Version 0.8, 3825719 (2020).
- Lorensen, W. E., Johnson, C., Kasik, D., Whitton, M. C.
History of the Marching Cubes Algorithm. IEEE Computer Graphics and Applications. 40 (2), 8-15 (2020). - Kleinbaum, D. G., Kupper, L. L. Applied regression analysis and other multivariable methods. , Duxbury Press. (1978).
- Berg, M. d Computational geometry : algorithms and applications, 2nd rev. edn. , Springer. (2000).
- Esch, M. B., Post, D. J., Shuler, M. L., Stokol, T. Characterization of in vitro endothelial linings grown within microfluidic channels. Tissue Engineering Part A. 17 (23-24), 2965-2971 (2011).
- Brinkley, B. R., et al. Variations in cell form and cytoskeleton in human breast carcinoma cells in vitro. Cancer Research. 40 (9), 3118-3129 (1980).
- Eigenmann, D. E., et al. Comparative study of four immortalized human brain capillary endothelial cell lines, hCMEC/D3, hBMEC, TY10, and BB19, and optimization of culture conditions, for an in vitro blood-brain barrier model for drug permeability studies. Fluids and Barriers of the Central Nervous System. 10 (1), 33 (2013).
- Griep, L. M., et al. BBB on chip: microfluidic platform to mechanically and biochemically modulate blood-brain barrier function. Biomedical Microdevices. 15 (1), 145-150 (2013).
- Weksler, B., Romero, I. A., Couraud, P. O. The hCMEC/D3 cell line as a model of the human blood brain barrier. Fluids and Barriers of the Central Nervous System. 10 (1), 16 (2013).
- Dello Russo, C., et al. The human microglial HMC3 cell line: where do we stand? A systematic literature review. Journal of Neuroinflammation. 15 (1), 259 (2018).
- Dun, M. D., et al. Proteotranscriptomic Profiling of 231-BR Breast Cancer Cells: Identification of Potential Biomarkers and Therapeutic Targets for Brain Metastasis. Molecular & Cellular Proteomics. 14 (9), 2316-2330 (2015).
- Xing, F., et al. Reactive astrocytes promote the metastatic growth of breast cancer stem-like cells by activating Notch signalling in brain. EMBO Molecular Medicine. 5 (3), 384-396 (2013).
- Zhang, B., Radisic, M. Organ-on-a-chip devices advance to market. Lab on a Chip. 17 (14), 2395-2420 (2017).