Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Flux de travail standardisé pour l'imagerie à haut contenu et le traitement des données

44 vues

⸱

DOI :

10.3791/71863

⸱

21 août 2026

 ,  , 
1College of Medical Technology, Chengdu University of Traditional Chinese Medicine, 2Innovative Institute of Chinese Medicine and Pharmacy/Institute of Interdisciplinary Studies, Chengdu University of Traditional Chinese Medicine, 3School of Life Science and Technology, Southeast University

Dans cet article

Résumé

Ici, nous présentons un protocole pour l'imagerie à haut contenu et le traitement des données standardisés de cellules marquées au propidium iodure (PI) et à l'Hoechst 33342 afin d'effectuer une analyse reproductible de la viabilité cellulaire à l'aide de flux de travail automatisés d'acquisition et d'analyse d'images.

Résumé

Pour répondre aux défis posés par la faible reproductibilité due aux variations opérationnelles dans l'imagerie en recherche scientifique et à la complexité de l'analyse d'un grand nombre d'échantillons à l'aide de méthodes conventionnelles, nous présentons un protocole de coloration des cellules HT22 par l'iodure de propidium (PI) et l'Hoechst 33342, suivi de l'acquisition d'images et de l'analyse des données à l'aide d'un système d'imagerie à contenu élevé. Ce flux de travail vise à établir des paramètres robustes pour les réglages d'imagerie et des normes strictes de contrôle qualité. Il illustre les réglages d'imagerie de l'appareil ainsi que le flux opératoire pour trois méthodes de traitement d'image proposées par l'instrument : Multi-Wavelength Cell Scoring (Multi), Live-Dead (Live) et Custom Module Editor (CME). Les méthodes de traitement d'image sont comparées et validées par rapport à la méthode traditionnelle ImageJ afin de garantir leur efficacité. L'étude conclut en proposant un flux de travail pour l'utilisation du système d'imagerie à contenu élevé afin de déterminer la viabilité cellulaire par la méthode de double coloration au PI et à l'Hoechst. En standardisant l'ensemble du processus d'imagerie et de traitement des données, cette étude améliore considérablement la reproductibilité et la fiabilité de l'imagerie en recherche scientifique, offrant ainsi un soutien méthodologique solide pour la comparaison des données entre laboratoires et contribuant à l'avancement de la recherche scientifique.

Introduction

Le système d'imagerie à haut contenu constitue un outil essentiel dans la recherche scientifique moderne, permettant une imagerie à grande vitesse et une évaluation multiparamétrique de cellules lésées ou non lésées1,2,3. Il joue un rôle irremplaçable dans diverses disciplines. Dans le domaine des sciences de la vie, il aide les chercheurs à explorer le monde microscopique des cellules et des tissus4,5. Par exemple, la détection précise de molécules et de structures marquées par fluorescence permet une visualisation claire des structures fines cellulaires et des changements dynamiques6. Dans la recherche en neurosciences, il permet d'obtenir des images tridimensionnelles de neurones, facilitant l'analyse des connexions complexes et des mécanismes de transduction du signal au sein des réseaux neuronaux, et fournissant des indices cruciaux pour comprendre les fonctions cérébrales et la pathogenèse des maladies neurologiques7,8,9.

Malgré les avantages considérables de la technologie des systèmes d'imagerie à contenu élevé, plusieurs problèmes persistent concernant son processus d'acquisition d'images. À l'étape de préparation des échantillons, un haut degré de subjectivité est observé. En ce qui concerne la préparation des échantillons biologiques, des procédés tels que la manipulation des cellules et la coloration manquent de normes appropriées. En matière de paramètres d'imagerie, des différences notables existent quant aux temps d'exposition et au choix des plaques de culture entre les laboratoires et les différents modèles de microscopes à contenu élevé. Lors de la phase de traitement des données, il existe un manque de normalisation, allant de la réduction du bruit et de l'ajustement du contraste des images brutes jusqu'à l'identification des paramètres et à la détermination des caractéristiques cibles. Ces problèmes conduisent directement à des biais dans les résultats d'imagerie microscopique, provoquant une crise de reproductibilité.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Ce protocole utilise une lignée cellulaire commerciale (HT22, ATCC) et ne concerne ni sujets humains ni tissus humains primaires. Aucun animal n'a été utilisé dans cette étude.

1. Préparation normalisée des échantillons

  1. Préparer les cellules HT22
    1. Lorsque la confluence des cellules HT22 atteint 80 %10,11, jeter l'ancien milieu. Utiliser de la trypsine à 0,25 % pour détacher les cellules, en incubant pendant 1 à 2 min à température ambiante.
    2. Ajouter le milieu de culture de Dulbecco modifié (DMEM) à un volume égal à 3 fois celui de la trypsine à 0,25 % afin d'arrêter le détachement. Transférer la suspension cellulaire dans un tube de centrifugeuse de 15 mL.
    3. Centrifuger à 175 x g pendant 3 min à température ambiante, puis jeter le surnageant. Resuspendre les cellules dans du DMEM complet pour obtenir une suspension monocellulaire.
    4. Compter les cellules à l’aide d’une chambre de comptage. Ensemencer 5 000 cellules par puits dans 100 µL de milieu complet dans une plaque de 96 puits12.
    5. Incuber la plaque à 37 °C avec 5 % de CO2 pendant 24 h. Réaliser le regroupement des échantillons, l’administration des traitements et les opérations de coloration dans la plaque de 96 puits selon le plan expérimental.
      ​REMARQUE : Utiliser une plaque de 96 puits compatible avec le système d’imagerie. Choisir une plaque dont l’épaisseur et la géométrie du fond conviennent aux spécifications du fabricant. Les plaques à fond en verre (épaisseur du fond de 130 à 170 µm) sont recommandées lorsque la qualité d’image doit être optimale13,14,15,16.
  2. Procédure de coloration
    1. S’assurer que les cellules forment une monocouche unique bien dispersée et n’excèdent pas une confluence de 70 % afin de minimiser le recouvrement cellulaire (Figure 1B).
    2. Regrouper les échantillons selon les exigences expérimentales et procéder à la coloration après traitement. Préparer les solutions de colorant fraîches avec une concentration finale de 6,684 µg/mL pour l’iodure de propidium (PI) et de 10 µg/mL pour l’Hoechst 3334217,18.
    3. Jeter l’ancien milieu de la plaque de 96 puits et laver chaque puits deux fois avec 100 µL de PBS. Ajouter la solution de colorant fraîche et incuber pendant 30 min à l’abri de la lumière à température ambiante pour la coloration.
    4. Laver chaque puits deux fois avec 100 µL de PBS, puis ajouter du DMEM.
      REMARQUE : Selon les plans expérimentaux, les paramètres de chargement des échantillons et de coloration peuvent varier.

2. Spécifications d'imagerie et réglages des paramètres

  1. Normes des paramètres d'imagerie
    ​REMARQUE : Cette étude illustre uniquement le flux de travail d'imagerie en champ large pour l'instrument après coloration par PI et Hoechst 33342.
    1. Allumez l'instrument, puis démarrez l'ordinateur. Ouvrez le logiciel d'analyse fourni avec l'appareil.
    2. Chargez la plaque 96 puits dans l'instrument. Sélectionnez le champ de vision contenant les échantillons à imager.
    3. Dans les paramètres Objectif et Caméra, réglez le grossissement sur « 20XPh1SPlanFluorELWDADM » (Nikon, S Plan Fluor, ELWD, 20X/0.45, ∞/0-2, WD 8.2-6.9, OFN22, Ph1, AMD, MRH48230), le binning de la caméra sur « 2 » et le mode d'acquisition sur « Widefield ».
    4. En mode plaque, sélectionnez les paramètres correspondants de la plaque 96 puits et ajustez les paramètres de la plaque selon les données dimensionnelles du produit.
    5. Dans l'option Site, sélectionnez généralement 9 champs par puits pour une imagerie dense. Dans les options de mise au point automatique, choisissez Activer la mise au point basée sur le laser.
    6. Ajustez les paramètres de mise au point automatique laser sous Autofocus, en fonction de l'épaisseur moyenne du fond de la plaque mesurée à partir d'au moins trois puits échantillons. Ajustez l'épaisseur du fond, la variation maximale d'épaisseur du fond, la variation maximale entre puits adjacents, la variation maximale intra-puits et la variation maximale de la plaque en conséquence.
    7. Sous Longueurs d'onde, réglez le nombre de longueurs d'onde à 3. Pour la première illumination, sélectionnez DAPI. Dans Correction d'éclairage, choisissez « Auto Correction for FL » (Figure 2B).
    8. Après avoir trouvé l'image, réglez l'exposition initiale (ms) à 20–30. Observez les images capturées et ajustez continuellement l'exposition pour obtenir une intensité de fluorescence modérée sans sur-exposition, et réglez la profondeur de bit à 16 (Figure 2A).
    9. Choisissez Laser avec décalage z pour l'ajustement de la mise au point. Si la mise au point n'est pas nette, cochez Utiliser la pile Z, cliquez sur Calculer le décalage, puis sélectionnez une distance focale appropriée. Cochez Confocal numérique (info) et réglez les paramètres d'ajustement pour Augmenter la netteté et Réduire le bruit à 0,200.
      NOTE : Si l'exposition ou la netteté de l'image n'est pas satisfaisante, ajustez l'exposition et recalculez les paramètres de décalage.
    10. Pour la deuxième illumination, sélectionnez Cy3. Appliquez les mêmes réglages que dans les étapes 2.1.7 à 2.1.9.
    11. Pour la troisième illumination, sélectionnez TL 25. Appliquez les mêmes réglages que dans les étapes 2.1.7 à 2.1.9.
      NOTE : Réglez la correction d'éclairage en fonction du canal, et TL 25 doit sélectionner Auto Correction for TL. Dans Longueurs d'onde, le canal TL doit être configuré pour le positionnement cellulaire et l'observation morphologique.
    12. Dans l'onglet Exécuter, nommez la plaque selon la convention de dénomination : nom de la plaque-type cellulaire-ID de l'expérience-date-grossissement de l'objectif-type d'imagerie. Confirmez les paramètres liés au canal d'imagerie sous Description.
    13. Cliquez sur Acquérir la plaque pour démarrer l'imagerie. Une fois l'imagerie terminée, éteignez le logiciel, l'instrument et l'ordinateur dans cet ordre.
      ​REMARQUE : Par la suite, l'ordinateur peut être utilisé uniquement pour l'exportation des images, le traitement des données et l'analyse des résultats.
  2. Normes et exigences opérationnelles d'imagerie
    1. Centre le champ de vision dans le puits afin d'éviter les effets de bord (Figure 1A). Pendant la configuration des paramètres d'imagerie, utilisez le témoin positif présentant l'intensité de fluorescence la plus élevée comme référence. En outre, lors de la mise au point, choisissez un champ de vision contenant une monocouche cellulaire, propre et sans débris.
    2. Pour la caméra, maintenez strictement les valeurs des pixels en dessous de 60000 (la valeur maximale étant 65535) afin d'éviter la saturation, qui peut entraîner une perte irréversible d'information. Si des taches ou zones trop brillantes apparaissent, réduisez l'exposition. En même temps, ne maintenez pas le temps d'exposition trop bas ; sinon, le bruit dominera l'image.
    3. Pour les signaux de fluorescence faibles, privilégiez une légère augmentation de l'exposition plutôt que d'augmenter fortement les paramètres, afin d'éviter les dommages irréversibles dus au photoblanchiment.
      NOTE : Pour l'imagerie en champ clair, ces principes peuvent être légèrement assouplis, mais l'accent principal reste mis sur l'intégrité du signal et la protection de l'échantillon.
    4. Assurez-vous que les contours périphériques de l'échantillon sont clairement discernables et que les structures internes fines (telles que les granules, fibres, organites) présentent des textures bien définies, sans flou, et que la lumière diffusée de fond est uniformément répartie, sans taches lumineuses localisées ni halos flous. Évitez strictement la sur- et la sous-mise au point.
    5. Assurez-vous de disposer de groupes normaux, positifs, négatifs et expérimentaux, et que chaque groupe de traitement comporte au moins 3 puits parallèles. Il est recommandé d'organiser les puits parallèles verticalement.

3. Traitement et analyse des images

REMARQUE : Ce document décrit trois méthodes de traitement d'images fournies par le logiciel compagnon de l'appareil, toutes adaptées au protocole de coloration utilisé dans cette étude. Bien que ces méthodes partagent le même principe fondamental de reconnaissance, elles diffèrent par leurs techniques de traitement spécifiques et les types de résultats obtenus. Le flux de travail de traitement d'image était identique dans tous les cas : Ouvrir le fichier → Charger l'image d'origine avec la méthode de traitement correspondante → Régler les paramètres de canal appropriés → Générer un masque → Définir le type de données de mesure dans Mesurer → Exécuter l'analyse → Observer les résultats → Exporter les données.

  1. Ouvrir le logiciel d’analyse fourni avec l’appareil → Vérifier la plaque → Sélectionner la plaque.
  2. Dans la vue Date, sélectionner l’agencement des puits et choisir un champ de vision du groupe positif comme référence.
  3. Sous Exécuter l’analyse, sélectionner le programme de traitement correspondant et définir les paramètres de traitement d’image ou exporter l’image.
  4. Après avoir défini et enregistré les paramètres, sélectionner Exécuter sur tous les puits / Exécuter sur les sélections / Exécuter sur le site affiché selon l’objet de réglage des paramètres.
  5. Une fois que l’ordinateur a terminé le traitement des données, sous l’onglet Mesures, sélectionner le programme de traitement de données correspondant dans Analyse et choisir différents résultats de mesure dans Mesure pour vérifier les données.
  6. Cliquer sur Ouvrir le journal pour commencer l’exportation des données. Définir les détails suivants dans les paramètres pour les trois méthodes de traitement d’image :
    1. Méthode de traitement d’image une : Score cellulaire multi-longueurs d’onde
      1. Sélectionner le programme Score cellulaire multi-longueurs d’onde et configurer les paramètres. Définir le Nombre de longueurs d’onde. Choisir Standard pour l’algorithme.
      2. Définir les paramètres de reconnaissance pour tous les noyaux en fonction des résultats de coloration par PI. L’image source W1 par défaut est le canal DAPI.
      3. Définir la largeur minimale approximative à 8–10 µm et la largeur maximale approximative à 30–35 µm, en fonction de la taille des objets individuels à reconnaître.
      4. Définir l’intensité au-dessus du fond local à 2 000–10 000 niveaux de gris. Utiliser Aperçu pour tester et ajuster les paramètres en fonction des résultats de reconnaissance.
      5. Définir les paramètres W2 en fonction des résultats de coloration par Hoechst 33342. Nommer ce canal. L’image source W2 est Cy3.
      6. Dans Zone colorée, sélectionner la région colorée par ce canal comme Noyau. Suivre les mêmes paramètres que dans les étapes 3.6.1.3–3.6.1.4 pour les réglages suivants. Dans Configurer le journal récapitulatif ou Configurer le journal de données (Cellules), sélectionner la configuration de paramètres correspondante en fonction des paramètres de résultats souhaités.
        NOTE : En général, Configurer le journal récapitulatif est utilisé pour définir les types de données requis, tandis que Configurer le journal de données (Cellules) est utilisé lorsqu’un marquage spécifique des cellules individuelles est nécessaire.
      7. Effectuer un test d’exécution pour observer la reconnaissance. Si les résultats de reconnaissance sont satisfaisants, enregistrer les paramètres.
    2. Méthode de traitement d’image deux : Vivant-Mort
      1. Sélectionner le programme Vivant-Mort et commencer à configurer les paramètres. Définir séquentiellement les paramètres de longueur d’onde 1 et de longueur d’onde 2.
      2. Sous Paramètres de longueur d’onde 1, définir la Source de longueur d’onde 1 sur DAPI. L’algorithme par défaut est « Standard ».
      3. Définir le type de cellule colorée sur Toutes les cellules et la zone colorée sur Noyau en fonction des conditions de coloration. Définir la largeur minimale approximative, la largeur maximale approximative et l’intensité au-dessus du fond local en utilisant les mêmes paramètres que la méthode Score cellulaire multi-longueurs d’onde.
      4. Cocher Séparer les objets en contact et utiliser Aperçu pour tester.
      5. Sous Paramètres de longueur d’onde 2, définir la Source de longueur d’onde 2 sur Cy3.
      6. Définir le type de cellule colorée sur Mort et la zone colorée sur Noyau en fonction de la coloration spécifique. Définir la largeur minimale approximative, la largeur maximale approximative et l’intensité au-dessus du fond local en utilisant les mêmes paramètres que la méthode Score cellulaire multi-longueurs d’onde.
      7. Cliquer sur Configurer le journal récapitulatif et sélectionner la configuration de paramètres en fonction des types de données requis. Effectuer un test d’exécution pour observer la reconnaissance. Si les résultats de reconnaissance sont satisfaisants, enregistrer les paramètres.
    3. Méthode de traitement d’image trois : mode développeur CME
      1. Sélectionner le programme Module personnalisé (CME) et commencer à configurer les paramètres. Configurer les noms d’image et les canaux.
        NOTE : Pour faciliter les paramètres ultérieurs, les définir généralement sur les noms de canaux utilisés lors de l’imagerie.
      2. Dans Trouver des objets, ouvrir Seuil simple pour définir la reconnaissance pour l’ensemble.
      3. Définir la Source en correspondance avec le nom de l’image. En fonction de la plage de valeurs de gris 16 bits, remplir 0 à Seuil bas et 65535 à Seuil haut.
      4. Nommer le résultat du traitement dans Résultat, appliquer et observer la situation de marquage. Dans Trouver des objets, ouvrir Trouver des taches pour générer un résultat de masque.
      5. Définir la Source en correspondance avec le nom de l’image, comme dans Seuil simple. Définir la largeur minimale approximative, la largeur maximale approximative et l’intensité au-dessus du fond local selon les paramètres de la méthode Score cellulaire multi-longueurs d’onde.
      6. Nommer le résultat du traitement dans Résultat, appliquer et observer le résultat de marquage. Pour le résultat de reconnaissance Trouver des taches, utiliser l’outil Modifier les objets pour filtrer, agrandir, rétrécir et inverser.
      7. Sous Mesurer, définir Modifié. Dans Entrées de mesure, saisir 1 pour Valeur de surface standard et cocher Créer superposition d’objets.
      8. Dans Objets à mesurer, sélectionner la source des objets marqués dans Masque des objets et l’image source à mesurer dans Image à mesurer. Choisir le nom de mesure correspondant en fonction des paramètres de résultat de traitement requis, appliquer et observer le résultat de reconnaissance des paramètres.
      9. Après avoir confirmé les paramètres, enregistrer la configuration.
    4. Méthode générale : ImageJ
      ​NOTE : Analyser les résultats d’imagerie à l’aide de la méthode ImageJ pour les images fluorescentes19, puis effectuer une analyse comparative avec les trois méthodes de cet instrument.
      1. Ouvrir le logiciel ImageJ. Importation d’image : Fichier → Ouvrir → Sélectionner l’image en niveaux de gris d’origine à analyser.
      2. Convertir l’image en 8 bits : Image → Type → 8 bits. Reconnaissance de la valeur de gris : Image → Ajuster → Seuil → Par défaut, Rouge → Cocher Fond foncé → Définir → OK.
        NOTE : Si la reconnaissance de la zone rouge est insatisfaisante, remplacer Par défaut par l’un des 16 modèles de reconnaissance ImageJ intégrés ou ajuster le curseur dans la boîte de dialogue.
      3. Définir les paramètres : Analyser → Définir les mesures. Dans la boîte de dialogue qui s’affiche, cocher Surface, Valeur moyenne de gris, Densité intégrée, Limiter au seuil, Afficher l’étiquette, Rediriger vers Aucun par défaut, et saisir 2 pour Nombre de décimales (0-9). Cliquer sur OK.
      4. Analyser les résultats de reconnaissance : Analyser → Mesurer. Enregistrer les résultats : Dans la boîte de dialogue des résultats qui s’affiche, Fichier → Enregistrer sous, et sélectionner l’emplacement d’enregistrement.
  7. Exportation d’image
    1. Sélectionner un champ de vision de puits positif de haute qualité comme standard de référence.
      NOTE : Les exigences de base en matière de qualité sont l’authenticité, la mise au point précise, une exposition adaptée (16 bits) et un contraste approprié (un rapport signal/bruit plus élevé est préférable). Les exigences de haute qualité incluent des caractéristiques nettes, un contraste marqué, une praticité, des changements morphologiques intuitifs et des points clés mis en évidence.
    2. Sous Exécuter l’analyse, sélectionner ExportPro dans la section Analyse, puis démarrer Configuration de l’analyse. Dans Sélectionner les options de sortie, choisir Canal individuel, Superposition en couleurs, réduire l’image (facultatif) et Barre d’échelle (facultatif) en fonction des besoins de l’image.
    3. Sélectionner les images des canaux fluorescents à exporter pour chaque champ de vision. Dans Canal individuel, sélectionner une couleur pour chaque canal, par exemple Bleu pour le canal DAPI et Monochrome pour le canal TL.
    4. Dans Superposition en couleurs, sélectionner dans l’ordre les canaux correspondant à CHAMP CLAIR, ROUGE, BLEU et VERT (Sélectionner la longueur d’onde de couleur pour la superposition en couleurs). Définir le Nombre à 100 ; observer l’image d’aperçu et accepter le résultat d’aperçu.
    5. Dans Sortie, sélectionner le dossier où les images exportées seront stockées dans Exporter vers le dossier. Démarrer l’exécution.
      NOTE : Les images d’un même lot ne doivent pas être exportées séparément ; un lot d’images désigne un ensemble d’images provenant de quatre échantillons de base : contrôle négatif, contrôle positif, groupe témoin de base et groupe expérimental cible, toutes obtenues dans des conditions expérimentales strictement identiques.
  8. Comparaison des méthodes de traitement d’image
    1. Sélectionner 9 champs de vision et comparer le comptage manuel traditionnel des cellules mortes et vivantes avec les méthodes Score cellulaire multi-longueurs d’onde, Vivant-Mort, CME et ImageJ pour le comptage des cellules vivantes, des cellules mortes et du rapport entre cellules mortes et vivantes. Utiliser GraphPad Prism version 10.1 pour effectuer une ANOVA à un facteur, accompagnée du test de comparaisons multiples de Tukey, afin d’analyser les différences.
    2. Sélectionner 81 champs de vision et comparer les différences en matière de comptage cellulaire, de surface et d’intensité entre les méthodes Score cellulaire multi-longueurs d’onde, Vivant-Mort, CME et ImageJ. Utiliser GraphPad Prism version 10.1 pour effectuer une ANOVA à un facteur, accompagnée du test de comparaisons multiples de Tukey, afin d’analyser les différences.
      NOTE : Les expériences de culture cellulaire et de coloration doivent être réalisées dans une cabine de sécurité biologique. Éliminer les liquides usés, les pointes et autres déchets expérimentaux conformément aux réglementations du laboratoire. Assurer une protection complète tout au long de l’expérience.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Impact de la préparation standardisée sur la qualité de l'imagerie

Les paramètres de la plaque ont été configurés pour garantir que l'appareil puisse localiser de façon fiable la couche d'images cellulaires. Les échantillons préparés en une seule couche de cellules avec une confluence modérée ont facilité la mise au point des images à différentes amplifications objectives et amélioré la reconnaissance des images ainsi que l'analyse quantitative. Une préparation normalisée des ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

En utilisant la méthode de double coloration par PI et Hoechst pour déterminer la viabilité cellulaire, par exemple, l'instrument à haut débit peut calculer rapidement et de manière hautement performante la viabilité cellulaire au sein d'un même lot à l'aide de modules algorithmiques intégrés. Cette méthode présente plusieurs avantages, notamment un faible volume d'échantillon, un coût réduit, des dommages cellulaires minimes, une faible photodégradation de la fluorescence, une résistance à l'extinction et la possibilité...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Tous les auteurs déclarent qu'il n'existe aucun conflit d'intérêts. Lors de la traduction du manuscrit, Zhipu AI a été utilisé uniquement pour la traduction et non pour générer des données de recherche, des résultats expérimentaux ou un contenu académique central. Les auteurs assument l'entière responsabilité du contenu du manuscrit.

Remerciements

Les auteurs remercient le soutien fourni par la fondation de l'École de l'université de médecine traditionnelle chinoise de Chengdu. Les auteurs remercient le soutien provenant de la subvention MPRC2022034. Ce financement est utilisé pour développer une méthode d'imagerie dynamique en 3D des bactéries intestinales dans le Decoction Erchen pour traiter des souris obèses simples. Les auteurs reconnaissent la plateforme de recherche fournie par l'Institut innovant de médecine et de pharmacie chinoises de l'université de médecine traditionnelle chinoise de Chengdu et par l'Institut d'études interdisciplinaires.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Tube de centrifugation de 1,5 mLLabigic Technology Co., Ltd.MCT-001-150
Pointes de pipette de 1000 µLLabigic Technology Co., Ltd.35423003E
Tube de centrifugation de 15 mLLabigic Technology Co., Ltd.CT-002-15A
Pointes de pipette de 2,5 µLQingdao Haier Biomedical Co., Ltd.B10T
Pointes de pipette de 200 µLLabigic Technology Co., Ltd.T-001-200
Tube de centrifugation de 50 mLLabigic Technology Co., Ltd.CT-002-50A
Plaque de culture cellulaire à 96 puitsCorning Incorporated3599
Pipette monocanal réglable, 0,1–2,5 μLEppendorf SE3120000216
Pipette monocanal réglable, 100–1000 μLEppendorf SE3120000267
Pipette monocanal réglable, 20–200 μLEppendorf SE3120000259
Pipette monocanal réglable, 2–20 μLEppendorf SE3120000232
Boîte de culture cellulaireCorning Incorporated430167
Flacons cryogéniquesLabigic Technology Co., Ltd.BS-20-ST
Diméthylsulfoxyde (DMSO)Beijing Solarbio Science & Technology Co., Ltd.D8371
Milieu de culture Eagle modifié de Dulbecco (DMEM)Life Technologies Limited11966-025Dans cette étude, le DMEM complet a été préparé à l’aide de 10 % de SFB, 1 % de solution de pénicilline-streptomycine et 89 % de DMEM.
Incubateur CO2 ESCO CelCultureEsco Micro Pte. Ltd.CCL-170B-8
Sérum de veau fœtal (FBS, Superfine)Procell Life Science & Technology Co.,Ltd.164210-50
Colorants fluorescents Hoechst 33342Beijing Solarbio Science & Technology Co., Ltd.B8040
Cellule HT22Procell Life Science & Technology Co.,Ltd.CL-0697
ImageJNational Institutes of HealthImageJ est l’un des logiciels de traitement d’image utilisés dans le manuscrit.
Système d’imagerie à contenu élevé ImageXpress Micro ConfocalMolecular Devices, LLCImageXpress Micro ConfocalDans le manuscrit, utiliser « Système d’imagerie à contenu élevé » comme substitut au nom de l’instrument.
Centrifugeuse réfrigérée à basse vitesseHunan Xiangyi Laboratory Instrument Development Co., Ltd.L530R
Logiciel d’acquisition et d’analyse d’images à contenu élevé MetaXpressMolecular Devices, LLCLe logiciel est un complément du système d’imagerie à contenu élevé ImageXpress® Micro Confocal. Dans le manuscrit, « Le logiciel d’analyse fourni avec l’appareil » fait référence à ce logiciel.
Armoire à flux laminaire vertical OptiMairEsco Micro Pte. Ltd.ACB-4E1
Parafilm MPechiney Plastic Packaging Inc.PM996
PBS Shanghai Yuchun biology science and technology co., ltd YC-5013
Solution de pénicilline-streptomycineProcell Life Science & Technology Co.,Ltd.PB180120
Solution d’iodure de propidium (PI)Beijing Solarbio Science & Technology Co., Ltd.C0080
Solution de trypsine-EDTABasalMedia Technology Co.,Ltd.S310KJ

Références

  1. Dariolli R, Nir R, Mushlam T, Souza GR, Farmer SR, Batista ML. Optimized scaffold-free human 3D adipose tissue organoid culture for obesity and disease modeling. SLAS Discovery. 2025;31:100218.
  2. Menduti G, Boido M. Recent advances in high-content imaging and analysis in iPSC-based modelling of neurodegenerative diseases. Int J Mol Sci. 2023;24(19).
  3. Park JC, Mook-Jung I. Toward brain organoid-based precision medicine in neurodegenerative diseases. Organoid. 2022;2.
  4. Geyer M, Schreyer D, Gaul LM, Pfeffer S, Pilarsky C, Queiroz K. A microfluidic-based PDAC organoid system reveals the impact of hypoxia in response to treatment. Cell Death Discovery. 2023;9:20.
  5. Huang CJ, Shieh PC, Yang JS, et al. Pterostilbene suppressed cell viability, induced apoptosis and autophagy of cisplatin-resistant gastric cancer cells. Anticancer Res. 2025;45(2):511-523.
  6. Wang G, Li Y, Sun T, et al. BMSC affinity peptide-functionalized β-tricalcium phosphate scaffolds promoting repair of osteonecrosis of the femoral head. J Orthop Surg Res. 2019;14(1):204.
  7. Uzoechi SC, Collins BE, Badeaux CJ, et al. Effects of amyloid beta (aβ) oligomers on blood–brain barrier using a 3D microfluidic vasculature-on-a-chip model. Appl Sci. 2024;14(9). doi:10.3390/app14093917
  8. Pereira JD, DuBreuil DM, Devlin AC, et al. Human sensorimotor organoids derived from healthy and amyotrophic lateral sclerosis stem cells form neuromuscular junctions. Nat Commun. 2021;12(1):4744.
  9. Cromwell EF, Leung M, Hammer M, Thai A, Rajendra R, Sirenko O. Disease modeling with 3D cell-based assays using a novel flowchip system and high-content imaging. SLAS Technol. 2021;26(3):237-248.
  10. Tabęcka-Łonczyńska A, Skóra B, Szlachcikowska D, et al. Impact of Hericium erinaceus and Ganoderma lucidum metabolites on AhR activation in neuronal HT-22 cells. Pharmacol Rep. 2025;77(6):1557-1572.
  11. Tang J, Chen R, Wang L, et al. Melatonin attenuates thrombin-induced inflammation in BV2 cells and then protects HT22 cells from apoptosis. Inflammation. 2020;43(5):1959-1970.
  12. Zhang W, Sun H, Zhao W, Li J, Meng H. Suppression of JNK pathway protects neurons from oxidative injury via attenuating parthanatos in glutamate-treated HT22 neurons. Sci Rep. 2024;14(1):25793.
  13. Thoudam T, Chanda D, Lee JY, et al. Enhanced Ca2+-channeling complex formation at the ER-mitochondria interface underlies the pathogenesis of alcohol-associated liver disease. Nat Commun. 2023;14(1):1703.
  14. Huang Z, Zhang Q, Wang Y, et al. Inhibition of caspase-3-mediated GSDME-derived pyroptosis aids in noncancerous tissue protection of squamous cell carcinoma patients during cisplatin-based chemotherapy. Am J Cancer Res. 2020;10(12):4287-4307.
  15. Andreyev AY, Yang H, Doulias PT, et al. Metabolic bypass rescues aberrant S-nitrosylation-induced TCA cycle inhibition and synapse loss in Alzheimer’s disease human neurons. Adv Sci. 2024;11(12):2306469.
  16. Backström A, Kugel L, Gnann C, et al. A sample preparation protocol for high throughput immunofluorescence of suspension cells on an adherent surface. J Histochem Cytochem. 2020;68(7):473-489.
  17. Hongxing Tang et al. Protective effects of hinokitiol on neuronal ferroptosis by activating the Keap1/Nrf2/HO-1 pathway in traumatic brain injury. J Neurotrauma. 2024;41(5-6):734-750.
  18. Teerawonganan P, Hasriadi, Dasuni Wasana PW, et al. Synthesis, cytotoxicity, and mechanistic evaluation of tetrahydrocurcumin-amino acid conjugates as LAT1-targeting anticancer agents in C6 glioma cells. Int J Mol Sci. 2024;25(20):11266.
  19. Shihan MH, Novo SG, Le Marchand SJ, Wang Y, Duncan MK. A simple method for quantitating confocal fluorescent images. Biochem Biophys Rep. 2021;25:100916.
  20. Gomez-Dopazo G, Nieves RJA, Rivera RLA, et al. Cellulose acetate microwell plates for high-throughput colorimetric assays. RSC Adv. 2024;14(22):15319-15327.
  21. DuBreuil DM, Chiang BM, Zhu K, et al. A high-content platform for physiological profiling and unbiased classification of individual neurons. Cell Rep Methods. 2021;1(1).
  22. Ronzetti M, Simeonov A. A comprehensive update on the application of high-throughput fluorescence imaging for novel drug discovery. Expert Opin Drug Discovery. 2025;20(6):785-797.
  23. Jiang X, Li M, Wang Y, et al. 1,2,4,5-tetrazine-tethered probes for fluorogenically imaging superoxide in live cells with ultrahigh specificity. Nat Commun. 2023;14(1):1401.
  24. Yu Y, Chen J, Zhang X, et al. Identification of anti-inflammatory compounds from zhongjing formulae by knowledge mining and high-content screening in a zebrafish model of inflammatory bowel diseases. Chin Med. 2021;16(1):42.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

Flux de travail d'imagerieViabilité cellulaireMarquage PI HoechstCellules HT22Méthodes de traitement d'imageScoring cellulaire multi-longueurs d'ondeEssai de viabilité/mortComparaison avec ImageJ

Cet article a été publié

Vidéo bientôt disponible

Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.