方法論記事

骨細胞の解析とイメージング

DOI：

10.3791/64699

⸱

2024年11月29日

 ,  ,  ,  ,  , 
1School of Science and Engineering, University of Missouri-Kansas City, 2Department of Oral and Craniofacial Sciences, School of Dentistry, University of Missouri-Kansas City

この記事について

サマリー

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

本研究では、計算流体力学(CFD)解析のために、飛翔小管網(LCN)内の骨細胞の3次元(3D)モデルを可視化・開発する方法について概説します。この方法を使用して生成されたモデルは、健康な骨または病気の骨の骨細胞メカニズムを理解するのに役立ちます。

要約

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

骨細胞は、機械伝達として知られるプロセスでさまざまな生物学的経路を活性化することにより、機械的ひずみと流体流せん断応力(FFSS)に応答すると考えられている骨細胞です。骨細胞ネットワークの共焦点画像から得られるモデルは、直接測定では決定できない骨細胞膜のせん断応力を評価するための計算流体力学(CFD)解析を行うための貴重なツールです。骨の微細構造構造のこれらの高解像度画像を使用した計算モデリングを使用して、骨にかかる機械的負荷を数値的にシミュレートし、骨細胞の負荷誘発刺激を理解しました。

本研究では、Lacunar-Canalicular Network(LCN)の共焦点顕微鏡画像を用いて3次元単一骨細胞モデルを開発し、各種計算モデリングソフトウェアを用いたCFD解析を行う方法について詳しく説明します。共焦点顕微鏡検査の前に、マウスの骨を切片化し、フルオレセインイソチオシアネート(FITC)色素で染色してLCNを標識します。100倍の解像度で、Zスタック画像を共焦点顕微鏡で収集し、MIMICSソフトウェア(3D画像処理ソフトウェア)にインポートして、LCNおよび骨細胞樹状突起プロセスの表面モデルを構築します。

次に、これらの表面を3-Maticソフトウェア(3Dデータ最適化ソフトウェア)のブール演算を使用して減算し、骨細胞体周辺のラクナ流路空間とラクノカナル液を含む樹状突起の周りの小管空間をモデル化します。3D体積流体形状は、CFD解析のためにANSYSソフトウェア(シミュレーションソフトウェア)にインポートされます。ANSYS CFX(CFDソフトウェア)を使用して、流体圧力として骨に生理学的負荷を加え、骨細胞と樹状突起にかかる壁せん断応力を決定します。LCNの形態は、骨細胞膜と細胞プロセスによって感知されるせん断応力値に影響を与えます。したがって、共焦点画像ベースのモデルがどのように開発されるかの詳細は、骨細胞のメカニズムを理解する上で価値があり、この分野での将来の研究の基礎を築くことができます。

概要

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

骨細胞は、身体運動に応答して骨量を調節すると仮定されています1。骨細胞の膜変形とその樹状突起は、機械的負荷によって骨細胞にFFSSをさらし、これは骨細胞によって検出され、細胞内シグナル伝達を誘発します2,3,4。骨の微細構造は、加齢や骨粗鬆症や糖尿病などの骨疾患、および骨細胞の機械応答性障害を引き起こすペルルカン欠乏症などの状態により、そのラクナ-小管形態の劣化または変化を経て受けます5,6。骨構造のこれらの変化により、骨細胞はさまざまなレベルのFFSSとひずみを経験する7,8。重要なことに、機械的負荷に応答して骨細胞が経験するFFSSは、石灰化した骨基質に埋め込まれているため、in vivoで定量化するのが困難です。

共焦点画像ベースのモデリングは、LCN 9,10のコンピューターモデルを複製することにより、自然環境でアクセスできない骨細胞を研究するという制限を克服する強力な手法です。LCNの相互接続されたネットワークを3Dで処理し、モデル化することは困難でした。透過型電子顕微鏡法(TEM)、走査型電子顕微鏡法(SEM)、シリアルブロック面切片法、およびシリアル集束イオンビーム走査型電子顕微鏡法(FIB / SEM)2,11,12など、いくつかのイメージング技術があります。骨13,14,15を視覚化し、共焦点レーザー走査型顕微鏡(CLSM)を介して3D骨細胞モデルを生成するための貴重な技術が開発されました。CLSMは、すべてのラクナボリュームとほとんどの小管を3Dでイメージングできるため、他のイメージング技術ではなく、計算モデリングのためにここで選択されました16,17。LCN形状は、骨細胞有限要素解析(FEA)のCLSMを使用して生成し、骨のひずみを予測できます。ただし、骨細胞が経験するFFSSを予測するための流体解析は、骨細胞の細胞膜とLCN内の樹状突起のモデリングが必要であり、間質液が18の周りを移動する狭いラクナ-小管腔のモデリングを可能にする必要があるため、より複雑です。

このプロトコルでは、フルオレセインイソチオシアネート(FITC)色素を脱灰していない厚い骨切片に適用してから、共焦点顕微鏡で骨内のLCNを標識し、骨細胞樹状突起膜をLCNからのイメージングデータに基づいてモデル化します。ラクナ-小管腔は計算モデリングを使用してシミュレートされ、身体活動による生理学的負荷はCFDアプローチを使用してモデル化されます。骨細胞は、CFDソフトウェアで流体圧力勾配を受け、LCN内の流体プロファイルを分析し、骨細胞および樹状膜上のFFSSを測定します。さらに、FEAアプローチでは、圧縮力学的負荷を加えることにより、骨細胞のひずみや応力を測定することができます。

また、若くて健康な骨の画像から得られた微細構造を修正し、老齢動物や骨疾患のある動物における裂孔小管の形態の変化をシミュレートするための形状修正技術も開発されました。骨の微細構造の変更には、老化に伴う小管の数の減少、ペルルカン欠損症で何が起こるかをモデル化するためのラクナ-小管腔面積の減少、および老化効果をモデル化するためにそれを増やすこと、および糖尿病骨をモデル化するための小管および樹状突起壁面積の減少が含まれていました5,6。形状修正技術により、若年動物と老人動物、健康な動物と病気の動物の骨など、さまざまな微細構造を持つ骨の骨細胞が経験するFFSSを比較できます。

全体として、共焦点画像ベースのモデリングは、健康な骨の骨細胞の形態だけでなく、骨細胞の形態の老化/疾患関連の変化をシミュレートするための貴重なツールです。さらに、ラクナ-小管腔の表面積や体積などの骨細胞の形態学的パラメータをさまざまな骨で測定および比較して、機械的ひずみに対する細胞応答を予測できます。

プロトコル

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

動物実験は、ミズーリ大学カンザスシティ校(UMKC)の動物管理・使用委員会の承認を得て実施され、関連する連邦ガイドラインに準拠していました。

1. 骨の準備プロセス

  1. 生後4ヶ月および22ヶ月齢の雌C57BL6マウスから大腿骨を採取し、PBS中の4%パラホルムアルデヒドに冷たく4°Cで24時間固定し、穏やかに揺さぶった後、PBSですすぎ、70%エタノールで保存してから埋め込みます。
    注:固定液量は組織量の約20倍にする必要があります
  2. メーカーの指示に従って、速重合アクリル(材料表)に骨をすばやく埋め込みます。
    注:このステップでは、高速重合樹脂を使用することが重要です(~10分)。目的は、ダイヤモンドソーを使用して切片化中に骨組織をサポートすることですが、樹脂がLCNに浸透しないようにすることで、FITCの汚れが浸透するのを防ぐことができます。
  3. ダイヤモンドソーを使用して、第3転子の上の標準化された部位から厚さ300 μmの厚い横スライスを切断し、FITC染色前に70%エタノールで4°Cで保存します。
  4. 600、800、1200グリットのサンドペーパーを使用して切片を研磨し、最終的な厚さが90~100μmになるようにします。
    注:適切な厚さを得ることは、デジタルキャリパーを使用して確認されました。
  5. 切片を70%、95%、100%エタノールでそれぞれ5分間すすぎます。
  6. 100%エタノール中の1% FITCで、暗所(RT)で4時間、適度に振とうしながら染色します。
  7. 切片を100%エタノールで30分間、暗闇で穏やかに振とうしながら洗浄します。その後、暗闇の中で一晩風乾します。
  8. マウントするには、切片を顕微鏡ガラススライド上の封入剤の滴に入れます。鉗子を使用して、切片をスライドに対してできるだけ平らに配置し、気泡の発生を避け、周囲の樹脂を使用してサンプルを操作します。試料にカバースリップを取り付けます。

2. 共焦点顕微鏡

  1. FITCで染色された骨切片のイメージングには、共焦点顕微鏡を使用します。
  2. 1.7のデジタルズームと0.126μmのステップサイズを備えた100x 1.44NAの石油対物レンズを使用して、1024 x 1024ピクセル、0.089μmピクセルの解像度で400のZ面の詳細なZスタックを収集します。
  3. 励起には488nmのレーザーを使用し、発光収集ウィンドウは496〜596nmです。補正設定を使用して画像スタックを収集し、イメージング深度の増加に伴う信号損失を補正します。
  4. オーバーサンプリングやライン平均化の増加などの画像収集手法を使用して、画像の精度と解像度を向上させます。また、 図1に示すように、大腿骨断面の横断面を5倍、20倍、100倍の解像度で画像を収集します。
    注: 図1 の低解像度(5倍)画像は、大腿骨の完全な断面積を示しており、100倍のイメージングフィールドに3つの領域が選択されています。
  5. 100x Zスタックは、骨細胞のコンピュータモデリングに使用します。

3. コンピュータモデリング

  1. 収集した 100x 画像を TIFF 形式で ImageJ ソフトウェアにインポートして、Z 方向の LCN の一連の画像を作成します。
  2. Zスタックを3D画像ベースの処理ソフトウェアにインポートして、画像の向きを定義した後、LCNのマスクを作成します。
  3. 若いマウスと老齢マウスの元の画像を、それぞれ 30,012 から 45,677 の Hounsfield ユニットと 15,000 から 46,701 の Hounsfield ユニットの間で、LCN によく似せるようにしきい値を設定します。セクションメニューの 「しきい値 」を調整して、マスクに含めるピクセル強度の制限を変更します。
  4. Crop Mask(Crop Mask)操作を使用して、スタックから関心領域(ROI)として、その小管を持つ1つのラクナをクロップします。ROI が立方体の中央のラクナを囲み、接続されているすべての小管が立方体の側面に伸びるように ROI を定義します。ラクナを、辺の長さが 21 μm、14 μm、19 μm の架空の大きな立方体に包みます。
  5. モデルは複数のパーツから作成されるため、領域拡大操作を実行して接続されたピクセル領域を選択し、ノイズとノイズ除去を行って均一なLCNを生成します。
  6. 3D画像ベースの処理ソフトウェアの Calculated Part 操作を使用して、ラクナ-小管マスクをオブジェクトに変換します。
  7. スムージング操作を使用してLCNボリュームを減らすことにより、骨細胞と樹状突起膜を構築します。この操作を数回実行して、ラクナと小管の腔の厚さをそれぞれ0.75μmと0.08μm(9,18)にします。
  8. 3D画像ベースの処理ソフトウェアの最後のステップとしてオブジェクト(STL形式)をエクスポートします。
  9. LCNと骨細胞樹状膜の2つの層を3Dデータ最適化ソフトウェアにインポートして、ボリュームメッシュを生成します。
  10. ソフトウェアの Fix Wizard ツールを使用して、各パーツのメッシュの問題を特定します。各操作後に 、Fix Wizard の診断セクションでメッシュ品質を確認します。
  11. 反転した法線パーツ、交差する三角形、および不正な輪郭は、修正ウィザードの自動修正操作を使用して削除します。
  12. 重なり合う三角形は、新しい三角形を定義して手動で置き換えるか、 穴を埋める法線 操作によって自動的に置き換えます。
  13. 鋭い三角形、小さなエッジ、小さなシェルのフィルタリングなどの操作を使用して、メッシュ品質を向上させます。
  14. メッシュ品質を改善した後、LCNと骨細胞-樹状膜の2つの表面を、非多様体アセンブリを使用して両方の部品に属する1つの表面(ラクナ-小管流体空間)に結合します。
  15. Remesh操作を使用してラクナ-小管空間のボリュームモデルを作成し、STLファイルとしてエクスポートします。エクスポートセクションでオブジェクトのスケールをマイクロメートル単位で調整します。

4. 3次元画像処理ソフトウェアと3次元データ最適化ソフトウェアによる形状修正技術

注:ジオメトリ修正技術は、加齢や骨疾患による小管密度や直径、ラクナ小管の厚さなど、骨細胞の形態の変化をモデル化するために使用されます。

  1. 若い骨細胞を基本モデルとして選択し、形態学的変更を適用することにより、他の異なる骨細胞モデルを構築するように修正します。
  2. 3D画像ベースの処理ソフトウェアで画像のしきい値を変更することにより、基本モデルとは異なる小管密度の骨細胞モデルを生成します。
    1. しきい値を低くすると、画像の光強度が減少し、小管の少ないラクナが得られます。閾値化技術の利点は、ラクナの形状とサイズが同じままで、小管密度の影響のみが研究されることです。 図2 は、形状修正技術を使用して若い骨細胞から生成されたシミュレートされた老化モデルを示しています。
  3. 3D画像処理ソフトウェアと3Dデータ最適化ソフトウェアで、異なるラクナ-小管腔の厚さまたは樹状突起/小管径の骨細胞モデルを開発します。より大きな骨細胞モデルまたはより小さな骨細胞モデルを、それぞれ ラッピング または スムージング 操作で構築します。 図3 は、若い骨細胞から開発された形状を変更した6つの骨細胞モデルを示しています。

5. CFD解析

注: 体積骨細胞モデルを生成した後、シミュレーション ソフトウェアの CFX モジュールで、ジオメトリ、メッシュ、セットアップなどのいくつかの手順が実行されます。

  1. シミュレーションソフトウェアで流体の流れを作成し、CFD解析用のモデルを準備します。
  2. 開発した共焦点画像ベースの形状を、ANSYS SpaceClaim(3Dモデリングツール)と呼ばれるCFXのジオメトリセクションにインポートします。設定では、単位寸法をナノメートルに設定します。
  3. 幾何学は、LCNと骨細胞樹状突起プロセスの2つの側面として現れます。トップメニューの ファセット をクリックして、交差、鋭角または過剰に接続されたエッジ、各ファセットの頂点、開口部、穴などの幾何学的エラーを削除します。
  4. ファセットメニューの「減算」をクリックして、大きなファセットであるLCNから小さなファセットと骨細胞樹状突起のプロセスを縮小し、ラクナ-小管腔の単一のボディを実現します。次に、生成されたファセットを右クリックし、面をマージせずにファセットからソリッドドメインに変換します。図4は、ラクナ-小管腔を表す若い骨細胞モデルの断面積を示しています。
  5. meshをクリックし、0.06 μmの要素サイズを使用して線形四面体要素を選択します。メッシュ収束スタディでメッシュを細分化し、結果がメッシュサイズに依存しないように、小さな樹枝系に十分な要素を配置します。
  6. サーフェスを選択し、仮想立方体の上側にある小管を流体入口として選択します。 Box select を使用して、他の 5 つの面の小管を流体出口として選択します。
  7. メッシュ (fluent ファイル形式) をエクスポートし、次の手順でセットアップでの読み込みが速くなります。
  8. シミュレーションソフトウェアで別の流体フローを作成し、流暢なメッシュをCFXのセットアップセクションにインポートします。「 境界の挿入」(Insert Boundary ) オプションを使用して、入口/出口として事前に選択された面の入口と出口の 2 つの境界条件を定義します。
  9. 生理学的条件を模倣するには、入口と出口にそれぞれ300Paと0Paの流体入口圧力をそれぞれ19,20で加えます。残りのサーフェスを、壁の界面で速度がゼロの流体で滑り止め状態の壁として扱います。液体は、樹状突起と骨細胞体周辺の入口から流れ、出口として割り当てられた他の小管から出ます。
  10. 間質層流動を、材料ライブラリから選択した水9として扱います。 熱伝達、燃焼、 および熱輻射 セクションを なしに設定します (問題では熱伝達が定義されていないため)。LCN の流体特性として 乱流 モード(層流流体 9)を選択します。
  11. 提出タイプとして Double Precision と Direct Start を使用してソフトウェアを実行します。残差が減少して一定になるまで、質量と運動量を監視します。解析の収束後、CFDソフトウェアのCFD-postセクションを使用してFFSSデータを測定します。

6. CFD後処理

  1. 骨細胞とその樹状突起が経験するFFSSを描写するには、CFDソフトウェアの結果セクションに新しい輪郭を挿入します。ドメインでの変数として骨細胞-樹状膜上の壁せん断を選択することにより、FFSSコンターを作成します。
    注:樹状膜で高いFFSSをより適切に表示するために、FFSSの範囲を ユーザー指定 に設定して、FFSSの最小/最大値を変更します。
  2. 流速流線の等高線を流入口からラクナ-小管領域内に挿入します。サンプリングを等間隔に設定し、ポイントの数を 2500 として選択します。CFDソフトウェアのアニメーションセクションは、速度流線グラフを使用して、流体粒子がラクナ-小管空間内をどのように流れるかを3Dで正確に表示します。
  3. CFDソフトウェアの 関数計算 ツールを使用して、特にさまざまな骨細胞モデル(若年者と高齢者)がある場合に、幾何学的パラメータに基づいてFFSSの大きさまたは速度を分析します。ラクナ-小管空間の体積と表面積を、最大、最小、または平均のFFSS値とともに幾何学的パラメータとして測定します。

結果

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

このプロトコルでは、機械的負荷により骨細胞とその樹状突起が受ける流体の流れせん断応力の量を調査するために、共焦点由来の骨細胞モデルを開発する方法について説明します。老化したC57BL6マウスと若いC57BL6マウスを選択し、若くて老化した共焦点画像ベースの骨細胞モデルを作製しました。他の6つのシミュレートされた骨細胞モデルは、同じ若い骨細胞モデルからジオメトリ修正技術を使用して生成され、加齢または骨疾患によるLCN形態の変化を研究しました。ジオメトリ修正されたパラメータには、ラクナ-小管の厚さ、小管密度、および直径が含まれていました。改変骨細胞モデルは、一度に1つのパラメータを変更し、他のパラメータを同じにすることで開発されました。したがって、FFSSに対する各形態学的パラメータの影響は、単独で調べられます。その結果、これらの骨細胞モデルでは、骨細胞が経験するFFSSの量が異なることが明らかになり、FFSSがLCNの形態に依存していることが示されました。FFSS値は、骨細胞体や樹状膜など、骨細胞モデルのさまざまな部分で予測されました。すべてのモデルの樹状突起は、骨細胞体膜よりも大きなFFSS値を示しました。

図5は、共焦点FITC画像スタックから直接生成された若年骨細胞モデルと老化骨細胞モデルのFFSS輪郭と、ジオメトリ修正技術を使用してモデル1から開発された他の6つの骨細胞モデルのFFSS輪郭を示しています。若年骨細胞モデル(モデル1)の骨細胞および樹状膜上の平均FFSSは0.42Paであり、これは老化骨細胞モデル(モデル2)の平均FFSS0.13Paよりも有意であった。得られたデータは、ラクナ小管腔が大きい骨細胞(モデル7およびモデル8)で平均FFSSが増加し、小管密度が低い骨細胞(モデル3およびモデル4)でFFSSが減少するのに対し、モデル5およびモデル6では樹状突起径を変更してもFFSSは有意に変化しなかったことを示しています。モデル2とモデル4のFFSS値は、それぞれ0.19 Paと0.13 Paと最も低い値でした。モデル8のFFSSの大きさは、他の骨細胞モデルよりも大きいです。モデル8では、樹状突起のほとんどが赤色であるだけでなく、骨細胞体も他のモデルよりも高いFFSSを経験します。

また、ANSYS CFXでの後処理により得られたラクナ-小管腔の体積と表面積に基づいて、骨細胞が経験するFFSSが提示され、FFSSとLCNの構造変化との相関関係が明らかになりました。また、骨形成を引き起こすFFSSのレベルと考えられる0.8Paを超えるFFSSに曝露された各モデルの表面積を測定することもできた21,22。骨細胞モデリングは、表1に示すように、すべての骨細胞モデルについて、平均FFSSとラクナ-小管腔の体積または表面積との間に相関関係があることを示しました。老齢骨細胞(モデル2)と模擬中年骨細胞(モデル4)で小管密度が最も低いものは、ラクナ小管表面積が1372.7μm2と1122.6μm2と最も低かった。また、モデル2とモデル4は、ラクナ-小管腔の体積がそれぞれ229.4 μm3と203.5 μm3と最も低く、FFSSの量が少ないことと相関していると考えられる。樹状突起の直径が最大のモデル6は、ラクナ-小管表面積が最大でした。モデル8は、最大のラクナ-小管腔体積と最大のFFSS値を持っていました。

figure-results-1
図1:5倍、20倍、100倍のオイル対物レンズで撮影されたFITC染色された大腿骨の横断面の単一Z平面共焦点画像。 Lacunar-canalicularネットワークは、100倍対物レンズで撮影した画像に写っています。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-2
図2:生後4ヶ月と22ヶ月齢のC57BL6マウスのFITC染色大腿骨から作製した若年骨細胞(モデル1)と老齢骨細胞(モデル2)の共焦点画像ベースモデル。 拡大画像は、若い骨細胞のラクナ-小管(LC)の厚さと、老化した骨細胞の同じ厚さを示しています。モデル1の画像は、Niroobakhsh et al.23の許可を得て変更されています。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-3
図3:モデル1からジオメトリ修正技術を使用して開発された6つの骨細胞モデル。 小管密度を減少させてモデル3(シミュレートされた中年)とモデル4(シミュレートされた老化)を生成しましたが、樹状突起の直径とLCの厚さはモデル1と同じでした。モデル5とモデル6は、モデル1と同じ小管密度とLC厚さで開発されましたが、樹状突起の直径はモデル1の2倍と4倍大きかった。モデル7とモデル8は、それぞれ2倍と4倍のラクナ-小管の厚さを持っていましたが、小管密度と樹状突起の直径はモデル1と同じままでした。モデル1の画像は、Niroobakhsh et al.23の許可を得て変更されています。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-4
図4:3Dビュー共焦点画像ベースの若い骨細胞モデル。 骨細胞と樹状突起の周囲の流体解析に使用されるラクナ-小管腔のモデリングを描いた共焦点画像ベースの若い骨細胞モデルの断面積の3Dビュー。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-5
図5:すべての骨細胞モデルのFFSS分布は、FFSSの大きさが骨細胞の形態に依存していることを示しています。 赤色の領域は、特に骨細胞体ではなく樹状膜で最も高いFFSS値を示しています。この画像は、Niroobakhsh et al.23の許可を得て変更されています。 この図の拡大版を表示するには、ここをクリックしてください。

モデル腹膜小管表面積 (μm2)外堀小管腔容積 (μm3)アベニューFFSS(PA)
共焦点画像ベースの骨細胞モデルモデル12652.92610.42
ヤング(生後4ヶ月)
モデル21372.7229.40.19
年齢(22ヶ月)
ジオメトリ修正技術を使用して生成されたシミュレートされた骨細胞モデルモデル31530.4242.60.27
(シミュレートされた中年)
モデル41122.6203.50.13
(シミュレーションエイジング)
モデル53724.9302.90.49
(2 x 樹状突起直径)
モデル647913370.57
(4 x樹状突起直径)
モデル73116.3440.61.17
(2 x LC厚さ)
モデル83542.2658.21.89
(4 x LC厚さ)

表1:骨細胞モデルの比較。 2つの共焦点画像ベースのモデルと、ジオメトリ修正技術を使用してモデル1から生成された6つのシミュレーションモデルを含む、8つの異なる骨細胞モデルにおける平均FFSS、ラクナ-小管空間体積、および表面積の比較。

ディスカッション

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

このプロトコルは、骨細胞の視覚化と計算モデリングのための共焦点イメージング技術の概要を示しています。共焦点イメージングの前に、骨サンプルを切片化および染色するための骨調製プロセスが行われます。100倍の倍率の共焦点画像は、骨細胞とラクナ-小管腔のコンピューターモデルを開発するために、さまざまなソフトウェアにインポートされます。最後に、骨細胞や樹状膜を囲む身体活動によるFFSSをモデル化するための共焦点画像ベースモデルを用いてCFD解析を行いますが、これは骨基質中の骨細胞にアクセスできないためin vivo では技術的に困難です。提供されたプロトコルは、マルチフィジックスモデリングで有限要素法または流体-構造連成(FSI)アプローチを使用して他の応力やひずみを決定するのにも役立ちます。

共焦点イメージングは、骨のFITC染色を使用して達成できる高解像度画像により、LCN 7,9,24,25の視覚化に使用されてきました。小管の直径は顕微鏡の解像度限界に近いですが、信頼性の高い同焦点の小眼小管画像を取得でき、小管の大部分を捉えることができます。骨細胞の樹状突起の直径が小さいため、樹状突起の画像を正確に撮影することは技術的により困難になります。そのため、ソフトウェアのスムージング操作を使用して骨細胞と樹状突起の体積を減らすことにより、LCNの共焦点画像から骨細胞と樹状突起をモデル化するための有用な技術が開発されました。他のいくつかの発表された研究では、同様のアプローチを使用してLCNをオフセットし、骨細胞樹状膜を生成しました9。スムージング技術のもう1つの利点は、光学イメージングの特徴であるZ軸のイメージング解像度の低下によりZ軸で発生する小管径の伸びなど、CLSMの一部のイメージングエラーが改善されることです。デコンボリューションは、元のデータセットの信号対雑音比を改善するため、Z 方向の光学ストレッチを減少させる代替方法とも考えられています。ラクナ-小管腔は、LCNと骨細胞-樹状膜からモデル化され、LCN内の流体プロファイルを分析します。

特に、既存の方法に関して、別のマウスを犠牲にすることなく幾何学的に改変された骨細胞モデルを開発するための新しい技術が導入されました。ジオメトリ修正技術は、骨粗鬆症、糖尿病、ペルルカン欠乏症などの状態や骨の老化や骨疾患による骨の微細構造の変化をシミュレートするのにも役立ちます。この手法では、若いマウスの共焦点画像ベースの骨細胞モデルを使用して、小管密度、ラクナ-小管腔、樹状突起径などのパラメータを変更することにより、老化した骨細胞または他の骨疾患の骨細胞の形態をモデル化しました。このアプローチは、22か月齢のマウスの実際の骨細胞の共焦点画像ベースのモデリングと、4か月齢のマウスから最初に画像化された骨細胞の小管密度を低下させることによる形状修正モデリングの2つの老化骨細胞モデルの類似性によって検証されました。これら2つの老化骨細胞モデルは、すべての骨細胞モデルの中で最も低い同様のFFSSの大きさを示しました。ジオメトリ修正技術は、動物の実際の骨細胞を使用して生成された骨細胞モデルに匹敵する結果を予測できるため、さまざまな生物学分野で多くの応用が期待できます。この作業の限界には、平滑化技術による表面粗さの詳細の一部が失われることや、小径の小管の分解能の限界にあるという事実、小径の小管の精度が低下する可能性があること、振動流を使用したモデリングではなく流体の流れの理想化などがあります。

この技術の機能を実証するために、若いマウスと老齢のマウスから生成された、または形状修正技術を使用して、骨細胞のFFSS値を異なる骨細胞モデルで測定しました。これらのコンピュータモデルを使用した注目すべき発見の1つは、ラクナ-小管腔の体積が骨細胞が経験する平均FFSSに正比例することであった。この新しい発見は、これまで調査されていなかったものですが、骨細胞ネットワークの形態を骨細胞とそのプロセスによって検出されたFFSSに関連付けることができるため、骨細胞の機械応答性を決定する上でさまざまな用途がある可能性があります。

開示事項

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

著者は何も開示していません。

謝辞

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

著者らは、全米科学財団(NSF、賞番号NSF-CMMI-1662284 PI:T Ganesh)、国立衛生研究所(NIH - NIA P01 AG039355 PI:LF Bonewald)、(NIH/SIG S10OD021665およびS10RR027668 PI:SL Dallas)、およびミズーリ大学カンザスシティ大学院研究大学院研究助成プログラムに感謝します。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
1,200グリットサンドペーパーBuehler30-5170-012-100
3-MaticソフトウェアMaterialisehttps://www.materialise.com/en/industrial/software/3-matic3Dデータ最適化ソフトウェア
600グリットサンドペーパーBuehler30-5118-600-100
800グリットサンドペーパーBuehler30-5170-800-100
ANSYSソフトウェアANSYShttps://www.ansys.com/シミュレーション ソフトウェア
フルオレセイン イソチオシアネート (FITC)Sigma-AldrichF7250
ImageJ ソフトウェアhttps://imagej.net/ij/
微鏡用浸漬油ライカ マイクロシステムズ195371-10-9
ライカ TCS Sp5 II 共焦点顕微鏡 ライカ マイクロシステムズTCS Sp5 II 
ライツ 1600 インナーホール ダイヤモンド ソーライカ 
MIMICS Innovation SuiteソフトウェアMaterialisehttps://www.materialise.com/en/healthcare/mimics-innovation-suite3D画像ベースの処理ソフトウェア
パーマウントマウント培地Fisher scientificSP15-500
Sampl-Kwick Fast Cure Acrylic KitBuehler20-3560
Single Platform Laboratory ShakerReliable scientific INCモデル55S
顕

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Li, M. C. M., Chow, S. K. H., Wong, R. M. Y., Qin, L., Cheung, W. H. The role of osteocytes-specific molecular mechanism in regulation of mechanotransduction - A systematic review. J Orthop Translat. 29, 1-9 (2021).
  2. Fritton, S. P., Weinbaum, S. Fluid and solute transport in bone: Flow-induced mechanotransduction. Annu Rev Fluid Mech. 41, 347-374 (2009).
  3. Klein-Nulend, J., Bacabac, R. G., Bakker, A. D. Mechanical loading and how it affects bone cells: the role of the osteocyte cytoskeleton in maintaining our skeleton. Eur Cell Mater. 24, 278-291 (2012).
  4. Knothe Tate, M. L. "Whither flows the fluid in bone?" An osteocyte's perspective. J Biomech. 36 (10), 1409-1424 (2003).
  5. Tiede-Lewis, L. M., et al. Degeneration of the osteocyte network in the C57BL/6 mouse model of aging. Aging (Albany NY). 9 (10), 2190-2208 (2017).
  6. Lai, X., et al. The dependences of osteocyte network on bone compartment, age, and disease. Bone Res. 3 (1), 15009(2015).
  7. Schurman, C. A., Verbruggen, S. W., Alliston, T. Disrupted osteocyte connectivity and pericellular fluid flow in bone with aging and defective TGF-β signaling. Proc Natl Acad Sci U S A. 118 (25), e2023999118(2021).
  8. van Tol, A. F., et al. The mechanoresponse of bone is closely related to the osteocyte lacunocanalicular network architecture. Proc Natl Acad Sci U S A. 117 (51), 32251-32259 (2020).
  9. Verbruggen, S. W., Vaughan, T. J., McNamara, L. M. Fluid flow in the osteocyte mechanical environment: a fluid-structure interaction approach. Biomech Model Mechanobiol. 13 (1), 85-97 (2014).
  10. Ganesh, T., Laughrey, L. E., Niroobakhsh, M., Lara-Castillo, N. Multiscale finite element modeling of mechanical strains and fluid flow in osteocyte lacunocanalicular system. Bone. 137, 115328(2020).
  11. Schneider, P., Meier, M., Wepf, R., Müller, R. Serial FIB/SEM imaging for quantitative 3D assessment of the osteocyte lacuno-canalicular network. Bone. 49 (2), 304-311 (2011).
  12. Kamioka, H., et al. A method for observing silver-stained osteocytes in situ in 3-microm sections using ultra-high voltage electron microscopy tomography. Microsc Microanal. 15 (5), 377-383 (2009).
  13. Ciani, C., Doty, S. B., Fritton, S. P. An effective histological staining process to visualize bone interstitial fluid space using confocal microscopy. Bone. 44 (5), 1015-1017 (2009).
  14. Sharma, D., et al. Alterations in the osteocyte lacunar-canalicular microenvironment due to estrogen deficiency. Bone. 51 (3), 488-497 (2012).
  15. Verbruggen, S. W., Vaughan, T. J., McNamara, L. M. Strain amplification in bone mechanobiology: a computational investigation of the in vivo mechanics of osteocytes. J R Soc Interface. 9 (75), 2735-2744 (2012).
  16. Goggin, P. M., Zygalakis, K. C., Oreffo, R. O., Schneider, P. High-resolution 3D imaging of osteocytes and computational modelling in mechanobiology: insights on bone development, ageing, health and disease. Eur Cell Mater. 31, 264-295 (2016).
  17. Kamioka, H., et al. Microscale fluid flow analysis in a human osteocyte canaliculus using a realistic high-resolution image-based three-dimensional model. Integr Biol. 4 (10), 1198-1206 (2012).
  18. Wang, L., et al. In situ measurement of solute transport in the bone lacunar-canalicular system. Proc Natl Acad Sci U S A. 102 (33), 11911-11916 (2005).
  19. Manfredini, P., Cocchetti, G., Maier, G., Redaelli, A., Montevecchi, F. M. Poroelastic finite element analysis of a bone specimen under cyclic loading. J Biomech. 32 (2), 135-144 (1999).
  20. Steck, R., Niederer, P., Knothe Tate, M. L. A finite element analysis for the prediction of load-induced fluid flow and mechanochemical transduction in bone. J Theor Biol. 220 (2), 249-259 (2003).
  21. You, L., Cowin, S. C., Schaffler, M. B., Weinbaum, S. A model for strain amplification in the actin cytoskeleton of osteocytes due to fluid drag on pericellular matrix. J Biomech. 34 (11), 1375-1386 (2001).
  22. Weinbaum, S., Cowin, S. C., Zeng, Y. A model for the excitation of osteocytes by mechanical loading-induced bone fluid shear stresses. J Biomech. 27 (3), 339-360 (1994).
  23. Niroobakhsh, M., Laughrey, L. E., Dallas, S. L., Johnson, M. L., Ganesh, T. Computational modeling based on confocal imaging predicts changes in osteocyte and dendrite shear stress due to canalicular loss with aging. Biomech Model Mechanobiol. 23 (1), 129-143 (2024).
  24. Dallas, S. L., Moore, D. S. Using confocal imaging approaches to understand the structure and function of osteocytes and the lacunocanalicular network. Bone. 138, 115463(2020).
  25. Boyde, A., Wolfe, L. A., Maly, M., Jones, S. J. Vital confocal microscopy in bone. Scanning. 17 (2), 72-85 (1995).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

3D

関連記事