Method Article

Metoda obrazowania oparta na smartfonach do oznaczania unikania trawników C. elegans

DOI:

10.3791/65197

⸱

February 24th, 2023

 ,  , 
1Department of Physiology, Mitohormesis Research Center, Yonsei University Wonju College of Medicine, 2Division of Biological Science and Technology, College of Science and Technology, Yonsei University, Mirae Campus

In This Article

Summary

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

Ten artykuł opisuje prostą, tanią metodę rejestrowania zachowania Caenorhabditis elegans polegającego na unikaniu trawnika, przy użyciu łatwo dostępnych przedmiotów, takich jak smartfon i kaseton świetlny z diodą elektroluminescencyjną (LED). Udostępniamy również skrypt w języku Python do przetwarzania pliku wideo do formatu bardziej podatnego na zliczanie.

Abstract

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

Po wystawieniu na kontakt z toksycznymi lub chorobotwórczymi bakteriami, nicień Caenorhabditis elegans wykazuje wyuczone zachowanie unikania trawnika, w którym robaki stopniowo opuszczają swoje źródło pożywienia i wolą pozostać poza trawnikiem bakteryjnym. Test jest łatwym sposobem na przetestowanie zdolności robaków do wyczuwania zewnętrznych lub wewnętrznych sygnałów, aby prawidłowo reagować na szkodliwe warunki. Chociaż jest to prosty test, liczenie jest czasochłonne, szczególnie w przypadku wielu próbek, a czas trwania testu, który trwa przez noc, jest niewygodny dla badaczy. System obrazowania, który może obrazować wiele płyt przez długi czas, jest przydatny, ale kosztowny. W tym miejscu opisujemy metodę obrazowania opartą na smartfonie, która rejestruje unikanie trawnika u C. elegans. Metoda wymaga jedynie smartfona i kasetonu z diodą elektroluminescencyjną (LED), które służą jako źródło światła przechodzącego. Korzystając z bezpłatnych aplikacji do aparatów poklatkowych, każdy telefon może obrazować do sześciu płyt, z wystarczającą ostrością i kontrastem, aby ręcznie policzyć robaki poza trawnikiem. Powstałe filmy są przetwarzane na 10-sekundowe pliki audio wideo z przeplotem (AVI) dla każdego godzinowego punktu czasowego, a następnie przycinane w celu pokazania każdej pojedynczej płyty, aby były bardziej podatne na zliczanie. Metoda ta jest opłacalnym sposobem dla tych, którzy chcą zbadać wady unikania i może być potencjalnie rozszerzona na inne testy C. elegans.

Introduction

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

Wśród wielu zalet badania C. elegans, jego prosty układ nerwowy oferuje możliwość zbadania, jak zmiany na poziomie genetycznym i komórkowym wpływają na funkcjonowanie sieci i wyniki behawioralne. Pomimo ograniczonej liczby neuronów, C. elegans wykazują szeroki zakres złożonych zachowań. Jednym z nich jest unikanie trawnika, w którym nicienie bakteriożerne reagują na szkodliwe źródło pożywienia, opuszczając trawnik bakteryjny. C. elegans unika trawników z bakteriami chorobotwórczymi1,2,3, trawniki bakterii wytwarzających toksyny lub naszpikowanych toksynami1,4, a nawet bakterii wykazujących ekspresję RNAi, których eliminacja genu docelowego jest szkodliwa dla zdrowia robaków4,5. Badania wykazały, że robaki reagują na sygnały zewnętrzne, takie jak metabolity wytwarzane przez bakterie chorobotwórcze1,6, lub wewnętrzne sygnały wskazujące, że jedzenie powoduje u nich chorobę4,7. Te sygnały są przetwarzane przez konserwatywne szlaki sygnałowe, takie jak szlak kinazy białkowej aktywowanej mitogenem (MAPK) i szlak transformującego czynnika wzrostu beta (TGFβ), i wymagają komunikacji między jelitami a układem nerwowym4,6,7,8.

Chociaż test jest prosty, wyuczone zachowanie rozwija się przez wiele godzin, często z dnia na dzień. Chociaż istnieją mutanty, które nie są w stanie odejść, w którym to przypadku unikanie punktacji tylko w jednym punkcie czasowym wystarczy, aby wykazać wadę, wiele mutantów w końcu odchodzi, ale wolniej się wychodzi. W tym celu ruch robaków musi być śledzony co kilka godzin, co może być trudne do zrobienia z dnia na dzień. Samo liczenie również wymaga czasu, co powoduje opóźnienie między płytami, a tym samym ogranicza liczbę płytek, które można testować w tym samym czasie. Użycie zestawu do obrazowania do jednoczesnego rejestrowania wielu płytek przez cały czas trwania testu byłoby bardzo przydatne, ale koszt instalacji może być zaporowy, w zależności od sytuacji finansowej laboratorium badawczego.

Aby rozwiązać ten problem, opracowaliśmy bardzo prostą metodę, która wykorzystuje smartfony do rejestrowania testów unikania. Każdy telefon może nagrywać filmy poklatkowe z maksymalnie sześcioma płytkami testowymi. Aby zapewnić światło przechodzące, używamy kasetonu świetlnego z diodą elektroluminescencyjną (LED), który można łatwo kupić online. Płytki testowe są umieszczone na podwyższonej platformie, wspartej na pustych prostokątnych tunelach, które skupiają wpadające światło, tworząc kontrast. Udostępniamy również skrypt w języku Python, który konwertuje filmy na pliki audio video interplot (AVI) pokazujące 10-sekundowe klipy z każdego godzinowego punktu czasowego. Filmy są następnie przycinane do pojedynczych płyt i zapisywane w osobnych plikach do wykorzystania do ręcznego liczenia.

Metoda zapewnia tanią procedurę, która jest również niezwykle łatwa w użyciu, przy użyciu elementów, które są łatwo dostępne dla większości ludzi. W tym miejscu opisujemy metodę przy użyciu dobrze znanego testu unikania trawników przeciwko ludzkiemu patogenowi Pseudomonas aeruginosa (PA14), którego protokół został wcześniej opisany2,9. Na koniec dokonujemy również przeglądu rozważań i ograniczeń metody obrazowania dla tych, którzy chcą ją zastosować do innych eksperymentów behawioralnych C. elegans.

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

Protocol

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

1. Ustawianie aparatury do obrazowania (Rysunek 1A-E)

  1. Upewnij się, że dostępny jest aparat w smartfonie spełniający następujące minimalne wymagania:
    Aparat 12 megapikseli (MP)
    Rozdzielczość 1080p Video
    5 GB przestrzeni dyskowej (20 minut wideo to 3-4 Gb)
    Aplikacja do filmów poklatkowych ze sklepu z aplikacjami (dostępne bezpłatne aplikacje)
  2. Umieść kaseton oświetleniowy LED na dolnym stojaku inkubatora o temperaturze 25 °C, w którym będzie przeprowadzany test
    3. .
  3. Aby ukryć kropkowany wzór na powierzchni światła LED, rozłóż dwa arkusze chusteczek, aby pokryć całą powierzchnię pudełka LED.
  4. Wykonaj podwyższony stolik dla próbki (Rysunek 1A,D). Podniesiona scena to przezroczysta folia z tworzywa sztucznego wsparta na pustych prostokątnych tunelach. Tunele działają jak kondensor skupiający światło, zapewniając lepszy kontrast z próbką (Rysunek 1C). Upewnij się, że ściany tunelu są nieco ciemne, aby zminimalizować rozproszenie światła. W badaniu wykorzystano brązowe pudełka papierowe. Wymiary tunelu to 5,5 cm x 17 cm x 4,5 cm (szer. x dł. x wys.). Kaseton świetlny LED może pomieścić do pięciu tuneli.
  5. Umieść kolejny stojak nad sceną, aby umieścić telefony do nagrywania (Rysunek 1B,E). Każdy telefon nagrywa od trzech do sześciu płyt (od jednego do dwóch rzędów po trzy płyty), więc odpowiednio dostosuj wysokość stojaka. Będzie to około 15 cm powyżej próbki (Rysunek 1B).
  6. Umieść listwę zasilającą wewnątrz inkubatora, aby podłączyć telefony podczas nocnego nagrywania.

2. Przygotowanie i nośników

  1. Przygotować bufor M9, dodając 3 g KH2PO4, 6 g Na2HPO4 i 5 g NaCl do 1 l destylowanegoH2O. Sterylizować w autoklawie w temperaturze 121 °C przez 20 min. Schłodzić bufor, a następnie dodać 1 ml 1 M MgSO4.
  2. Przygotować 1 M bufor KPO4 przez dodanie 108,3 g KH2PO4 i 35,6 g K2HPO4 do 1 L H2O. Dostosować pH do 6,0 przez dodanie KOH. Sterylizuj w autoklawie.
  3. Przygotuj roztwór do wybielania robaków, mieszając 1 ml wybielacza, 0,4 ml 1 M NaOH i 2,6 ml H2O.
  4. Przygotuj płytki agarowe z pożywką do wzrostu nicieni (NGM).
    1. Dodać 3 g NaCl, 2,5 g peptonu baktonowego i 17 g agaru baktonowego do kolby o pojemności 3 l. Dodaj 975 ml wody destylowanej i włóż mieszadło.
    2. Sterylizować w autoklawie, następnie schłodzić do 55 °C i dodać 1 ml cholesterolu (5 mg/ml w etanolu), 1 ml 1 M CaCl2, 1 ml 1 MMgSO4 i 25 ml 1 M buforu KPO4 (pH 6,0). Wymieszaj, aby dobrze wymieszać. Wlać do talerzy o średnicy 6 cm. Pozostaw talerze do wyschnięcia na co najmniej 2 dni.
  5. Wysiewaj płytki agarowe NGM z OP50 E. coli, pipetując około 1 ml nocnej kultury OP50 w celu utworzenia trawnika bakterii. Pozostaw w temperaturze pokojowej (RT) do momentu, gdy będzie gotowy do użycia.

3. Przygotowanie płytek NGM o wysokiej zawartości peptonu (dla PA14)

UWAGA: Te płytki powinny być wykonane co najmniej 5 dni przed testem.

  1. Wytwarzaj NGM zawierający 0,35% peptonu. Wymieszaj 0,3 g NaCl, 0,35 g peptonu baktonowego i 1,7 g agaru bakto w kolbie Erlenmeyera o pojemności 250 ml. Dodaj 97,5 ml wody destylowanej i włóż mieszadło.
  2. Przykryć otwór kolby folią aluminiową i przechowywać w autoklawie w temperaturze 121 °C przez 20 minut.
  3. Schłodzić do 55 °C i dodać 0,1 ml cholesterolu (5 mg/ml w etanolu), 0,1 ml 1 M CaCl2, 0,1 ml 1 MMgSO4 i 2,5 ml 1 M buforu KPO4 (pH 6,0). Wymieszaj, aby dobrze wymieszać.
  4. Wlej wysokopeptonowy NGM do szalek Petriego o średnicy 35 mm.
  5. Suszyć talerze przez co najmniej 2 dni.

4. Synchronizacja robaków przez wybielanie

UWAGA: Rozpocznij ten krok 3 dni przed testem.

  1. Weź płytki z gravid dorosłymi robakami i zbierz je do mikroprobówki o pojemności 1,7 ml, myjąc płytki buforem M9.
  2. Usuń jak najwięcej płynu, a następnie dodaj 400 μl roztworu wybielającego. Odczekaj około 4-5 minut z przerywanym wirowaniem, aż dorosłe ciała robaków pękną, uwalniając jaja.
  3. Dodać bufor M9, aby wypełnić resztę mikroprobówki w celu rozcieńczenia roztworu wybielającego. Wiruj z maksymalną prędkością (od 12 000 do 13 000 x g) przez 1-2 s. Usunąć supernatant i przemyć jeszcze trzy razy buforem M9.
  4. Przenieść jaja na pustą płytkę Petriego o średnicy 35 mm zawierającą bufor M9. Pozostaw jaja do wyklucia się na noc w temperaturze 20 °C. W przypadku braku pożywienia wyklute robaki zatrzymują się w stadium larwalnym L1, synchronizując stadium rozwojowe wszystkich robaków.
    UWAGA: Pokrycie szalki Petriego o średnicy 35 mm roztworem żelatyny (0,05% żelatyny w autoklawie wodnym) może zapobiec przywieraniu jaj do dna i zminimalizować ich utratę.
  5. Następnego dnia przenieś robaki etapowe L1 na płytki NGM z nasionami OP50.
  6. Inkubować robaki w temperaturze 20 °C przez 53–54 godziny, aż robaki osiągną stadium larwalne L4.

5. Przygotowanie bakterii ( Pseudomonas aeruginosa, PA14)

UWAGA: Rozpocznij ten krok 4 dni przed testem.

  1. Rozmrożone bakterie rozmrozić w temperaturze od -80 °C na płytce agarowej Luria Bertani (LB) bez użycia antybiotyku i inkubować przez noc w temperaturze 37 °C.
    UWAGA: Zawsze używaj świeżych bakterii. Płytki z prążkami należy przechowywać w temperaturze 4 °C nie dłużej niż 1 tydzień.
  2. Zaszczepić pojedynczą kolonię w 3 ml bulionu King's i hodować przez noc w inkubatorze z wytrząsaniem o temperaturze 37 °C.
  3. Następnego dnia wysiać 7 μl nocnej kultury na płytki NGM o wysokiej zawartości peptonu i inkubować w temperaturze 37 °C przez 24 godziny.
  4. Przenieś płytki z nasionami do RT i inkubuj przez kolejne 24 godziny przed użyciem. Po przygotowaniu zużyć płytkę w ciągu najbliższych 24 godzin.

6. Przygotowanie do nagrywania

UWAGA: Zrób to tuż przed testem.

  1. Podłącz smartfon do listwy zasilającej podłączonej do gniazdka elektrycznego. Pamiętaj, aby wyłączyć ustawienie automatycznej blokady, aby zapobiec powrotowi telefonu do ekranu blokady podczas nagrywania.
  2. Otwórz aplikację aparatu poklatkowego i ustaw interwał poklatkowy na 2 s. Ustaw jakość wideo na 1080p przy 30 kl./s.
  3. Umieść smartfon ekranem skierowanym do góry, aby nagrywać tylnym aparatem. Sprawdź na ekranie, aby upewnić się, że tunele pudełka papierowego mieszczą się w polu view.

7. Test unikania trawników

  1. Za pomocą wykałaczki z drutu platynowego przenieś 30 zsynchronizowanych ślimaków etapowych L4 (53-54 h z L1) na płytkę PA14. Umieść robaki na środku trawnika bakteryjnego. Dla każdego warunku w tym badaniu przetestowano dwie płytki (tj. 60 robaków na warunek).
  2. Umieścić dwie płytki na podniesionym stoliku aparatu rejestrującego z pokrywą skierowaną w dół. Strona z agarem będzie skierowana do góry w stronę kamery.
  3. Na ekranie smartfona dotknij miejsca, w którym znajduje się płytka, aby aparat mógł ustawić ostrość na płytkach testowych. Pomocne jest posiadanie etykiety lub napisu na tabliczce, ponieważ aparat może go użyć do prawidłowego ustawiania ostrości.
    UWAGA: Pisanie na spodzie tabliczek nie zakłóca obrazowania robaków, o ile jest skierowane w stronę krawędzi. Na szczęście robaki pozostają w pobliżu trawnika nawet po jego opuszczeniu, więc niezakłócony widok jest potrzebny tylko na bezpośrednią okolicę trawnika.
  4. Rozpocznij nagrywanie.
  5. Po rozpoczęciu nagrywania dodaj więcej płyt do sceny. Między płytkami może wystąpić znaczne opóźnienie ze względu na czas potrzebny na przeniesienie robaków przez zbieranie. Zanotuj późniejszy czas opóźnienia, aby każdy warunek mógł być policzony w momencie jego rozpoczęcia.
  6. Nagrywaj przez 20 h od ostatniego kompletu klisz umieszczonych na scenie. W końcowym filmie poklatkowym 20 godzin nagrywania da 20-minutowy film.
    UWAGA: Być może warto policzyć robaki bezpośrednio z płytek po teście, przynajmniej na początku przy kilku pierwszych okazjach. Można to porównać z wartościami uzyskanymi za pomocą obrazowania wideo, aby upewnić się, że dają one podobne liczby.

8. Przetwarzanie wideo za pomocą skryptu Pythona

  1. Prześlij plik filmowy do komputera w celu przetworzenia. Rozszerzeniem będzie plik MOV (iPhone) lub MP4 (Android).
  2. Użyj kodu Pythona, aby przetworzyć filmy. Kod można znaleźć pod adresem github.com/khyoon201/wormavoid.
  3. Aby uruchomić skrypty Pythona, upewnij się, że na komputerze są wstępnie zainstalowane: ffmpeg, narzędzie do konwersji plików wideo (wskazówki dotyczące instalacji można znaleźć na jego stronie internetowej, ffmpeg.org/download) oraz pakiety Pythona os, pandas, tkinter i ffmpeg-python.
  4. Znajdź wymiary i współrzędne każdej blachy za pomocą skryptu extract_frame.py.
    1. Uruchom skrypt extract_frame.py. Pojawi się okno, w którym można wybrać plik wideo przechowywany na komputerze. Po zakończeniu uruchamiania plik jpeg o tej samej nazwie pojawi się w tym samym katalogu.
    2. Otwórz plik jpeg w programie ImageJ (imagej.org).
    3. Z menu wybierz opcję Analizuj > ustaw pomiary. Upewnij się, że pole Wyświetl etykietę jest zaznaczone (Rysunek 2A). Zamknij okno.
    4. Za pomocą narzędzia Linia prosta zmierz średnicę blachy, rysując na niej linię, a następnie wybierając z menu opcję Analizuj > Zmierz. Jeśli wideo jest w rozdzielczości 1080p, każda płyta będzie miała szerokość około 480 pikseli. Zapisz te informacje i zamknij okno Wyniki.
    5. Za pomocą narzędzia Wielopunktowe zaznacz punkty w lewym górnym rogu każdej blachy. Punkty te staną się lewym górnym rogiem przyciętych filmów (Rysunek 2B). Kolejność ma znaczenie; Zaznacz w kolejności, w jakiej tabliczki zostały rozpoczęte. Po utworzeniu punktu dla wszystkich blach wybierz z menu opcję Analizuj > Zmierz. Pomiary, w tym współrzędne X i Y punktów, pojawią się w oknie Wyniki.
    6. Aby przetworzyć wiele filmów, powtórz ten proces w ImageJ z innymi plikami jpeg. Wszystkie współrzędne X i Y zostaną wyświetlone w tym samym oknie wyników.
    7. Zapisz okno Wyniki w pliku csv. Plik powinien być zapisany w tym samym katalogu, co pliki filmowe.
  5. Znajdź czas rozpoczęcia dla każdej płyty.
    1. Odtwórz film na komputerze lub telefonie i zanotuj czasy rozpoczęcia każdego zestawu klisz umieszczonych pod aparatem.
    2. Otwórz plik Results.csv ze współrzędnymi i dodaj kolumnę "start". Dla każdego wiersza odpowiadającego poszczególnym tabliczkom wprowadź odpowiedni czas rozpoczęcia, w sekundach, w kolumnie "start" (np. jeśli godzina rozpoczęcia to 0:00:08, wprowadź 8). Zapisz.
      UWAGA: Nazwa kolumny musi być "start" (małymi literami, bez cudzysłowów), aby została rozpoznana przez następny skrypt do przycinania i przycinania.
  6. Przycinaj i przycinaj filmy.
    1. Uruchom skrypt crop_n_trim.py.
    2. Po wyświetleniu monitu wybierz plik Results.csv.
      UWAGA: Upewnij się, że plik Results.csv i wszystkie pliki filmowe znajdują się w tym samym katalogu.
    3. Wprowadź wymiary blachy. Wprowadź zanotowaną wcześniej wartość piksela.
      UWAGA: Skrypt odczyta teraz każdy wiersz pliku Results.csv, aby znaleźć właściwy plik filmowy, odczytując nazwę pliku w kolumnie "label" i przyciąć zgodnie ze współrzędnymi wskazanymi w kolumnach "X" i "Y". Czas rozpoczęcia każdej tabliczki zostanie określony przez czas wskazany w kolumnie "start". Po zakończeniu działania skryptu pojawi się folder o tej samej nazwie co film, po którym następuje czas rozpoczęcia (np. "Movie1_8"), w którym zostaną zapisane 10-sekundowe filmy odpowiadające każdemu godzinowemu punktowi czasowemu testu.

9. Ręczne liczenie za pomocą ImageJ

  1. Otwórz każdy plik AVI w ImageJ.
  2. Policz robaki, które są widoczne na zewnątrz trawnika. Robaki, które nakładają się na siebie w jednej klatce, zwykle oddalają się od siebie w innej klatce, aby można je było poprawnie policzyć.
  3. Oblicz wskaźnik obłożenia dla każdego punktu czasowego:
    Wskaźnik obłożenia = (całkowita liczba robaków - liczba robaków poza trawnikiem)/całkowita liczba robaków
    UWAGA: Robaki będą wchodzić i wychodzić z trawnika podczas filmu, ale nie zmieni to znacząco wyników. Spróbuj wybrać liczbę, która wydaje się być średnią lub liczbą robaków dokładnie w momencie godziny (5 s w filmie).

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

Results

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

Pierwszy film wyprodukowany przez skrypt to 1 godzina od rozpoczęcia testu. Film przez 0 h nie jest zapisywany, ponieważ robaki rozpoczynają test wewnątrz trawnika, więc wskaźnik obłożenia wynosi zawsze 100%.

Dzikie robaki N2 są porównywane z mutantami npr-1, których wada unikania trawnika jest dobrze znana w literaturze6,10 (Rysunek 3A-E). Jak można zaobserwować u dzikiego...

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

Discussion

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

Obrazowanie zachowań zwierząt, zamiast opierać się na bezpośredniej obserwacji, jest nie tylko wygodne, ale ma również tę zaletę, że pozostawia dokumentację wizualną. Pozwala to na ślepą analizę przez obiektywną osobę trzecią, a nawet może być wykorzystane do automatycznej analizy przy użyciu technik rozpoznawania obrazu. Pomimo zalet, zwykle oferowane standardowe wyposażenie jest drogie, więc po zakupie należy zobowiązać się do konfiguracji.

Używanie smartfonów do zbierania nagrań wideo prost...

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

Disclosures

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

Nie stwierdzono konfliktu interesów.

Acknowledgements

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

Dziękujemy Deok Joong Lee za krytyczne przeczytanie manuskryptu i przetestowanie kodu Pythona. Badania te były sponsorowane przez National Research Foundation of Korea 2017R1A5A2015369 (K.-h.Y.) i 2019R1C1C1008708 (K.-h.Y.).

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
35 mm szalka PetriegoSPL#10035
Agar baktonowyBD#214010
Bacto PeptoneBD#211677
CaCl2DAEJUNG2507-1400
CholesterolBioBasicCD0122
Wodorofosforan dipotasu (K2HPO4)JUNSEI84120-0350
GlycerolBioBasicGB0232
King B BulionMB cellMB-K0827
LED light box multi-padArtmateN/AJest to zasilana przez USB podkładka świetlna LED do celów śledzenia i rysowania. Artmate to koreańska marka, ale wyszukiwanie "LED light box for tracing" w dowolnej wyszukiwarce powinno dać wiele opcji od innych marek. Całkowity wymiar to około 9 "x 12" (rozmiar A4). Na przykład z amazon US: https://www.amazon.com/LITENERGY-Ultra-Thin-Adjustable-Streaming-Stenciling/dp/B07H7FLJX1/ref=sr_1_5?crid=YMYU0VYY226R&keywords=
LED%2Blight%2Bbox& qid=1674183224& przedrostek
=led%2Blight%2Bbo%2Caps%2C270& sr=8-5& th=1
MgSO4DAEJUNG5514-4400
Plastikowa tuleja papierowa (przezroczysta)Smead#85753Jako stolik można użyć dowolnego przezroczystego arkusza z tworzywa sztucznego o odrobinie sztywności. Na przykład z Amazon US: https://www.amazon.com/Smead-Organized-Translucent-Project-85753/dp/B07HJTRCT7/ref=psdc_1069554_t3_B09J48GXQ
8
Diwodorofosforan potasu (KH2PO4)JUNSEI84185-0350
Listwa zasilająca Aby pomieścić 3 telefony i jeden box LED, potrzebujesz co najmniej 4 gniazdek.
SmartfonN/AN/AMinimalne wymaganie: szerokokątny aparat 12 MP, nagrywanie wideo HD 1080p przy 30 klatkach na sekundę
Chlorek sodu (NaCl)DAEJUNG#7548-4100
Fosforan sodu dwuzasadowy bezwodny (Na2HPO4)YAKURI#31727

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Pradel, E., et al. Detection and avoidance of a natural product from the pathogenic bacterium Serratia marcescens by Caenorhabditis elegans. Proceedings of the National Academy of Sciences. 104 (7), 2295-2300 (2007).
  2. Reddy, K. C., Hunter, R. C., Bhatla, N., Newman, D. K., Kim, D. H. Caenorhabditis elegans NPR-1-mediated behaviors are suppressed in the presence of mucoid bacteria. Proceedings of the National Academy of Sciences. 108 (31), 12887-12892 (2011).
  3. Hao, Y., et al. Thioredoxin shapes the C. elegans sensory response to Pseudomonas produced nitric oxide. eLife. 7, 36833(2018).
  4. Liu, Y., Samuel, B. S., Breen, P. C., Ruvkun, G. Caenorhabditis elegans pathways that surveil and defend mitochondria. Nature. 508 (7496), 406-410 (2014).
  5. Melo, J. A., Ruvkun, G. Inactivation of conserved C. elegans genes engages pathogen- and xenobiotic-associated defenses. Cell. 149 (2), 452-466 (2012).
  6. Meisel, J. D., Panda, O., Mahanti, P., Schroeder, F. C., Kim, D. H. Chemosensation of bacterial secondary metabolites modulates neuroendocrine signaling and behavior of C. elegans. Cell. 159 (2), 267-280 (2014).
  7. Singh, J., Aballay, A. Intestinal infection regulates behavior and learning via neuroendocrine signaling. eLife. 8, 50033(2019).
  8. Lee, K., Mylonakis, E. An intestine-derived neuropeptide controls avoidance behavior in Caenorhabditis elegans. Cell Reports. 20 (10), 2501-2512 (2017).
  9. Singh, J., Aballay, A. Bacterial lawn avoidance and bacterial two choice preference assays in Caenorhabditis elegans. Bio-Protocol. 10 (10), 3623(2020).
  10. Reddy, K. C., Andersen, E. C., Kruglyak, L., Kim, D. H. A polymorphism in npr-1 is a behavioral determinant of pathogen susceptibility in C. elegans. Science. 323 (5912), 382-384 (2009).
  11. de Bono, M., Bargmann, C. I. Natural variation in a neuropeptide Y receptor homolog modifies social behavior and food response in C. elegans. Cell. 94 (5), 679-689 (1998).
  12. Mathew, M. D., Mathew, N. D., Ebert, P. R. WormScan: a technique for high-throughput phenotypic analysis of Caenorhabditis elegans. PLoS One. 7 (3), 33483(2012).
  13. Stroustrup, N., et al. The Caenorhabditis elegans lifespan machine. Nature Methods. 10 (7), 665-670 (2013).
  14. Churgin, M. A., et al. Longitudinal imaging of Caenorhabditis elegans in a microfabricated device reveals variation in behavioral decline during aging. eLife. 6, 26652(2017).
  15. Marquina-Solis, J., et al. Peptidergic signaling controls the dynamics of sickness behavior in Caenorhabditis elegans. bioRxiv. , (2022).
  16. Churgin, M. A., Fang-Yen, C. An imaging system for monitoring C. elegans behavior and aging. Methods in Molecular Biology. 2468, 329-338 (2022).
  17. Barlow, I. L., et al. Megapixel camera arrays enable high-resolution animal tracking in multiwell plates. Communications Biology. 5 (1), 253(2022).
  18. Kawazoe, Y., Yawo, H., Kimura, K. D. A simple optogenetic system for behavioral analysis of freely moving small animals. Neuroscience Research. 75 (1), 65-68 (2013).

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

Reprints and Permissions

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

Request Permission

Tags

C Elegans AssayLawn AvoidanceSmartphone ImagingTime Lapse RecordingPathogenic BacteriaWorm BehaviorPlate ImagingImageJ AnalysisPython Video ProcessingOccupancy Rate

Related Articles