April 18th, 2018
Этот протокол описывает Роман метод для создания пространственно подробные конечно-элементной модели внутриклеточных архитектуры кардиомиоцитов из электронной микроскопии и confocal микроскопии изображений. Сила этой пространственно подробные модели показано с помощью тематических исследований в сигнализации кальция и биоэнергетика.
Общая цель этой процедуры заключается в создании пространственно детализированной конечно-элементной модели внутриклеточной архитектуры сердечной клетки. Эта модель создается на основе данных электронной и конфокальной микроскопии. Такие модели могут быть использованы для изучения роли клеточной архитектуры в функции сердечных клеток.
Этот метод может помочь ответить на ключевые вопросы о том, как изменения во внутренней организации клетки, а также о здоровье и болезнях могут повлиять на биологию систем сердечных клеток. Основное преимущество этого метода заключается в том, что он позволяет интегрировать дополнительную информацию из электронной микроскопии и конфокальной микроскопии с целью создания пространственно детализированной модели клеточной архитектуры. Хотя этот метод может дать представление о биологии сердечной клеточной системы, он также может быть использован на других клетках, где нам необходимо понять влияние клеточной структуры на функцию клетки.
Визуальная демонстрация этого метода имеет решающее значение, так как этапы моделирования и отображения ионных каналов на сетке более тонких элементов являются очень новыми. После подготовки участков тканей свободной стенки левого желудочка и визуализации их с помощью электронной томографии в соответствии с текстовым протоколом, выполните программу IMOD 3dmod. В графическом пользовательском интерфейсе введите адрес файла rec или mrc, содержащего набор данных 3D-изображения ячейки, в поле ввода под названием «Файлы изображений», затем нажмите клавишу «ОК».
Затем в меню «Файл» выберите «Новая модель». Затем с помощью пункта меню «Сохранить модель как» сохраните файл с подходящим именем. В меню «Специальные» выберите «Инструменты рисования», затем выберите опцию «Скульпт» и переместите мышь в окно изображения.
Появится круговой контур с центром в центре указателя мыши. Удерживая среднюю кнопку мыши над митохондрией, которая является более темной областью файлов изображения, перетащите периметр контура круга в форму его границы. После того, как контурирование границы митохондрий будет завершено, отпустите среднюю кнопку и повторите этот процесс для каждой митохондрии в данных.
Каждый контур будет автоматически распознаваться IMOD как новый контур в пределах того же объекта. В меню «Редактировать объект» выберите «Создать», чтобы создать новый объект. Это автоматически увеличит общее количество объектов на один и присвоит этот номер новому объекту.
Используйте опцию «Скульптинг» для сегментации и сохранения контуров миофибриллы. Также сегментируйте границу ячейки, затем в меню Файл сохраните файл модели. Скачав iso2mesh по текстовому протоколу, скачайте исходные коды и данные для симуляции кластеров RyR на сетке с сайта GitHub, показанного здесь.
Запустите приложение Генератор сетки сердечных клеток MATLAB. Затем, используя три кнопки в верхней левой части графического интерфейса, загрузите различные маски компонентов органелл в MATLAB. Чтобы создать еще один стек двоичных изображений, который разграничивает промежутки между миофибриллами и митохондриями, откройте Image J, а затем, используя диалоговое окно «Открыть файл», загрузите в программу стеки миофибрилл и митохондрий TIFF.
Запустите плагин Image Addition, выбрав Process Calculator Plus. Выберите стек изображений миофибрилл как I1, стек изображений митохондрий как I2 и выберите оператор «Добавить», затем нажмите «ОК». После того как появится новая подборка изображений, представляющая результат, выберите «Изменить инвертировать», чтобы создать подборку изображений.
Загрузите файл, содержащий стек двоичных изображений промежутков между миофибриллами и митохондриями, нажав кнопку RyR Gaps file в программе Cardiac Cell Mesh Generator, затем нажмите Generate Mesh в графическом интерфейсе. Сгенерируйте необходимые входные данные для RyR-Simulator, нажав кнопку с надписью Generate RyR-Simulator Inputs в графическом интерфейсе. После выполнения функции убедитесь, что следующие файлы были созданы в каталоге, указанном в качестве пути OUT_DIR, d_axial_micron.
txt, представляющий осевое расстояние между положением Z-диска и остальными пикселями в стеке изображений, файл d_radial_micron. txt, представляющий евклидово расстояние без учета осевой составляющей от каждого пикселя в наборе возможных расположений кластера RyR до пикселей в плоскости Z-диска, W_micro. txt, который представляет собой список пространственных координат всех доступных позиций для кластеров RyR, которые должны присутствовать.
Остальные три файла в папке содержат суффикс pixel, а не micron, чтобы указать, что значения в этих файлах были записаны в пиксельной форме. Чтобы смоделировать распределения кластера RyR на стеке двоичных образов миофибрилл, нажмите кнопку с надписью Open RyR-Simulator в R, чтобы запустить программу R. В графическом интерфейсе R выберите «Открыть файл» и в пакете RyR-Simulator найдите настройки файла.
R.Обратитесь к текстовому протоколу за подробным объяснением параметров в этом поле и значений по умолчанию. Пользователи должны изучить смоделированное распределение кластеров RyR в окне R и настроить параметры таким образом, чтобы кластеры располагались вблизи Z-дисков и равномерно распределялись по всему поперечному сечению ячейки. Чтобы отобразить точки в виде пространственной плотности на вычислительной модели с помощью генератора сетки сердечных клеток, нажмите кнопку с надписью Select RyR Points File и выберите смоделированный текстовый файл распределения кластера RyR из тех, которые были выведены RyR-Simulator.
Наконец, в графическом интерфейсе пользователя MATLAB запустите RyR Density Mapper. Пользователи должны визуально проверить, что значения плотности распределены таким образом, что окрестности высоких значений плотности аналогичны размеру кластеров RyR в экспериментальных данных. Эти изображения яркого поля показывают, как выглядят клетки при продольном, наклонном и поперечном сечении по отношению к плоскости разреза.
Косые и продольные образцы демонстрируют бороздки, в то время как образцы поперечного сечения не демонстрируют. Капилляры также кажутся более круглыми при поперечном сечении, чем при косом. Эта панель представляет собой стек томограмм хорошего качества, который может быть получен при соблюдении части этого протокола, посвященной подготовке тканей.
Осторожность и опыт необходимы для того, чтобы тканевые блоки были достаточно окрашены и чтобы произошло равномерное распределение частиц коллоидного золота по тканевому объему. Здесь показана сегментированная 3D-модель миофибрилл и митохондрий. Эта 3D-визуализация тетраэдральной сетки производится с помощью iso2mesh.
Если исходный стек изображений и задачи сегментации имеют хорошее качество, этот шаг достаточно надежен. Наконец, на этих панелях показаны три примера смоделированных кластеров RyR в одной и той же топологии сетки после использования алгоритма оценки интенсивности сферического ядра. Обратите внимание на различия в организации кластеров RyR.
После того, как она будет освоена и если она выполнена правильно, структурно реалистичная конечно-элементная модель клетки сердца, она может быть сгенерирована в течение нескольких часов с помощью нашей методики. После этой процедуры, конечно-элементного моделирования передачи сигналов кальция, сердечной биоэнергетики и клеточной механики, можно ответить, чтобы ответить на вопросы о роли клеточной архитектуры в функционировании кардиомиоцитов.
View the full transcript and gain access to thousands of scientific videos
Этот протокол описывает метод создания пространственно детализированной конечно-элементной модели внутриклеточной архитектуры кардиомиоцитов с использованием электронных и конфокальных микроскопических изображений. Эта модель помогает понять влияние клеточной архитектуры на функцию сердечных клеток.
This protocol enables biopharma researchers to develop spatially resolved finite element models of cardiomyocyte architecture, providing a computational platform to interrogate structure-function relationships in cardiac cells. By integrating high-resolution electron and confocal microscopy data, the method supports mechanistic de-risking in target validation and assay development for cardiovascular therapeutics. The resulting models facilitate predictive simulations of calcium signaling and mitochondrial bioenergetics, enhancing confidence in early discovery decisions and reducing reliance on empirical screening alone.
The method fits within the early discovery continuum, supporting target validation through structural phenotyping and informing lead identification by providing architecture-informed functional readouts for compound screening campaigns.