Summary

Analyse des Lipidtröpfchengehalts in Spalt- und Budding-Hefen mittels automatisierter Bildverarbeitung

Published: July 17, 2019
doi:

Summary

Hier stellen wir eine MATLAB-Implementierung des automatisierten Nachweises und der quantitativen Beschreibung von Lipidtröpfchen in Fluoreszenzmikroskopiebildern von Spalt- und angehenden Hefezellen vor.

Abstract

Der Fettstoffwechsel und seine Regulierung sind sowohl für die Grundlagen- als auch für die angewandten Biowissenschaften und die Biotechnologie von Interesse. In dieser Hinsicht werden verschiedene Hefearten als Modelle in der Fettstoffwechselforschung oder für die industrielle Lipidproduktion verwendet. Lipidtröpfchen sind hochdynamische Speicherkörper und ihr zellulärer Inhalt stellt eine bequeme Auslesung des Fettstoffwechselzustands dar. Die Fluoreszenzmikroskopie ist eine Methode der Wahl für die quantitative Analyse zellulärer Lipidtröpfchen, da sie auf weit verbreitete Geräte angewiesen ist und die Analyse einzelner Lipidtröpfchen ermöglicht. Darüber hinaus kann die mikroskopische Bildanalyse automatisiert werden, was den Gesamtanalysedurchsatz erheblich erhöht. Hier beschreiben wir einen experimentellen und analytischen Workflow zur automatisierten Detektion und quantitativen Beschreibung einzelner Lipidtröpfchen in drei verschiedenen Modellhefearten: den Spalthefen Schizosaccharomyces pombe und Schizosaccharomyces japonicus, und die aufkeimende Hefe Saccharomyces cerevisiae. Lipidtröpfchen werden mit BODIPY 493/503 visualisiert, und zellunpermeablefluoreszierende Dextran wird den Kulturmedien hinzugefügt, um Zellgrenzen zu identifizieren. Zellen werden in grünen und blauen Kanälen der 3D-Epifluoreszenzmikroskopie unterzogen und die resultierenden Z-Stack-Bilder werden automatisch von einer MATLAB-Pipeline verarbeitet. Das Verfahren gibt umfangreiche quantitative Daten über den zellulären Lipidtröpfchengehalt und die individuellen Lipidtröpfcheneigenschaften in einem tabellarischen Format aus, das für nachgelagerte Analysen in großen Tabellen- oder statistischen Paketen geeignet ist. Wir bieten Beispielanalysen des Fetttröpfchengehalts unter verschiedenen Bedingungen, die den zellulären Fettstoffwechsel beeinflussen.

Introduction

Lipide spielen eine entscheidende Rolle im Zellenergie- und Kohlenstoffstoffwechsel, bei der Synthese von Membrankomponenten und bei der Produktion bioaktiver Substanzen. Der Fettstoffwechsel wird entsprechend den Umweltbedingungen, der Nährstoffverfügbarkeit und der Zellzyklusphase1abgestimmt. Beim Menschen ist der Fettstoffwechsel mit Krankheiten wie Fettleibigkeit, Typ-II-Diabetes und Krebs verbunden2. In der Industrie stellen Lipide, die von Mikroorganismen wie Hefen hergestellt werden, eine vielversprechende Quelle für erneuerbare Dieselkraftstoffedar 3. Zellen speichern neutrale Lipide in sogenannten Lipidtröpfchen (LDs). Diese evolutionär konservierten Körper bestehen aus Triacylglycerolen, Sterylestern, einer äußeren Phospholipid-Monoschicht und assoziierten Proteinen1. LDs stammen aus dem endoplasmatischen Retikulum, üben zellzyklus- oder Wachstumsphasendynamik aus und sind wichtig für die zelluläre Lipidhomöostase1. LD-Nummer und Morphologie können als bequemer Proxy verwendet werden, wenn sie den Fettstoffwechsel unter verschiedenen Wachstumsbedingungen untersuchen oder eine Gruppe von Mutanten untersuchen. Aufgrund ihrer dynamischen Natur sind Techniken, die in der Lage sind, die Eigenschaften einzelner LDs zu analysieren, von besonderem Interesse in Studien des Fettstoffwechsels.

Verschiedene Hefearten wurden verwendet, um lipidbedingte Stoffwechselwege und ihre Regulierung zu beschreiben, oder in der Biotechnologie verwendet, um interessante Verbindungen oder Brennstoffe zu produzieren1. Darüber hinaus stehen für Modellhefen, wie die angehende Hefe Saccharomyces cerevisiae oder die entfernt verwandte Spalthefe Schizosaccharomyces pombe,genomweite Deletionsstammbibliotheken zur Verfügung, die für Hochdurchsatz verwendet werden können. Bildschirme4,5. Kürzlich wurden LD-Zusammensetzung und -Dynamik in S. pombe6,7,8,9beschrieben und Mutanten im Zusammenhang mit dem Fettstoffwechsel wurden in der entstehenden Modellhefe isoliert Schizosaccharomyces japonicus10.

Es stehen zahlreiche Techniken zur Verfügung, um LD-Inhalte und -Dynamiken zu untersuchen. Die meisten verwenden eine Art von Färbung von LDs mit lipophilen Farbstoffen wie Nile Red oder BODIPY 493/503. Letzteres zeigt engere Anregungs- und Emissionsspektren und eine erhöhte Spezifität gegenüber neutralen Lipiden (LDs) im Gegensatz zu Phospholipiden (Membranen)11. Fluorimetrische und Strömungszytometrie-Methoden wurden erfolgreich in verschiedenen Pilzarten verwendet, um Gene und Wachstumsbedingungen aufzudecken, die den Speicherfettgehalt12,13,14,15beeinflussen. Obwohl diese Methoden für Anwendungen mit hohem Durchsatz geeignet sind, können sie die Anzahl und Morphologie einzelner LDs in Zellen nicht messen, die sich zwischen Wachstumsbedingungen und Genotypen dramatisch unterscheiden können. Kohärente Raman-Streuung oder digitale holographische Mikroskopie sind etikettenfreie Methoden, die Daten auf LD-Ebene liefern, aber spezielle teure Geräte erfordern16,17,18. Die Fluoreszenzmikroskopie hingegen kann detaillierte Daten zu LD-Inhalten liefern und gleichzeitig allgemein verfügbare Instrumente und Softwaretools zur Bildanalyse verwenden. Es gibt mehrere Analyse-Workflows, die unterschiedliche Raffinesse und Automatisierung in der Zell-/LD-Erkennung aus Bilddaten aufweisen und für verschiedene Zelltypen optimiert sind, z. B. metazoanische Zellen mit großen LDs19,20 , 21, oder angehende Hefen17,22,23. Einige dieser Ansätze funktionieren nur in 2D (z. B. bei maximalen Projektionsbildern), die den zellulären LD-Inhalt möglicherweise nicht zuverlässig beschreiben. Unserer Kenntnis nach gibt es keine Werkzeuge zur Bestimmung des LD-Gehalts und der Morphologie aus mikroskopischen Spalthefedaten. Die Entwicklung automatisierter und robuster Analysen auf LD-Ebene würde eine erhöhte Empfindlichkeit und erhöhte statistische Leistung bringen und umfassende Informationen über neutralen Lipidgehalt liefern, idealerweise bei mehreren Hefearten.

Wir haben einen Workflow für die LD-Inhaltsanalyse aus 3D-Fluoreszenzmikroskopiebildern von Hefezellen entwickelt. Lebende Zellen werden mit BODIPY 493/503 und Cascade Blue dextran gebeizt, um LDs zu visualisieren bzw. Zellgrenzen zu bestimmen. Zellen werden auf Glasdias immobilisiert und mit einem Standard-Epifluoreszenzmikroskop einer Z-Stack-Bildgebung unterzogen. Die Bilder werden dann von einer automatisierten Pipeline verarbeitet, die in MATLAB, einem weit verbreiteten (kommerziellen) Paket für statistische Analysen, implementiert ist. Die Pipeline führt Bildvorverarbeitung, Segmentierung (Zellen vs. Hintergrund, Entfernen abgestorbener Zellen) und LD-Identifikation durch. Umfangreiche Daten auf LD-Ebene, wie LD-Größe und Fluoreszenzintensität, werden dann in einem tabellarischen Format bereitgestellt, das mit wichtigen Tabellenkalkulationssoftware-Tools kompatibel ist. Der Workflow wurde erfolgreich eingesetzt, um die Auswirkungen der Stickstoffquellenverfügbarkeit auf den Fettstoffwechsel in S. pombe24zu bestimmen. Wir demonstrieren nun die Funktionalität des Workflows in S. pombe, S. japonicus und S. cerevisiae, mit Wachstumsbedingungen oder Mutanten, die zellulären LD-Gehalt beeinflussen.

Protocol

1. Vorbereitung von Lösungen und Medien Bereiten Sie Lipid-Färbunglösung. Zur Herstellung von Lagerlipid-Färbunglösung lösen 10 mg BODIPY 493/503 in 10 ml wasserfreien DMSO (Endkonzentration 1 mg/ml). Lösen Sie den gesamten Gehalt einer 10 mg BODIPY 493/503 Durchstechflasche auf, um Materialverluste beim Wiegen zu verhindern.ACHTUNG: DMSO kann durch die Haut passieren. Tragen Sie eine geeignete persönliche Schutzausrüstung. Bereiten Sie die ar…

Representative Results

Das gesamte Verfahren ist in Abbildung 1 für die Spalthefen zusammengefasst (der angehende Hefe-Workflow ist analog), und unten finden Sie Beispiele dafür, wie der Workflow verwendet werden kann, um LD-Inhalte in drei verschiedenen Hefearten unter verschiedenen bekannten Bedingungen zu untersuchen. um den Zell-LD-Inhalt zu beeinflussen. Jedes Beispiel stellt ein einziges biologisches Experiment dar. <img alt="Figure 1" class="xfi…

Discussion

Das Verständnis des Fettstoffwechsels und seiner Regulierung ist sowohl für die Grundbiologie als auch für klinische und biotechnologische Anwendungen wichtig. Der LD-Gehalt stellt eine bequeme Auslesung des Lipidstoffwechselzustands der Zelle dar, wobei die Fluoreszenzmikroskopie eine der wichtigsten Methoden zur Bestimmung des LD-Gehalts ist. Das vorgestellte Protokoll ermöglicht die automatisierte Detektion und quantitative Beschreibung einzelner LDs in drei verschiedenen und morphologisch unterschiedlichen Hefear…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde durch die Stipendien der Karlsuniversität PRIMUS/MED/26, GAUK 1308217 und SVV 260310 unterstützt. Wir danken Ond’ej ebesta für die Hilfe bei der Mikroskopie und der Entwicklung der Bildanalyse-Pipeline. Wir danken dem ReGenEx-Labor für S. cerevisiae-Stämme und JapoNet und Hironori Nikis Labor für S. japonicus-Stämme. Der ppc1-88 Stamm wurde vom Yeast Genetic Resource Center Japan bereitgestellt. Die Mikroskopie wurde im Labor für Konfokal- und Fluoreszenzmikroskopie durchgeführt, das vom Europäischen Fonds für regionale Entwicklung und dem Staatshaushalt der Tschechischen Republik kofinanziert wurde (Projekt Nr. CZ.1.05/4.1.00/16.0347 und CZ.2.16/3.1.00/21515).

Materials

12-bit monochromatic CCD camera Hamamatsu ORCA C4742-80-12AG Hamamatsu   or equivalent
Adenine hemisulfate salt, ≥99% Merck A9126-25G  
BODIPY 493/503 (4,4-Difluoro-1,3,5,7,8-Pentamethyl-4-Bora-3a,4a-Diaza-s-Indacene) Thermo Fisher Scientific D3922 for neutral lipid staining
D-(+) – Glucose, ≥99.5% Merck G7021  
Dextran, Cascade Blue, 10,000 MW, Anionic, Lysine Fixable Thermo Fisher Scientific D1976 for negative staining of cells
Dimethyl sulfoxide, ≥99.5% Merck D4540 or higher purity, keep anhydrous on molecular sieves
EMM broth without dextrose Formedium PMD0405 medium may also be prepared from individual components
Fiji/ImageJ software NIH   or equivalent; for visual inspection of microscopic data
High precision cover glasses, 22×22 mm, No 1.5 VWR 630-2186 use any # 1.5 cover glass
Image Processing Toolbox for MATLAB, version 10.0 Mathworks    
Lectin from Glycine max (soybean) Merck L1395 for cell immobilization on slides
MATLAB software, version 9.2 Mathworks    
Microscope slide, 26 x 76 mm, 1 mm thickness Knittel Glass L762601.2 use any microscope slide fitting your microscope stage, clean thoroughly before loading cells
Olympus CellR microscope with automatic z-axis objective movement Olympus   or equivalent
pentaband filter set Semrock F66-985 brightfield, green and blue channels are sufficient
Signal Processing Toolbox for MATLAB, version 7.4 Mathworks    
SP supplements Formedium PSU0101  
standard office computer capable of running MATLAB      
Statistics and Machine Learning Toolbox for MATLAB, version 11.1 Mathworks    
Universal peptone M66 for microbiology Merck 1070431000  
UPLSAPO 60XO objective Olympus   or equivalent
Yeast extract Formedium YEA03  
Yeast nitrogen base without amino acids Formedium CYN0405  

References

  1. Koch, B., Schmidt, C., Daum, G. Storage lipids of yeasts: a survey of nonpolar lipid metabolism in Saccharomyces cerevisiae, Pichia pastoris, and Yarrowia lipolytica. FEMS Microbiology Reviews. 38 (5), 892-915 (2014).
  2. Krahmer, N., Farese, R. V., Walther, T. C. Balancing the fat: lipid droplets and human disease. EMBO Molecular Medicine. 5 (7), 973-983 (2013).
  3. Lazar, Z., Liu, N., Stephanopoulos, G. Holistic Approaches in Lipid Production by Yarrowia lipolytica. Trends in Biotechnology. 36 (11), 1157-1170 (2018).
  4. Kim, D. U., et al. Analysis of a genome-wide set of gene deletions in the fission yeast Schizosaccharomyces pombe. Nature Biotechnology. 28 (6), 1628-1629 (2010).
  5. Giaever, G., Nislow, C. The yeast deletion collection: a decade of functional genomics. Genetics. 197 (2), 451-465 (2014).
  6. Meyers, A., et al. The protein and neutral lipid composition of lipid droplets isolated from the fission yeast, Schizosaccharomyces pombe. Journal of Microbiology (Seoul, Korea). 55 (2), 112-122 (2017).
  7. Meyers, A., et al. Lipid Droplets Form from Distinct Regions of the Cell in the Fission Yeast Schizosaccharomyces pombe. Traffic (Copenhagen, Denmark). 17 (6), 657-659 (2016).
  8. Long, A. P., et al. Lipid droplet de novo formation and fission are linked to the cell cycle in fission yeast. Traffic (Copenhagen, Denmark). 13 (5), 705-714 (2012).
  9. Yang, H. J., Osakada, H., Kojidani, T., Haraguchi, T., Hiraoka, Y. Lipid droplet dynamics during Schizosaccharomyces pombe sporulation and their role in spore survival. Biology Open. , 8 (2016).
  10. Aoki, K., Shiwa, Y., Takada, H., Yoshikawa, H., Niki, H. Regulation of nuclear envelope dynamics via APC/C is necessary for the progression of semi-open mitosis in Schizosaccharomyces japonicus. Genes To Cells: Devoted To Molecular & Cellular Mechanisms. 18 (9), 733-752 (2013).
  11. Karolin, J., Johansson, L. B. A., Strandberg, L., Ny, T. Fluorescence and Absorption Spectroscopic Properties of Dipyrrometheneboron Difluoride (BODIPY) Derivatives in Liquids, Lipid Membranes, and Proteins. Journal of the American Chemical Society. 116 (17), 7801-7806 (1994).
  12. Bozaquel-Morais, B. L., Madeira, J. B., Maya-Monteiro, C. M., Masuda, C. A., Montero-Lomeli, M. A new fluorescence-based method identifies protein phosphatases regulating lipid droplet metabolism. PloS One. 5 (10), e13692 (2010).
  13. Sitepu, I. R., et al. An improved high-throughput Nile red fluorescence assay for estimating intracellular lipids in a variety of yeast species. Journal of Microbiological Methods. 91 (2), 321-328 (2012).
  14. Rostron, K. A., Lawrence, C. L. Nile Red Staining of Neutral Lipids in Yeast. Methods in Molecular Biology (Clifton, N.J.). 1560, 219-229 (2017).
  15. Romero-Aguilar, L., Montero-Lomeli, M., Pardo, J. P., Guerra-Sánchez, G. Lipid Index Determination by Liquid Fluorescence Recovery in the Fungal Pathogen Ustilago Maydis. Journal of Visualized Experiments. (134), 1-6 (2018).
  16. Gupta, A., Dorlhiac, G. F., Streets, A. M. Quantitative imaging of lipid droplets in single cells. The Analyst. , (2018).
  17. Wolinski, H., Bredies, K., Kohlwein, S. D. Quantitative imaging of lipid metabolism in yeast: from 4D analysis to high content screens of mutant libraries. Methods in Cell Biology. , 108-365 (2012).
  18. Campos, V., Rappaz, B., Kuttler, F., Turcatti, G., Naveiras, O. High-throughput, nonperturbing quantification of lipid droplets with digital holographic microscopy. Journal of Lipid Research. 59 (7), 1301-1310 (2018).
  19. Ranall, M. V., Gabrielli, B. G., Gonda, T. J. High-content imaging of neutral lipid droplets with 1,6-diphenylhexatriene. BioTechniques. 51 (1), 35-42 (2011).
  20. Schnitzler, J. G., et al. Nile Red Quantifier: a novel and quantitative tool to study lipid accumulation in patient-derived circulating monocytes using confocal microscopy. Journal of Lipid Research. 58 (11), 2210-2219 (2017).
  21. Bombrun, M., Gao, H., Ranefall, P., Mejhert, N., Arner, P., Wählby, C. Quantitative high-content/high-throughput microscopy analysis of lipid droplets in subject-specific adipogenesis models. Cytometry. Part A the journal of the International Society for Analytical Cytology. 91 (11), 1068-1077 (2017).
  22. Capus, A., Monnerat, M., Ribeiro, L. C., de Souza, W., Martins, J. L., Sant’Anna, C. Application of high-content image analysis for quantitatively estimating lipid accumulation in oleaginous yeasts with potential for use in biodiesel production. Bioresource Technology. 203, 309-317 (2016).
  23. Lv, X., et al. Identification of gene products that control lipid droplet size in yeast using a high-throughput quantitative image analysis. Biochimica et biophysica acta. Molecular and Cell Biology Of Lipids. 1864 (2), 113-127 (2018).
  24. Zach, R., Tvarůžková, J., Schätz, M., Ťupa, O., Grallert, B., Převorovský, M. Mitotic defects in fission yeast lipid metabolism “cut” mutants are suppressed by ammonium chloride. FEMS Yeast Research. 18 (6), 1-7 (2018).
  25. Petersen, J., Russell, P. Growth and the Environment of Schizosaccharomyces pombe. Cold Spring Harbor Protocols. 2016 (3), (2016).
  26. Aoki, K., Furuya, K., Niki, H. Schizosaccharomyces japonicus: A Distinct Dimorphic Yeast among the Fission Yeasts. Cold Spring Harbor Protocols. (12), (2017).
  27. Curran, B. P. G., Bugeja, V. Basic investigations in Saccharomyces cerevisiae. Methods in Molecular Biology (Clifton, N.J.). , 1-14 (2014).
  28. Sabatinos, S. A., Forsburg, S. L. Molecular genetics of Schizosaccharomyces pombe. Methods in Enzymology. 470 (10), 759-795 (2010).
  29. Schindelin, J., Rueden, C. T., Hiner, M. C., Eliceiri, K. W. The ImageJ ecosystem: An open platform for biomedical image analysis. Molecular Reproduction and Development. 82 (7-8), 518-529 (2015).
  30. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  31. Nakamura, T., Pluskal, T., Nakaseko, Y., Yanagida, M. Impaired coenzyme A synthesis in fission yeast causes defective mitosis, quiescence-exit failure, histone hypoacetylation and fragile DNA. Open Biology. 2 (9), 120117 (2012).
  32. Furuya, K., Niki, H. Isolation of heterothallic haploid and auxotrophic mutants of Schizosaccharomyces japonicus. Yeast. 26 (4), 221-233 (2009).
  33. Ivnitski-Steele, I., et al. Identification of Nile red as a fluorescent substrate of the Candida albicans ATP-binding cassette transporters Cdr1p and Cdr2p and the major facilitator superfamily transporter Mdr1p. Analytical Biochemistry. 394 (1), 87-91 (2009).
  34. Wolinski, H., Kohlwein, S. D. Microscopic analysis of lipid droplet metabolism and dynamics in yeast. Methods in Molecular Biology (Clifton, N.J.). 457 (1), 151-163 (2008).
  35. Graml, V., et al. A genomic Multiprocess survey of machineries that control and link cell shape, microtubule organization, and cell-cycle progression. Developmental Cell. 31 (2), 227-239 (2014).

Play Video

Cite This Article
Princová, J., Schätz, M., Ťupa, O., Převorovský, M. Analysis of Lipid Droplet Content in Fission and Budding Yeasts using Automated Image Processing. J. Vis. Exp. (149), e59889, doi:10.3791/59889 (2019).

View Video