Summary
Ici, nous décrivons la méthode que nous avons employée pour imager la filodose dendritique fortement motivoir dans une préparation en direct du cerveau larvaire de Drosophila, et le protocole que nous avons développé pour quantifier des ensembles de données d'imagerie 3D de time-lapse pour des évaluations quantitatives du dendrite dynamique dans le développement des neurones.
Abstract
La filodée dendritique très motile est largement présente dans les neurones aux premiers stades de développement. Ces branches dynamiques exploratoires échantillonnent l'environnement environnant et amorceront des contacts avec des partenaires synaptiques potentiels. Bien que le lien entre la dynamique des branches dendritiques et la synaptogénèse soit bien établi, la façon dont les processus développementaux et dépendants de l'activité régulent la dynamique des branches dendritiques n'est pas bien comprise. Cela est dû en partie aux difficultés techniques associées à l'imagerie en direct et aux analyses quantitatives de ces structures fines à l'aide d'un système in vivo. Nous avons établi une méthode pour étudier la dynamique des dendrites à l'aide des neurones larvaires ventrals de Drosophila (LNvs), qui peuvent être étiquetés individuellement à l'aide d'approches génétiques et sont accessibles pour l'imagerie en direct. Profitant de ce système, nous avons développé des protocoles pour capturer la dynamique des branches de toute l'arborescence dendritique d'un seul LNv étiqueté grâce à l'imagerie en direct en accéléré. Nous avons ensuite effectué le post-traitement pour améliorer la qualité de l'image par la correction de la dérive et la déconvolution, puis par l'analyse de la dynamique des branches au niveau d'une seule branche en annoté les positions spatiales de tous les terminaux de branche. Enfin, nous avons développé des scripts R(Fichier supplémentaire) et des paramètres spécifiques pour quantifier la dynamique des branches à l'aide des informations de coordonnées générées par le suivi terminal. Collectivement, ce protocole nous permet d'obtenir une description quantitative détaillée de la dynamique des branches de l'arborescence neuronale dendritique avec une haute résolution temporelle et spatiale. Les méthodes que nous avons développées sont généralement applicables aux neurones peu étiquetés dans des conditions in vitro et in vivo.
Introduction
Les dendrites sont des compartiments neuronaux spécialisés qui reçoivent et traitent l'entrée sensorielle et synaptique. La structure complexe et stéréotypée des arborescences dendritiques fait l'objet d'une intense enquête depuis leur découverte. Un certain nombre de systèmes modèles, y compris les neurones tecattiques optiques Xenopus, les cellules ganglionnaires rétiniennes de poussins et les neurones d'arborescence dendritique (da) dans le système Drosophila, ont été mis en place pour étudier le développement, le remodelage et la plasticité des dendrites neuronales1,2,3,4. Les neurones latéraux ventral de Drosophila (LNvs) sont un groupe de neurones de projection visuelle initialement identifiés pour leurs fonctions importantes dans la régulation circadienne des comportements de mouche5. Des études ont également révélé le rôle des LNv larvaires comme cible postsynaptique directe des photorécepteurs larvaires (PR)6,7. Il est important de noter que la culture de larves en développement dans différents régimes de lumière affecte fortement la taille des arborescences dendritiques de LNvs, démontrant l'adéquation des LNvs en tant que nouveau modèle pour l'étude de la plasticité dendritique7. Les travaux récents de notre groupe indiquent en outre que la taille de la dendrite LNv et le comportement dynamique des branches dendritiques affichent l'expérience-dépendance plasticité8,9. Dans le cadre de ces travaux, nous avons mis au point un nouveau protocole d'imagerie et de quantification en direct pour effectuer des analyses sur la dynamique dendrite des LNv à partir de 2nd ou 3rd instar larves.
La nature transparente du cerveau larvaire Drosophila le rend idéal pour l'imagerie en direct. Cependant, les arborescences dendritiques des LNv sont situées dans le neuropil optique larvaire densément innervé (LON) au centre du lobe du cerveau larvaire6. Pour capturer des images de branches fines de dendrite et de filopodia dans le tissu cérébral intact, nous utilisons la microscopie à deux photons, qui augmente la profondeur de pénétration de la lumière et réduit la phototoxicité lors d'expériences d'imagerie en direct10. En utilisant cette configuration, nous avons effectué avec succès des expériences d'imagerie en direct sur les LNv pendant plus de 30 min sans observer la détérioration morphologique évidente du neurone. En outre, les manipulations génétiques utilisant la technique Flip-out nous ont permis d'étiqueter les LNvs individuels avec une membrane marquée GFP, qui est également critique pour surveiller les mouvements des branches individuelles11,12,13 .
Pour capturer le comportement dynamique de toutes les branches de l'arborescence dendritique LNv avec une résolution optique optimale, nous avons effectué l'imagerie 3D time-lapse sur des explants de cerveau larvaire fraîchement disséqués avec une haute résolution spatiale à 1 min par cadre pendant 10 à 30 min. Développer LNvv. Les dendrites sont très dynamiques, avec un grand pourcentage des branches affichant des changements observables dans la fenêtre de 10 min. Cela conduit à l'un des principaux défis techniques dans l'étude de la dynamique des dendrites, quantifiant le comportement des branches à partir des ensembles de données d'image 4D. Les méthodes précédemment établies ont diverses limitations, y compris le manque d'exactitude et l'exigence excessive de temps. Par conséquent, nous avons développé une méthode semi-automatique qui combine le post-traitement d'image, le marquage manuel des terminaux de branche, et le traçage 4D automatique de tache utilisant un logiciel d'annotation d'image. Nous calculons les mouvements des terminaux de branche à différents points de temps en fonction des coordonnées 3D des taches. Les données sont ensuite exportées et analysées pour produire des mesures quantitatives de la dynamique des branches. Cette méthode évalue avec précision la durée et l'étendue des événements d'extension et de rétraction des branches existantes, ainsi que la formation de nouvelles branches, ce qui nous permet de surveiller la dynamique des dendrites dans un grand nombre de neurones.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MISE EN GARDE: Ce protocole implique l'utilisation de lasers de classe IV et nécessitera une formation appropriée et des directives de sécurité à suivre. Évitez l'exposition des yeux ou de la peau à la lumière laser directe ou dispersée.
REMARQUE: Le protocole comprend six étapes. Le flux de travail est indiqué dans la figure 1A.
1. Étiquetage des neurones individuels à l'aide de la technique Flip-out
REMARQUE: L'étiquetage unique des LNvs est réalisé en exprimant mCD8::GFP en LNvs unique en utilisant l'étiquetage stochastique flippase-mediated. Le génotype de la ligne de mouche est: hs-flp; Pdf-Gal4; UAS-FRT-CD2-stop-FRT-mCD8::GFP11,12,13. La fréquence d'obtention d'un seul LNv étiqueté est d'environ 10%. Les stocks de mouches sont maintenus dans un milieu standard dans les incubateurs circadiens et à humidité contrôlée de 25 oC.
- Recueillir 100-200 œufs dans une fenêtre de 2 h après la fécondation sur une assiette de jus de raisin avec supplément de levure. Incuber les embryons à 25 oC pendant 24 h et recueillir les larves nouvellement écloses pour l'étape suivante.
- Choc thermique, les larves nouvellement éclos, les premières inétoiles, à 37,5 oC pendant 40 min deux fois, avec une période de récupération de 40 min entre les deux.
- Culture des larves à 25 oC avec des contrôles circadiens et d'humidité jusqu'au stade de développement souhaité.
2. Disséquer et monter des explantations de cerveau larvaire
- Disséquer les cerveaux larvaires dans la solution saline externe physiologique (120 mM NaCl, 4 mM MgCl2, 3 mM KCl, 10 mM NaHCO3, 10 mM Glucose, 10 mM Sucrose, 5 mM TES, 10 mM HEPES, 2 mM Ca2 ,PH 7,2) sous un microscope de dissection (4,5 magxnification puissance) avec deux paires de #5 forceps de dissection de pointe standard (11 cm). Utilisez une paire de forceps pour maintenir le corps larvaire en place et l'autre pour disséquer soigneusement le cerveau. Préserver les disques oculaires, les lobes cérébraux et le cordon nerveux ventral. Enlever les muscles attachés pour minimiser les mouvements de l'échantillon pendant l'imagerie.
- Préparer un toboggan en verre (25 x 75 x 1,0 mm3) et utiliser une seringue pour dessiner une chambre carrée avec de la graisse sous vide.
- Ajouter 20 l de solution saline externe à la chambre carrée avec des barrières de graisse.
- Transférer les cerveaux larvaires disséqués dans la chambre sur la glissière en verre à l'aide de forceps. Ajuster la position des cerveaux sous la portée de dissection pour s'assurer que le côté dorsal fait face vers le haut.
- Couvrir la chambre d'un bordereau de couvercle en verre (22 x 22 x 0,15 mm3). Le cerveau larvaire est maintenant monté sur la glissière dans une chambre remplie de la solution saline externe (Figure 1B).
REMARQUE: Appuyer doucement sur la feuille de couverture confine le cerveau et réduit la dérive de l'échantillon dans la séance d'imagerie suivante.
3. Imagerie en direct Time-lapse
REMARQUE: Nous effectuons des expériences d'imagerie en accéléré à l'aide d'un microscope confocal équipé d'un laser multiphoton. Les paramètres d'acquisition doivent être ajustés pour d'autres configurations d'imagerie.
- Identifiez les explants cérébraux contenant des neurones étiquetés individuellement à l'aide d'un objectif d'immersion dans l'eau de 40 X (NA 1.3) et d'une source de lumière épifluorescente. Pour la collecte d'images, utilisez un laser à deux photons réglé sur 920 nm et un détecteur non descanned (NDD).
- Recueillir des images à 512 x 512 pixels par image et 1 min par z-pile pendant 10 min. Ajuster le zoom optique et numérique pour obtenir une résolution suffisante x-y-z tout en assurant la couverture de l'ensemble de l'arborescence dendritique dans un délai de 1 min (Figure 2,Vidéo supplémentaire 1). Les paramètres génèrent des images avec une résolution typique de x-y-z de 0,11 x 0,11 x 0,25 m3.
- Recueillir la série d'images time lapse à moins de 30 minutes de la dissection du cerveau. Les données présentant une dérive excessive ou une détérioration morphologique évidente devraient être exclues du post-traitement et de la quantification.
4. Correction de dérive et deconvolution
REMARQUE: Selon la qualité de l'image, les deux étapes sont facultatives mais fortement recommandées.
- Ouvrez un fichier d'image acquis avec un logiciel de correction de dérive. Modifier les paramètres microscopiques pour correspondre à ceux utilisés pour l'expérience. Pour le logiciel (voir tableau des matériaux),cliquez sur Edit Modifier les paramètres microscopiques. Définiz le type de microscope comme un champ large pour les images à deux photons s'il n'y a pas d'option à deux photons et suivez le flux de travail défini par le logiciel. Par exemple, ouvrez l'onglet Deconvolution Object Stabilizer, et choisissez stabiliser les délais.
- Ouvrez l'image corrigée par la dérive dans le logiciel de déconvolution et suivez son flux de travail. Pour le logiciel (voir Tableau des matériaux),sélectionnez l'image stabilisée, puis cliquez sur Deconvolution . Deconvolution Express. Pour obtenir un meilleur résultat, affiner les paramètres en utilisant Deconvolution Wizard.
- Enregistrer l'image déconvolved dans un type de fichier qui est pris en charge par le logiciel d'annotation d'image ultérieure capable d'analyser les données 4D et de signaler les coordonnées spatiales des taches définies dans l'image (voir Tableau des matériaux).
5. Annotation d'image
- Ouvrez l'image déconvolved dans le logiciel d'annotation d'image. Examinez et marquez les bouts de branche à tout moment en 3D. Le logiciel d'annotation d'image rapporte et stocke les coordonnées spatiales et temporelles des bouts marqués de branche. Exportez les informations de coordonnées en tant que fichier .csv pour les calculs ultérieurs.
REMARQUE: Les deux étapes suivantes sont spécifiques au logiciel d'annotation que nous avons utilisé (voir Tableau des matériaux). Le flux de travail peut être différent pour d'autres logiciels. - Dans le module Spots, cliquez sur "Skip automatic creation, editer manuellement" et cochez le bas "Auto-connect à lacase à cocher Spot " sélectionnée ( Figure3A). Passez en charge les images de la série chronologique et sélectionnez une branche pour l'annotation. Maintenez la touche Shift et cliquez sur la pointe du terminal de branche pour ajouter une place. Cliquez sur tous les points de temps.
REMARQUE: Le logiciel d'annotation d'image relie les taches entre les images et génère automatiquement une trajectoire. L'information spatiale et temporelle des pointes de branche est maintenant associée à des taches marquées. Répétez ces étapes jusqu'à ce que toutes les pointes de branche soient annotées (Figure 3B). - Dans le module Spots, cliquez sur l'onglet Statistiques, sélectionnez Les valeurs détaillées et spécifiques. Position. Les informations de coordonnées spatiales et temporelles enregistrées seront exposées. Cliquez sur le bas Enregistrer pour exporter cette information sous forme de fichier .csv (figure 3C).
6. Calcul de la dynamique des branches dendritiques
REMARQUE: À l'aide des informations de coordonnées, le déplacement des pointes de branche en 3D peut être facilement calculé. Dans notre étude, tous les mouvements de branche dendritiques sont classés comme Extension ou Rétraction. Les étapes ci-dessous décrivent comment traiter les fichiers .csv à l'aide de scripts R personnalisés (Fichier supplémentaire) et en ajoutant les informations directionnelles par le biais de l'édition manuelle.
- Ouvrez le fichier .csv comme feuille de calcul. Sélectionnez la colonne Track ID, cliquez sur la plus petite option Sort à la plus grande et acceptez Élargir la sélection. Après le tri, Track ID identifie chaque branche dendritique unique, et les taches de la même branche partagent le même ID track. La colonne Temps stocke les informations de différents délais.
- Dans la feuille de calcul, ajouter une colonne Distance. Calculer la distance de chaque deux points adjacents temporellement à l'aide de leurs coordonnées et mettre les valeurs dans la colonne Distance (Figure 4A).
- Mouvements mineurs au niveau du voxel unique. Sur la base des paramètres d'imagerie, 0,3 m sont généralement des artefacts provenant d'une dérive non corrigée ou d'une annotation d'image imparfaite. Filtrer ces mouvements en réinitialisant toutes les valeurs de distance inférieures à 0,3 m à 0. Traitez plusieurs fichiers .csv manuellement ou utilisez notre filtrage de colonne de script R. R (Fichier supplémentaire).
- Générer manuellement une nouvelle colonne nommée Déplacement dans la feuille de calcul. Copiez les valeurs de la colonne Distance à la colonne De déplacement. Attribuez manuellement les événements d'extension et de rétraction pour chaque extrémité de branche. S'il s'agit d'une extension, laissez la valeur de déplacement inchangée, ce qui est une valeur positive. S'il s'agit d'une rétractation, modifiez la valeur de déplacement correspondante en valeur négative (p. ex., 0,35 à -0,35) (figure 4B).
- Générer une nouvelle colonne nommée Event. Dans cette colonne, résumer manuellement les valeurs de déplacement pour les événements individuels d'extension et de rétraction (figure 4B).
- Traiter la feuille de calcul modifiée et quantifier les événements d'extension et de rétraction en fonction de leurs valeurs de déplacement à l'aide de la somme de la colonne de script R. R (Fichier supplémentaire). Les paramètres de sortie incluent le nombre d'événements d'extension, Nombre d'événements de rétraction, Longueur cumulative prolongée, Longueur cumulative rétractée, Longueur nette modifiée, et longueur totale parcourue .
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
À l'aide du protocole d'imagerie en direct décrit ci-dessus, nous capturons des piles d'images haute résolution pour les analyses et la quantification ultérieures. La vidéo supplémentaire 1 montre la série d'images projetées d'intensité maximale (MIP) recueillies auprès d'un représentant étiqueté individuellement LNv. Figure 2B montre le montage correspondant de huit images de la série d'images. Dans les deux panneaux, les pointes de flèche marquent les événements de rétraction et les flèches marquent les événements d'extension.
Ensuite, nous effectuons un suivi 4D semi-automatisé des terminaux de branche à l'aide d'un logiciel d'annotation d'image (Tableau des matériaux). Figure 3 B affiche les annotations des terminaux de branche dynamiques d'un lNv représentatif étiqueté individuellement. À l'aide de ce logiciel, nous visualisons les piles d'images en 3D, marmons manuellement tous les terminaux de branche et utilisons le module Spots pour suivre les mouvements des terminaux à travers le temps. Ce logiciel génère des trajectoires horodatées pour chaque terminal de branche annotée, servant de représentations visuelles des événements dynamiques sur l'arborescence dendritique.
Nous utilisons ensuite les informations de coordonnées des bouts de branche annotés pour calculer la direction et la distance des mouvements de branche à chaque moment. Les captures d'écran de la figure 4A,B montrent comment cela est réalisé. Les feuilles de calcul traitées génèrent des fichiers de sortie que nous utilisons pour quantifier la dynamique des dendrites avec quatre paramètres, y compris le pourcentage de branches dynamiques, le nombre de nouvelles branches, la distance cumulative parcourue et le nombre d'événements de mouvement de branche. Figure 4 C montre des comparaisons de la dynamique des branches dendritiques pour les LNvs étiquetés individuellement à partir de différents stades de développement. Conformément aux résultats dans les neurones mammifères et les cellules tectales de poisson zèbre, la dynamique de dendrite de LNv sont réglées développementale14,15. Les dendrites LNv chez les larves plus jeunes, 48-72 h après la ponte (AEL), sont significativement plus dynamiques que celles des larves plus âgées, 96-120 h AEL, mesurées par les quatre paramètres, et la transition développementale de l'état dynamique à l'état stable se produit entre 72 et 96 h AEL8.
Figure 1 : Flux de travail du protocole d'imagerie et de quantification de la dynamique des dendrites. (A) Le protocole contient six étapes couvrant la préparation de l'échantillon, la collecte d'images, le traitement d'images et la quantification semi-automatisée de la dynamique des dendrites. (B) Diagramme schématique illustrant une chambre d'imagerie contenant une explantation de cerveau larvaire montée avec le côté dorsal vers le haut. L'explante cérébrale a un LNv étiqueté individuellement dans chaque lobe et est immergé dans la solution saline externe. Les barrières de graisse de vide soutiennent le poids du couvercle et forment une petite chambre qui empêche le cerveau de se déplacer. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 2 : Imagerie en accéléré de la dynamique des branches dendritiques en 3D. (A) L'arborescence dendritique d'un LNv étiqueté individuellement à partir d'une larve 3rd instar. (B) L'image de montage correspondante de (A) illustrant les mouvements représentatifs des branches. Arrowheads (Vert) marque les événements de rétraction; flèches (Rouge) marquer les événements d'extension. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 3 : Annotation manuelle et suivi automatique des terminaux de branche dendritiques dans un logiciel d'annotation d'image. (A) Une capture d'écran montre les paramètres du suivi terminal de branche à l'aide du module Spots. L'ovale rouge décrit l'option de suivi manuel. (B) Trajectoires horodatées représentatives des terminaux de branche annotés (taches jaunes) générées par le logiciel d'annotation d'image dans une barre d'échelle LNv. individuellement étiquetée 5 m. (C) Une capture d'écran montre l'interface pour la visualisation et l'exportation des coordonnées du module Spots. La figure 3B a été modifiée à partir de Sheng, C. et al. 20188. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 4 : Quantification de la dynamique des branches dendritiques à l'aide des coordonnées des terminaux de branche. (A) Une capture d'écran montre la feuille de calcul contenant les coordonnées X, Y et Z, les iD de piste et la formule utilisée pour calculer le déplacement des taches dans les cadres adjacents. (B) Une capture d'écran montre les résultats représentatifs obtenus à partir du suivi d'une branche. Les mouvements mineurs (lt;0,3 m) ont été filtrés. Les rétractations sont marquées par l'attribution de leur valeur à négative (colonne distance). En résumant les valeurs positives/négatives adjacentes, le déplacement de chaque extension/rétraction biologique est calculé (colonne Événements). (C) Quantification représentative des résultats montrant la régulation du développement de la dynamique des dendrites. Les données sont présentées sous la forme d'une parcelle de boîte (boîte, 25-75%; ligne centrale, médiane) recouverte d'une parcelle de point (points de données individuels). Figure 4C a été modifiée à partir de Sheng, C. et al. 20188. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Vidéo supplémentaire 1 : Dix images de projection d'intensité maximale (MIP) jouées à une vitesse de 2 images par seconde. L'ensemble de l'arborescence dendritique a été photographié à 1 min par Z-stack. S'il vous plaît cliquez ici pour voir cette vidéo (Cliquez à droite pour télécharger).
Fichier supplémentaire 1: Batch Column Filtering.R Script. S'il vous plaît cliquez ici pour voir ce fichier (Clic droit pour télécharger).
Dossier supplémentaire 2: Batch Column Sum.R Script. S'il vous plaît cliquez ici pour voir ce fichier (Clic droit pour télécharger).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ici, nous décrivons un protocole que nous avons développé pour enregistrer et quantifier le comportement dynamique des branches dendritiques dans les neurones individuellement étiquetés dans les cerveaux larvaires de Drosophila. Notamment, notre protocole d'imagerie en direct contient des paramètres spécifiques qui nous permettent de capturer l'ensemble de l'arborescence dendritique d'un LNv larvaire et de fournir une vue globale de l'état dynamique de ses branches dendrite. Cependant, parce que nos méthodes de quantification reposent fortement sur l'annotation des terminaux de branche, les neurones avec des structures dendritiques complexes et des arborisations condensées ne sont pas des sujets appropriés pour cette analyse.
La préparation d'échantillons, l'acquisition d'images et le post-traitement sont les étapes essentielles de ce protocole. Des images brutes de haute qualité de Monovs sont essentielles pour la quantification précise de la dynamique des dendrites. Nos données indiquent que la morphologie de dendrite de LNv et ses réponses physiologiques sont bien préservées dans une explante use de cerveau larvaire soigneusement préparée dans les 30 minutes de la dissection. Les échantillons présentant une détérioration observable des tissus cérébraux, des arborescences dendritiques allongées et une rupture des branches ne devraient pas être utilisés pour l'imagerie et la quantification. Bien qu'optionnel pour les jeux de données avec un faible fond et aucun mouvement observable, nous recommandons fortement d'inclure la correction de la dérive et les étapes de déconvolution pour améliorer la qualité de l'image, ce qui est important pour l'annotation des terminaux de branche et automatique suivi des taches. Outre le logiciel commercial utilisé dans nos études, ImageJ/Fiji's Correct 3D drift (Plugins Inscriptions Corriger la dérive 3D) fonctionne également bien pour la correction de la dérive.
L'une des principales différences entre notre protocole et les méthodes existantes est que nous suivons les mouvements des conseils de branche individuels, mais pas l'ensemble de l'arborescence dendritique. La reconstruction d'arbres dendritiques entiers, bien qu'utile pour mesurer la longueur et l'architecture dendritiques totales, n'est pas idéale pour les études dynamiques utilisant des ensembles de données d'imagerie 3D. Pour les tranches de z-pile consécutives, les programmes de traçage automatique génèrent souvent différentes combinaisons de « branches » et reconstruisent l'arborescence dendritique différemment, ce qui rend la comparaison au niveau d'une seule branche entre les différents points de temps en particulier difficile. En outre, en comparant à la traçabilité de l'ensemble de l'arborescence dendritique, le suivi terminal réduit considérablement le temps de traitement et les exigences sur la puissance de calcul.
Plusieurs modifications peuvent potentiellement améliorer l'efficacité et les caractéristiques analytiques de notre méthode. Pour extraire des informations quantitatives de position de la série d'images time-lapse, une annotation précise des conseils de branche à tous les moments est d'une importance critique. Cette étape est actuellement effectuée manuellement, ce qui prend non seulement du temps, mais introduit également la variabilité. De nouveaux développements dans le logiciel de visualisation 3D open source pourraient potentiellement répondre aux limitations techniques actuelles et rendre possible l'automatisation de cette étape critique. Plusieurs outils logiciels récemment développés fournissent une fonction de quantification automatique pour les études sur la filopodia16,17,18,19,20,21 et peut être potentiellement testés et adoptés pour des études sur la dynamique des branches dendrites.
Une autre étape qui est actuellement effectuée manuellement est l'identification des événements d'extension vs rétractation. L'automatisation de cette étape nécessite les coordonnées 3D des sites de bifurcation des branches. En comparant les distances au site de ramification à deux moments, un certificat écrit sur mesure peut être développé pour attribuer la directionnalité des déplacements terminaux. Suivant la même logique, des coordonnées 3D supplémentaires le long de la branche peuvent également être utilisées pour analyser les événements d'extension et de rétraction se produisant dans la branche. Ces modules permettront non seulement d'optimiser le flux de travail de notre protocole, mais aussi d'augmenter le contenu de l'information concernant les changements structurels des arborescences dendritiques à différentes échelles temporelles.
En résumé, pour soutenir nos études sur la plasticité dendrite dépendante de l'expérience, nous avons développé des protocoles d'imagerie en direct en accéléré et des méthodes de quantification semi-automatisées pour effectuer des évaluations de la dynamique des branches rapides dans le développement des neurones. Basé sur les résultats produits par les méthodes décrites ici, notre étude a identifié la filopodia dendritique fortement motile dans les neurones centraux de Drosophila et a indiqué une coordination développementale entre la dynamique accrue de dendrite et la synaptogenesis. Les améliorations futures au niveau de l'acquisition et de l'automatisation de l'image amélioreront considérablement le potentiel de ce protocole et faciliteront les études sur la dynamique des dendrites et la plasticité structurelle.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n'ont rien à révéler.
Acknowledgments
Ce travail est soutenu par le Programme de recherche intra-muros de l'Institut national des troubles neurologiques et des accidents vasculaires cérébraux, National Institutes of Health. Numéro de projet 1ZIANS003137.
Materials
| Name | Company | Catalog Number | Comments |
| Chameleon Vision II multiphoton laser | Coherent | ||
| High vacuum grease | Dow Corning | 79751-30 | |
| LSM 780 two-photon laser scanning confocal microscope | Carl Zeiss | upright configuration | |
| Microscope Cover Glass | Fisher Scientific | 12-544-E | |
| Superfrost Plus Microscope Slides | Fisher Scientific | 12-550-15 | |
| Software | |||
| Excel | Microsoft | for processing .csv files | |
| Huygens Professional | Scientific Volume Imaging | for drift correction and deconvolution | |
| Imaris | Oxford Instruments | for 3D visualization and image annotation | |
| Reagents | |||
| Glucose | |||
| HEPES | |||
| KCl | |||
| MgCl2 | |||
| NaCl | |||
| NaHCO3 | |||
| PBS | |||
| Sucrose | |||
| TES |
References
- Wong, W. T., Wong, R. O. L. Changing specificity of neurotransmitter regulation of rapid dendritic remodeling during synaptogenesis. Nature Neuroscience. 4 (4), 351-352 (2001).
- Wu, G. Y., Zou, D. J., Rajan, I., Cline, H. Dendritic Dynamics In Vivo Change during Neuronal Maturation. The Journal of Neuroscience. 19 (11), 4472-4483 (1999).
- Jan, Y. N., Jan, L. Y. Branching out: mechanisms of dendritic arborization. Nature Reviews Neuroscience. 11, 316 (2010).
- Cline, H., Haas, K. The regulation of dendritic arbor development and plasticity by glutamatergic synaptic input: a review of the synaptotrophic hypothesis. The Journal of Physiology. 586 (6), 1509-1517 (2008).
- Helfrich-Forster, C., et al. Development and morphology of the clock-gene-expressing lateral neurons of Drosophila melanogaster. Journal of Comparative Neurology. 500 (1), 47-70 (2007).
- Sprecher, S. G., Cardona, A., Hartenstein, V. The Drosophila larval visual system: High-resolution analysis of a simple visual neuropil. Developmental Biology. 358 (1), 33-43 (2011).
- Yuan, Q., et al. Light-Induced Structural and Functional Plasticity in Drosophila Larval Visual System. Science. 333 (6048), 1458-1462 (2011).
- Sheng, C., et al. Experience-dependent structural plasticity targets dynamic filopodia in regulating dendrite maturation and synaptogenesis. Nature Communications. 9 (1), 3362 (2018).
- Yin, J., et al. Transcriptional Regulation of Lipophorin Receptors Supports Neuronal Adaptation to Chronic Elevations of Activity. Cell Reports. 25 (5), 1181-1192 (2018).
- Denk, W., Strickler, J., Webb, W. Two-photon laser scanning fluorescence microscopy. Science. 248 (4951), 73-76 (1990).
- Golic, K. G., Lindquist, S. The FLP recombinase of yeast catalyzes site-specific recombination in the drosophila genome. Cell. 59 (3), 499-509 (1989).
- Harrison, D. A., Perrimon, N. Simple and efficient generation of marked clones in Drosophila. Current Biology. 3 (7), 424-433 (1993).
- del Valle Rodríguez, A., Didiano, D., Desplan, C. Power tools for gene expression and clonal analysis in Drosophila. Nature Methods. 9, 47 (2011).
- Portera-Cailliau, C., Pan, D. T., Yuste, R. Activity-regulated dynamic behavior of early dendritic protrusions: evidence for different types of dendritic filopodia. Journal of Neuroscience. 23 (18), 7129-7142 (2003).
- Niell, C. M., Smith, S. J. Live optical imaging of nervous system development. Annual Review of Physiology. 66, 771-798 (2004).
- Barry, D. J., Durkin, C. H., Abella, J. V., Way, M. Open source software for quantification of cell migration, protrusions, and fluorescence intensities. The Journal of Cell Biology. 209 (1), 163-180 (2015).
- Hendricusdottir, R., Bergmann, J. H. M. F-dynamics: Automated quantification of dendrite filopodia dynamics in living neurons. Journal of Neuroscience Methods. 236, 148-156 (2014).
- Jacquemet, G., et al. FiloQuant reveals increased filopodia density during breast cancer progression. The Journal of Cell Biology. 216 (10), 3387 (2017).
- Nilufar, S., Morrow, A. A., Lee, J. M., Perkins, T. J. FiloDetect: automatic detection of filopodia from fluorescence microscopy images. BMC Systems Biology. 7 (1), 66 (2013).
- Tsygankov, D., et al. CellGeo: A computational platform for the analysis of shape changes in cells with complex geometries. The Journal of Cell Biology. 204 (3), 443-460 (2014).
- Urbančič, V., et al. Filopodyan: An open-source pipeline for the analysis of filopodia. The Journal of Cell Biology. 216 (10), 3405-3422 (2017).
