Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Bioengineering
Click here for the English version

Bioengineering

Substructure Analyzer: un flusso di lavoro facile da usare per l'esplorazione rapida e l'analisi accurata dei corpi cellulari nelle immagini di microscopia a fluorescenza

Published: July 15, 2020 doi: 10.3791/60990
Automatic Translation
1, 1, 1, 1, 2, 2, 1
1Université de Lorraine, CNRS, IMoPA F54000 Nancy France, 2Institut Pasteur, BioImage Analysis Unit, CNRS UMR 3691, Paris, France.

Summary

Vi presentiamo un flusso di lavoro liberamente disponibile costruito per una rapida esplorazione e analisi accurata dei corpi cellulari in specifici compartimenti cellulari in immagini di microscopia a fluorescenza. Questo flusso di lavoro user-friendly è progettato sul software open-source E utilizza anche funzionalità ImageJ. La pipeline è conveniente senza conoscere l'analisi delle immagini.

Abstract

L'ultimo decennio è stato caratterizzato da scoperte nelle tecniche di microscopia a fluorescenza illustrate dal miglioramento della risoluzione spaziale, ma anche nell'imaging a cellule vive e nelle tecniche di microscopia ad alto consumo. Ciò ha portato ad un costante aumento della quantità e della complessità dei dati di microscopia per un singolo esperimento. Poiché l'analisi manuale dei dati di microscopia richiede molto tempo, soggettiva e proibisce l'analisi quantitativa, l'automazione dell'analisi delle immagini biologiche sta diventando quasi inevitabile. Abbiamo costruito un flusso di lavoro informatico chiamato Substructure Analyzer per automatizzare completamente l'analisi del segnale in bioimmagini dalla microscopia fluorescente. Questo flusso di lavoro è sviluppato sulla piattaforma open source user-friendly Icy ed è completato da funzionalità da ImageJ. Esso comprende la pre-elaborazione delle immagini per migliorare il rapporto segnale-rumore, la segmentazione individuale delle cellule (rilevamento dei confini cellulari) e la rilevazione/quantificazione dei corpi cellulari arricchiti in specifici compartimenti cellulari. Il vantaggio principale di questo flusso di lavoro è quello di proporre complesse funzionalità di bio-imaging agli utenti senza esperienza di analisi delle immagini attraverso un'interfaccia user-friendly. Inoltre, è altamente modulare e adattato a diverse questioni, dalla caratterizzazione della traslocazione nucleare/citoplasmatica all'analisi comparativa di diversi corpi cellulari in diverse sottostrutture cellulari. La funzionalità di questo flusso di lavoro è illustrata attraverso lo studio dei corpi Cajal (coiled) in condizioni di sollecitazione ossidativa (OS). I dati della microscopia a fluorescenza mostrano che la loro integrità nelle cellule umane è influenzata poche ore dopo l'induzione del sistema operativo. Questo effetto è caratterizzato da una diminuzione della nucleazione della bobina nei corpi cajal caratteristici, associata a una ridistribuzione nucleoplasmica della bobina in un numero maggiore di focolai più piccoli. Il ruolo centrale della bobina nello scambio tra i componenti CB e il nucleoplasmo circostante suggerisce che la ridistribuzione della bobina indotta dall'OS potrebbe influenzare la composizione e la funzionalità dei corpi cajal.

Introduction

La microscopia leggera e, più in particolare, la microscopia a fluorescenza sono tecniche robuste e versatili comunemente utilizzate nelle scienze biologiche. Danno accesso alla localizzazione precisa di varie biomolecole come proteine o RNA attraverso la loro specifica etichettatura fluorescente. L'ultimo decennio è stato caratterizzato da rapidi progressi nelle tecnologie di microscopia e imaging, come dimostra il Premio Nobel 2014 per la chimica che ha assegnato Eric Betzig, Stefan W. Hell e William E. Moerner per lo sviluppo della microscopia a fluorescenza super risolta (SRFM)1. SFRM bypassa il limite di diffrazione della microscopia ottica tradizionale per portarla nella nanodimensione. Il miglioramento di tecniche come l'imaging live o gli approcci di screening ad alta velocità effettiva aumenta anche la quantità e la complessità dei dati da trattare per ogni esperimento. La maggior parte del tempo, i ricercatori si trovano di fronte ad alte popolazioni eterogenee di cellule e vogliono analizzare i fenotipi a livello di singola cellula.

Inizialmente, analisi come il conteggio dei foci sono state eseguite a occhio, che è preferito da alcuni ricercatori in quanto fornisce il pieno controllo visivo sul processo di conteggio. Tuttavia, l'analisi manuale di tali dati richiede troppo tempo, porta a variabilità tra gli osservatori e non consente l'accesso a funzionalità più complesse in modo che gli approcci assistiti da computer stiano diventando ampiamente utilizzati e quasi inevitabili2. I metodi di bioimmagine informatica aumentano notevolmente l'efficienza dell'analisi dei dati e sono liberi dall'inevitabile soggettività dell'operatore e dalla potenziale distorsione dell'analisi di conteggio manuale. L'aumento della domanda in questo campo e il miglioramento della potenza informatica hanno portato allo sviluppo di un gran numero di piattaforme di analisi delle immagini. Alcuni di loro sono liberamente disponibili e danno accesso a vari strumenti per eseguire analisi con personal computer. Una classificazione degli strumenti ad accesso aperto è stata recentemente stabilita3 e presenta Icy4 come un potente software che combina usabilità e funzionalità. Inoltre, Icy ha il vantaggio di comunicare con ImageJ.

Per gli utenti senza esperienza nell'analisi delle immagini, gli ostacoli principali sono scegliere lo strumento appropriato in base ai parametri problematici e sintonizzati correttamente che spesso non sono ben compresi. Inoltre, i tempi di installazione sono spesso lunghi. Icy propone un'interfaccia user-and-click denominata "Protocols" per sviluppare il flusso di lavoro combinando alcuni plugin che si trovano all'interno di una raccolta esaustiva4. Il design modulare flessibile e l'interfaccia point-and-click rendono possibile l'impostazione di un'analisi per i non programmatori. Qui presentiamo un flusso di lavoro chiamato Substructure Analyzer, sviluppato nell'interfaccia di Icy, la cui funzione è quella di analizzare i segnali fluorescenti in specifici compartimenti cellulari e misurare diverse caratteristiche come luminosità, numero foci, dimensione del foci e distribuzione spaziale. Questo flusso di lavoro affronta diversi problemi come la quantificazione della traslocazione del segnale, l'analisi delle cellule trasfette che esprimono un reporter fluorescente o l'analisi dei foci da diverse sottostrutture cellulari nelle singole cellule. Consente l'elaborazione simultanea di più immagini e i risultati di output vengono esportati in un foglio di lavoro delimitato da tabulazioni che può essere aperto in programmi di fogli di calcolo di uso comune.

La pipeline dell'analizzatore di sottostruttura è illustrata nella Figura 1. In primo luogo, tutte le immagini contenute in una cartella specificata vengono pre-elaborate per migliorare il loro rapporto segnale-rumore. Questo passaggio aumenta l'efficienza dei passaggi seguenti e riduce il tempo di esecuzione. Quindi, le regioni di interesse (ROI), corrispondenti alle aree dell'immagine in cui il segnale fluorescente deve essere rilevato, vengono identificate e segmentate. Infine, il segnale fluorescente viene analizzato e i risultati vengono esportati in un foglio di lavoro delimitato da tabulazioni.

La segmentazione degli oggetti (rilevamento dei confini) è il passo più impegnativo nell'analisi delle immagini e la sua efficienza determina l'accuratezza delle misurazioni delle celle risultanti. I primi oggetti identificati in un'immagine (chiamati oggetti primari) sono spesso nuclei da immagini macchiate di DNA (colorazione DAPI o Hoechst), anche se gli oggetti primari possono anche essere cellule intere, perline, macchie, tumori o qualsiasi altro oggetto macchiato. Nella maggior parte delle immagini biologiche, cellule o nuclei si toccano o si sovrappongono causando il fallimento degli algoritmi semplici e veloci. Ad oggi, nessun algoritmo universale può eseguire una segmentazione perfetta di tutti gli oggetti, soprattutto perché le loro caratteristiche (dimensioni, forma o trama) modulano l'efficienza della segmentazione5. Gli strumenti di segmentazione comunemente distribuiti con il software di microscopia (come il MetaMorph Imaging Software di Molecular Devices6o il software NIS-Elements Advances Research di Nikon7) sono generalmente basati su tecniche standard come la corrispondenza di correlazione, la soglia o le operazioni morfologiche. Sebbene efficienti nei sistemi di base, questi metodi sovrageneralizzati presentano rapidamente limitazioni se utilizzati in contesti più impegnativi e specifici. In effetti, la segmentazione è altamente sensibile ai parametri sperimentali come il tipo di cellula, la densità delle cellule o i biomarcatori e spesso richiede una regolazione ripetuta per un set di dati di grandi dimensioni. Il flusso di lavoro Substructure Analyzer integra algoritmi semplici e più sofisticati per proporre diverse alternative adattate alla complessità dell'immagine e alle esigenze degli utenti. Propone in particolare l'algoritmo del bacino idrografico basato su marcatori8 per gli oggetti altamente raggruppati. L'efficienza di questo metodo di segmentazione si basa sulla selezione di singoli marcatori su ogni oggetto. Questi marcatori vengono scelti manualmente la maggior parte del tempo per ottenere i parametri corretti per la segmentazione completa, che richiede molto tempo quando gli utenti devono affrontare un numero elevato di oggetti. Substructure Analyzer propone un rilevamento automatico di questi marcatori, fornendo un processo di segmentazione altamente efficiente. La segmentazione è, nella maggior parte dei tempi, la fase limitante dell'analisi dell'immagine e può modificare notevolmente il tempo di elaborazione a seconda della risoluzione dell'immagine, del numero di oggetti per immagine e del livello di clustering degli oggetti. Le pipeline tipiche richiedono da pochi secondi a 5 minuti per immagine in un computer desktop standard. L'analisi di immagini più complesse può richiedere un computer più potente e alcune conoscenze di base nell'analisi delle immagini.

La flessibilità e la funzionalità di questo flusso di lavoro sono illustrate con vari esempi nei risultati rappresentativi. I vantaggi di questo flusso di lavoro sono mostrati in particolare attraverso lo studio di sottostrutture nucleari in condizioni di stress ossidativo (OS). OS corrisponde a uno squilibrio dell'omeostasi redox a favore di ossidanti ed è associato ad alti livelli di specie reattive dell'ossigeno (ROS). Poiché il ROS agisce come molecole di segnalazione, i cambiamenti nella loro concentrazione e localizzazione subcellulare influenzano positivamente o negativamente una miriade di percorsi e reti che regolano le funzioni fisiologiche, tra cui la trasduzione del segnale, i meccanismi di riparazione, l'espressione genica, la morte cellulare e la proliferazione9,10. OS è quindi direttamente coinvolto in varie patologie (malattie neurodegenerative e cardiovascolari, tumori, diabete, ecc),), ma anche l'invecchiamento cellulare. Pertanto, decifrare le conseguenze del sistema operativo sull'organizzazione e la funzione della cellula umana costituisce un passo cruciale nella comprensione dei ruoli del sistema operativo nell'insorgenza e nello sviluppo delle patologie umane. È stato stabilito che l'OS regola l'espressione genica modulando la trascrizione attraverso diversi fattori di trascrizione (p53, Nrf2, FOXO3A)11, ma anche influenzando la regolazione di diversi processi co- e post-trascrizione come lo splicing alternativo (AS) dei pre-RNA12,13,14. Lo splicing alternativo delle trascrizioni primarie e non codificanti è un meccanismo essenziale che aumenta la capacità di codifica dei genomi producendo isoforme di trascrizione. AS è eseguita da un enorme complesso di ribonucleoproteina chiamato spliceosome, contenente quasi 300 proteine e 5 RNA nucleari piccoli ricchi di U (UsnRNA)15. L'assemblaggio spliceo e l'AS sono strettamente controllati nelle cellule e alcuni passi della maturazione sillimitata si verificano all'interno di compartimenti nucleari senza membrana chiamati Cajal Bodies. Queste sottostrutture nucleari sono caratterizzate dalla natura dinamica della loro struttura e dalla loro composizione, che sono principalmente condotte da interazioni multivalenti del loro RNA e componenti proteici con la proteina della coilina. L'analisi di migliaia di celle con il flusso di lavoro Substructure Analyzer ha consentito la caratterizzazione degli effetti mai descritti del sistema operativo sui corpi di Cajal. Infatti, i dati ottenuti suggeriscono che l'OS modifica la nucleazione dei corpi di Cajal, inducendo una ridistribuzione nucleoplasmica della proteina coilina in numerosi focolai nucleari più piccoli. Tale cambiamento della struttura dei corpi cajal potrebbe influenzare la maturazione dello spliceo some e partecipare alla modulazione AS da OS.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTA: tutorial user-friendly sono disponibili sul sito web di Icy http://icy.bioimageanalysis.org.

1. Scaricare Icy e il protocollo Substructure Analyzer

  1. Scaricare Icy dal sito Web Icy (http://icy.bioimageanalysis.org/download) e scaricare il protocollo Substructure Analyzer: http://icy.bioimageanalysis.org/protocols?sort=latest.
    NOTA: se si utilizza un sistema operativo a 64 bit, assicurarsi di utilizzare la versione a 64 bit di Java. Questa versione consente di aumentare la memoria allocata a Icy (Preferenze Proprietà General . Memoria massima).

2. Apertura del protocollo

  1. Aprire Icy e fare clic su Strumenti nel menu della barra multifunzione.
  2. Fare clic su Protocolli per aprire l'interfaccia dell'Editor dei protocolli.
  3. Fare clic su Carica e aprire il protocollo Substructure Analyzer. Il caricamento del protocollo può richiedere alcuni secondi. Assicurarsi che l'apertura del protocollo sia stata completata prima di utilizzarlo.
    NOTA: il flusso di lavoro è composto da 13 blocchi generali presentati nella figura 2a. Ogni blocco funziona come una pipeline composta da diverse caselle che eseguono sottoattività specifiche.

3. Interagire con il flusso di lavoro su Icy

NOTA: ogni blocco o casella è numerato e ha un rango specifico all'interno del flusso di lavoro(Figura 2b). Cliccando su questo numero, la posizione più vicina possibile alla prima viene assegnata al blocco/scatola selezionata, quindi la posizione degli altri blocchi/caselle viene riorganizzata. Rispettare l'ordine corretto dei blocchi durante la preparazione del flusso di lavoro. Ad esempio, il blocco Rilevatore spot deve utilizzare ROI predefiniti in modo che i blocchi di segmentazione vengano eseguiti prima dei blocchi di Rilevamento macchie. Non modificare la posizione delle caselle. Non utilizzare "." nel nome dell'immagine.

  1. Facendo clic sull'icona dell'angolo superiore sinistro, comprimere, espandere, ingrandire, restringere o rimuovere il blocco (Figura 2b).
  2. Ogni pipeline del flusso di lavoro è caratterizzata da una rete di caselle connesse tramite input e output (Figura 2b). Per creare una connessione, fare clic su Output e mantenere fino a quando il cursore non raggiunge un input. Le connessioni possono essere rimosse facendo clic sul tag Output.

4. Unione dei canali di un'immagine

  1. Utilizzare il blocco Unisci canali per generare immagini unite. Se necessario, rinominare i file in modo che le sequenze da unire abbiano lo stesso nome prefisso seguito da un separatore distinto. Ad esempio, le sequenze di singoli canali da un'immagine A sono denominate: ImageA_red, ImageA_blue.
    NOTA: per il separatore, non utilizzare caratteri già presenti nel nome dell'immagine.
  2. Nella stessa cartella, creare una nuova cartella per canale da unire. Ad esempio, per unire i canali rosso, verde e blu, creare 3 cartelle e memorizzare le sequenze corrispondenti in queste cartelle.
  3. Utilizzare solo il blocco Unisci canali, rimuovere gli altri blocchi e salvare il protocollo come Unisci canali.
    1. Accedere alle caselle per impostare i parametri. Per ogni canale, riempire le caselle Numero canale X (caselle 1, 5 o 9), Numero canale cartella X (caselle 2, 6 o 10), Numero di canale separatore X (caselle 3, 7 o 11) e Canale mappa colori nb X (caselle 4, 8 e 12) rispettivamente.
      NOTA: queste caselle sono raggruppate orizzontalmente per quattro, ciascuna delle quali corrisponde allo stesso canale. In ogni riga è disponibile anche un display (caselle 23, 24 o 25) per visualizzare direttamente la sequenza del canale corrispondente.
      1. Nella casella Numero di canale X, scegliere il canale da estrarre (nelle immagini RGB classiche, 0 -Rosso, 1 -Verde, 2-Blu). L'utente accede rapidamente ai diversi canali di un'immagine all'interno della finestra Di impostazioni di Icy, nella scheda Sequenza. Scrivi il valore del canale più piccolo nella riga superiore e quello più alto nella riga inferiore.
      2. Nella casella Numero canale cartella X, scrivere il nome della cartella contenente le immagini del canale X.
      3. Nella casella Numero di canale separatore X, scrivere il separatore utilizzato per il nome dell'immagine (nell'esempio precedente: "_red", "_green" e "_blue").
      4. Nella casella Colormap channel nb X, indicare con un numero quale modello di mappa colori utilizzare per visualizzare il canale corrispondente in Icy. Le mappe colore disponibili sono visibili nella scheda Sequenza della finestra Impostazioni.
      5. Nella casella Formato delle immagini unite (casella 28), scrivere l'estensione per salvare le immagini unite: .tif, .gif, .jpg, .bmp o .png.
        NOTA: per unire solo 2 canali, non riempire le quattro caselle corrispondenti al terzo canale.
    2. Nell'angolo in alto a sinistra del blocco Unisci canali, fare clic sul collegamento direttamente a destra di Cartella. Nella finestra di dialogo Apri visualizzata, fare doppio clic sulla cartella contenente le sequenze del primo canale che è stato definito nella casella Numero canale cartella 1 (casella 2). Quindi, fare clic su Apri.
    3. Eseguire il protocollo facendo clic sulla freccia nera nell'angolo in alto a sinistra del blocco Unisci canali (vedere la parte 7 per ulteriori dettagli). Le immagini unite vengono salvate in una cartella Unisci nella stessa directory delle cartelle dei singoli canali.

5. Segmentazione delle regioni di interesse

NOTA: Substructure Analyzer integra algoritmi semplici e più sofisticati per proporre diverse alternative adattate alla complessità dell'immagine e alle esigenze degli utenti.

  1. Selezionare il blocco adattato.
    1. Se gli oggetti non si toccano o l'utente non deve differenziare singolarmente gli oggetti cluster, utilizzare il blocco Segmentazione A: Oggetti non raggruppati.
    2. Quando gli oggetti non si toccano, ma alcuni di essi sono vicini, utilizzare il blocco Segmentazione B: Oggetti raggruppati in modo inadeguato .
    3. Per gli oggetti con un livello di clustering elevato e una forma convessa, utilizzare il blocco Segmentazione C: Oggetti raggruppati con forme convesse.
    4. Se gli oggetti presentano un livello di clustering elevato e hanno forme irregolari, utilizzare il blocco Segmentazione D: Oggetti raggruppati con forme irregolari.
    5. Utilizzare il blocco Segmentazione E: citoplasma raggruppato per segmentare i citolasmi che toccano individualmente utilizzando i nuclei segmentati come marcatori. Questo blocco ha bisogno imperativamente di nuclei segmentati per la processo.
      NOTA: blocchi adattati per il processo di segmentazione degli oggetti primari in modo indipendente in modo che diversi blocchi possano essere utilizzati nella stessa congestione per confrontarne l'efficienza per una particolare sottostruttura o per segmentare diversi tipi di sottostrutture. Se il livello di clustering è eterogeneo all'interno dello stesso set di immagini, elaborare gli oggetti piccoli e altamente raggruppati separatamente nei blocchi adattati.
  2. Collegare l'output0 (File) del blocco Seleziona cartella all'input della cartella del blocco di segmentazione scelto.
  3. Impostare i parametri del blocco di segmentazione scelto.
    1. Segmentazione A: oggetti non raggruppati e segmentazione C: oggetti raggruppati con forme convesse
      1. Nella casella Segnale canale (casella 1), impostare il canale degli oggetti sul segmento.
      2. Come opzione, nella casella Filtro gaussiano (casella 2), aumentare i valori di sigma X e Y se il segnale all'interno degli oggetti è eterogeneo. Il filtro gaussiano leviga le texture per ottenere regioni più uniformi e aumenta la velocità e l'efficienza della segmentazione dei nuclei. Più piccoli sono gli oggetti, minore è il valore sigma. Evitare valori sigma elevati. Impostare i valori predefiniti su 0.Set default values to 0.
      3. Nella casella HK-Means (casella 3), impostare il parametro Classi di intensità e le dimensioni minime e massime approssimative (in pixel) degli oggetti da rilevare.
        NOTA: per le classi di intensità, un valore pari a 2 classifica i pixel in 2 classi: sfondo e primo piano. Viene quindi adattato quando il contrasto tra gli oggetti e lo sfondo è elevato. Se gli oggetti in primo piano hanno intensità diverse o se il contrasto con lo sfondo è basso, aumentare il numero di classi. L'impostazione predefinita è 2. Le dimensioni dell'oggetto possono essere valutate rapidamente disegnando un ROI manualmente intorno all'oggetto di interesse. Le dimensioni del ROI (Interno in pixel) vengono visualizzate direttamente sull'immagine quando la si posiziona con il cursore o sono accessibili nella finestra delle statistiche del ROI (aprirla dalla barra di ricerca). I parametri ottimali rilevano ogni oggetto in primo piano in un singolo ROI. Possono essere definiti manualmente in Icy(Rilevamento e Tracciamento) | HK-Means).
      4. Nella casella Contorni attivi (casella 4), ottimizzare il rilevamento dei bordi degli oggetti. La documentazione esaustiva per questo plugin è disponibile online: http://icy.bioimageanalysis.org/plugin/Active_Contours. I parametri corretti possono anche essere definiti manualmente in Icy(Detection and Tracking | Contorni attivi).
      5. Durante il processo, viene creata automaticamente una cartella per salvare le immagini degli oggetti segmentati. Nella casella Testo (casella 6), denominare questa cartella (ad es. nuclei segmentati). Per impostare il formato per il salvataggio delle immagini di oggetti segmentati (Tiff, Gif, Jpeg, BMP, PNG), riempire il formato casella delle immagini degli oggetti segmentati. La cartella viene creata nella cartella contenente le immagini unite.
      6. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7).
    2. Segmentazione B: oggetti raggruppati in modo inadeguato
      1. Seguire la stessa procedura descritta nella 5.3.1 per impostare i parametri delle caselle Segnalecanale , HK-Means, Contorni attivi, Estensione per salvare gli oggetti segmentati e Text (le classificazioni delle caselle non sono gli stessi del passaggio 5.3.1).
      2. Nella casella Chiama il plug-in IJ (casella 4), impostare il parametro Rolling per controllare la sottrazione in background. Impostare questo parametro almeno sulla dimensione dell'oggetto più grande che non fa parte dello sfondo. Diminuendo questo valore aumenta la rimozione dello sfondo, ma può anche indurre la perdita del segnale in primo piano.
      3. Nella casella Equalizzazione istogramma adattivo (casella 6), migliora i contrasti tra gli oggetti in primo piano e lo sfondo. Aumentando la pendenza si ottiene più sequenze contrastate.
      4. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7).
    3. Segmentazione D: oggetti raggruppati con forme irregolari
      NOTA: per ogni immagine si applicano tre diversi metodi di segmentazione: in primo luogo,Clustering HK-mezziin combinazione con ilMetodo Active Contoursviene applicato. Quindi, ilalgoritmo spartiacque classico(utilizzando la mappa della distanza euclidea) viene applicato agli oggetti precedentemente segmentati in modo non corretto. Infine, unAlgoritmo spartiacque basato su marcatoriviene utilizzato. Solo i metodi hK-means e marker-based spartiacque richiedono l'intervento dell'utente. Per entrambi i metodi, gli stessi parametri possono essere applicati per tutte le immagini (versione completamente automatizzata) o essere modificati per ogni immagine (versione semi-automatica). Se l'utente non viene addestrato in questi metodi di segmentazione, l'elaborazione semiautomatica è altamente consigliata. Durante l'elaborazione di questo blocco, è necessario un intervento manuale. Al termine di un metodo di segmentazione, l'utente deve rimuovere manualmente gli oggetti segmentati in modo non corretto prima dell'inizio del metodo di segmentazione successivo. Gli oggetti segmentati correttamente vengono salvati e non considerati nei passaggi successivi. Questo blocco deve essere collegato con il bloccoFinestra di dialogo Segmentazione oggetti primari di forme raggruppate/eterogeneeper funzionare correttamente.
      1. Scaricare la raccolta ImageJ MorphoLibJ su https://github.com/ijpb/MorphoLibJ/releases. In questo protocollo viene utilizzata la versione MorphoLibJ 1.4.0. Inserire il file MorphoLibJ_-1.4.0.jar nella cartella ghiacciata/ij/plugins. Ulteriori informazioni sul contenuto di questa raccolta sono disponibili su https://imagej.net/MorphoLibJ.
      2. Seguire la stessa procedura descritta nel passaggio 5.3.1 per impostare i parametri delle caselle Segnalecanale , Filtro gaussiano, Contorni attivi, Estensione per salvare gli oggetti segmentati e Testo. I ranghi delle scatole non sono gli stessi del passaggio 5.3.1.
      3. Impostare i parametri della casella Equalizzazione istogramma adattiva (vedere il passaggio 5.3.2.3).
      4. Per attivare Sottrai sfondo, scrivere sì in Applica sottrazione sfondo? (casella 5). Altrimenti, scrivere No. Se il plugin è attivato, impostare il parametro rolling (vedere il passaggio 5.3.2), nella casella Sottrai parametro Sfondo (casella 7).
      5. Automatizzazione dei mezzi HK: Per applicare gli stessi parametri per tutte le immagini (elaborazione completamente automatizzata), impostare nb delle classi (casella 11), Dimensioni minime (casella 12) e Dimensioni massime (casella13) (vedere il passaggio 5.3.1). Questi parametri devono essere impostati per selezionare un massimo di pixel in primo piano e per ottimizzare l'individualizzazione degli oggetti in primo piano. Per la versione di elaborazione semi-automatica, non è necessario alcun intervento.
      6. Automatizzazione delle estrazioni dei marcatori: per la versione completamente automatizzata, espandere la casella Estrazione marcatori interni (casella 27) e impostare il valore del parametro "dinamico" nella riga 13 dello script. Per la versione di elaborazione semi-automatica, non è necessario alcun intervento.
        NOTA: i marcatori vengono estratti applicando una trasformazione a minima minima estesa su un'immagine di input controllata da un parametro "dinamico". Nell'algoritmo dello spartiacque basato su marker, l'inondazione da questi marcatori viene simulata per eseguire la segmentazione degli oggetti. Per la segmentazione corretta degli oggetti in primo piano, deve essere estratto un singolo marcatore per ogni oggetto in primo piano. L'impostazione del parametro "dinamico" per l'estrazione ottimale dei marcatori dipende principalmente dalla risoluzione delle immagini. Pertanto, se non si ha familiarità con questo parametro, utilizzare la versione semiautomatica.
      7. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7).
      8. All'inizio dell'elaborazione, le finestre di dialogo HK-means parametri e Marker-based spartiacque successivamente aperto. Per applicare gli stessi parametri per tutte le immagini (versione completamente automatizzata), fare clic su SI. In caso contrario, fare clic su NO. Si apre una finestra di informazioni in cui viene chiesto di "Determinare i ROM ottimali con il plug-in HK-Means e chiudere l'immagine". Fare clic su OK e applicare manualmente il plug-in HK-Means (Rilevamento e tracciamento. HK-Means) sull'immagine, che si apre automaticamente. Selezionare l'opzione Esporta ROI nella casella del plug-in HK-Means. Applicare i parametri migliori per avere ROI contenenti un massimo di pixel in primo piano e per ottimizzare l'individualizzazione degli oggetti in primo piano. Quando vengono trovate ROI ottimali, chiudere direttamente l'immagine.
      9. Alla fine del primo metodo di segmentazione, si apre una finestra di informazioni che chiede di "Rimuovere le ROI indesiderate e chiudere l'immagine". Questi ROI corrispondono ai bordi degli oggetti segmentati. Selezionare OK e rimuovere i ROI degli oggetti segmentati in modo non corretto nell'immagine, che si apre automaticamente. Un ROI può essere facilmente rimosso posizionando il cursore sul suo bordo e utilizzando il pulsante "Elimina" della tastiera. Chiudere l'immagine. Ripetere la stessa procedura dopo il completamento del secondo passaggio di segmentazione.
      10. In questa fase, se il pulsante YES è stato selezionato per l'automazione completa dell'algoritmo spartiacque basato su marcatori, i parametri impostati in precedenza verranno applicati a tutte le immagini.
      11. Se è stato selezionato il pulsante NO, si apre una finestra di informazioni in cui viene chiesto di "determinare e regolare i marcatori interni". Fare clic su OK e all'interno dell'interfaccia ImageJ di Icy, andare a Plugins | Proprietà MorphoLibJ . Minima e Maxima| Esteso Min & Max. In Operazione, selezionare Minima estesa.
      12. Selezionare Anteprima per previsualizzare nell'immagine aperta automaticamente il risultato della trasformazione. Spostare la dinamica finché non vengono osservati i marcatori ottimali. I marcatori sono gruppi di pixel con un valore di 255 (non necessariamente pixel bianchi). I parametri ottimali portano a un marcatore per oggetto. Concentrarsi sugli oggetti rimanenti che non sono stati segmentati bene con i due metodi di segmentazione precedenti.
      13. Se necessario, migliorare i marcatori applicando ulteriori operazioni morfologiche come "Apertura" o "Chiusura"(Plugins | Proprietà MorphoLibJ . Filtri morfologici). Quando si ottiene l'immagine finale dei marcatori, tenerla aperta e chiudere tutte le altre immagini che terminano con l'immagine inizialmente utilizzata come input per l'operazione Extended Minima. Fare clic su No se una casella ImageJ richiede di salvare le modifiche su questa immagine.
      14. Nella casella Nb delle immagini con Information Box (casella 14), determinare quante immagini con le caselle informazioni devono essere visualizzate.
    4. Segmentazione E: citoplasma a grappolo
      NOTA: Questo blocco utilizza nuclei precedentemente segmentati come singoli marcatori per avviare la segmentazione del citoplasma. Assicurarsi che il blocco di segmentazione dei nuclei sia elaborato prima di utilizzarlo.
      1. Nella scatola Ctoplasma canale (casella 1), impostare il canale del segnale citoplasmico.
      2. Nella casella Estensione nuclei segmentati (casella 2), scrivere il formato utilizzato per salvare le immagini dei nuclei segmentati (tif, jpeg, bmp, png). Il formato predefinito è tif.
      3. Nella casella Testo (casella 3), scrivere il nome della cartella contenente i nuclei segmentati.
      4. Nella casella Formato delle immagini di citoplasmi segmentati (casella 4), impostare il formato da utilizzare per il salvataggio di immagini di oggetti segmentati (Tiff, Gif, Jpeg, BMP, PNG).
      5. Durante il processo, viene creata automaticamente una cartella per salvare le immagini dei citoplami segmentati. Nella casella Testo (casella 5), denominare questa cartella (ad es. citoplasmi segmentati). La cartella viene creata nella cartella contenente le immagini unite.
      6. Seguire la stessa procedura descritta nel passaggio 5.3.1 per impostare i parametri delle caselle Filtro gaussiano e Contorni attivi (attenzione, i ranghi delle caselle non sono gli stessi del passaggio 5.3.1).
      7. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7).

6. Rilevamento e analisi del segnale fluorescente

  1. Selezionare il blocco adattato.
    1. Nel blocco Fluorescence Analysis A: 1 Channel, eseguire il rilevamento e l'analisi dei foci in un canale all'interno di un tipo di oggetto segmentato: rilevamento di foci di bobina (canale rosso) all'interno del nucleo.
    2. Nel blocco Fluorescence Analysis B: 2 Channels in the same compartment, eseguire il rilevamento e l'analisi dei foci in due canali all'interno di un tipo di oggetto segmentato: rilevamento di bobina (canale rosso) e 53BP1 (canale verde) foci all'interno del nucleo.
    3. Nel blocco Fluorescence Analysis C: 2 Channels in two compartments, eseguire il rilevamento e l'analisi dei focolai in uno o due canali, in particolare all'interno dei nuclei e del corrispondente citoplasma: rilevamento di Coilin foci (canale rosso) sia all'interno del nucleo e del corrispondente citoplasma o rilevamento del foci Coilin (canale rosso) all'interno del nucleo e g3BP foci (canale verde) all'interno del citom corrispondente.
    4. Nel blocco Fluorescence Analysis D: Translocation globale, calcolare la percentuale di segnale da un canale in due compartimenti cellulari (a e b). Ad esempio, in un test di traslocazione del citoplasma/nucleo, esportare percentuali calcolate di segnali nucleari e citoplasmici per ogni immagine nel foglio di calcolo finale "Risultati". La formula utilizzata per calcolare la percentuale del segnale nucleare è mostrata di seguito. Questo blocco può essere utilizzato per qualsiasi compartimento subcellulare:
      Equation 1
    5. Nel blocco Fluorescence Analysis E: Individual Cell Translocation, calcola la percentuale di segnale da un canale in due compartimenti cellulari per ogni cella. Questo blocco è appositamente ottimizzato per il saggio di traslocazione del nucleo/citoplasma a livello di singola cellula.
      NOTA: poiché il blocco Fluorescence Analysis E: Single Cell Translocation esegue un'analisi a livello di singola cellula, è necessaria una segmentazione efficiente del nucleo e del citoplasma.
  2. Collegare l'output0 (File) del blocco Seleziona cartella (blocco 1) all'input della cartella (frecce bianche in cerchi neri) del blocco scelto.
  3. Impostare i parametri del blocco scelto.
    1. Analisi della fluorescenza A: 1 Canale, Fluorescenza Analisi B: 2 Canali nello stesso vano e Fluorescenza Analisi C: 2 Canali in due scomparti
      1. Nella casella Cartelle immagini ROI, scrivere il nome della cartella contenente le immagini di oggetti segmentati preceduti da una barra rovesciata. (Ad esempio: nuclei segmentati).
      2. Nella casella Formato delle immagini di oggetti segmentati (casella 2), scrivere il formato utilizzato per salvare le immagini degli oggetti segmentati (tif, jpeg, bmp, png). Il formato predefinito è tif.
      3. Nella casella Kill Borders?, scrivere Sì per rimuovere gli oggetti bordo. In caso contrario, scrivere No. L'installazione della raccolta MorphoLibJ di ImageJ è necessaria per utilizzare questa funzione (vedere il passaggio 5.3.3).
      4. Nella casella (es) Segnale macchie canale, impostare il canale in cui devono essere rilevati i punti. Nelle immagini RGB classiche, 0- Rosso, 1 - Verde e 2 - Blu.
      5. Nelle caselle Nome della molecola localizzata, scrivere il nome della molecola localizzando negli spot. Il numero di campi da inserire dipende dal numero di molecole.
      6. Nella casella (es) Wavelet Spot Detector Block, impostare i parametri di rilevamento spot per ogni canale. Impostare le scale (riferite alla dimensione del punto) e la sensibilità del rilevamento (una sensibilità minore riduce il numero di punti rilevati, il valore predefinito è 100 e il valore minimo è 0). La documentazione esaustiva di questo plugin è disponibile online: http://icy.bioimageanalysis.org/plugin/Spot_Detector. I parametri possono anche essere definiti manualmente in Icy(Detection and Tracking | Rilevatore spot).
      7. Come opzione, nella casella Filtra ROI per dimensione, filtra gli oggetti segmentati in cui vengono rilevate macchie impostando un intervallo di dimensioni (in pixel). Questo passaggio è particolarmente utile per rimuovere oggetti sotto o sovrasegmentati. Per stimare manualmente le dimensioni degli oggetti, vedere il passaggio 5.3.1. I parametri predefiniti non includono il filtro dei ROI in base alla dimensione. Il blocco 2 Canali in due scomparti contiene due scatole: Filtrare i nuclei per dimensione (scatola 19) e Filtrare il citoplasma per dimensione (casella 46).
      8. Facoltativamente, nella casella Filtra i punti per dimensione,filtra i punti rilevati in base alle dimensioni (in pixel) per rimuovere artefatti indesiderati. Per stimare manualmente le dimensioni spot, fare clic su Rilevamento e monitoraggio e aprire il plugin rilevatore Spot. In Opzioni di output, selezionare Esporta in ROI. Prestare attenzione che i parametri predefiniti non includano il filtraggio dei punti in base alle dimensioni e che i punti filtrati non vengano presi in considerazione per l'analisi. Il numero di campi da immettere dipende dal numero di canali.
      9. Facoltativamente, nella casella Punti filtro, applicare un filtro aggiuntivo (contrasto, omogeneità, perimetro, rotondità) sui punti rilevati. Prestare attenzione che i parametri predefiniti non includano il filtraggio dei punti e che i punti filtrati non vengano presi in considerazione per l'analisi. Il numero di campi da immettere dipende dal numero di canali.
      10. Facoltativamente, nelle caselle Dimensione tinta (Spot size threshold),impostare una soglia per l'area (in pixel) dei punti analizzati. Il numero di punti conteggiati al di sotto e al di sopra di questa soglia viene esportato nel foglio di calcolo Risultati finale. Il numero di caselle da informare dipende dal numero di canali.
      11. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7). I dati vengono esportati in un foglio di calcolo Risultati salvato nella cartella contenente le immagini unite.
    2. Analisi della fluorescenza D: Analisi di traslocazione globale e fluorescenza E: Traslocazione cellulare individuale:
      1. Nelle caselle Immagini cartella (caselle 1 e 2), scrivere il nome della cartella contenente le immagini degli oggetti segmentati. Nel blocco Fluorescence Analysis D: Global Translocation, i due tipi di ROI sono identificati come ROI a e ROI b. Per il blocco Fluorescence Analysis E: Individual Cell Translocation, in Folder images segmented nuclei and Folder images segmented cytoplas box, write the name of the folder containing segmented nuclei and cytoplais, respectively.
      2. Nella casella Segnale canale (casella 3), immettere il canale del segnale.
      3. Nella casella Formato delle immagini di oggetti segmentati (casella 4), scrivere il formato utilizzato per salvare le immagini degli oggetti segmentati (tif, jpeg, bmp, png). Il formato predefinito è tif. L'opzione Uccidi bordi è disponibile anche per rimuovere gli oggetti bordo (vedere il passaggio 6.3.1).
      4. Facoltativamente, nelle caselle Filtra ROI per dimensione, filtra gli oggetti segmentati impostando un intervallo di dimensioni (in pixel). Questo passaggio può essere utile per rimuovere oggetti sotto o sovrasegmentati. Per stimare manualmente le dimensioni dell'oggetto, vedere il passaggio 5.3.1. Ci sono due campi da inserire, uno per canale. I parametri predefiniti non includono il filtro ROI in base alla dimensione.
      5. Eseguire il flusso di lavoro (per i dettagli, vedere la parte 7). Esportare i dati in un foglio di calcolo Risultati salvati nella cartella contenente le immagini unite.

7. Eseguire il protocollo

  1. Per elaborare un blocco in un'esecuzione, rimuovere la connessione tra il blocco selezionato e il blocco Seleziona cartella. Posizionare il blocco desiderato al1st rank. Nell'angolo in alto a sinistra del blocco desiderato, fare clic sul collegamento direttamente a destra della cartella. Nella finestra di dialogo Apri visualizzata, fare doppio clic sulla cartella contenente le immagini unite. Quindi, fare clic su Apri. Fare clic su Esegui per avviare il flusso di lavoro. L'elaborazione può essere interrotta facendo clic sul pulsante Stop.
  2. Per elaborare blocchi diversi in un'esecuzione, mantenere le connessioni dei blocchi scelti con il blocco Seleziona cartella (blocco 1). Assicurarsi che il loro rango consenta una buona elaborazione del flusso di lavoro. Ad esempio, se un blocco specifico necessita di oggetti segmentati da elaborare, assicurarsi che il blocco di segmentazione elabori prima. Prima di eseguire il flusso di lavoro, rimuovere i blocchi inutilizzati e salvare il nuovo protocollo con un altro nome.
  3. Fare clic su Esegui per avviare il flusso di lavoro. Quando viene visualizzata la finestra di dialogo Apri, fare doppio clic sulla cartella contenente le immagini unite. Quindi, fare clic su Apri. Il flusso di lavoro viene eseguito automaticamente. Se necessario, interrompere l'elaborazione facendo clic sul pulsante Interrompi.
  4. Al termine dell'elaborazione, verificare che il messaggio Il flusso di lavoro eseguito correttamente sia visualizzato correttamente nell'angolo inferiore destro e che tutti i blocchi siano contrassegnati con un segno verde ( Figura2b). In caso contrario, il blocco e la casella interna che presentano il simbolo di errore indicano l'elemento da correggere (Figura 2b).
    NOTA: dopo che il flusso di lavoro è stato eseguito correttamente, non è possibile avviata direttamente una nuova esecuzione e per elaborare nuovamente il flusso di lavoro, almeno un blocco deve essere contrassegnato con il segno "pronto per l'elaborazione". Per modificare lo stato di un blocco, eliminare e ricreare un collegamento tra due caselle all'interno di questo blocco oppure semplicemente chiudere e riaprire il protocollo. Se si verifica un errore durante l'elaborazione, è possibile avviata direttamente una nuova esecuzione. Durante una nuova esecuzione, tutti i blocchi della pipeline vengono elaborati, anche se alcuni di essi sono contrassegnati con il segno verde.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Tutte le analisi descritte sono state eseguite su un computer portatile standard (processore quad-core a 64 bit a 2,80 GHz con 16 GB di memoria ad accesso casuale (RAM)) che funziona con la versione a 64 bit di Java. La memoria ad accesso casuale è un parametro importante da considerare, a seconda della quantità e della risoluzione delle immagini da analizzare. L'utilizzo della versione a 32 bit di Java limita la memoria a circa 1300 MB, il che potrebbe non essere adatto per l'analisi dei Big Data, mentre la versione a 64 bit consente di aumentare la memoria allocata a Icy. Figura 3 riporta il tempo necessario per la segmentazione per diversi tipi di immagini e risoluzioni diverse. Conferma che l'alta risoluzione aumenta notevolmente il tempo di segmentazione dell'oggetto primario.

I dati presentati nei paragrafi successivi dimostrano che il flusso di lavoro Analizzatore di sottostrutture può essere utilizzato per risolvere la maggior parte delle problematiche comuni incontrate nella biologia cellulare e molecolare (conteggio cellulare, conteggio e analisi dei foci, analisi della traslocazione).

La misurazione in numerose cellule della proporzione precisa di molecole concentrate all'interno di un determinato compartimento o il cambiamento della localizzazione tra domini subcellulari può essere un compito molto ingombrante e soggetto a errori, soprattutto quando viene eseguito manualmente. La figura 4 illustra la capacità del flusso di lavoro di quantificare rapidamente e con precisione la traslocazione nucleare ben descritta del fattore di trascrizione NF-B in risposta alla stimolazione TNF. Le immagini utilizzate per l'analisi sono state gentilmente compilate da Ilya Ravkin (http://www.ravkin.net/SBS/Image-Library.htm) e sono disponibili pubblicamente presso la Broad Bioimage Benchmark Collection16. Questo set contiene immagini di linee cellulari MCF7 e A549 trattate con concentrazioni crescenti di TNF. L'analisi è stata eseguita su più di 40.000 celle e 96 immagini (48 immagini per ogni canale) dalla linea cellulare MCF7 (Figura 4a). L'intera analisi (dall'importazione di immagini al salvataggio dei dati) ha richiesto 26 minuti. Ogni immagine corrisponde a una concentrazione specifica di TNF. Le proporzioni nucleari/citoplasmiche di NFàB erano omogenee in tutte le cellule per una determinata immagine. Per questo motivo, per ogni immagine, i valori di tutti i pixel nucleari o citoplasmici sono stati sommati per calcolare le proporzioni nucleari e citoplasmiche di NF, e l'individualizzazione dei nuclei/citoplasmi che toccano durante la loro segmentazione non è stata richiesta. Le immagini DAPI sono state elaborate nella segmentazione C: gli oggetti raggruppati con forme convesse si bloccano per i nuclei del segmento e il canale verde è stato utilizzato per delineare i citoplami con il blocco Segmentation E: Cytoplasma raggruppato (Figura 4b). Il blocco Fluorescence Analysis D: Global Translocation è stato utilizzato per esportare la somma dei valori dei pixel nucleari e citoplasmici. I dati ottenuti sono rappresentati in una curva dose-risposta (Figura 4c) e illustrano l'aumento della percentuale nucleare di NF - B dopo la stimolazione con crescenti concentrazioni di TNF .

Il flusso di lavoro non solo analizza il segnale di intensità globale in diversi compartimenti subcellulari, ma può anche essere utilizzato per rilevare foci ed estrarre informazioni specifiche sulle loro caratteristiche. La figura 5a illustra il rilevamento di corpi P nelle singole cellule localizzando il potenziatore della proteina mRNA decapping 4 (EDC4). Il blocco Segmentazione A: Oggetti non raggruppati è stato utilizzato per segmentare i nuclei che presentano un basso livello di clustering, il blocco di citoplasma clusterato per delineare i citolasmi e l'analisi del fluorescenza C: 2 canali in due compartimenti per rilevare i foci EDC4. Gli oggetti segmentati vengono identificati (nuclei_0 segmentati, cytoplasms_0 segmentati) e più informazioni vengono raccolte nel foglio di lavoro corrispondente (nuclei segmentati Informazioni e citoplasmi segmentati Informazioni) come l'intensità media EDC4 o il numero/dimensione dei corpi rilevati in ogni ROI (Figura 5b). Prima di essere analizzati, i corpi rilevati possono essere filtrati preventivamente in base alla loro area, il che può essere utile per escludere gli oggetti al di sotto della potenza di risoluzione del microscopio. Per stimare le dimensioni degli oggetti conservati, è possibile introdurre una soglia di area aggiuntiva. Le aree di tutti i corpi rilevati sono riportate in fogli di lavoro dedicati (Dimensioni nuclei_Distribution foci segmentate, dimensioni foci di cytoplasms_Distribution segmentate). In questo esempio, evidenziamo l'analisi di due cellule (segmentate nuclei_0 and_1 e cytoplasm_0 and_1 segmentate), dove vengono rilevati foci citoplasmici EDC4. Si noti che anche se il segnale della proteina EDC4 viene rilevato sia nei compartimenti nucleari che in quelli citoplasmatici, solo i foci citoplasmici corrispondono ai corpi P. Il segnale nucleare deriva molto probabilmente dalla reattività incrociata dell'anticorpo utilizzato per eseguire esperimenti di immunofluorescenza. Viene indicata la dimensione in pixel di ciascuno dei foci.

Poi, poiché l'effetto dello stress ossidativo (OS) sui corpi di Cajal era ancora sconosciuto, abbiamo approfittato della versatilità del flusso di lavoro per studiarlo durante la cinetica temporale (2-20 ore dopo l'induzione del sistema operativo con 500 M - H2O2) (Figura 6). I corpi cajal sono strutture dinamiche che si nuoto e si dissolvono all'interno del nucleomulo sotto il controllo di parametri specifici come il tasso di trascrizione o la progressione del ciclo cellulare. I corpi di Cajal sono stati visualizzati localizzando la loro principale componente strutturale e funzionale, la proteina bobina. Le informazioni sul numero e le dimensioni dei corpi Cajal sono state raccolte studiando 2300 singole cellule da immagini ad alta risoluzione (3840X3072) contenenti 3 canali: DAPI (blu), 53BP1 (verde) e coilin (rosso) (Figura 6a). L'elaborazione completa ha richiesto meno di 1 h. Poiché i nuclei presentavano una forma convessa e alcuni di essi erano raggruppati, il blocco Segmentazione C: È stato scelto il blocco Segmentazione C: Per eseguire la segmentazione è stato scelto il blocco Segmentazione C: Oggetti raggruppati con forme convesse. Poiché l'OS è noto per indurre rotture del DNA a doppio filamento (DDSB), la proteina legante p53 1 (53BP1), nota per essere un effettore essenziale delle vie di segnalazione del danno del DNA, è stata utilizzata come marcatore per discriminare tra cellule stressate e non stressate. Infatti, in assenza di danni al DNA, 53BP1 è distribuito omogeneamente all'interno del nucleoipotesi, mentre a seguito di danni al DNA, si concentra sui DDSB, che formano foci facilmente distinguibili nella microscopia. Il numero e la dimensione di 53BP1 e foci nucleari a bobina in ogni cella sono stati analizzati utilizzando il blocco Fluorescence Analysis B: 2 Canali nello stesso compartimento. In primo luogo, l'analisi dei dati di 53BP1 ha contribuito a determinare per ogni punto temporale della cinetica la soglia migliore per classificare le cellule in base al loro stato di stress. Tra l'intera cinetica, OS induce un aumento significativo del numero 53BP1 foci con un aumento di 11 volte a 2, 4 e 8 h dopo l'induzione di OS (Figura S1). Questo effetto è meno pronunciato a 6 h (6,5 volte) a causa di un livello iniziale più elevato di DSB nelle cellule non stressate. Anche dopo 20 h, un aumento sostenuto rimane (quasi 6 volte). Questi dati riflettono l'efficienza del trattamento per indurre l'OS e stabilire 53BP1 come un efficace marcatore di stress per le osservazioni iniziali e tardive in microscopia. D'altra parte, una piccola percentuale di cellule stressate con un basso livello di DDSB è stata osservata ad ogni punto del momento della cinetica, suggerendo che le cellule non sono stressate in modo omogeneo, applicando l'importanza di utilizzare un marcatore di stress negli esperimenti di stress. Sulla base dell'analisi ROC, è stata selezionata una soglia complessiva di 17 53BP1 foci per discriminare tra cellule stressate e non stressate in tutta la cinetica(Figura S1).

Poi il numero e le dimensioni dei focolai nucleari di bobina sono stati analizzati in base allo stato di stress della cellula. Un aumento significativo del numero di foci è stato osservato 2, 4 e 6 h dopo l'induzione dello stress (Figura 6b). L'effetto più sostenuto si osserva a 2 h, il numero di cellule con più di 10 foci che aumentano dallo 0% nelle cellule non stressate al 75% nelle cellule stressate. Inoltre, più del 25% delle cellule stressate di quel punto temporale aveva più di 20 focolai di bobina. Questo effetto diminuisce progressivamente fino a 8 h. A 20 h, si osserva un piccolo aumento del primo e del terzo quartile, ma i dati mostrano anche che l'84% e l'80% delle cellule presentano meno di 8 foci nelle cellule non stressate e stressate, rispettivamente. Questi dati mostrano che oS ha anche effetti tardivi sui parametri che controllano la nucleazione dei corpi di Cajal, che potrebbero essere diversi dagli effetti precoci. È interessante notare che un'attenta analisi delle caratteristiche dei foci nucleari a bobina ha rivelato che l'aumento osservato del numero di focolai di coilin accoppiaconi con una diminuzione delle loro dimensioni (Figura 6c). Ad esempio, 2 h dopo l'induzione di OS, la percentuale di focolai di bobina con un'area inferiore a 0,2 m2 aumenta dal 26% al 64%. Questo effetto diminuisce fino a 8 h, ma, a differenza del numero di Cajal Bodies, non si osserva alcun cambiamento significativo a 20 h. Questo potrebbe riflettere che la ridistribuzione nucleoplasmica precoce e tardiva dei corpi di Cajal sono eventi diversi.

Complessivamente questi dati suggeriscono fortemente che l'OS cambia il potere di nucleazione dei corpi di Cajal, inducendo una ridistribuzione nucleoplasmica in numerosi focolai nucleari più piccoli. Poiché la nucleazione dei corpi di Cajal è guidata dai loro componenti di proteine e RNA, questo suggerisce che l'effetto OS potrebbe cambiare la composizione dei corpi di Cajal. All'interno di Cajal Bodies, la proteina della coilina interagisce con diversi partner proteici come i componenti del complesso SMN e le proteine Sm. Queste interazioni spesso coinvolgevano fosfori di bobina, e si può immaginare che una modifica della struttura dei corpi di Cajal potrebbe essere collegata a cambiamenti nello stato di fosforilazione della coilina. Inoltre, recenti lavori hanno dimostrato che i corpi cajal non sono localizzati in modo casuale all'interno del nucleo e possono influenzare l'espressione genica attraverso l'associazione prossimale con specifici loci genici17. Alla base di tutti questi fatti, non sarebbe sorprendente se un effetto sulla funzionalità dei corpi di Cajal accompagnerebbe i cambiamenti nella loro struttura. Da questi risultati, possiamo anche chiederci se il rimodellamento di tale Cajal Bodies sia una conseguenza passiva dell'OS o partecipi alla risposta interagendo, ad esempio, con specifici loci genici.

Per verificare se un cambiamento nell'espressione della coilina potrebbe alterarne la localizzazione e modificare la nucleazione dei corpi di Cajal, abbiamo sovraespresso una proteina di fusione GFP-coilin esogena. I nuclei non sono stati raggruppati, pertanto la segmentazione è stata eseguita con il blocco Segmentazione A: Oggetti non raggruppati. Quindi, per quantificare con precisione il numero e le dimensioni dei foci a bobina (segnale rosso, canale 1) in base al livello di sovraespressione GFP-coilin (segnale verde, canale 2), è stato utilizzato il blocco Fluorescence Analysis B: 2 Canali nello stesso compartimento. Il livello di GFP-coilin è stato riflesso dall'intensità media del segnale GFP nel singolo nucleo (Figura 7a). Nelle cellule con livello medio o alto di sovraespressione GFP-coilin (intensità GFP superiore a 10), il numero di corpi Cajal per nucleo aumenta significativamente con alcuni nuclei che mostrano fino a 21 foci (Figura 7b). Abbiamo anche notato che la luminosità (intensità media) di Cajal Bodies aumenta considerevolmente in parallelo con il livello di sovraespressione che porta alla saturazione dell'intensità. Tali regioni sature potrebbero quindi mascherare la presenza di foci più piccoli e più deboli. Nelle cellule che sovraesprimono un livello medio o alto di GFP-coilin, la dimensione degli organismi Cajal aumenta anche in modo significativo, i valori mediani salgono da 1 a 2 m2 (Figura 7c). Inoltre, più del 25% delle cellule con un alto livello di espressione GFP-coilin presentano focolai con un'area superiore a 2,5 m2, mentre non supera mai lo 0,8 m2 nelle cellule non trastrafazioni. In conclusione, la sovraespressione di GFP-Coilin porta ad un aumento significativo sia del numero che delle dimensioni dei corpi di Cajal. Poiché OS aumenta il numero di corpi di Cajal ma ne riduce le dimensioni, questi dati potrebbero riflettere che l'effetto OS sulla struttura dei corpi di Cajal è probabilmente indotto da un cambiamento della loro composizione piuttosto che da un effetto sulla quantità cellulare di bobina.

Figure 1
Figura 1: Pipeline dell'analizzatore di sottostrutture
Il flusso di lavoro è sviluppato in Icy, una piattaforma comunitaria aperta per l'informatica bioimage, ed esegue l'analisi automatica di immagini di microscopia a fluorescenza multipla. In primo luogo, le immagini multicanale vengono caricate automaticamente all'interno del protocollo e pre-elaborate per migliorare, se necessario, il rapporto segnale/rumore e rimuovere gli artefatti di imaging. Quindi, la segmentazione dell'immagine isola le aree di interesse (ROI) dallo sfondo. Sono disponibili diversi metodi di segmentazione a seconda del livello di clustering e della natura degli oggetti di interesse. Gli oggetti segmentati vengono salvati con un descrittore specifico (ad esempio, Image name_Nucleus_1) in una cartella specifica e possono essere utilizzati/riutilizzati per l'analisi successiva. I segnali fluorescenti come i punti vengono quindi analizzati all'interno dei ROI e più feature (posizione, dimensione, forma, intensità, texture, numero di punto e dimensioni) vengono esportati in un foglio di calcolo creato automaticamente. Tutte le caratteristiche misurate, come il numero di punti rilevati, sono segnalate al descrittore del ROI corrispondente. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2: Interfaccia grafica del flusso di lavoro ghiacciato
(a) Il flusso di lavoro è composto da 13 blocchi generali, che possono essere raggruppati in base alla loro funzione generale: Seleziona cartella (blocco 1) consente l'accesso alle immagini; Unisci canali (blocco 2) viene utilizzato per unire diversi canali di immagini. I blocchi da 3 a 8 sono dedicati alla segmentazione degli oggetti, ognuno adadetale per un contesto specifico: Segmentazione A: Oggetti non raggruppati, Segmentazione B: Oggetti raggruppati in modo inadeguato, Segmentazione C: Oggetti raggruppati con forme convesse, Segmentazione D: Oggetti raggruppati con forme irregolari (blocco 7, funziona in associazione con il blocco 6), Segmentazione E: Cilindri raggruppati. I blocchi da 9 a 11 vengono utilizzati per contare/analizzare i foci all'interno di compartimenti subcellulari: Fluorescence Analysis A: 1 Channel, Fluorescence Analysis B: 2 Canali nello stesso compartimento e Fluorescence Analysis C: 2 Canali in due scomparti. I blocchi 12 e 13 sono adattati per l'analisi degli eventi di traslocazione: Fluorescence Analysis D: Global Translocation and Fluorescence Analysis E: Individual Cell Translocation. (b) Presentazione globale di un'architettura a blocchi. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3: Tempo necessario per la segmentazione in funzione della risoluzione dell'immagine e del livello di clustering degli oggetti
(a) Illustrazione grafica del tempo necessario per eseguire la segmentazione a seconda della risoluzione dell'immagine e del livello di clustering. Sono stati testati due diversi blocchi di segmentazione: segmentazione A (per gli oggetti non raggruppati) e Segmentazione D (per oggetti raggruppati con forme irregolari). Il tempo di elaborazione (in secondi per immagine) viene tracciato in funzione della risoluzione dell'immagine (numero di pixel). (b) Esempio di immagini analizzate con il blocco Segmentazione A o Segmentazione D. Sono indicati la colorazione DAPI e i nuclei segmentati. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 4
Figura 4: Analisi del flusso di lavoro di un test di traslocazione nucleare NF-B in risposta alla stimolazione TNF
(a) Esempio di immagini di cellule MCF7 umane (linea cellulare adenocarcinoma al seno umano) trattate con TNF , dal set di immagini BBBC014 (Broad Bioimage Benchmark Collection)12. La localizzazione del fattore di trascrizione NF'B è stata studiata nelle cellule trattate con-712 concentrazioni crescenti di TNF . Per ogni concentrazione, sono state fatte 4 repliche. Le immagini DAPI (canale blu) sono state elaborate nel blocco Segmentation C: Clustered objects with convessi- Segmentation E: Clustered cytoplasm Il blocco Fluorescence Analysis D: Global Translocation è stato utilizzato per esportare la somma dei valori dei pixel nucleari e citoplasmici. (b) I nuclei segmentati (grigio) e i citoplasmi (bianco) sono utilizzati per determinare l'intensità totale del segnale fluorescente NF-B in ogni compartimento. (c) La curva dose-risposta ottenuta dall'analisi dei dati illustra l'aumento della proporzione nucleare di NF- B con l'aumentare della concentrazione di TNF. Le immagini sono in formato BMP a 8 bit e le dimensioni dell'immagine sono 1360 x 1024 pixel. Per ogni concentrazione, la deviazione standard tra le 4 repliche viene calcolata e illustrata come barre di errore. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 5
Figura 5: Quantificazione dei focolai EDC4 (Corpi P) all'interno del citoplasma nelle singole cellule
(a) La co-colorazione con DAPI (canale blu) e Phalloidin (canale rosso) consente rispettivamente la segmentazione e l'identificazione dei nuclei cellulari e della F-actin. La proteina EDC4 (canale verde) viene utilizzata come marcatore per la rilevazione di corpi P noti per essere esclusivamente citoplasmatica. Barra della scala, vengono conteggiati i Foci(b)e diverse feature (qui la loro area in pixel) vengono esportate nel foglio di calcolo Risultati strutturato in diversi fogli. Due fogli sono dedicati all'analisi dei nuclei e due all'analisi dei citoplasmi. Ogni grezzo incorpora le informazioni di un ROI specifico. Nelle schede Informazioni sul Nucleo/Citoplasma vengono esportate le caratteristiche degli oggetti segmentati (ID ROI, dimensione e intensità media), seguite dal numero di foco rilevato all'interno di ogni ROI. Se necessario, è possibile aggiungere una soglia di dimensione (100 pixel in questo esempio) e il numero di foci al di sotto e al di sopra di questa soglia viene riportato nelle ultime due colonne. In Nucleus/Cytoplasm_Distribution di fogli di dimensioni foci, l'area (in pixel) di tutti i foci rilevati è riportata nel grezzo del ROI corrispondente. In questo esempio, evidenziamo l'analisi di due cellule (segmentate cytoplasm_0 and_1), dove sono stati rilevati foci citoplasmici EDC4. Viene inoltre fornita la dimensione in pixel di ciascuno dei foci. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 6
Figura 6: Cinetica della bobina e distribuzione nucleoplasmica 53BP1 dopo lo stress ossidativo
L'analisi del numero e delle dimensioni dei foci si è basata su più di 110 singole cellule per ogni punto temporale da 3 cinetica indipendente. (a) Rilevamento di immunofluorescenza di bobina e 53BP1 focolai nelle cellule HeLa S3 durante la cinetica di trattamento con 500 SMH 2O2. 53BP1 si concentra sui siti DNA Double-Strand Break e viene utilizzato per valutare l'efficienza del trattamento su ogni cellula. La Bobina si arricchisce di Cajal Bodies. Le cellule sono state fissate 2, 4, 6, 8 e 20 h dopo l'induzione dello stress ossidativo e co-macchiate con anticorpi anti-coilina (canale rosso) e anti-53BP1 (canale verde). Barra di scala, 10 m. (b) Il numero di focolai nucleari a bobina dopo lo stress ossidativo. I risultati vengono visualizzati come box plot, dove il segno centrale è la mediana, i bordi inferiore e superiore della scatola sono i 25th e75esimo percentili. Nelle cellule trattate con H2O2, viene rilevato un aumento significativo del numero di focolai di bobina ed è massimo dopo 2 e 4 h di trattamento. Wilcoxon - L'analisi del test di Mann Whitney dimostra una differenza significativa tra le celle non trattate e Le celle trattate h2O2 (sezione , p<0,05; (c) La percentuale di cellule in funzione dell'area della foci di bobina (m2). La maggior parte dei foci ha un'area più piccola a punti di tempo di 2 h e 4 h rispetto al controllo. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 7
Figura 7: Studio della nucleazione di Cajal Bodies nelle cellule che sovraesprimono una proteina di fusione GFP-coilin
(a) Le cellule HeLa S3 sono state trascate transitoriamente in triplicati biologici, con 500 ng di un plasmide che esprimeva una proteina di fusione GFP-Coilin secondo una procedura standard in base alle raccomandazioni del produttore. Dopo 48 h, le cellule sono state fissate e macchiate con un anticorpo contro la bobina. DAPI (canale blu) permette di segmentare i nuclei. Per queste analisi sono state analizzate più di 100 cellule. Il segnale GFP riflette la localizzazione della proteina coilina-GFP ectopica (canale verde), mentre il segnale della coilina (canale rosso) corrisponde sia alla localizzazione endogena che a quella esogena delle proteine. Per ogni nucleo, l'intensità media del segnale GFP riflette il livello di espressione della coilina. Secondo questo parametro, le caratteristiche di Coilin foci sono state analizzate utilizzando il blocco Fluorescence Analysis B: 2 Canali nello stesso compartimento. Barra di scala, 10 m. (b) Relazione tra il numero di focolai di bobina e l'intensità media GFP per nucleo. I risultati vengono visualizzati come box plot, dove il segno centrale è la mediana, il bordo inferiore e superiore della scatola sono il25th e75esimo percentile. Wilcoxon - L'analisi dei test di Mann Whitney dimostra un aumento significativo del numero di foci per un'intensità GFP >10 (sezione p<0,05; (c) Relazione tra l'area della bobina foci e l'intensità media della GFP per nucleo. I risultati vengono visualizzati come box plot, dove il segno centrale è la mediana, il bordo inferiore e superiore della scatola sono il25th e75esimo percentile. Wilcoxon - L'analisi dei test di Mann Whitney dimostra un aumento significativo dell'area dei foci di coilin per un'intensità GFP >10 (sezione p<0,05; Fare clic qui per visualizzare una versione più grande di questa figura.

Figura S1: Cinetica di distribuzione nucleoplasmica 53BP1 dopo stress ossidativo
(a) Quantificazione di 53BP1 foci nucleari in cellule non trattate o H2O2 trattate dopo tempi di incubazione diversi. I risultati vengono visualizzati come box plot, dove il segno centrale è la mediana, il bordo inferiore e superiore della scatola sono il25th e75esimo percentile. Wilcoxon - L'analisi del test di Mann Whitney dimostra una differenza significativa tra le celle non trattate e Le celle trattate h2O2 (sezione , p<0,05; (b) Per ogni periodo temporale della cinetica, è stata stabilita una curva ROC (Receiver Operating Characteristic) per determinare la migliore soglia per discriminare tra cellule stressate e non stressate. I parametri di ogni test sono riportati nella tabella (Sensitivity, specificità, TP: true positive, TN: true negative, FP: false positive, FN: false negative). Da questi dati, una soglia globale di 17 53BP1 foci è stata determinata a discriminare le persone non stressate attraverso la cinetica. Fare clic qui per scaricare questo file.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Un numero crescente di strumenti software liberi è disponibile per l'analisi delle immagini delle cellule a fluorescenza. Gli utenti devono scegliere correttamente il software adeguato in base alla complessità del loro problema, alle loro conoscenze nell'elaborazione delle immagini e al tempo che vogliono trascorrere nella loro analisi. Icy, CellProfiler o ImageJ/Fiji sono potenti strumenti che combinano sia l'usabilità che la funzionalità3. Icy è uno strumento autonomo che presenta una chiara interfaccia utente grafica (GUI), e in particolare la sua interfaccia di punta e clic "Protocolli" attraverso la quale i flussi di lavoro possono essere facilmente progettati o manipolati4. La funzionalità di questo software è migliorata supportando e utilizzando ImageJ plug-in, e un sacco di documentazione è disponibile grazie alla sua vasta comunità di utenti. Abbiamo utilizzato questa forte combinazione di usabilità e funzionalità del software Icy per sviluppare il flusso di lavoro Substructure Analyzer. Il suo obiettivo principale è quello di proporre una soluzione automatizzata per eseguire un'analisi completa del segnale fluorescente cellulare da più immagini. L'analisi comprende la pre-elaborazione delle immagini, la segmentazione degli oggetti e l'analisi del segnale fluorescente.

Diversi protocolli sono condivisi con gratitudine sul sito web di Ghiaccio e propongono di utilizzare funzionalità di ghiaccio per rilevare e analizzare i segnali fluorescenti come i foci cellulari. Tuttavia, alcuni di questi protocolli elaborano solo un'immagine per esecuzione, non esportano i risultati in un file specifico o analizzano un singolo canale. Altri non contengono la segmentazione preliminare per determinare le aree di interesse (ROI) o proporre semplici algoritmi come "HK-means" che non sono adatti per la segmentazione di oggetti altamente raggruppati. Substructure Analyzer automatizza tutte le fasi dell'analisi dell'immagine, dalla pre-elaborazione delle immagini alla segmentazione degli oggetti e al rilevamento/analisi dei segnali fluorescenti. Il protocollo propone anche metodi semplici o più complessi per la segmentazione degli oggetti e l'esportazione dei dati (nomi degli oggetti segmentati, analisi foci) si realizza in output ottimizzati adattati alla problematica. CellProfiler propone anche potenti pipeline composte da moduli che incapsulano funzionalità18,19. Le condutture disponibili sono ben adattate a problemi specifici. I flussi di lavoro di ghiaccio sono una rete di caselle diverse, ognuna delle quali esegue un'attività specifica. Attraverso l'interfaccia "Protocolli", le scatole che compongono la rete sono intuitive e facili da manipolare. Substructure Analyzer è adattato a diversi contesti come la semplice fusione dei canali, la quantificazione della distribuzione dei segnali fluorescenti tra due compartimenti subcellulari, l'analisi dei foci in uno o più canali da uno o due compartimenti cellulari nelle singole celle. Diversi schermi consentono di visualizzare i risultati intermedi durante ogni esecuzione per controllare l'elaborazione. Inoltre, Icy presenta barre di icona che raggruppano i metodi per argomento e da cui le funzionalità presenti nel flusso di lavoro possono essere manipolate separatamente per testare manualmente parametri specifici su alcune immagini prima di utilizzarli su un intero set di immagini.

Come nel campo dell'analisi della bioimmagine, la fase più critica di questo protocollo è la segmentazione degli oggetti. Il protocollo propone la segmentazione degli oggetti primari, che sono la maggior parte dei nuclei cellulari del tempo, e contiene anche un altro blocco il cui compito è quello di segmentare un secondo tipo di oggetti all'interno della cella. La segmentazione dei nuclei può essere difficile quando gli oggetti sono altamente raggruppati in modo che si tocchino o si sovrappongano insieme. Diverse alternative per la segmentazione degli oggetti primari sono contenute nel protocollo, in base alla forma degli oggetti e al livello di clustering anche se ad oggi nessun algoritmo universale ha avuto successo nella segmentazione completa degli oggetti altamente cluster. Il processo di segmentazione è principalmente limitato dalla determinazione di parametri corretti che potrebbero segmentare con successo una parte degli oggetti ma portare a una segmentazione sotto o eccessiva di un'altra parte. L'utente dovrebbe eseguire diverse sequenze con parametri diversi per ottenere una segmentazione corretta finale, in particolare per gli oggetti raggruppati che presentano forme eterogenee e non convesse.

Questo protocollo è per lo più limitato dalla fase di segmentazione, che potrebbe richiedere molto tempo e richiedere una potente configurazione del computer per i casi più complessi. Più specificamente, più numerose o complesse sono le immagini (oggetti raggruppati per segmentare, un numero elevato di pixel nelle immagini), più memoria ad accesso casuale (RAM) l'utente richiederà. A livello globale, per qualsiasi problema, l'utente dovrà eseguire il protocollo su un ambiente Java Runtime a 64 bit (disponibile gratuitamente sul sito Web Java) e utilizzare un sistema operativo a 64 bit (OS) per aumentare la memoria disponibile utilizzata da Icy (memoria è limitata a 1300 MB per JRE a 32 bit). A causa dello script, il protocollo non funziona correttamente su un computer Mac. Inoltre, il numero di parametri aumenta con la complessità del problema e richiederà una maggiore conoscenza nell'analisi delle immagini. Per quanto riguarda i criteri di funzionalità, questo protocollo non è ancora stato adattato per l'analisi delle immagini impilate (stack di tempo, z-stack) anche se Icy esegue in modo efficiente l'analisi su questo tipo di dati.

Gli aggiornamenti futuri saranno realizzati in particolare per migliorare la segmentazione di oggetti cluster complessi. Ulteriori blocchi saranno sviluppati per adattare la segmentazione a strutture cellulari raggruppate con forme irregolari non convesse. Adatteremo anche il flusso di lavoro per l'analisi del tempo e degli z-stack (per l'imaging live e i dati 3D).

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

G.H. è stato sostenuto da una borsa di studio della Ministère Délégué à la Recherche et aux Technologies. L.H. è stata sostenuta da una borsa di studio universitaria dell'Institut de Cancérologie de Lorraine (ICL), mentre Q.T. è stata sostenuta da una sovvenzione pubblica supervisionata dall'Agenzia nazionale francese di ricerca (ANR) come parte del secondo programma "Investissements d'Avenir" FIGHT-HF (riferimento: ANR-15-RHU4570004). Questo lavoro è stato finanziato dal CNRS e dall'Università di Lorraine (UMR 7365).

Materials

Name Company Catalog Number Comments
16% Formaldehyde solution (w/v) methanol free Thermo Fisher Scientific 28908 to fix the cells
Alexa Fluor 488 of goat anti-rabbit Thermo Fisher Scientific A-11008 fluorescent secondary antibody
Alexa Fluor 555 of goat anti-mouse Thermo Fisher Scientific A-21425 fluorescent secondary antibody
Alexa Fluor 555 Phalloidin Thermo Fisher Scientific A34055 fluorescent secondary antibody
Bovine serum albumin standard (BSA) euromedex 04-100-812-E
DMEM Sigma-Aldrich D5796-500ml cell culture medium
Duolink In Situ Mounting Medium with DAPI Sigma-Aldrich DUO82040-5ML mounting medium
Human: HeLa S3 cells IGBMC, Strasbourg, France cell line used to perform the experiments
Hydrogen peroxide solution 30% (H2O2) Sigma-Aldrich H1009-100ml used as a stressing agent
Lipofectamine 2000 Reagent Thermo Fisher Scientific 11668-019 transfection reagent
Mouse monoclonal anti-coilin abcam ab11822 Coilin-specific antibody
Nikon Optiphot-2 fluorescence microscope Nikon epifluoresecence microscope
Opti-MEM I Reduced Serum Medium Thermo Fisher Scientific 31985062 transfection medium
PBS pH 7.4 (10x) gibco 70011-036 to wash the cells
Rabbit polyclonal anti-53BP1 Thermo Fisher Scientific PA1-16565 53BP1-specific antibody
Rabbit polyclonal anti-EDC4 Sigma-Aldrich SAB4200114 EDC4-specific antibody
Triton X-100 Roth 6683 to permeabilize the cells

DOWNLOAD MATERIALS LIST

References

  1. Möckl, L., Lamb, D. C., Bräuchle, C. Super-resolved fluorescence microscopy: Nobel Prize in Chemistry 2014 for Eric Betzig, Stefan Hell, and William E. Moerner. Angewandte Chemie. 53 (51), 13972-13977 (2014).
  2. Meijering, E., Carpenter, A. E., Peng, H., Hamprecht, F. A., Olivo-Marin, J. -C. Imagining the future of bioimage analysis. Nature Biotechnology. 34 (12), 1250-1255 (2016).
  3. Wiesmann, V., Franz, D., Held, C., Münzenmayer, C., Palmisano, R., Wittenberg, T. Review of free software tools for image analysis of fluorescence cell micrographs. Journal of Microscopy. 257 (1), 39-53 (2015).
  4. de Chaumont, F., et al. Icy: an open bioimage informatics platform for extended reproducible research. Nature Methods. 9 (7), 690-696 (2012).
  5. Girish, V., Vijayalakshmi, A. Affordable image analysis using NIH Image/ImageJ. Indian J Cancer. 41 (1), 47 (2004).
  6. Zaitoun, N. M., Aqel, M. J. Survey on image segmentation techniques. Procedia Computer Science. 65, 797-806 (2015).
  7. Molecular Devices. MetaMorph Microscopy Automation and Image Analysis Software. , Available from: https://www.moleculardevices.com/products/cellular-imaging-systems/acquisition-and-analysis-software/metamorph-microscopy (2018).
  8. Nikon. NIS-Elements Imaging Software. , Available from: https://www.nikon.com/products/microscope-solutions/lineup/img_soft/nis-element (2014).
  9. Meyer, F., Beucher, S. Morphological segmentation. Journal of Visual Communication and Image Representation. 1 (1), 21-46 (1990).
  10. Schieber, M., Chandel, N. S. ROS Function in Redox Signaling and Oxidative Stress. Current Biology. 24 (10), 453-462 (2014).
  11. D'Autréaux, B., Toledano, M. B. ROS as signalling molecules: mechanisms that generate specificity in ROS homeostasis. Nature Reviews. Molecular Cell Biology. 8 (10), 813-824 (2007).
  12. Davalli, P., Mitic, T., Caporali, A., Lauriola, A., D'Arca, D. ROS, Cell Senescence, and Novel Molecular Mechanisms in Aging and Age-Related Diseases. Oxidative Medicine and Cellular Longevity. 2016, 3565127 (2016).
  13. Disher, K., Skandalis, A. Evidence of the modulation of mRNA splicing fidelity in humans by oxidative stress and p53. Genome. 50 (10), 946-953 (2007).
  14. Takeo, K., et al. Oxidative stress-induced alternative splicing of transformer 2β (SFRS10) and CD44 pre-mRNAs in gastric epithelial cells. American Journal of Physiology - Cell Physiology. 297 (2), 330-338 (2009).
  15. Seo, J., et al. Oxidative Stress Triggers Body-Wide Skipping of Multiple Exons of the Spinal Muscular Atrophy Gene. PLOS ONE. 11 (4), 0154390 (2016).
  16. Will, C. L., Luhrmann, R. Spliceosome Structure and Function. Cold Spring Harbor Perspectives in Biology. 3 (7), 003707 (2011).
  17. Ljosa, V., Sokolnicki, K. L., Carpenter, A. E. Annotated high-throughput microscopy image sets for validation. Nature Methods. 9 (7), 637-637 (2012).
  18. Wang, Q., et al. Cajal bodies are linked to genome conformation. Nature Communications. 7, (2016).
  19. Carpenter, A. E., et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biology. 7, 100 (2006).
  20. McQuin, C., et al. CellProfiler 3.0: Next-generation image processing for biology. PLoS Biology. 16 (7), 2005970 (2018).

Tags

Bioingegneria Emissione 161 Microscopia Fluorescenza Analisi delle immagini Segmentazione cellulare Conteggio Foci Corpi cellulari Stress ossidativo Automatizzazione Analisi traslocazione Analizzatore di sottostrutture Icy Immagine J
Substructure Analyzer: un flusso di lavoro facile da usare per l'esplorazione rapida e l'analisi accurata dei corpi cellulari nelle immagini di microscopia a fluorescenza
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Heckler, G., Aigueperse, C., Hettal, … More

Heckler, G., Aigueperse, C., Hettal, L., Thuillier, Q., de Chaumont, F., Dallongeville, S., Behm-Ansmant, I. Substructure Analyzer: A User-Friendly Workflow for Rapid Exploration and Accurate Analysis of Cellular Bodies in Fluorescence Microscopy Images. J. Vis. Exp. (161), e60990, doi:10.3791/60990 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter