Summary
在这里，我们提出了一个协议，用于准备和培养血脑屏障转移肿瘤微环境，然后使用共体成像和人工智能（机器学习）量化其状态。
Abstract
脑转移是最致命的癌症病变;10-30%的癌症转移至大脑，平均存活期只有+5-20个月，取决于癌症类型。为了减少大脑转移性肿瘤负担，需要解决基本和转化知识方面的差距。主要挑战包括缺乏可重复的临床前模型和相关工具。脑转移的三维模型可以生成相关的分子和表型数据，用于满足这些需求，结合专用分析工具。此外，与穆林模型相比，患者肿瘤细胞穿过血脑屏障进入大脑微环境的细胞器官模型产生快速的结果，并且更可解释定量方法，从而适合高通量测试。在这里，我们描述并演示了一种新的3D微流体血脑利基（μmBBN）平台的使用，其中利基的多个元素可以培养很长一段时间（几天），荧光成像由共和显微镜，并使用创新的共体断层扫描技术重建的图像;所有旨在了解微转移的发展以及肿瘤微环境（TME）的变化，以可重复和定量的方式。我们演示如何使用这个平台制造、播种、图像和分析癌细胞和 TME 细胞和体液成分。此外，我们展示人工智能 （AI） 如何用于识别能够通过模型 μmBBN 传递的癌细胞的内在表型差异，并为它们分配一个脑转移潜力的客观索引。此方法生成的数据集可用于回答有关转移、治疗策略的疗效以及 TME 在两者中的作用的基本和转化问题。
Introduction
脑转移是最致命的癌症病变;10-30%的癌症转移至大脑，平均存活期只有+5-20个月，取决于癌症类型,1，2。研究癌症转移时出现的一个主要问题是亚克隆如何从血液的幽默环境迁移到大脑3、4,等器官。这个问题导致了许多迁移、入侵和外向分析的变体。所有这些方法都共享计数或测量细胞属性的关键步骤，这些细胞会根据刺激从一个位置移动到另一个位置。大多数现成的迁移测定都用于研究癌细胞的二维（2D）迁移。这些都阐明了丰富的知识;然而，它们并没有概括体内系统的三维性质，其他方法可以提供5。因此，有必要研究三维（3D）系统中的肿瘤微环境（TME），但可用于三维结构的分析方法有限，而且往往不一致。
最流行的3D工具之一是博伊登腔室，它由悬浮在井底的膜组成，将两个不同的区域隔开。博伊登介绍了研究白细胞化疗的测定方法。底部区域可以通过化学或其他方法6、7,来变化，以诱导上部区域的细胞迁移到下部区域。量化迁移的细胞数的最常见方法是使用缓冲液从膜底部释放细胞，对它们进行解，然后根据溶液7中的DNA含量量进行计数。这种间接方法由于技术变异性而容易出现操作者错误，该过程会破坏有关癌症表型和微环境的信息。博伊登腔室测定的变化涉及固定留在膜上的迁徙细胞，但只提供不再可行的细胞计数，以继续研究6，8，9。,8,9
由于博伊登腔室的局限性和微流体社区创新的增长，迁移测定芯片已经开发出来，观察细胞的运动，以响应一个方向的刺激，而不是三个10，11，12。,11,12这些迁移测定有助于控制诸如流动或单细胞分离等因子13、14，14从而更好地解释结果;13然而，它们的2D格式不可避免地会丢失一些动态信息。最近的研究集中在3D环境中的外在（即细胞从循环运动到组织，如血脑屏障）14，15。,15与使用博伊登腔室或2D微流体迁移装置16收集的测量结果，在细胞屏障/膜上发生的组织外向距离和探测行为更为精细。因此，能够对 3D 外创进行适当成像和分析的设备对于捕获这些复杂的测量值至关重要，但缺乏文献。
独立于迁移测定，已经开发出强大的成像技术，用于磁共振成像（MRI）和断层扫描，能够识别和准确地重建组织在3D空间17，18。,18这些技术根据组织的属性获取 z 堆栈中的图像和分割部分图像，然后将分割的图像转换为三维网格 19、20、21。19,20,21这使得医生能够可视化在3D个别器官，骨骼和血管，以帮助手术规划或协助诊断癌症或心脏病22，23。22,在这里，我们将展示这些方法可以适用于显微标本和3D外创装置。
为此，我们开发了创新的共声断层扫描技术，该技术提供了灵活性，通过调整现有的断层扫描工具，研究肿瘤细胞在膜上外向。这种方法能够研究癌细胞行为与细胞屏障（如内皮细胞层）相互作用时的全部范围。癌细胞表现出探测行为;有些可能入侵，但保持接近膜，而其他人很容易穿过屏障。这项技术能够产生关于细胞在所有维度24中的表型的信息。与更复杂的体内穆林模型相比，使用这种方法研究TME既相对便宜，易于解释，又可重复。提出的方法应该为通过适应肿瘤区域来研究许多类型的肿瘤和微环境提供强有力的基础。
我们描述并演示了3D微流体血脑利基（μmBBN）平台（图1），其中屏障和利基的关键元素（脑微血管内皮细胞和星形细胞）可以培养一个较长的时间（大约9天），由共和显微镜荧光成像，并使用我们的共体断层扫描技术重建的图像（图2）;都旨在以可重复和定量的方式了解微转移的发展以及肿瘤微环境的变化。血脑屏障与大脑利基的界面由脑微血管内皮细胞组成，这些细胞通过地下室膜、星形细胞脚和百分细胞25加强。我们选择性地关注星细胞和内皮成分，因为它们在血脑屏障的形成和调节中的重要性。我们演示如何利用这个平台制造、播种、图像和分析癌细胞和肿瘤微环境细胞和体液成分。最后，我们展示如何使用机器学习来识别能够通过模型μmBBN传递的癌细胞的内在表型差异，并赋予它们大脑转移电位24的客观索引。此方法生成的数据集可用于回答有关转移、治疗策略和 TME 在这两者中的作用的基本和转化问题。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 准备血脑屏障利基模具
注：这个平台中使用的培养设备是基于PDMS的脚手架，我们建立一个细胞血脑屏障利基。它由两部分由多孔膜隔开。准备血脑屏障利基两个SU-8模具使用光刻是必要的26，27。26,将首先为100μm厚的模具描述协议，然后为200μm厚的模具提供注释。
- 要准备模具，请用丙酮用挤压瓶清洁 4 英寸硅片，然后用氮气枪擦干。
- 在200°C下将硅晶片在加热盘上烘烤10分钟，以去除所有残留溶剂。
- 反过来，将硅晶片居上旋转涂布机的夹头，为顶部模具分配 1 mL 的 SU8-2075。在 500 rpm（加速 300 rpm/s）下旋转 5 s 以分散光圈，然后在 2200 rpm（加速 300 rpm/s）时旋转 30 秒以获得 100 μm 厚的 SU-8 涂层。可能需要优化才能实现指定的厚度。
- 在65°C下将晶圆软烤至2分钟，然后在98°C下立即烘烤20分钟。
- 将晶圆放入光刻灯中，按照标准程序将面罩居中。以 230 mJ/cm 2 的 UVB（360 nm 和 10nm） 的辐射暴露 SU-8 ± 涂层晶圆。可进行暴露矩阵实验以确定最佳剂量。掩码设计可在补充 文件 1 中提供。
- 在65°C下进行曝光后烘烤2分钟，然后在98°C下立即烘烤10分钟，以提高粘附性。将晶圆冷却至50°C。
- 使用 SU-8 照片开发人员移除未暴露的电阻。在浴缸中冲洗晶圆 5 分钟，然后在化学罩中使用装满 SU-8 的喷雾瓶搅拌并清除剩余的未处理 SU-8。4x 显微镜可用于观察是否已移除所有未治愈的 SU-8。光印特征边缘的白线表示 SU-8 尚未完全移除。
- 在 110 °C 的烤箱中进行最后的硬烤，60 分钟。
- 使用 SU-8 2075 对 200 μm 厚模具遵循相同的步骤，但将协议调整为以下内容：
- 旋转涂布机设置：在 500 rpm（加速 300 rpm/s）时旋转 5 秒以分散光圈，然后在 1300 RPM（加速度 300 rpm/s）时旋转 30 秒以获得 200 μm 厚涂层。
- 在65°C下软烘烤2分钟，然后在98°C下软烘烤40分钟。
- 曝光时间 340 mJ/cm2.
- 曝光后烘烤：65°C下烘烤2分钟，98°C烘烤15分钟。
- 最后，将每个晶圆放入化学罩内的真空室中，并放入一个塑料容器中，将3滴（±150μL）硅化溶液（三氯全氟辛烷值辛烷青烷）放入其中。拉一个真空，离开过夜，让蒸汽覆盖晶圆。此步骤可减少 SU-8 和 PDMS 之间的粘附，从而缩短模具的使用寿命。
注意：三氯全氟烷基硅烷应始终在烟罩中处理，并远离水源。 - 使用两条双面胶带将单个晶圆模具放入 150 mm 培养皿中。确保晶圆是平的。另一种选择是制造铝模，在其中可以放置晶圆。由于铝制模具是封闭的，因此会产生厚度均匀的铸件，而培养皿方法对表面的倾斜度非常敏感。PDMS 铸件的平整度得到改善，可缩短下游共声成像时间。
2. 形成并组装PDMS血脑屏障（BBB）装置
- 在塑料杯中按重量混合 75 g PDMS，比重为 1：10（交叉链接器：基地）。
- 将 PDMS 倒入模具上（200 μm 厚模具为 1 毫米厚，100 μm 厚模具为 4 mm），并在真空干燥器中脱气一小时，或直到清除所有气泡。放入65°C烤箱过夜。1 mm 厚度可根据共合显微镜中 10 倍目标的工作距离进行调整。
- PDMS 固化后，使用刀片通过边缘周围的 PDMS 轻轻切割晶圆。剥去 PDMS，然后使用刀片沿矩形导轨切割，并采用 1.5 mm 活检冲头打开设备上的入口和插座。用 48 mm 宽的包装胶带盖住 PDMS 设备部件，防止灰尘和碎屑。
- 接下来使用解剖剪刀切割一个5毫米x50毫米长方形的聚碳酸酯膜与5μm毛孔，并将其存储在培养皿内供以后使用。
- 收集以下：200 μL移液器尖端，2 mL的1：10 PDMS与甲苯混合，在玻璃瓶的重量为2：3，巴斯德移液器与挤压灯泡，准备的PDMS上下部分，膜，三个50毫米x75毫米玻璃滑梯，并运送到旋转涂布机。图 1 中描述了设备组装和单元种子的 以下步骤。
- 使用巴斯德移液器将 1 mL 的 PDMS：甲苯胶水溶液转移到旋转涂布器夹头上的 50 mm x 75 mm 玻璃滑轨中。在 100 rpm（加速 300 rpm/s）下旋转 5 秒，在 2000 rpm（加速 300 rpm/s）时旋转 30 秒。
- 将幻灯片放在桌子上，用一个 PDMS 上腔室和一个下腔盖住它，使具有模制特征的 PDMS 面接触幻灯片，将胶水转移到 PDMS 面，勾勒出所有特征的周长。
- 将 PDMS 上腔翻转到另一张幻灯片上，将胶水涂层朝上，小心地将膜放在设备之间的入口和插座之间。将 200 μL 尖端放入 PDMS：甲苯胶水溶液中，直到它将一些尖端恶狠狠地放入尖端。触摸每个入口和出口之间的尖端，在膜边缘附近放置一小滴，靠近 PDMS。
- 拆下设备的另一半，将其与胶水涂层向下放置，同时对齐两部分上的入口和插座。
- 将组装的装置在 37 °C 下放入烤箱中过夜，以固化胶水。转移到一个真空钟罐与干燥剂，让脱水两天。这是让甲苯蒸发的关键步骤，通过调节实验室空气中吸收的水蒸气，提高装置播种的一致性。
3. 将大脑微环境播种到设备中
- 细胞培养和试剂：在开始此协议之前，获取以下试剂和细胞。在 5% CO2中培养孵化器中所有细胞系，温度为 37 °C。
- 在DMEM中保持人类三阴性乳腺癌细胞系MDA-MB-231（ATCC HTB-26）和MDA-MB-231-BR-GFP细胞（从帕特里夏·斯蒂格（Patricia Steeg，PhD）中，用4.5克/升葡萄糖补充2mM L-谷氨酰胺、10%FBS和1x抗生素抗糖。通过用空载体pLL-EV-GFP扁病毒转录MDA-MB-231细胞，创建MDA-MB-231-GFP荧光细胞。在实验前使用荧光激活 细胞分选 （FACS） 对传感器的 GFP + 总体进行排序。
- 在EGM-2介质中维持人脑微血管内皮细胞hCMEC/D3。使用空向量 pLL-3.7-dsRed 扁家病毒转录 hCMEC/D3-D3-Dred 荧光细胞。创建 hCMEC/D3-Dred 荧光细胞。在实验使用前，使用 FACS 从培养中去除所有非转导、非荧光细胞。
- 在DMEM中维持正常的人类星细胞（NHA），辅以4.5克/升葡萄糖、10%FBS、2 mM谷氨酸、1mM丙酮酸钠、1x N-2生长补充剂和1x抗生素抗霉菌。通过转发pLOX-TERT-iresTK扁病毒载体（Addgene12245），使星形细胞永生。使用质粒 psPAX2 和包络质粒 pMD2.G（Addgene 12260 和 12259）创建载体。
- 从真空干燥器上拆下 μmBBN 设备，并放置到金属或纸张（即胶带）表面上，入口朝下，将其放入等离子室。还要将 50 mm x 75 mm 玻璃滑入等离子室。拉真空，然后在80W下用等离子体处理30 s。
- 快速从等离子室中卸下玻璃滑梯和设备，并使用导轨将入口朝上，与玻璃幻灯片对齐（补充文件 2）。这将在 PDMS 和玻璃幻灯片之间形成永久的粘结，并且无法重新定位。
- 接下来切断 16， 200 μL 移液器尖端， 2 毫米从尖端。将移液器尖端插入所有入口和插座。如果此时未准备好为细胞播种，则设备可以放回真空干燥器中。
- 将设备放回等离子室，在 200 W 下用等离子体处理 8 分钟。设备冷却后（5 分钟）从血浆处理处，它放在无菌的二次容器内，就像透明移液器尖端盒一样。在 +15 分钟内执行下一步，否则血浆处理效果可能会降低，从而导致堵塞。
- 实验前几天培养1 x 106 内皮细胞（hCMEC/D3-DSRed）和1 x 106 星形细胞（NHA）的培养皿。当该器件进行8分钟血浆处理时，制备一种胶原蛋白溶液，包括0.5 mL的3mg/mL PureCol型牛胶原蛋白，其中64μL为0.8 M NaHCO3 和20μL的10x高葡萄糖（250 mM）MEM。在胶原蛋白溶液中悬浮5.0 x10 5 NHA细胞。不使用时在冰上保持溶液。
- 通过底部腔室的移液器尖端将120μL的胶原蛋白/星细胞/微胶质溶液转移到器件中（图1红色箭头）。让溶液穿过腔室进入相反的移液器尖端。在设备的所有四个通道都已填充后，将芯片以 37 °C 和 5% CO2 在 37 °C 和 5% CO2 中放置，为 1 小时，或直到胶原蛋白设置。
- 胶原蛋白集后，用完整介质的混合物填充所有移液器尖端，以填充底部腔室。对于含有内皮细胞和星细胞的芯片，使用50：50的内皮：星细胞介质组合。
- 使用上室移液器尖端（图1蓝色箭头）在完整的内皮介质中用2%的生长因子减少Matrigel，并在培养箱中放置1小时。
- 用指示的介质混合物冲洗上腔，并用内皮细胞（图1绿色箭头）交替使用哪个尖端播种。将 1 x 106 内 皮细胞悬浮在 1 mL 的内皮介质中，每 15 分钟将种子 30 μL 悬浮到交替的上室尖端中，以均匀覆盖。种子内皮细胞进入每个上室尖两次，每个腔室共4次。
- 内皮细胞最终播种后，用培养基混合物填充所有尖端，并在37°C和5%CO 2下将设备放入培养箱中，每12小时更换两室的培养基。
4. 监测内皮层形成进展
- 内皮层对通道的完整覆盖在3天后观察到。使用两种方法之一来监控内皮屏障的覆盖范围：荧光或TEER。hCMEC/D3-DSRed荧光和通道区域的覆盖率百分比可以使用 ImageJ 进行量化。
- 打开 hCMEC/D3-DSRed 屏障代表的 ImageJ 中的 TIFF 文件。在 ImageJ 软件中，单击 "文件 > 打开 "以选择文件。
- 按照这些关键命令和选项使用最大强度合并图像的所有 Z 层： 图像 > 堆栈 > Z 项目 > 所有 Z 切片，最大强度。
- 在使用此方法评估的所有微流体芯片中执行相同的颜色阈值。在这项研究中，我们采用了450的阈值。使用 ImageJ 中的阈值菜单： 图像 > 调整 > 阈值。
- 使用以下命令和选项设置要记录的测量值：分析 > 设置测量值 > 阈值限制，区域分数。
- 选择微流体通道的代表性区域，通过绘制框进行测量。箱体工具位于 ImageJ 的主菜单上。测量位于每个微流体通道的开始、中间和端端的 3 个技术复制，使用相同的盒大小。
- 分析每个通道并记录面积分数，表示内皮覆盖率百分比。将这些测量值导出为电子表格文件，使用以下命令绘制和可视化数据： 分析 > 测量。
- 作为替代方案，使用基于阻抗光谱的TEER测量每个区域的内皮紧结。使用 TEER 对内皮屏障进行量化是内皮层作为屏障完整性的代理。
- 将两个电极放在上腔和下腔的入口和出口中。
- 根据Srinivasan等人提出的,模型，将内皮单层阻抗量化为芯片中电阻、电感和电容的组合。
5. 将癌细胞种子放入设备
- 内皮层成熟后，将癌细胞种子进入设备。在完整的癌细胞介质中准备 1 mL 1 x10 6 癌细胞溶液。
- 在芯片中交换介质以补充细胞培养营养。
- 将每个顶部腔室通道与30μL的癌细胞悬浮，然后将设备放回孵化器15分钟。始终将癌细胞播种在单个设备内所有四个顶部腔室通道的同一侧。
- 将设备与新介质交换一次，每 12 小时重新填充一次提示，直到设备被成像为转移行为。
6. 通过共体成像成像肿瘤微环境
- 在所需的实验时间点（1、2 或 9 天），使用共声成像捕获通道的 3D 图像。我们使用此处描述的设置在尼康 A1 上执行此步骤。此步骤是自动化的，每个通道需要 20-40 分钟的图像，具体取决于包含的荧光通道数和覆盖所有细胞位置所需的 Z 深度。
- 打开显微镜，打开软件，将培养箱盖放在显微镜上。
- 将显微镜级加热器设置为 37 °C 和 CO2 至 5%（如果可用）。
- 显微镜培养箱稳定后，使用 50 mm x 75 mm 安装将设备放入显微镜阶段。
- 将目标集中在设备的一侧（如果与提供的分析软件一起使用，则左侧）以 10 倍的目标将 Z 高度设置为零。在 z 堆栈设置下，包括高于 100 μm 的范围和对焦平面下方的 200 μm 范围。然后使用拼接设置将 X 和 Y 字段的数量分别设置为 1 和 9，并重叠 15%。将针孔设置为建议的最小值，将 z 层高度设置为 9 μm。调整明亮的场曝光，使多孔膜可见。打开 dsRed （561 nm） 和 GFP （488 nm） 通道的激发激光器，并调整荧光激光器的功率和截止，使每个通道都可见，而不会过度曝光像素。
- 在跨过时验证所有字段是否都的焦点。如果是这样，请为图像输入输出文件名 （001.nd2），然后开始实验以自动捕获 3D 共和图像。
7. 通过共声断层扫描测量肿瘤微环境
- 使用共声断层扫描方法估计一组指标和测量值，这些指标和测量值描述了设备中的单个细胞和肿瘤微环境。共体断层分析（图2）将共和 z 堆栈转换为细胞的三维表示形式。在Jupyter笔记本/实验室环境中使用自定义的python脚本，然后平面与形成血脑屏障的细胞层（如膜30）进行匹配。最后，对癌细胞群进行表型测量（表1）。
- 在实验结束时或时间课程中执行此分析。根据引用的软件指南安装 python 和相应的库，然后通过运行命令"conda 激活"，然后运行"jupyter 实验室"，从 Windows 命令提示符打开软件。Jupyter 环境将在默认浏览器中加载。
- 从 Jupyter 文件资源管理器双击 Jupyter 笔记本"contom.ipynb"打开它。运行标题"导入库 、自定义类/函数"下方的单元格，然后单击笔记本 单元格，然后单击播放按钮来设置笔记本。下面的所有笔记本单元格都使用相同的方法执行。请注意，此处的笔记本"cell"是指 Jupyter 笔记本中的 python 代码块。
- 准备数据。该算法使用可视化工具包 （VTK） 操作和显示 z 堆栈和三维数据17。
- 放置提供的 。XLSX 文件（"实验跟踪器.xlsx"）与 Jupyter 笔记本在同一窗口文件夹中。该文件跟踪实验和接口与Jupyter笔记本。将第 6 节中的 ND2 文件放入 Jupyter 笔记本位置下方名为"[Experiment_XXX[Confocal]"的子文件夹。通过将"XXX"调整到分配给新文件夹的数字 ID 中，可以添加其他实验文件夹。
- 将第一个实验文件夹Experiment_001"和 ND2 文件"001.nd2"。首先，将 ND2 成像文件转换为由颜色通道分隔的拼接多图像 TIFF 文件。通过执行标题"将共和 z 堆栈读入内存"下方的笔记本单元格，Save_tiff_from_ND2 （） 函数未注释 30。ND2 文件是尼康的专有成像格式，因此有必要将其转换为开源软件兼容的格式。
注意：使用TIFF（标签图像文件格式）是因为它无处不在，16位兼容，很容易导入到VTK，多个图像可以存储在一个文件中，这是适用于z堆栈图像。执行笔记本单元将从 ND2 文件中读取图像，提取颜色和 XYZ 位置的信息，然后根据预先确定的结构将该图像存储在数字数组中。然后，它使用 python 库 tifffile 将数组保存为 TIFF 文件。
- 将成像数据转换为 3D 模型
- 使用 3D 渲染将 TIFF 文件导入 VTK （vtkTIFFReader） 以可视化单元格（图 2）。根据图像中单元格的颜色选择阈值。为了澄清这一点，VTK 对象表示空间（体积）中的像素块（X、Y、Z），但只有某些像素（绿色或红色）表示单元格，其余为背景或杂色（黑色）。
- 因此，在删除背景的体积上设置不透明度过滤器，确认荧光仅是细胞。使用名为"通过调整值变量（即"Channel_alpha值Change opacity values for each microscope channel变量Channel_alpha的 Jupyter 笔记本单元格GFP_alpha。使用名为"查看3D 渲染"的笔记本单元格可视化效果，以验证阈值设置是否正确。
- 将电子表格中的不透明度值保存，以在下一步中使用。将体积数据转换为单独的 3D 对象，每个对象使用称为行进立方体31的技术表示图像中的单元格。该算法从体素的三维离散标量场中提取等值面的多边形网格。
- 使用行进立方体算法中的不透明度值将每个单元格与背景分开。通过运行将体美图像转换为三角形网格并保存 为笔记本中的 VTK 文件，完成每个显微镜通道中标识的所有荧光 细胞的此步骤。
- 将平面安装到膜上
- 通过首先定位细胞质心（笔记本细胞：分析 RFP 通道（内皮屏障），将平面拟合到内皮屏障。通过卷中的列表网格进行迭代，并使用 VTK 中的多数据连接筛选器提取未连接的区域。计算每个网格的质心，并将测量添加到太大或过小的网格的质心筛选列表中（<50，>1000000 体素）。
- 使用误差最小化方法将平面拟合到内皮细胞的质心列表中（笔记本单元格：将平面拟合到 RFP质心（内皮屏障））（图2，图3）32。通过绘制平面和质心来检查平面的拟合，必要时（使用 theta、beta 和 z）通过运行名为"可视化 RFP 质心"的笔记本单元和平面拟合手动调整。
- 正确安装平面后，将平面的法线保存到实验跟踪器文件中。XLSX 文件供将来使用。
- 分析以下描述符个别癌细胞的描述特征（表1）。
注：如果执行分析的计算机滞后，则选择通过高性能计算进行高吞吐量分析。此算法在标准笔记本电脑上可用于分析少量细胞，但 VTK 不适合大量单个对象 （>1000）。因此，使用调整算法在高性能计算群集上运行是可选的。这样可以快速分析许多细胞的实验（图2）。所有7.5是通过运行笔记本单元，标题为分析 剩余的显微镜 通道的表型描述符 和阅读Experiment_tracker信息，并分析存在的通道。- 测量癌细胞的外创：用平面对内皮层进行特征化后，测量通过膜迁移的每个癌细胞的体积。夹住每个细胞（布尔），以便保持膜下方的网格，并去除膜上方的部分33。然后关闭打开的网格（vtk 填充孔）。
- 重新计算剪切网格的法线和新的质心。测量每个被夹住的癌细胞的体积和位置进行分析。体积等效于每个单个单元格的网格填充的体素数。计算每个癌细胞的内皮平面和位置之间的距离。
- 测量细胞表型：通过考虑其形状、体积和位置来计算每个癌细胞的形态。
- 测量癌细胞的外创：用平面对内皮层进行特征化后，测量通过膜迁移的每个癌细胞的体积。夹住每个细胞（布尔），以便保持膜下方的网格，并去除膜上方的部分33。然后关闭打开的网格（vtk 填充孔）。
- 验证测量值并保存到电子表格或绘图中。运行名为"检查"的笔记本单元格"检查重心测量准确，并弹出一个渲染图，显示按单元格类型在图像卷顶部标识的质心。完成所有实验后，通过键入名为"将数据导出为单个数据"的笔记本单元格中要包含的实验.XLSX将完整的数据集导出为单个电子表格文件，以替换给定的实验 ID。如果验证已完成的数据集，则使用名为"距离外创条图"的笔记本单元格绘制它。绘图将显示在笔记本环境中并保存到文件中。
8. 利用人工智能分析相关特征
注：使用人工智能算法识别转移性表型特征。
- 根据图 5 和补充文件 3 中所示的方案使用橙色执行二进制分类。通过键入"conda 激活"，后键入"python -m Orange.canvas"，然后从提示符中单击"新"，从第二个 Windows 命令提示符开始橙色。Orange 是基于拖放的软件，因此通过将左侧菜单中的每个项目拖到画布上以匹配补充文件3 来排列函数。完成后，双击"文件"图标并选择"数据.XLSX文件。
- 筛选数据以删除错误测量值，定义为使用"选择行"图标在已知边界之外提供参数变量值的测量值。双击图标并设置与筛选器对应的条件，例如"球体介于 0 和 1 之间"。为 8.2.1、8.2.2 和 8.2.3 创造条件。
- 过滤距离外创测量范围为 -100-200 μm。
- 将细胞形状的球度测量范围从 0-1 过滤。
- 过滤癌细胞体积测量范围为0-2000体素。
- 使用所有参数变量 （表 1） 对脑转移 MDA-MB-231-BR-GFP 和非脑转移 MDA-MB-231-GFP 进行分类。双击从画布中选择列图标。使用>按钮将可用变量移动到要素、目标变量或元属性中。唯一应该是目标变量的变量是转移性标签，它定义数据集中的单元格是否被视为转移 （1） 或不 （0）。实验变量可以放置在元属性部分中。
- 将数据采样到培训中 （80%）和测试集 （20%）。双击"数据采样器"图标并选择"固定数据比例"的采样类型：设置为 80%，然后选择可复制和分层复选框。使用每个模型/分类器使用 10 个折叠对训练集进行分层和交叉验证。双击"测试和分数"，然后选择"交叉验证"与折叠数：设置为 10 并分层选中。将目标类设置为 1。
- 在此方法中，使用神经网络和随机林学习算法，因为它们对数据健壮。在"随机林"图标中，选择树数为 50，不选择任何其他选项。在神经网络图标中，选择神经元每个隐藏的布局r： 100，激活： ReLu，解算器： 亚当 ， Alpha： 0.0001，和最大迭代： 200。但是，这些设置会因研究而有很大差异，在申请前应充分理解。
- 设置画布后，双击每个图标从"文件"到 " 示例 数据"， 然后点击"应用 "或" 发送 数据"。双 击测试和评分 以及训练数据将开始用于使用算法开发模型。训练机器学习模型后，重新打开 测试和分数 并选择测试 数据测试 ，并关闭弹出窗口，根据芯片中的细胞从 0 到 1 的概率对芯片中的细胞进行分类，以对模型的性能进行评分。
- 将机器学习模型性能保存到文件中（表2）。包括 ROC 曲线 （AUC） 下的区域、精度和 F1 分数。保存包含单个转移索引和分类概率的第二个文件。双击" 保存" 图标， 然后单击"保存到 写入"以提交分类概率。同样，可以通过双击 ROC 分析图标查看 ROC 曲线 ，也可以通过双击"混淆矩阵"图标计算 模型 性能。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
利用这种技术，我们分析了标有不同荧光蛋白或染料的细胞类型。我们演示了使用使用 μmBBN 芯片与 hCMEC/D3-DSRed 和非荧光星形细胞一起使用这种方法。脑微血管内皮细胞被播种到多孔膜（5μm轨道蚀刻毛孔），并在37°C下放置在37°C低于5%CO 2的培养箱34中。三天后，通过显微镜确认内皮层的汇合，然后将癌细胞放置在内皮层的顶部。两个乳腺癌细胞系，一个称为MDA-MB-231-BR-GFP的寻求大脑克隆，和父母的MDA-MB-231-GFP细胞被输入到含有天体脑利基35、36、37、38、39、40、41的μmBBN,36,37,38,39,40,芯片中。μmBBN 芯片在 1 天、2 天和 9 天内使用共生显微镜（DsRed、GFP 和 Brightfield）使用 10 倍目标进行成像，Z 切片每 9 μm 和 1x9 XY 缝合一次，以覆盖整个膜区域。该显微镜在成像过程中保持 37 °C 的温度，以最大限度地减少对细胞的压力。
显示了完整μmBBN芯片（图3A）和内皮覆盖（图3B-D）的代表性图像。对高覆盖率和低覆盖率的内皮屏障进行量化，以确定μmBBN芯片是否适合添加癌细胞（图3B）。提供了具有可实验可接受的汇合内皮屏障的μmBBN芯片和内皮覆盖率特别差的μmBBN芯片的代表性图像（图3D）。内皮细胞的长期培养可能导致覆盖范围超出膜分离顶部和底部的μmBBN芯片室。内皮细胞通常生长在膜的顶部和正下方，这不会影响癌细胞进入大脑利基空间的运动，但会使平面适合困难。由于μmBBN芯片制造和膜内皮覆盖的变异性，代表性平面适合正常的扁平内皮屏障（图3E），并显示非典型弯曲膜供参考（图3F）。如所示，在温度高于 40°C 的烤箱中干燥设备可能会导致弯曲膜。
我们观察到MDA-MB-231-BR-GFP和亲MDA-MB-231-GFP细胞系在遇到使用开发的共生断层分析进行量化的天体细胞内的表型差异。用于输入机器学习算法（表1）的4个表型描述符如图4所示。Table 1
外创距离表示内皮屏障与 μmBBN 芯片中每个癌细胞位置之间的 μm 距离（图 4A）。内皮屏障位于0μm。距离 <0 μm 表示留在流室中的癌细胞。距离 >0 μm 表示癌细胞通过内皮屏障外创并进入大脑利基空间。在接触 μmBBN 1 天后，MDA-MB-231-BR-GFP 和 MDA-MB-231-GFP 均位于内皮屏障内。然而，在2天和9天的相互作用后，MDA-MB-231-BR-GFP的子集将>100μm迁移到天体脑利基，而母体MDA-MB-231-GFP细胞仍然靠近内皮屏障。我们通过计算通过内皮屏障的每个癌细胞的体积，解决了内皮屏障/大脑利基界面的癌细胞位置。所得百分比表示癌细胞按体积外创（图4B）。细胞体积外切的0%表示癌细胞保持内皮屏障顶部，当癌细胞完全外创通过内皮屏障并存在于大脑利基空间时，癌细胞的范围从100%不等。父母的MDA-MB-231-GFP细胞最初与内皮屏障相互作用后，1天暴露在μmBBN芯片，这是<50%的体积外创。在2天和9天时，MDA-MB-231-GFP细胞维持相当一部分细胞，这些细胞仍然留在远离大脑利基空间的屏障顶部。MDA-MB-231-BR-GFP 细胞保持了 100% 外创的细胞比例，尤其是在 2 天时间点。
在接触μmBBN期间，癌细胞形状发生了巨大变化。图4C中描述了每个时间点的癌细胞 的代表性图像。利用球面计算癌细胞形状的形态定量，球面占细胞体积和表面积（图4D）。球面度度度范围为 0-1，1 表示完美球体。MDA-MB-231-BR-GFP和MDA-MB-231-GFP细胞在播种后1天都高度球形，进入μmBBN芯片。在μmBBN芯片中相互作用2天和9天后，两个癌细胞系的形状呈下降趋势，尽管其速率不同。除了癌细胞形状外，还利用共和断层分析对每个癌细胞的体素体积进行量化。图 4E-F中，每个癌细胞系被分层为两组："out"，表示通过内皮屏障（>90%外创通过屏障）和"in"，即与内皮屏障相互作用但无法外创的细胞群（<90%外向）。与癌细胞相比，进入天体细胞利基的癌细胞亚细胞体积较小，癌细胞仍与内皮屏障相互作用，但并没有完全外向大脑。
寻求大脑的MDA-MB-231-BR-GFP揭示了一个表型模式在μmBBN芯片不同于父母的MDA-MB-231-GFP，可以利用它来区分脑转移和非脑转移癌细胞使用机器学习。数据被随机分离为训练和验证数据集，以训练模型并执行验证测试。为了训练模型，在筛选数据后总共使用了38，859个细胞，并在9，714个单个细胞上测试了该模型。该模型应用于在星形μmBBN芯片（4从患者脑转移中分离出各种原发肿瘤类型，1个原发性乳腺癌肿瘤）中分析的癌细胞系和PDX生成癌细胞，以生成脑转移概率指数（图5）。测试了八种不同的机器学习分类方法：奈夫贝叶、随机森林、决策树 、k-最近邻（kNN）、随机梯度下降、神经网络和阿达布斯特。每个方法的结果都显示在表 2 中。神经网络和 Adaboost 是推荐使用 μmBBN 平台生成的数据的 2 种性能最佳分类方法，其 AUC 为 0.920 和 0.928。此外，它们显示精度为 0.833 和 0.853。神经网络和 Adaboost 方法的精度和召回 （F1） 平均值为 0.847 和 0.860。从以前的工作中，我们应用这种方法到非转移性乳腺肿瘤的PDX样本和已知的转移性样本（乳房、肺、卵巢、舌头），我们发现，同样的方法应用于PDX样本，能够准确识别非转移性细胞。 表 2 显示了应用于 PDX 数据的每个机器学习算法的结果，其中相同的方法被证明是最健壮的（神经网络和 Adaboost（随机林）。在PDX样本测试集使用的143个细胞中，71个为非转移性细胞，46个为转移性乳房，11个为转移性舌头，13个为转移性肺，2个为转移性卵巢。每个细胞类型产生 0.88 的整体精度，但个人有以下近似的精度：非转移性乳房：0.96，转移性乳房：0.80，转移性舌头：0.80，转移性肺：0.92，转移卵巢：1.0
图1：实验工作流程。（A） 微流体器件装配过程的示意图。微调器用于将 PDMS：甲苯胶水薄膜沉积到 50 mm x 75 mm 玻璃幻灯片上。μmBBN 器件的每一半都盖章通道侧对着胶水，然后在 μmBBN 器件部件之间用聚碳酸酯膜（5 μm 毛孔）组装。μmBBN 器件放置在 37 °C 烤箱中 24 小时，以固化胶水。然后在实验使用前，在真空干燥器中干燥设备至少 48 小时。μmBBN 装置和 50 mm x 75 mm 玻璃滑梯通过等离子处理激活并粘合在一起。在尖端切割的标准 P200 移液器插入所有 μmBBN 设备进气口和插座。然后，通过8分钟（200 W）的血浆处理对完成的μmBBN设备进行消毒，然后转移到无菌二级容器中。（B） 利用微流体装置支架创建细胞血脑屏障和脑利基微环境的示意概述。在生物安全柜内，胶原蛋白中的星细胞混合物被播种到底部的μmBBN装置室中，并在37°C下凝固1小时。 Matrigel 用于在 37 °C 下将膜涂覆到顶部流室 1 小时。 然后内皮细胞被播种到顶部腔室的一个尖端，并允许流动和沉淀15分钟。此播种重复 x4，流室的交替侧。 请单击此处查看此图的较大版本。
图2：全科断层分析概述。该软件首先使用分段和三维网格将微观共和 Z 堆栈图像转换为细胞的三维模型。然后，程序计算每个细胞（心）的中心位置，并拟合平面到内皮屏障。然后对每个单个单元格的表型测量进行表格。 请单击此处查看此图的较大版本。
图3：内皮屏障覆盖和平面拟合。（A） μmBBN 器件的代表性原理图和图像。顶视图示意图中的虚线白线表示横截面视图中表示的设备区域。（B） 在癌细胞应用之前，μmBBN器件的高皮和低内皮覆盖率的比较。韦尔奇双样本 t 检验，***p < 0.1*10-4 。-4（C） 高端覆盖的代表性形象。μmBBN 器件内嵌示意图内的虚线白框指示设备内皮单元的位置。概览和插图的刻度条 = 200 μm. （D） 低内皮覆盖的代表性图像。概览和插图的缩放条 = 200 μm. （E） 平面平面适合平坦的内皮屏障。绿色矩形表示内皮平面的位置。点表示构成屏障的单内皮细胞。黄点是平面上方的内皮细胞，紫色点是落在平面下方的细胞。平面上方的内皮细胞（黄点）表现出在侧壁和设备顶部形成管子的倾向。（F） 带弯曲平面的 μmBBN 器件的平面拟合示例平面拟合。请单击此处查看此图的较大版本。
图4：在星形血脑利基微流体芯片中对脑转移和亲细胞表型的细胞表型进行定量。（A） 在1天、2天和9天时，将癌细胞与内皮屏障的距离（μm）剥去。0 μm 的虚线表示内皮屏障。红色框表示MDA-MB-231-BR-GFP细胞的子集，这些细胞远流入大脑利基。（B） 在1天、2天和9天通过内皮屏障外创的癌细胞总体积百分比的小提琴图。短虚线表示四分位数，较长的虚线表示均值。（C） μmBBN 装置中癌细胞形态的代表性图像。比例杆 = 25 μm. （D） μmBBN 器件中 1 天、2 天和 9 天癌细胞球的小提琴图。球面的范围从1：球形到0：不是球面。（E） 在体素中的 μmBBN 器件中 MDA-MB-231-GFP 细胞体积的盒图，用于在内皮屏障外休息的细胞（出）和通过屏障（in）外创的细胞。（F） 在体素中的 μmBBN 器件中 MDA-MB-231-BR-GFP 细胞体积的盒图，用于在内皮屏障外休息的细胞（出）和通过屏障（in）外创的细胞。该框显示四分位数和胡须延伸，以显示四分位数间范围超过低和高四分位数的比例。配对威尔科森排名Sum和克鲁斯卡尔-瓦利斯与邓恩的多重比较，***p < 0.1*10-4-4。经英国皇家化学学会批准，转载自参考书24。请单击此处查看此图的较大版本。
图5：癌细胞机器学习分类的代表性结果。（A） 机器学习概述。演示从共声断层扫描中收集的数据拆分过程，筛选数据，使用 10 倍验证训练机器学习算法，然后根据保留数据的 20% 的随机样本测试模型。然后，可以在新数据上应用所选模型，以收集单个细胞的转移性索引。（B） ROC 曲线显示 8 种不同的机器学习算法的 MDA-231-BR-GFP 和 MDA-231-GFP 细胞培养在成像前 1 天、2 天和 9 天的性能。这是要分析的曲线类型，以了解训练模型的性能。（C） 8种不同的机器学习算法的ROC曲线应用于患者衍生异种体（PDX）分离细胞培养2天。这是要分析的曲线类型，以了解训练模型的性能。经英国皇家化学学会批准，转载自参考书24。请单击此处查看此图的较大版本。
| 特征 | 描述 符 |
| 肿瘤细胞 | % 外向利基 |
| 肿瘤细胞 | 体积 |
| 肿瘤细胞 | 球面 |
| 肿瘤细胞 | 距离外在 |
| 肿瘤细胞 | 实时单元格 2D 迁移 |
| 微转移 | 孔隙 度 |
| 微转移 | 斯特罗马尔相互作用 |
| 微转移 | 年龄 |
| 微转移 | 增长率 |
| 斯特罗马尔细胞 | 体积 |
| 斯特罗马尔细胞 | 与附近癌细胞的距离 |
| 斯特罗马尔细胞 | 与内皮屏障的距离 |
| 斯特罗马尔细胞 | 形状 |
表 1：按要素类型显示的描述符列表。 肿瘤细胞的表型表征用描述符面板表示。红色框表示用于通过机器学习预测大脑转移概率的描述符。
| 癌细胞 | |||
| 方法 | Auc | 精度 | F1 |
| 神经网络 | 0.925 | 0.84 | 0.847 |
| 阿达布斯特 | 0.928 | 0.853 | 0.86 |
| 随机森林 | 0.925 | 0.849 | 0.855 |
| 决策树 | 0.898 | 0.817 | 0.827 |
| Knn | 0.775 | 0.702 | 0.718 |
| 逻辑回归 | 0.769 | 0.735 | 0.751 |
| 奈夫·贝叶斯 | 0.745 | 0.715 | 0.73 |
| 新币 | 0.73 | 0.73 | 0.737 |
| PDX癌细胞 | |||
| 方法 | Auc | 约 | F1 |
| 神经网络 | 0.972 | 0.881 | 0.878 |
| 随机森林 | 0.964 | 0.888 | 0.887 |
| 阿达布斯特 | 0.957 | 0.881 | 0.879 |
| 树 | 0.954 | 0.867 | 0.865 |
| 逻辑回归 | 0.897 | 0.832 | 0.831 |
| 奈夫·贝叶斯 | 0.896 | 0.846 | 0.849 |
| Knn | 0.882 | 0.818 | 0.814 |
| 新币 | 0.861 | 0.86 | 0.853 |
表2：按脑转移电位对癌细胞和PDX癌细胞进行分类的机器学习方法比较。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
我们开发并提出了一种新方法，可以调整临床成像分析中经常使用的工具，以测量癌细胞通过内皮屏障进入脑组织外创和迁移。我们认为这种方法对体内和体外测量都很有用;我们已经证明了它在3D微流体系统上重新验证脑血管的用途。癌细胞测量，包括距离外创，体积外创百分比，球面和体积使用这种技术进行量化。距离外在和体积外加百分比允许用户重建芯片中癌细胞的位置，以评估跨越屏障的外在和组织内的迁移。细胞形状测量（如球面和体积）与每个时间点的细胞的动态运动或功能相关。迁移MDA-MB-231-BR-GFP细胞在最初引入μmBBN器件时表现出高水平的球面性，当它们减少运动并开始殖民利基时，其形状变得不那么球形。MDA-MB-231-GFP 和 MDA-MB-231-BR-GFP 的总细胞体积因细胞系形状不同而有所不同。穿过内皮屏障的癌细胞比不穿过屏障的细胞更圆润，因此较小的圆形细胞可能能够更有效地在内皮层中外创。
协议中存在促进成功的两个关键步骤。第一次发生在由多孔膜分离的 μmBBN 器件上部和下部组装期间。上部和下部器件必须配合，使入口和插座重叠，但不会被之间的膜遮挡，以促进适当的流量。所有与上部和下部设备部件或膜对齐方式配合不良的 μmBBN 器件都将被丢弃，以最大限度地减少质量波动。随后的烘烤以固化PDMS：甲苯胶水组装设备是至关重要的，在37°C下执行生产带扁平膜的μmBBN器件。超过 37°C 的烘烤温度往往会产生弯曲膜的设备，使图像分析变得困难，尤其是在将平面安装到内皮屏障时。第二个关键步骤发生在内皮屏障的种子期间。播种应至少在两个入口之间进行十五分钟的间隔，以馈送设备顶部，以确保内皮细胞随机分布到设备的膜上。将含有星核细胞的胶原蛋白混合物播种到芯片中可能需要排除故障并修改实验室特定的协议。如果器件的膜表面不疏水性，胶原蛋白将填充设备的底部和顶部，并设置，以便它堵塞所有流过设备的顶部。最终等离子气体处理的目的是使设备表面疏水。在这种情况下，我们建议调整器件的等离子气体处理，以增加疏水性。
我们观察到这种方法存在一些局限性。例如，用于诱导细胞荧光的方法会影响成像质量。当使用活细胞跟踪染料时，荧光图案由小斑点，而荧光团的转染或转导表达产生均匀的图案。斑点模式需要额外的，有时容易出错的像素聚类。此外，测量的灵敏度取决于成像期间的护理。分辨率更高的图像和更多的 z 切片可提高分辨率，但还需要更多时间进行图像和分析。触摸的单元格也可以错误地分析为大型单个单元格。这是许多自动成像系统的问题，但可以通过两种方式加以解决。第一，内皮层有许多细胞接触，但他们的组合对切割平面的最终位置的影响可以忽略不计。第二是癌细胞的数量足够少，很少它们接触。安装平面时引入的错误可能由于多种原因而发生。首先，一些内皮细胞可能在细胞培养过程中从中央膜中迁移。这可能导致内皮细胞覆盖整个通道或侵入胶原蛋白填充空间，从而扭曲测量。另一个错误来源是，矛盾的是，手动调整平面，以修复以前的错误。然而，可重复性和可重复性研究发现，这具有最小的影响。最后，我们观察到在某些情况下，细胞网格的布尔切割可能会失败，或者关闭切削网格的算法也可能失败。这里使用的技术是当前的"最新技术"，这些问题目前正在由算法科学家解决。
根据 μmBBN 的共合断层扫描收集的数据对机器学习算法 （AI） 进行训练的结果表明，通过这种方法分析的大量单个细胞可能有助于解决捕获癌细胞中发现的异质性的问题。大于 0.9 的 AUC 被视为高性能分类器。在这里，我们展示了 0.928 的 AUC。我们预计，随着方法的改进，性能将继续提高。与所有 AI 方法一样，必须小心选择训练数据集，以便它广泛地表示预期要测试的数据类型。因此，如果模型直接应用于患者样本，例如不首先将模型暴露在可靠的患者样本集合中，则性能可能会降低。与之前的工作使用的 2 天相比，我们在模型中包括 1 天、2 天和 9 天的癌细胞测量值，这在一定程度上证明了这一点。我们观察到，宽采样会稍微降低模型的性能，并显示某些性能较差的方法的敏感性，从而表明用户可能希望测试其数据上的多个模型。 描述 PDX 结果的表 2 显示了总体良好的性能。但是，单个 PDX 类型表明，从每个样本中测量的细胞比例不同，并可能影响每个原点的性能。例如，卵巢样本只为测试集生成两个单元格。相比之下，转移性乳腺癌的发病率较大。该数据集旨在证明细胞在利基中存活并可以进行分析，但也突出了所需的解释性护理。对目标变量的改变也可能指导研究人员识别具有其他特征的亚克隆，例如与频闪细胞的相互作用或静止行为。
这种方法很重要，因为更多的实验室采用膜片上系统，如芯片上的血脑屏障，芯片上的肺和芯片上的肠道11，42。,42这些芯片的大部分组装，使膜平行成像系统，这直到现在，这意味着这将是很难衡量何时和多少细胞已经从膜的一侧移动到另一侧15，28。,28此外，与水平定向芯片相比，垂直定向芯片提供更大的膜面积，增加实验的动态范围。此外，由于膜的方向对于这种分析技术来说并不重要，因此共声断层扫描有可能实现新的体外实验。例如，通过这些方法，将乳腺脂肪垫的乳腺脂肪填充成像到血液中是平易近人。这可以帮助研究人员确定癌细胞如何探测乳房 ECM 和血管之间的界面。
最后，我们提出了一种构建3D微流体装置的方法，该装置可以概括血脑的利基，并演示如何使用共体断层扫描和机器学习进行分析。使用此平台，我们根据 μmBBN 设备中的行为，识别了脑转移癌细胞特征，这些特征区分了脑转移和非转移性 PDX 癌细胞。今后的工作将提高这个平台的临床适用性，作为预测大脑转移的诊断。我们相信，提出这个平台将是有用和有趣的实验室，需要测量任何类型的细胞迁移或外在膜。这一点很重要，因为肿瘤微环境的临床前模型变得越来越复杂，因此必须设计模型和支持软件。为了帮助对数据进行可靠的分析，我们包装了此工具，作为简单易用的共享 python 笔记本，其中包含安装说明30。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
没有要申报的披露。
Acknowledgments
我们感谢国家癌症研究所的斯蒂格实验室慷慨捐赠MDA-MB-231-BR-GFP细胞。在密歇根大学生物接口研究所（BI）进行了共生显微镜。在密歇根大学流细胞学核心进行流细胞学。病毒载体是由密歇根大学病媒核心创建。我们还感谢凯利·基德威尔对这些数据的统计分析提供指导。
资金：
C.R.O.部分得到国家卫生和三十二培训研究金（T32CA009676）和1R21CA245597-01的支助。T.M.W. 部分得到 1R21CA245597-01 和国家卫生研究院国家促进转化科学中心的支持，奖励编号为 UL1TR002240。国家卫生研究院国家癌症研究所根据奖号1R21CA245597-01、P30CA046592、5T32CA009676-23、CA196018、AI116482、METAvivor基金会和乳腺癌研究基金会提供了材料和表征的资助。内容完全由作者负责，不一定代表国家卫生研究院的官方观点
Materials
| Name | Company | Catalog Number | Comments |
| 0.25% Trypsin-EDTA with phenol red | Thermo Fisher Scientific | 25200056 | |
| 1.5 mm biopsy punch with plunger | Integra LifeSciences Corporation | 33-31A-P/25 | |
| 10x MEM | Thermo Fisher Scientific | 11430030 | |
| 150 mm petri dishes | Fisher Scientific | FB0875714 | |
| 1x DPBS, without Ca and Mg | Thermo Fisher Scientific | 14190144 | |
| 200uL pipette tip | Fisher Scientific | 02-707-411 | |
| 4 inch silicon wafer | University Wafer | 452 | |
| 48 mm wide packing tape | Fisher Scientific | 19-072-097 | |
| 50 x 75 mm glass slide | Fisher Scientific | 12-550C | |
| A1 confocal microscope | Nikon | ||
| acetone | Fisher Scientific | A9-20 | |
| antibiotic/antimycotic (penicillin/streptomycin/amphotericin) | Gibco | 15240062 | |
| box cutter blade | Fisher Scientific | NC1721575 | |
| dissection scissors | Fisher Scientific | 08-951-5 | |
| DMEM with 4.5 g/L glucose | Thermo Fisher Scientific | 11960-044 | |
| double sided tape | Fisher Scientific | NC0879005 | |
| EGM-2 | Lonza | CC-3162 | |
| Fetal Bovine Serum, Heat inactivated | Corning | MT35011CV | |
| Fiji software | ImageJ | ||
| glass vial | Fisher Scientific | 03-341-25D | |
| glutamax | Thermo Fisher Scientific | 35050061 | |
| hCMEC/D3 | EMD Millipore | SCC066 | |
| Jupyter notebook | Anaconda | ||
| L-glutamine | Thermo Fisher Scientific | 25030081 | |
| Matrigel - growth factor reduced with phenol red | Corning | CB-40230A | |
| MDA-MB-231 | ATCC | HTB-26 | |
| MDA-MB-231-BR-GFP | Dr. Patricia Steeg, NIH | ||
| N-2 growth supplement | Thermo Fisher Scientific | 17502048 | |
| normal human astrocytes (NHA) | Lonza | CC-2565 | |
| Orange software | University of Ljubljana | ||
| Pasteur pipette | Fisher Scientific | 13-711-9AM | |
| Photolithography masks | Photosciences Incorporated | ||
| pLL3.7-dsRed | University of Michigan Vector Core | ||
| pLL-EV-GFP | University of Michigan Vector Core | ||
| pLOX-TERT-iresTK | Addgene | 12245 | |
| pMD2.G | Addgene | 12259 | |
| polycarbonate membrane, 5um pore size | Millipore | TMTP04700 | |
| psPAX2 | Addgene | 12260 | |
| PureCol, 3 mg/mL | Advanced Biomatrix | 5005 | Type I bovine collagen |
| sodium bicarbonate | Thermo Fisher Scientific | 25080094 | |
| sodium pyruvate | Thermo Fisher Scientific | 11360070 | |
| Solo cup | Fisher Scientific | NC1416545 | |
| SU-8 2075 | MicroChem Corporation | Y111074 0500L1GL | |
| SU8 developer | MicroChem Corporation | Y020100 4000L1PE | |
| Sylgard 184 | Ellsworth Adhesive Company | NC0162601 | |
| Toluene | Sigma-Aldrich | 179965-1L | |
| Tricholoro perfluoro octyl silane | Sigma-Aldrich | 448931-10G |
References
- Rastogi, K., et al. Palliation of Brain Metastases: Analysis of Prognostic Factors Affecting Overall Survival. Indian Journal of Palliative Care. 24 (3), 308-312 (2018).
- Wang, R., et al. The Clinicopathological features and survival outcomes of patients with different metastatic sites in stage IV breast cancer. BMC Cancer. 19 (1), 1091 (2019).
- Valster, A., et al. Cell migration and invasion assays. Methods. 37 (2), 208-215 (2005).
- Eccles, S. A., Box, C., Court, W. Cell migration/invasion assays and their application in cancer drug discovery. Biotechnology Annual Review. 11, 391-421 (2005).
- Brekhman, V., Neufeld, G. A novel asymmetric 3D in-vitro assay for the study of tumor cell invasion. BMC Cancer. 9, 415 (2009).
- Chen, H. C. Boyden chamber assay. Methods in Molecular Biology. 294, 15-22 (2005).
- Poissonnier, A., Legembre, P. Boyden Chamber Assay to Study of Cell Migration Induced by Metalloprotease Cleaved-CD95L. Methods in Molecular Biology. 1557, 117-123 (2017).
- Li, X., Yang, H., Huang, H., Zhu, T. CELLCOUNTER: novel open-source software for counting cell migration and invasion in vitro. BioMed Research International. 2014, 863564 (2014).
- Little, A. C., et al. IL-4/IL-13 Stimulated Macrophages Enhance Breast Cancer Invasion Via Rho-GTPase Regulation of Synergistic VEGF/CCL-18 Signaling. Frontiers in Oncology. 9, 456 (2019).
- Allen, S. G., et al. Macrophages Enhance Migration in Inflammatory Breast Cancer Cells via RhoC GTPase Signaling. Scientific Reports. 6, 39190 (2016).
- Bhatia, S. N., Ingber, D. E. Microfluidic organs-on-chips. Nature Biotechnology. 32 (8), 760-772 (2014).
- Huh, D., et al. Reconstituting organ-level lung functions on a chip. Science. 328 (5986), 1662-1668 (2010).
- Chen, Y. C., et al. Single-cell Migration Chip for Chemotaxis-based Microfluidic Selection of Heterogeneous Cell Populations. Scientific Reports. 5, 9980 (2015).
- Choi, Y. P., et al. Cancer-associated fibroblast promote transmigration through endothelial brain cells in three-dimensional in vitro models. International Journal of Cancer. 135 (9), 2024-2033 (2014).
- Takeshita, Y., et al. An in vitro blood-brain barrier model combining shear stress and endothelial cell/astrocyte co-culture. Journal of Neuroscience Methods. 232, 165-172 (2014).
- Kienast, Y., et al. Real-time imaging reveals the single steps of brain metastasis formation. Nature Medicine. 16 (1), 116-122 (2010).
- Schroeder, W., Martin, K., Lorenson, B. The Visualization Toolkit. 4th edn. , Kitware. (2006).
- Wells, W. M., Grimson, W. L., Kikinis, R., Jolesz, F. A. Adaptive segmentation of MRI data. IEEE Transactions on Medical Imaging. 15 (4), 429-442 (1996).
- Agarwal, S. K., Singh, S., Ghuman, S. S., Sharma, S., Lahiri, A. K. Radiological assessment of the Indian children with congenital sensorineural hearing loss. International Journal of Otolaryngology. 2014, 808759 (2014).
- Mansfield, P., Maudsley, A. A. Medical imaging by NMR. The British Journal of Radiology. 50 (591), 188-194 (1977).
- Plewes, D. B., Kucharczyk, W. Physics of MRI: a primer. Journal of Magnetic Resonance Imaging. 35 (5), 1038-1054 (2012).
- Batteux, C., Haidar, M. A., Bonnet, D. 3D-Printed Models for Surgical Planning in Complex Congenital Heart Diseases: A Systematic Review. Frontiers in Pediatrics. 7, 23 (2019).
- Thibault, F., et al. MRI for surgical planning in patients with breast cancer who undergo preoperative chemotherapy. American Journal of Roentgenology. 183 (4), 1159-1168 (2004).
- Oliver, C. R., et al. A platform for artificial intelligence based identification of the extravasation potential of cancer cells into the brain metastatic niche. Lab on a Chip. 19 (7), 1162-1173 (2019).
- Gril, B., et al. Reactive astrocytic S1P3 signaling modulates the blood-tumor barrier in brain metastases. Nature Communications. 9 (1), 2705 (2018).
- Badilescu, S., Packirisamy, M. BioMEMS: Science And Engineering Perspectives. , Taylor & Francis/CRC Press. (2011).
- Liu, C. Foundations of MEMS. 2nd edn. , Prentice Hall. (2012).
- Booth, R., Kim, H. Characterization of a microfluidic in vitro model of the blood-brain barrier (muBBB). Lab on a Chip. 12 (10), 1784-1792 (2012).
- Lockman, P. R., et al. Heterogeneous blood-tumor barrier permeability determines drug efficacy in experimental brain metastases of breast cancer. Clinical Cancer Research. 16 (23), 5664-5678 (2010).
- Ryan Oliver, C., W, T. M. Con-tom: A Jupyter Notebook for Analyzing the tumor micro-environment in confocal images. Zenodo. , Version 0.8, 3825719 (2020).
- Lorensen, W. E., Johnson, C., Kasik, D., Whitton, M. C. History of the Marching Cubes Algorithm. IEEE Computer Graphics and Applications. 40 (2), 8-15 (2020).
- Kleinbaum, D. G., Kupper, L. L. Applied regression analysis and other multivariable methods. , Duxbury Press. (1978).
- Berg, M. d Computational geometry : algorithms and applications, 2nd rev. edn. , Springer. (2000).
- Esch, M. B., Post, D. J., Shuler, M. L., Stokol, T. Characterization of in vitro endothelial linings grown within microfluidic channels. Tissue Engineering Part A. 17 (23-24), 2965-2971 (2011).
- Brinkley, B. R., et al. Variations in cell form and cytoskeleton in human breast carcinoma cells in vitro. Cancer Research. 40 (9), 3118-3129 (1980).
- Eigenmann, D. E., et al. Comparative study of four immortalized human brain capillary endothelial cell lines, hCMEC/D3, hBMEC, TY10, and BB19, and optimization of culture conditions, for an in vitro blood-brain barrier model for drug permeability studies. Fluids and Barriers of the Central Nervous System. 10 (1), 33 (2013).
- Griep, L. M., et al. BBB on chip: microfluidic platform to mechanically and biochemically modulate blood-brain barrier function. Biomedical Microdevices. 15 (1), 145-150 (2013).
- Weksler, B., Romero, I. A., Couraud, P. O. The hCMEC/D3 cell line as a model of the human blood brain barrier. Fluids and Barriers of the Central Nervous System. 10 (1), 16 (2013).
- Dello Russo, C., et al. The human microglial HMC3 cell line: where do we stand? A systematic literature review. Journal of Neuroinflammation. 15 (1), 259 (2018).
- Dun, M. D., et al. Proteotranscriptomic Profiling of 231-BR Breast Cancer Cells: Identification of Potential Biomarkers and Therapeutic Targets for Brain Metastasis. Molecular & Cellular Proteomics. 14 (9), 2316-2330 (2015).
- Xing, F., et al. Reactive astrocytes promote the metastatic growth of breast cancer stem-like cells by activating Notch signalling in brain. EMBO Molecular Medicine. 5 (3), 384-396 (2013).
- Zhang, B., Radisic, M. Organ-on-a-chip devices advance to market. Lab on a Chip. 17 (14), 2395-2420 (2017).
