Waiting
Login processing...

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

Cancer Research

Quantification du micro-environnement de tumeur métastatique du cerveau à l’aide d’un modèle 3D à puce d’organe sur une puce, d’apprentissage automatique et de tomographie confocale

Published: August 16, 2020 doi: 10.3791/61654
Automatic Translation
*1,2, *1,2, 2,3,4, 1,2
1Department of Internal Medicine, University of Michigan Ann Arbor, 2Rogel Cancer Center, University of Michigan Ann Arbor, 3Department of Neurosurgery, University of Michigan Ann Arbor, 4Department of Cell and Developmental Biology, University of Michigan Ann Arbor
* These authors contributed equally

Summary

Ici, nous présentons un protocole pour préparer et cultiver un micro-environnement métastatique de tumeur de barrière de cerveau de sang et puis quantifiant son état utilisant l’imagerie confocale et l’intelligence artificielle (apprentissage automatique).

Abstract

Les métastases cérébrales sont les lésions cancéreuses les plus mortelles; 10-30% de tous les cancers métastasent au cerveau, avec une survie médiane de seulement ~5-20 mois, selon le type de cancer. Pour réduire la charge tumorale métastatique du cerveau, les lacunes dans les connaissances de base et translationnelles doivent être comblées. Parmi les principaux défis, mentionnons le manque de modèles précliniques reproductibles et d’outils associés. Les modèles tridimensionnels de métastase cérébrale peuvent produire les données moléculaires et phénotypiques pertinentes utilisées pour répondre à ces besoins lorsqu’elles sont combinées à des outils d’analyse dédiés. En outre, par rapport aux modèles murins, les modèles d’organe sur puce des cellules tumorales patientes traversant la barrière hémato-encéphalique dans le microenvironnement cérébral génèrent des résultats rapidement et sont plus interprétables avec des méthodes quantitatives, donc utilisables à des tests à haut débit. Ici, nous décrivons et démontrons l’utilisation d’une nouvelle niche du cerveau du sang microfluidique 3D (μmBBN) plate-forme où de multiples éléments de la niche peuvent être cultivés pendant une période prolongée (plusieurs jours), fluorescente imaged par microscopie confocale, et les images reconstruites à l’aide d’une technique de tomographie confocale innovante; tous visaient à comprendre le développement de la micro-métastase et des changements au micro-environnement tumoral (TME) d’une manière répétable et quantitative. Nous démontrons comment fabriquer, semer, image, et analyser les cellules cancéreuses et les composants cellulaires et humoristiques TME, en utilisant cette plate-forme. En outre, nous montrons comment l’intelligence artificielle (IA) est utilisée pour identifier les différences phénotypiques intrinsèques des cellules cancéreuses qui sont capables de transiter par un modèle μmBBN et de leur attribuer un indice objectif du potentiel métastatique du cerveau. Les ensembles de données générés par cette méthode peuvent être utilisés pour répondre à des questions fondamentales et translationnelles sur les métastases, l’efficacité des stratégies thérapeutiques et le rôle du TME dans les deux.

Introduction

Les métastases cérébrales sont les lésions cancéreuses les plus mortelles; 10-30% de tous les cancers métastasent au cerveau, avec une survie médiane de seulement ~5-20 mois, selon le cancer de type1,2. Une question principale qui se pose lors de l’étude de la métastase du cancer est de savoir comment les sous-clones migrent de l’environnement humoristique de la circulation sanguine dans un organe comme le cerveau3,4. Cette question a conduit à de nombreuses variations de la migration, l’invasion, et les tests d’extravasation. Toutes ces méthodes partagent l’étape critique du comptage ou de la mesure des propriétés des cellules qui se déplacent d’un endroit à l’autre en réponse à un stimulus. La plupart des tests de migration facilement disponibles sont utilisés pour étudier la migration bidimensionnelle (2D) des cellules cancéreuses. Ceux-ci ont élucidé une richesse de connaissances; toutefois, ils ne récapitulent pas la nature tridimensionnelle du système in vivo que d’autres méthodes peuvent fournir5. Par conséquent, il est nécessaire d’étudier le micro-environnement tumoral (TME) dans les systèmes tridimensionnels (3D), mais les approches d’analyse disponibles pour les structures 3D sont limitées et souvent incohérentes.

L’un des outils 3D les plus populaires est une chambre Boyden qui se compose d’une membrane suspendue au fond d’un puits, séparant deux régions distinctes. Boyden a introduit l’essai pour étudier leucocyte chemotaxis4. Les régions inférieures peuvent être variées selon la chimie ou d’autres moyens6,,7 pour inciter les cellules de la région supérieure à migrer vers la région inférieure. L’approche la plus courante pour quantifier le nombre de cellules qui ont migré est de libérer les cellules du fond de la membrane à l’aide d’une solution tampon, de les lyser, puis de les compter en fonction de la quantité de contenu d’ADN dans la solution7. Cette approche indirecte est sujette à l’erreur de l’opérateur en raison de la variabilité de la technique et la procédure détruit l’information sur le phénotype du cancer et le micro-environnement. Les variations de l’essai de chambre Boyden impliquent la fixation des cellules migratrices qui restent sur la membrane, mais fournit seulement un compte des cellules qui ne sont plus viables pour l’étude continue6,8,9.

En raison des limites de la chambre Boyden et de la croissance des innovations dans la communauté microfluidique, des puces d’essai de migration ont été développées qui observent le mouvement des cellules en réponse à un stimulus dans une direction plutôt que trois10,11,12. Ces essais de migration facilitent le contrôle de facteurs tels que le débit ou la séparation à cellule unique13,14 qui permettent une meilleure interprétation des résultats; cependant, leur format 2D perd inévitablement une certaine information dynamique. Des études récentes ont porté sur l’extravasation (c.-à-d. le mouvement des cellules de la circulation dans un tissu, comme la barrière hémato-encéphalique) dans un environnement 3D14,15. La distance d’extravasation dans les tissus et le comportement de sondage qui se produit à la barrière cellulaire / membrane est plus raffiné que les mesures glanées à l’aide de la chambre Boyden ou un dispositif de migration microfluidique 2D16. Ainsi, les dispositifs qui permettent l’imagerie et l’analyse appropriées de l’extravasation 3D sont essentiels pour capturer ces mesures sophistiquées, mais manquent dans la littérature.

Indépendamment des tests de migration, des techniques d’imagerie robustes ont été développées pour l’imagerie par résonance magnétique (IRM) et la tomographie qui sont capables d’identifier et de reconstruire avec précision les tissus dans l’espace 3D17,18. Ces techniques acquièrent des images dans des piles z et segmentent des parties de l’image en fonction des propriétés du tissu, puis convertissent les images segmentées en mailles tridimensionnelles19,20,21. Cela permet aux médecins de visualiser en 3D des organes individuels, des os et des vaisseaux pour aider à la planification chirurgicale ou aider au diagnostic du cancer ou des maladies cardiaques22,23. Ici, nous montrerons que ces approches peuvent être adaptées pour être utilisées sur des spécimens microscopiques et des dispositifs d’extravasation 3D.

À cette fin, nous avons développé la technique de tomographie confocale innovante, présentée ici, qui offre la flexibilité pour étudier l’extravasation des cellules tumorales à travers une membrane en adaptant les outils de tomographie existants. Cette approche permet l’étude de toute la gamme des comportements des cellules cancéreuses comme ils interagissent avec une barrière cellulaire, comme une couche de cellules endothéliales. Les cellules cancéreuses présentent des comportements de sondage; certains peuvent envahir mais rester près de la membrane, tandis que d’autres traversent facilement la barrière. Cette technique est capable de produire des informations sur le phénotype de la cellule dans toutes les dimensions24. L’utilisation de cette approche pour étudier le TME est à la fois relativement peu coûteuse, facile à interpréter et reproductible, par rapport à des modèles murins in vivo plus complexes. La méthodologie présentée devrait fournir une base solide pour l’étude de nombreux types de tumeurs et de micro-environnements en adaptant la région stromale.

Nous décrivons et démontrons l’utilisation d’une plate-forme de niche du cerveau du sang microfluidique 3D (μmBBN)(figure 1)où des éléments critiques de la barrière et de la niche (cellules endothéliales microvasculaires du cerveau et astrocytes) peuvent être cultivés pendant une période prolongée (environ jusqu’à 9 jours), par une microscopie confocale et les images reconstruites à l’aide de notre technique de tomographie confocale (Figure 2); tous visaient à comprendre le développement de la micro-métastase et des changements au micro-environnement tumoral d’une manière répétable et quantitative. L’interface de barrière hémato-encéphalique avec la niche de cerveau est composée des cellules endothéliales microvasculaires de cerveau qui sont renforcées par la membrane de sous-sol, les pieds d’astrocyte, et les péricytes25. Nous nous sommes concentrés sélectivement sur les composants astrocytes et endothéliales étant donné leur importance dans la formation et la régulation de la barrière hémato-encéphalique. Nous démontrons comment fabriquer, semer, image, et analyser les cellules cancéreuses et les composants cellulaires et humoristiques de micro-environnement de tumeur, utilisant cette plate-forme. Enfin, nous montrons comment l’apprentissage automatique peut être utilisé pour identifier les différences phénotypiques intrinsèques des cellules cancéreuses qui sont capables de transiter par un modèle μmBBN et de leur attribuer un indice objectif du potentiel métastatique du cerveau24. Les ensembles de données générés par cette méthode peuvent être utilisés pour répondre à des questions de base et translationnelles sur les métastases, les stratégies thérapeutiques et le rôle du TME dans les deux.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Préparer le moule de niche de barrière de cerveau de sang

NOTE : Le dispositif de culture utilisé dans cette plate-forme est un échafaudage basé sur pdms que nous construisons une niche de barrière de cerveau de sang cellulaire sur. Il est fait de deux parties séparées par une membrane poreuse. Pour préparer la niche barrière hémato-encéphalique deux moules SU-8 fabriqués à l’aide de la photolithographie sont nécessaires26,27. Le protocole sera décrit pour le moule de 100 μm d’épaisseur d’abord, puis des notes seront données pour le moule de 200 μm d’épaisseur.

  1. Pour préparer le moule, nettoyez une plaquette de silicium de 4 po à l’aide d’acétone avec une bouteille de compression, puis séchez-la avec un pistolet à azote.
    1. Cuire la plaquette de silicium sur une plaque chauffante pendant 10 min à 200 °C pour enlever tout solvant résiduel.
    2. À son tour centre la plaquette de silicium sur le mandrin d’un coacker de spin et distribuent 1 mL de SU8-2075 pour le moule supérieur. Tournez pendant 5 s à 500 tr/min (accélération 300 tr/min/s) pour disperser le photorésiste, puis 30 s à 2200 tr/min (accélération 300 tr/min/s) pour obtenir un revêtement SU-8 de 100 μm d’épaisseur. L’optimisation peut être nécessaire pour atteindre l’épaisseur spécifiée.
  2. Cuire la gaufrette à doux sur une plaque chauffante à 65 °C pendant 2 min, puis immédiatement à 98 °C pendant 20 min.
  3. Placez la plaquette dans une lampe de photolithographie et placez le masque centré sur la plaquette selon les procédures standard. Exposer les plaquettes enduites SU-8 d’un éclat de 230 mJ/cm2 d’UVB (360 nm ± 10 nm). Une expérience de matrice d’exposition peut être effectuée pour déterminer le dosage optimal. Les conceptions de masques sont disponibles dans le fichier supplémentaire 1.
  4. Effectuer une cuisson post-exposition à 65 °C pendant 2 min, puis immédiatement à 98 °C pendant 10 min pour améliorer l’adhérence. Refroidir la gaufrette à 50 °C.
  5. Retirez la résistance non exposée à l’aide du photo-développeur SU-8. Rincez la plaquette dans le développeur pendant 5 min dans un bain, puis utilisez une bouteille de pulvérisation remplie de développeur SU-8 dans une hotte chimique pour agiter et enlever le reste non réparé SU-8. Un microscope 4x peut être utilisé pour observer si tous les SU-8 non réparés ont été enlevés. Une ligne blanche sur les bords des fonctions photorésistes indique que le SU-8 n’a pas été complètement enlevé.
  6. Effectuer une dernière cuisson dure dans un four à 110 °C pendant 60 min.
  7. Suivez la même procédure pour le moule de 200 μm d’épaisseur à l’aide de SU-8 2075, mais ajustez le protocole à ce qui suit :
    1. Réglages du revêtement de rotation : Tournez pendant 5 s à 500 tr/min (accélération 300 tr/min/s) pour disperser le photorésiste, puis 30 s à 1300 tr/min (accélération 300 tr/min/s) pour obtenir un revêtement de 200 μm d’épaisseur.
    2. Cuire au four à 65 °C pendant 2 min puis à 98 °C pendant 40 min.
    3. Temps d’exposition de 340 mJ/cm2.
    4. Cuisson après exposition : 2 min à 65 °C, puis 98 °C pendant 15 min.
  8. Enfin, silaniser chaque plaquette en les plaçant dans une chambre à vide à l’intérieur d’une hotte chimique avec un récipient en plastique dans lequel 3 gouttes (~150 μL) de solution silanisante (Trichloro perfluoro octyl silane) ont été placés. Tirez un vide et laissez-le toute la nuit pour permettre à la vapeur d’enrober la gaufrette. Cette étape réduit l’adhérence entre le SU-8 et le PDMS, augmentant ainsi la durée de vie du moule.
    ATTENTION : Le silane de trichloro perfluoroptyl doit toujours être manipulé dans le capot de fumée et tenu à l’écart des sources d’eau.
  9. Placez les moules à gaufrettes individuels dans des boîtes de Pétri de 150 mm à l’aide de deux bandes de ruban adhésif à double face. Assurez-vous que les gaufrettes sont plates. Une alternative consiste à fabriquer un moule en aluminium dans lequel la plaquette peut être placée. Parce que le moule en aluminium est enfermé, il produira des moulages avec une épaisseur uniforme, tandis que la méthode de la boîte de Pétri est sensible à l’inclinaison de la surface est-il placé sur. L’amélioration de la planéité des moulages PDMS réduit le temps d’imagerie confocale en aval.

2. Former et assembler le dispositif de barrière hémato-encéphalique (BBB) de PDMS

  1. Mélanger 75 g de PDMS à un rapport de 1:10 (Crosslinker:Base) en poids dans une tasse en plastique.
  2. Verser le PDMS sur les moules (1 mm d’épaisseur pour le moule de 200 μm d’épaisseur et 4 mm pour le moule de 100 μm d’épaisseur) et les dégazages dans un desiccateur sous vide pendant une heure ou jusqu’à ce que toutes les bulles aient été enlevées. Placer dans un four à 65 °C pendant la nuit. L’épaisseur de 1 mm peut être ajustée en fonction de la distance de travail de l’objectif 10x dans le microscope confocal.
  3. Après que le PDMS ait guéri utiliser une lame pour couper doucement contre la plaquette à travers le PDMS autour des bords. Peler le PDMS et utiliser une lame pour couper le long des guides rectangulaires et un poinçon de biopsie de 1,5 mm pour ouvrir les entrées et les prises de l’appareil. Couvrez les pièces de l’appareil PDMS d’un ruban d’emballage de 48 mm de large pour le garder propre à partir de la poussière et des débris.
  4. Ensuite, utilisez des ciseaux de dissection pour couper un rectangle de 5 mm x 50 mm de membrane en polycarbonate avec 5 pores μm et le stocker à l’intérieur d’une boîte de Pétri pour une utilisation ultérieure.
  5. Rassemblez ce qui suit : 200 μL de pipette, 2 mL de 1:10 PDMS mélangés avec du toluène à un rapport de 2:3 en poids dans un flacon en verre, une pipette Pasteur avec une ampoule de compression, les parties supérieures et inférieures préparées pdms, la membrane, trois glissières en verre de 50 mm x 75 mm et le transportant tous à un coaster. Les étapes suivantes pour l’assemblage et l’ensemencement cellulaire de l’appareil sont représentées à la figure 1.
  6. Utilisez la pipette Pasteur pour transférer 1 mL de solution de colle PDMS:toluène dans une lame en verre de 50 mm x 75 mm sur le mandrin du tatelier. Tournez pendant 5 secondes à 100 tr/min (accélération 300 tr/min/s) et 30 secondes à 2000 tr/min (accélération 300 tr/min/s).
  7. Placez la diapositive sur une table et couvrez-la d’une chambre haute PDMS et d’une chambre inférieure de sorte que les faces de PDMS avec des dispositifs moulés en elle entrent en contact avec la glissière et la colle est transférée sur le visage de PDMS, décrivant le périmètre de toutes les caractéristiques.
  8. Retournez la chambre haute pdms sur une autre glissière avec le revêtement de colle orienté vers le haut et placez soigneusement la membrane à travers l’appareil entre les entrées et les sorties. Placez la pointe de 200 μL dans la solution de colle PDMS:toluène jusqu’à ce qu’elle en ait quelques-uns dans la pointe. Touchez la pointe entre chaque entrée et chaque exutoire pour placer une petite goutte près du bord de la membrane où elle entre en contact avec le PDMS.
  9. Retirez l’autre moitié de l’appareil et placez-le avec le revêtement de colle vers le bas tout en alignant les entrées et les sorties sur les deux parties.
  10. Placez l’appareil assemblé dans un four à 37 °C pendant la nuit pour guérir la colle. Transférer dans un bocal à cloches à vide avec dessicant et laisser se déshydrater pendant deux jours. Il s’agit d’une étape cruciale pour permettre au Toluène de s’évaporer et d’améliorer la cohérence de l’ensemencement de l’appareil en régulant la vapeur d’eau absorbée dans l’air de laboratoire.

3. Semer le micro-environnement du cerveau dans l’appareil

  1. Culture cellulaire et réactifs : Avant de commencer ce protocole, obtenez les réactifs et les cellules suivants. Cultiver toutes les lignées cellulaires dans un incubateur fixé à 37 °C en 5% CO2.
    1. Maintenir la lignée de cellules cancéreuses du sein humaines triple-négatives MDA-MB-231 (ATCC HTB-26) et MDA-MB-231-BR-GFP cellules (obtenue de Patricia Steeg, PhD) dans DMEM avec 4,5 g/L glucose, complétée par 2 mM L-glutamine, 10% FBS et 1x antibiotique-antimycotique. Créez des cellules fluorescentes MDA-MB-231-GFP en transducant la cellule MDA-MB-231 avec le lentivirus vectoriel vide pLL-EV-GFP. Trier la population transduite GFP+ à l’aide du tri cellulaire activé par fluorescence (FACS) avant l’expérimentation.
    2. Maintenir les cellules endothéliales microvasculaires du cerveau humain hCMEC/D3 dans le milieu EGM-2. Créez des cellules fluorescentes hCMEC/D3-DsRed en transducant hCMEC/D3 avec le lentivirus vectoriel vide pLL-3.7-dsRed. Retirez toutes les cellules non transduquées et non fluorescentes de la culture à l’aide de FACS avant utilisation expérimentale.
    3. Maintenir les astrocytes humains normaux (NHA) dans DMEM complété avec 4,5 g/L de glucose, 10% FBS, 2 mM Glutamax, 1 mM pyruvate de sodium, 1x Supplément de croissance N-2, et 1x antibiotique-antimycotique. Immortaliser les astrocytes en transducant le vecteur lentiviral pLOX-TERT-iresTK (Addgene 12245). Créez le vecteur à l’aide de plasmid psPAX2 et plasmide d’enveloppe pMD2.G (Addgene 12260 et 12259).
  2. Retirez un dispositif μmBBN du désiccateur à vide et placez-le sur une surface métallique ou papier (c.-à-d. du ruban adhésif) avec les entrées orientées vers le bas et placez-le dans une chambre à plasma. Placez également une lame de verre de 50 mm x 75 mm dans la chambre à plasma. Tirez un vide, puis traiter avec du plasma à 80 W pour 30 s.
  3. Retirez rapidement la glissière en verre et l’appareil de la chambre à plasma et placez l’appareil avec les entrées orientées vers le haut sur la glissière en verre alignée à l’aided’unguide ( Fichier supplémentaire 2 ). Cela créera un lien permanent entre le PDMS et la glissière en verre et ne peut pas être repositionné.
  4. Coupez ensuite les extrémités de 16, 200 bouts de pipette de μL, à 2 mm de la pointe. Insérez les pointes de pipette dans toutes les entrées et les prises. L’appareil peut être remis dans le désiccateur sous vide à ce stade s’il n’est pas prêt à semer les cellules.
  5. Remettre l’appareil dans la chambre à plasma et traiter avec du plasma pendant 8 min à 200 W. Une fois que l’appareil a refroidi (5 min) du traitement au plasma, placez-le à l’intérieur d’un récipient secondaire stérile, comme une boîte transparente de pointe de pipette. Effectuer l’étape suivante dans ~15 min ou l’efficacité du traitement plasmatique peut être réduite conduisant à l’engorgement.
  6. Plusieurs jours avant la culture d’expérience Petri plats de 1 x10 6 cellules endothéliales (hCMEC/D3-DsRed) et 1 x 106 astrocytes (NHA). Pendant que l’appareil subit le traitement plasmatique de 8 min, préparez une solution de collagène composée de 0,5 mL de collagène bovin de type I de type 3 mg/mL PureCol avec 64 μL de 0,8 M NaHCO3 et 20 μL de 10x de glucose élevé (250 mM) MEM. Suspendre 5,0 x 105 cellules NHA dans la solution de collagène. Maintenir la solution sur la glace pendant qu’elle n’est pas utilisée.
  7. Transférer 120 μL de la solution collagène/astrocyte/microglie dans l’appareil par la pointe de la pipette pour la chambre inférieure (figure 1 Flèches rouges). Laisser la solution traverser la chambre dans la pointe opposée de la pipette. Après les quatre canaux de l’appareil ont été remplis placent la puce dans l’incubateur de CO2 à 37 °C et 5% de CO2 pendant 1 h ou jusqu’à ce que le collagène a réglé.
  8. Après les ensembles de collagène, remplissez tous les bouts de pipette alimentant la chambre inférieure avec un mélange de support complet. Pour les copeaux contenant des cellules endothéliales et des astrocytes, un mélange de 50:50 de l’endothélial:astrocytes media est utilisé.
  9. Enrober la chambre supérieure d’un facteur de croissance réduit de 2 % de Matrigel dans un support endothélial complet à l’aide de la pointe de la pipette de la chambre supérieure(figure 1 flèches bleues)et placer dans l’incubateur pendant 1 h.
  10. Rincer la chambre supérieure avec le mélange de support indiqué et alterner la pointe ensemencée de cellules endothéliales (figure 1 Flèches vertes). Suspendre 1 x 106 cellules endothéliales dans 1 mL de milieux endothéliales et les graines 30 μL toutes les 15 minutes en alternance conseils chambre supérieure pour une couverture uniforme. Semer les cellules endothéliales dans chaque extrémité de chambre supérieure deux fois, pour un total de 4 fois par chambre.
  11. Après l’ensemencement final des cellules endothéliales, remplissez tous les conseils avec le mélange de médias et placez l’appareil dans l’incubateur à 37 °C et 5% de CO2, changeant de support dans les deux chambres tous les 12 h.

4. Surveiller la progression de la formation de couche endothéliale

  1. La couverture complète du canal par la couche endothéliale est observée après 3 jours. Utilisez l’une des deux méthodes pour surveiller la couverture de la barrière endothéliale : fluorescence ou TEER. la fluorescence hCMEC/D3-DsRed et la couverture en % à travers la zone du canal peuvent être quantifiées à l’aide d’ImageJ.
    1. Ouvrez le fichier TIFF dans ImageJ représentant de la barrière hCMEC/D3-DsRed. Dans le logiciel ImageJ, cliquez sur Fichier > Ouvrir pour sélectionner le fichier.
    2. Fusionnez toutes les couches Z de l’image en utilisant l’intensité maximale suivant ces commandes et options clés : Image > Piles > Projet Z > Toutes les tranches Z, Intensité maximale.
    3. Effectuez un seuil de couleur qui est le même dans toutes les puces microfluidiques évaluées à l’aide de cette méthode. Pour l’étude présentée, nous avons utilisé un seuil de 450. Utilisez le menu seuil dans ImageJ à l’adresse suivante : Image > Ajuster > Seuil.
    4. Définissez les mesures à enregistrer à l’aide des commandes et options suivantes : Analyser > Définir les mesures > Limiter au seuil, Fraction de zone.
    5. Sélectionnez une région représentative du canal microfluidique à mesurer en dessinant une boîte. L’outil de boîte est situé sur le menu principal d’ImageJ. Mesurez 3 répliques techniques positionnées au début, au milieu et à l’extrémité de chaque canal microfluidique à l’aide de la même taille de boîte.
    6. Analyser chaque canal et enregistrer la fraction de zone, représentant la couverture endothéliale en %. Exporter ces mesures sous forme de fichiers de feuilles de calcul pour tracer et visualiser les données à l’aide des commandes suivantes : Analyser > Mesurer.
  2. Comme alternative, utilisez teer à base de spectroscopie impédante pour mesurer les jonctions étanches endothéliales par zone. La quantification de la barrière endothéliale à l’aide de TEER est un indicateur de l’intégrité de la couche endothéliale en tant que barrière.
    1. Placer deux électrodes dans l’entrée et la sortie des chambres supérieures et inférieures.
    2. Quantifier l’impédance du monocouche endothélial comme une combinaison des résistances, des inductances et des capacités dans la puce selon un modèle proposé par Srinivasan et al.28,29.

5. Semences de cellules cancéreuses dans l’appareil

  1. Après la couche endothéliale a mûri, les cellules cancéreuses de semence dans l’appareil. Préparer une solution de 1 mL de 1 x 106 cellules cancéreuses dans des cellules cancéreuses complètes.
  2. Échangez les supports dans la puce pour reconstituer les nutriments de la culture cellulaire.
  3. Ensemencez chaque canal de chambre supérieure avec 30 μL de cellules cancéreuses en suspension, puis placez l’appareil dans l’incubateur pendant 15 min. Ensemencez toujours les cellules cancéreuses du même côté des quatre canaux de chambre supérieure au sein d’un seul appareil.
  4. Échangez l’appareil avec de nouveaux supports et remplissez les conseils toutes les 12 heures jusqu’à ce que l’appareil soit photographié pour un comportement métastatique.

6. Image du micro-environnement tumoral par imagerie confocale

  1. Au temps expérimental souhaité (1, 2 ou 9 jours), utilisez l’imagerie confocale pour capturer une image 3D du canal. Nous effectuons cette étape sur un Nikon A1 en utilisant les paramètres décrits ici. Cette étape est automatisée, et chaque canal nécessite 20-40 min à l’image en fonction du nombre de canaux fluorescents sont inclus et la profondeur Z nécessaire pour couvrir les positions de toutes les cellules.
  2. Allumez le microscope, ouvrez le logiciel et placez le couvercle de l’incubateur sur le microscope.
  3. Réglez le chauffe-scène au microscope à 37 °C et au CO2 à 5 % si disponible.
  4. Une fois que l’incubateur de microscope s’est stabilisé, placez l’appareil au stade du microscope à l’aide de la monture de 50 mm x 75 mm.
  5. Concentrez-vous sur un côté de l’appareil (à gauche s’il doit être utilisé avec le logiciel d’analyse fourni) avec un objectif de 10x et définissez la hauteur Z comme zéro. Sous les paramètres de la pile z, inclure une plage de 100 μm au-dessus et de 200 μm en dessous du plan de mise au point. Utilisez ensuite le paramètre de couture pour définir le nombre de champs X et Y à 1 et 9 respectivement avec 15% de chevauchement. Placez le trou d’épingle à son minimum recommandé et la hauteur de la couche z à 9 μm. Réglez l’exposition du champ lumineux de sorte que la membrane poreuse soit visible. Allumez les lasers dsRed (561 nm) et GFP (488 nm) et réglez les puissances et les coupures laser fluorescentes afin que chaque canal soit visible sans surexposer les pixels.
  6. Vérifiez que tous les champs sont mis au point lorsqu’ils sont dépassés. Si c’est le cas, entrez un nom de fichier de sortie (001.nd2) pour l’image et démarrez l’expérience pour capturer automatiquement l’image confocale 3D.

7. Mesurer le micro-environnement tumoral par tomographie confocale

  1. Utilisez la tomographie confocale une approche pour estimer un ensemble de mesures et de mesures qui décrivent les cellules individuelles et le micro-environnement tumoral dans l’appareil. L’analyse tomographique confocale (figure 2) convertit une pile confocale en z-stack en une représentation tridimensionnelle des cellules. À l’aide d’un script python personnalisé dans l’environnement de bloc-notes/laboratoire Jupyter, un plan est ensuite apparié à la couche de cellules qui forment la barrière hémato-encéphalique comme la membrane30. Enfin, effectuer des mesures phénotypiques des populations de cellules cancéreuses (Tableau 1).
    1. Effectuez cette analyse à la fin d’une expérience ou sur un cours de temps. Installez python et les bibliothèques appropriées selon le guide logiciel référencé, puis ouvrez le logiciel à partir de Windows Command Prompt en exécutant la commande « conda activate », suivie par « laboratoire jupyter ». L’environnement Jupyter se charge dans le navigateur par défaut.
    2. De l’explorateur de fichiers Jupyter double cliquez sur le bloc-notes Jupyter « contom.ipynb » pour l’ouvrir. Exécutez la cellule sous le titre Importer des bibliothèques, des classes/fonctions personnalisées et configurer le bloc-notes en cliquant sur la cellule du bloc-notes, puis en cliquant sur le bouton lecture. Toutes les cellules de bloc-notes ci-dessous sont exécutées à l’aide de la même approche. Notez qu’ici le bloc-notes « ill » fait référence à un bloc de code python dans le bloc-notes Jupyter.
  2. Préparer les données. Cet algorithme utilise la boîte à outils de visualisation (VTK) pour manipuler et afficher les données z-stack et tridimensionnelles17.
    1. Placez le fourni . Fichier XLSX (« Experiment Tracker.xlsx ») dans le même dossier Windows que le bloc-notes Jupyter. Le fichier suit les expériences et les interfaces avec le bloc-notes Jupyter. Placez le fichier ND2 de la section 6 dans un sous-dossier appelé « \Experiment_XXX\Confocal\ » sous l’emplacement du bloc-notes Jupyter. Des dossiers d’expérience supplémentaires peuvent être ajoutés à l’intérieur en ajustant le « XXX » à l’ID numérique affecté à de nouveaux dossiers.
    2. Étiquetez le premier dossier d’expérience « Experiment_001 » et le fichier ND2 « 001.nd2 ». Tout d’abord, convertissez le fichier d’imagerie ND2 en un fichier TIFF multi-image cousu séparé par canal couleur. Pour ce faire, exécutez la cellule de bloc-notes sous le titre « Lire la pile confocale z dans la mémoire » avec la fonction Save_tiff_from_ND2 () non déclarée30. Le fichier ND2 est un format d’imagerie propriétaire de Nikon, il est donc nécessaire de le convertir à un format que le logiciel open source est compatible avec.
      REMARQUE : Le TIFF (Tag Image File Format) est utilisé parce qu’il est omniprésent, compatible 16 bits, facilement importé dans VTK, et plusieurs images peuvent être stockées dans un seul fichier, ce qui est approprié pour les images de la pile z. L’exécution de la cellule de bloc-notes se lit dans une image du fichier ND2, extrait des informations de la couleur et des positions XYZ, puis stocker cette image dans un tableau numpy selon une structure prédéterminée. Il enregistrera ensuite le tableau en tant que fichier TIFF à l’aide du tifffile de la bibliothèque python.
  3. Convertir les données d’imagerie en modèle 3D
    1. Importer le fichier TIFF dans VTK (vtkTIFFReader) à l’aide d’un rendu 3D pour visualiser les cellules (Figure 2). Sélectionnez un seuil en fonction de la couleur des cellules de l’image. Pour clarifier, l’objet VTK représente un bloc de pixels (X, Y, Z) dans l’espace (volume) mais seuls certains pixels (vert ou rouge) représentent les cellules, le reste est de fond ou de bruit (noir).
    2. Par conséquent, définissez un filtre d’opacité sur le volume qui enlève l’arrière-plan confirment que ce qui reste de fluorescence n’est que les cellules. Faites-le à l’aide de la cellule de bloc-notes Jupyter intitulée, Modifier les valeurs d’opacité pour chaque canal de microscope en ajustant les variables de valeur Channel_alpha (c.-à-d. GFP_alpha). Visualisez l’effet à l’aide de la cellule de bloc-notes intitulée Afficher un rendu 3D pour vérifier que le seuil est défini correctement.
    3. Enregistrez les valeurs d’opacité dans la feuille de calcul à utiliser à l’étape suivante. Convertir les données de volume en objets 3D individuels, chacun représentant une cellule dans l’image à l’aide d’une technique appelée cubes de marche31. Cet algorithme extrait un maillage polygonal d’une isosurface à partir de champs scalaires discrets tridimensionnels de voxels.
    4. Utilisez la valeur d’opacité dans l’algorithme des cubes de marche pour séparer chaque cellule de l’arrière-plan. Effectuez cette étape pour toutes les cellules fluorescentes identifiées dans chaque canal de microscope en exécutant Convertir l’image voxel en un maillage triangulaire et enregistrer comme un fichier VTK dans le bloc-notes.
  4. Montage d’un plan à la membrane
    1. Placez un plan à la barrière endothéliale en localisant d’abord les centroïdes cellulaires (cellule de bloc-notes : Analyser le canal RFP (barrière endothéliale)). Itérer à travers les mailles de liste dans le volume et extraire les régions qui ne sont pas connectés à l’aide d’un PolyDataConnectivityFilter de VTK. Calculer le centroïde de chaque maille et ajouter la mesure à une liste de centroïdes filtrant pour les mailles trop grandes ou trop petites (<50, >1000000 voxels).
    2. Placez un plan à la liste des centroïdes pour les cellules endothéliales à l’aide d’une méthode de minimisation de l’erreur (cellule de bloc-notes : Adapter un plan aux centroïdes de la DP (barrière endothéliale)) ( Figure2, Figure 3)32. Inspectez l’ajustement du plan en traçant le plan et les centroïdes et ajustez manuellement si nécessaire (en utilisant theta, beta et z) en exécutant la cellule de bloc-notes intitulée Visualize RFP centroids et plan fit.
    3. Une fois que l’avion est correctement installé, enregistrez la normale de l’avion dans le fichier Experiment Tracker . fichier XLSX pour une utilisation future.
  5. Analyser les caractéristiques descriptives des cellules cancéreuses individuelles pour les descripteurs suivants (Tableau 1).
    REMARQUE : Si l’ordinateur qui effectue l’analyse est à la traîne, l’analyse à haut débit via l’informatique haute performance est une option. Cet algorithme est utile sur les ordinateurs portables standard pour l’analyse d’un petit nombre de cellules, mais VTK n’est pas bien adapté à un grand nombre d’objets individuels (>1000). Par conséquent, il est facultatif d’utiliser l’algorithme adapté pour fonctionner sur un cluster informatique haute performance. Cela permet une analyse rapide des expériences avec de nombreuses cellules (Figure 2). Tout 7.5 est accompli en exécutant les cellules de bloc-notes intitulé Analyser les canaux de microscope restants pour les descripteurs phénotypiques et Lire dans les Experiment_tracker informations et d’analyser les canaux qui existent.
    1. Mesurer l’extravasation des cellules cancéreuses : Après avoir caractérisé la couche endothéliale avec un plan, mesurez le volume de chaque cellule cancéreuse qui a migré à travers la membrane. Couper chaque cellule (booléenne) de sorte que la maille sous la membrane soit conservée et que la partie au-dessus de la membrane soit enlevée33. Fermez ensuite le maillage ouvert (vtkFillHoles).
      1. Recalculer le centroïde normal et le nouveau de la maille coupée. Mesurer le volume et la position de chaque cellule cancéreuse coupée pour analyse. Le volume est équivalent au nombre de voxels que le maillage remplit de chaque cellule. Calculer la distance entre le plan endothélial et la position de chaque cellule cancéreuse.
    2. Mesurer le phénotype cellulaire : Calculer la morphologie de chaque cellule cancéreuse en tenant compte de sa forme, de son volume et de sa position.
  6. Validez les mesures et enregistrez-les dans une feuille de calcul ou une parcelle de calcul. Exécutez la cellule de bloc-notes intitulée Vérifier que les centroïdes ont été mesurés avec précision et un rendu apparaîtra montrant les centroïdes identifiés au-dessus du volume imaged par type de cellule. Une fois toutes les expériences effectuées, exportez l’ensemble de données complet en tant que fichier de feuille de calcul unique en tapant les expériences à inclure par ID dans la cellule de bloc-notes intitulée Exporter les données en tant que fichier de données unique.XLSX pour les expériences de variables remplaçant les ID d’expérience donnés. Si vous vérifiez le jeu de données terminé, tracez-le à l’aide de la cellule de bloc-notes intitulée Tracez extravasated strip plot. L’intrigue apparaîtra dans l’environnement du bloc-notes et enregistrera dans le fichier.

8. Analyser les caractéristiques connexes à l’aide de l’intelligence artificielle

REMARQUE : Identifiez les caractéristiques phénotypiques métastatiques à l’aide d’algorithmes d’intelligence artificielle.

  1. Effectuer la classification binaire à l’aide d’Orange selon le schéma indiqué à la figure 5 et au fichier supplémentaire 3. Démarrez Orange à partir d’une deuxième invite de commandes Windows en tapant « conda activate » suivi de « python-m Orange.canvas » et cliquez sur Nouveau de l’invite. Orange est un logiciel basé sur la traînée et la chute, alors arrangez les fonctions en faisant glisser chaque élément du menu gauche sur la toile pour correspondre au fichier supplémentaire 3. Une fois terminé, double cliquez sur l’icône Fichier et sélectionnez le fichier .XLSX données.
  2. Filtrer les données pour supprimer les mauvaises mesures, définies comme celles qui ont échoué à une opération booléenne ou donnant des valeurs variables paramétriques en dehors des limites connues à l’aide de l’icône « Sélectionner des lignes ». Double-cliquez sur l’icône et définissez des conditions qui correspondent au filtre telles que « La sphéricité se situe entre 0 et 1 ». Créer les conditions pour les 8.2.1, 8.2.2 et 8.2.3.
    1. Les mesures de distance de filtre s’étendent de -100-200 μm.
    2. Filtrer les mesures de sphéricité de la forme cellulaire à varier de 0-1.
    3. Les mesures du volume des cellules cancéreuses filtrent pour varier de 0 à 2000 voxels.
    4. Utilisez toutes les variables paramétriques (tableau 1) pour classer le MDA-MB-231-BR-GFP et le MDA-MB-231-GFP métastatique non cérébral. Double-cliquez sur l’icône Sélectionner des colonnes dans la toile. Utilisation du bouton > pour déplacer les variables disponibles dans les fonctionnalités, les variables ciblesou les attributs Meta. La seule variable qui doit être une variable cible est une étiquette métastatique qui définit si les cellules de l’ensemble de données sont considérées comme métastatiques (1) ou non (0). Les variables d’expérience peuvent être placées dans la section Meta Attributes.
  3. Échantillonner les données dans une formation (80 %) et l’ensemble d’essais (20 %). Doublez l’icône Échantillonneur de données et sélectionnez un type d’échantillonnage de la proportion de données fixes : défini à 80 % et activez les cases à cocher reproductibles et stratifis. Stratifier et recouper l’ensemble de formation à l’aide de 10 plis par rapport à chaque modèle/classificateur. Double-cliquez sur Test & Score et sélectionnez Validation croisée avec Nombre de plis : défini sur 10 et stratifié vérifié. Définissez la classe cible sur 1.
  4. Dans cette méthode, utilisez les réseaux neuronaux et les algorithmes d’apprentissage random forest car ils sont robustes aux données. Dans l’icône Forêt aléatoire, choisissez le nombre d’arbres à 50 et ne sélectionnez aucune autre option. Dans l’icône réseau neuronal, choisissez Neurones par laye cachér : 100, Activation : ReLu, Solver : Adam, Alpha : 0,0001, et Itérations Max : 200. Toutefois, ces paramètres varient considérablement selon les études et devraient être bien compris avant l’application.
  5. Après avoir mis en place la toile, double cliquez sur chaque icône du fichier à l’exemple de données, puis sur Appliquer ou envoyer des données. Double clic Test & Score et les données de formation commenceront à être utilisées pour développer un modèle à l’aide des algorithmes. Après la formation du modèle d’apprentissage automatique, ré-ouvrir Test & Score et sélectionner Test sur les données de test et fermer la fenêtre popup pour marquer les performances du modèle en classant les cellules dans la puce en fonction de la probabilité qu’ils sont métastatiques du cerveau de 0 à 1.
  6. Enregistrer les performances du modèle d’apprentissage automatique dans un fichier (Tableau 2). Inclure la zone sous la courbe (AUC) du ROC, la précision et le score de la F1. Enregistrez un deuxième fichier qui contient les indices métastatiques individuels et les probabilités de classification. Doublez l’icône Enregistrer et cliquez sur Enregistrer comme pour écrire pour classer les probabilités de classification. De même, la courbe ROC peut être visualisée en cliquant deux fois sur l’icône ROC Analysis et les performances du modèle peuvent être calculées en cliquant deux fois sur l’icône Confusion Matrix.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

En utilisant cette technique, nous avons analysé les types de cellules étiquetés avec différentes protéines fluorescentes ou colorants. Nous démontrons l’utilisation de cette approche avec une puce μmBBN formulée avec des astrocytes hCMEC/D3-DsRed et non fluorescents. Les cellules endothéliales microvasculaires du cerveau ont été ensemencées sur une membrane poreuse (5 pores gravés de voie de μm) et placées dans un incubateur34 à 37 °C sous 5% de CO2. Après trois jours, la confluence de la couche endothéliale a été confirmée par microscopie, puis les cellules cancéreuses ont été placées sur le dessus de la couche endothéliale. Deux lignées cellulaires du cancer du sein, un clone à la recherche du cerveau appelé MDA-MB-231-BR-GFP, et les cellules parentales MDA-MB-231-GFP ont été entrées dans la puce μmBBN contenant une niche astrocytique du cerveau35,36,37,38,39,40,41. Les puces μmBBN ont été imaged à 1, 2, et 9-Jours à l’aide d’un microscope confocal avec 3 canaux (dsRed, GFP et Brightfield) en utilisant un objectif 10x, avec Z-tranches tous les 9 μm et 1x9 XY coutures pour couvrir toute la zone de la membrane. Ce microscope a maintenu une température de 37 °C pendant le processus d’imagerie afin de minimiser le stress sur les cellules.

Une image représentative d’une puce μmBBN complète (Figure 3A) et d’une couverture endothéliale (figure 3B-D) est indiquée. Les barrières endothéliales à couverture élevée et faible sont quantifiées pour déterminer que les copeaux de μmBBN conviennent à l’ajout de cellules cancéreuses (figure 3B). Des images représentatives d’une puce μmBBN avec une barrière endothéliale confluente qui est acceptable pour l’expérimentation (Figure 3C) et une puce μmBBN avec une couverture endothéliale particulièrement pauvre qui ne convient pas à l’ajout de cellules cancéreuses sont fournies (Figure 3D). La culture à long terme des cellules endothéliales peut entraîner une couverture qui s’étend au-delà de la membrane séparant les chambres à copeaux μmBBN supérieures et inférieures. Les cellules endothéliales se développent souvent à la fois sur et directement sous la membrane, ce qui n’affecte pas le mouvement des cellules cancéreuses dans l’espace de niche du cerveau, mais peut rendre l’ajustement de l’avion difficile. En raison de la variabilité de la fabrication des puces μmBBN et de la couverture endothéliale de la membrane, les plans représentatifs s’adaptent à une barrière endothéliale plate normale (figure 3E),et une membrane courbe atypique est affichée pour référence (figure 3F). Le séchage de l’appareil dans un four à une température supérieure à 40 °C peut provoquer une membrane courbe comme indiqué.

Nous avons observé des différences phénotypiques de la lignée cellulaire MDA-MB-231-BR-GFP et parentale MDA-MB-231-GFP lors de la rencontre de μmBBN astrocytique qui ont été quantifiées à l’aide de l’analyse tomographique confocale développée. Les 4 descripteurs phénotypiques utilisés pour l’entrée dans l’algorithme d’apprentissage automatique (tableau 1) sont affichés à la figure 4.

La distance extravasée représente la distance en μm entre la barrière endothéliale et chaque position de cellule cancéreuse dans la puce μmBBN (figure 4A). La barrière endothéliale est située à 0 μm. Distances <0 μm représentent les cellules cancéreuses qui sont restées dans la chambre d’écoulement. Distances >0 μm indiquent les cellules cancéreuses qui ont extravasé par la barrière endothéliale et sont entrés dans l’espace de niche du cerveau. Après 1 jour d’exposition au μmBBN, MDA-MB-231-BR-GFP et MDA-MB-231-GFP ont été placés à l’intérieur de la barrière endothéliale. Cependant, après 2 et 9 jours d’interaction, un sous-ensemble des cellules MDA-MB-231-BR-GFP a migré >100 μm dans la niche astrocytique du cerveau, tandis que les cellules parentales MDA-MB-231-GFP sont restées à proximité de la niche endothéliale. Nous avons résolu les positions de cellules cancéreuses à l’interface endothéliale de barrière/niche de cerveau en calculant le volume de chaque cellule cancéreuse qui a passé par la barrière endothéliale. Le pourcentage résultant représente les cellules cancéreuses extravasées en volume (Figure 4B). Un 0% extravasé par le volume cellulaire indique les cellules cancéreuses qui restent sur le dessus de la barrière endothéliale, allant jusqu’à 100% quand une cellule cancéreuse a complètement extravasé par la barrière endothéliale et réside dans l’espace de niche du cerveau. Les cellules parentales MDA-MB-231-GFP interagissent initialement avec la barrière endothéliale après 1 jour d’exposition à la puce μmBBN qui ont été <50% extravasated par volume. À 2, et 9 jours les cellules MDA-MB-231-GFP maintiennent une proportion substantielle de cellules qui sont restées au-dessus de la barrière loin de l’espace de niche de cerveau. Les cellules MDA-MB-231-BR-GFP ont maintenu une proportion de cellules qui étaient >100% extravasées, en particulier au point de temps de 2 jours.

La forme des cellules cancéreuses a changé de façon spectaculaire au cours de la durée de l’exposition au μmBBN. Des images représentatives des cellules cancéreuses à chaque point de temps sont représentées à la figure 4C. La quantification morphologique de la forme des cellules cancéreuses a été calculée à l’aide de la sphéricité, qui tient compte du volume cellulaire et de la surface (figure 4D). La métrique de sphéricité varie de 0-1, avec 1 représentant une sphère parfaite. Les deux cellules MDA-MB-231-BR-GFP et MDA-MB-231-GFP étaient très sphériques après un jour d’ensemencement dans la puce μmBBN. Après 2 et 9 jours d’interaction dans la puce μmBBN, les deux lignées cellulaires cancéreuses ont tendance à diminuer leur forme sphérique, quoique à des taux différents. En plus de la forme des cellules cancéreuses, le volume dans les voxels de chaque cellule cancéreuse est également quantifié à l’aide de l’analyse tomographique confocale. Chaque lignée de cellules cancéreuses a été stratifiée en deux groupes de la figure 4E-F: « out », représentant les cellules cancéreuses qui transitaient par la barrière endothéliale (>90 % extravasées par la barrière) et « in », la population de cellules qui interagissent avec la barrière endothéliale mais qui ne se font pas extravasate (<90 % d’extravasated). Les sous-populations de cellules cancéreuses qui ont extravasé dans la niche astrocytique étaient plus petites en taille par rapport aux cellules cancéreuses qui sont restées en interaction avec la barrière endothéliale mais n’ont pas complètement extravasate par le cerveau.

Le MDA-MB-231-BR-GFP à la recherche du cerveau a révélé un modèle phénotypique dans les puces μmBBN distinctes du MDA-MB-231-GFP parental qui peut être exploité pour différencier entre les cellules cancéreuses métastatiques du cerveau et non cérébrales à l’aide de l’apprentissage automatique. Les données ont été séparées au hasard en jeux de données de formation et de validation pour former le modèle et effectuer des tests de validation. Pour former le modèle, un total de 38 859 cellules ont été utilisées après le filtrage des données et le modèle a été testé sur 9 714 cellules individuelles. Le modèle formé a été appliqué aux lignées cellulaires cancéreuses et aux cellules cancéreuses générées par PDX qui ont été analysées dans des puces astrocytiques (4 isolées des métastases cérébrales des patients d’une variété de types de tumeurs primaires, et 1 tumeur primaire du cancer du sein) pour générer un indice de probabilité métastatique du cerveau (figure 5). Huit méthodes différentes de classification d’apprentissage automatique ont été testées : baies naïves, forêt aléatoire, arbre de décision, k-voisinle plus proche(kNN), descente de gradient stochastique, réseau neuronal, et Adaboost. Le résultat de chaque méthode est indiqué dans le tableau 2. Le réseau neuronal et Adaboost étaient les 2 méthodes de classification les plus performantes qui sont recommandées pour une utilisation avec des données générées à l’aide de la plate-forme μmBBN avec un AUC de 0,920 et 0,928, respectivement. En outre, ils ont montré une précision de 0,833 et 0,853. La moyenne de précision et de rappel (F1) pour le réseau neural et les méthodes Adaboost était de 0,847 et 0,860. Des travaux précédents où nous avons appliqué cette approche aux échantillons de PDX de tumeur de sein non métastatique et d’échantillons métastatiques connus (sein, poumon, ovaire, langue) nous avons constaté que la même approche appliquée aux échantillons de PDX a permis l’identification précise des cellules métastatiques des non-métastatiques. Le tableau 2 montre les résultats de chaque algorithme d’apprentissage automatique appliqué aux données PDX dans lesquels les mêmes méthodes se sont avérées les plus robustes (Réseau neuronal et Adaboost (Random Forest). Des 143 cellules utilisées dans l’ensemble d’essai pour les échantillons de PDX, 71 étaient non métastatiques, 46 étaient le sein métastatique, 11 étaient la langue métastatique, 13 étaient poumon métastatique et 2 étaient ovarien métastatique. Chaque type de cellule a produit une précision globale de 0,88 mais l’individu a eu les accuracies approximatives suivantes : sein non métastatique : 0.96, sein métastatique : 0.80, langue métastatique : 0.80, poumon métastatique : 0.92, ovaire métastatique : 1.0

Figure 1
Figure 1 : Flux de travail expérimental. (A) Représentation schématique du processus d’assemblage des dispositifs microfluidiques. Un spinner est utilisé pour déposer un mince film de PDMS: colle toluène sur une lame de verre de 50 mm x 75 mm. Chaque moitié du dispositif μmBBN est estampillée côté canal face à la colle, puis assemblée avec une membrane en polycarbonate (5 pores μm) entre les pièces du dispositif μmBBN. Les dispositifs μmBBN sont placés dans un four à 37 °C pendant 24 h pour guérir la colle. Les appareils sont ensuite séchés dans un dessiccateur sous vide pendant au moins 48 h avant l’utilisation expérimentale. Un dispositif μmBBN et une lame en verre de 50 mm x 75 mm sont activés par un traitement au plasma et collés ensemble. Les pipettes P200 standard coupées aux extrémités sont insérées dans toutes les entrées et sorties de l’appareil μmBBN. Le dispositif μmBBN complété est ensuite stérilisé par un traitement plasmatique de 8 min (200 W) puis transféré dans un récipient secondaire stérile. (B) Vue d’ensemble schématique de l’utilisation de l’échafaudage dispositif microfluidique pour créer une barrière hémato-encéphalique cellulaire et le micro-environnement de niche de cerveau. À l’intérieur d’une armoire de biosécurité, un mélange d’astrocytes dans le collagène sont ensemencés dans la chambre inférieure de l’appareil μmBBN et autorisés à se solidifier pendant 1 h à 37 °C. Matrigel est utilisé pour enrober la membrane à travers la chambre d’écoulement supérieure pendant 1 h à 37 °C. Ensuite, les cellules endothéliales sont ensemencées dans une pointe de la chambre supérieure et laissés couler et se contenter de 15 min. Cet ensemencement est répété x4, alternant les côtés de la chambre d’écoulement. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2 : Vue d’ensemble de l’analyse tomographique confocale. Le logiciel commence par convertir une image microscopique confocale de la pile Z en un modèle 3D des cellules à l’aide de segmentation et de mailles 3D. Le programme calcule ensuite la position centrale de chaque cellule (centroïde) et s’adapte à un plan à la barrière endothéliale. Les mesures phénotypiques de chaque cellule sont ensuite compilées. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 3
Figure 3 : Couverture de barrière endothéliale et montage de l’avion. (A) Schéma représentatif et image d’un dispositif μmBBN. La ligne blanche pointillée dans le schéma de vue supérieure indique la zone de l’appareil représentée dans la vue transversale. (B) Comparaison de la couverture haut et bas de l’endothélial des dispositifs μmBBN avant l’application des cellules cancéreuses. Welch à deux échantillons t-test, *** p < 0.1*10-4. (C) Image représentative de la couverture haut de gamme. La boîte blanche pointillée dans le schéma encastré d’un dispositif μmBBN indique l’emplacement des cellules endothéliales à l’intérieur de l’appareil. Barres d’échelle des images d’aperçu et d’inset = 200 μm. (D) Image représentative de la couverture bas de l’extrémité. Barres d’échelle des images d’aperçu et d’inset = 200 μm. (E) Exemple d’ajustement plan d’une barrière endothéliale plate. Le rectangle vert représente la position du plan endothélial. Les points représentent des cellules endothéliales uniques comprenant la barrière. Les points jaunes sont des cellules endothéliales au-dessus du plan, et les points violets sont des cellules qui tombent sous le plan. Les cellules endothéliales au-dessus du plan (points jaunes) présentent une tendance à faire pousser les parois latérales et le haut de l’appareil pour former un tube. (F) Exemple d’ajustement plan d’un dispositif μmBBN avec un plan incurvé. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4 : Quantification des phénotypes cellulaires des phénotypes cérébraux et des cellules parentales dans les puces microfluidiques de niche du cerveau astrocytique. (A) Bande parcelle de distance dans μm de cellules cancéreuses de la barrière endothéliale à 1, 2 et 9 jours. La ligne noire pointillée à 0 μm représente la barrière endothéliale. Les boîtes rouges indiquent un sous-ensemble de cellules MDA-MB-231-BR-GFP qui ont migré loin dans la niche du cerveau. (B) Parcelle de violon du volume total de cent de cellules cancéreuses extravasées par la barrière endothéliale à 1, 2, et 9-Jours. Les lignes courtes en pointillés représentent des quartiles, une ligne pointillée plus longue représente la moyenne. (C) Images représentatives de la morphologie des cellules cancéreuses dans le dispositif μmBBN. Barre d’échelle = 25 μm. (D) Parcelle de violon de la sphéricité des cellules cancéreuses dans le dispositif μmBBN à 1, 2 et 9 jours. La sphéricité varie de 1 : sphérique à 0 : pas sphérique. (E) Parcelle de boîte du volume de cellules MDA-MB-231-GFP dans le dispositif μmBBN dans les voxels pour les cellules reposant à l’extérieur de la barrière endothéliale (sortie) et les cellules qui ont dépassé la barrière (po). (F) Parcelle de boîte de volume de cellules MDA-MB-231-BR-GFP dans le dispositif μmBBN dans voxels pour les cellules reposant à l’extérieur de la barrière endothéliale (sortie) et les cellules qui ont extravasé par la barrière (po). La boîte affiche les quartiles et les moustaches s’étendent pour montrer la proportion de la plage interquaire au-delà des quartiles bas et élevés. Pairwise Wilcoxon Rank Sum et Kruskal-Wallis avec les comparaisons multiples de Dunn, *** p < 0.1*10-4. Reproduit à partir de la référence24 avec la permission de la Royal Society of Chemistry. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5 : Résultats représentatifs de la classification d’apprentissage automatique des cellules cancéreuses. (A) Vue d’ensemble de l’apprentissage automatique. Démontre le processus de fractionnement des données recueillies à partir de la tomographie confocale, le filtrage des données, la formation de l’algorithme d’apprentissage automatique à l’aide de validations 10 fois, puis le test du modèle contre un échantillon aléatoire de 20% des données qui ont été réservées. Le modèle sélectionné peut ensuite être appliqué sur de nouvelles données pour recueillir l’index métastatique des cellules individuelles. (B) Courbes ROC montrant les performances de 8 algorithmes d’apprentissage automatique différents pour la culture des cellules MDA-231-BR-GFP et MDA-231-GFP pendant 1, 2 et 9 jours avant l’imagerie. Ceci est représentatif du type de courbe à analyser pour comprendre la performance du modèle formé. (C) Courbes ROC pour 8 algorithmes d’apprentissage automatique différents appliqués aux cellules dissociées de xénogreffe (PDX) dérivées par le patient cultivées pendant 2 jours. Ceci est représentatif du type de courbe à analyser pour comprendre la performance du modèle formé. Reproduit à partir de la référence24 avec la permission de la Royal Society of Chemistry. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Fonction Descripteur
Cellule tumorale % extravasé dans le créneau
Cellule tumorale Volume
Cellule tumorale Sphéricité
Cellule tumorale Distance extravasée
Cellule tumorale Migration 2D de cellule vivante
Micro-métastase Porosité
Micro-métastase Interaction stromale
Micro-métastase Âge
Micro-métastase Taux de croissance
Cellule stromale Volume
Cellule stromale Distance des cellules cancéreuses voisines
Cellule stromale Distance de la barrière endothéliale
Cellule stromale Forme

Tableau 1 : Liste des descripteurs par type de fonctionnalité. La caractérisation phénotypique des cellules tumorales est représentée à l’aide d’un panel de descripteurs. La boîte rouge indique les descripteurs qui ont été utilisés pour prédire la probabilité métastatique du cerveau par l’apprentissage automatique.

Cellules cancéreuses
Méthode Auc Précision F1
Réseau neuronal 0.925 0.84 0.847
AdaBoost 0.928 0.853 0.86
Forêt aléatoire 0.925 0.849 0.855
Arbre de décision 0.898 0.817 0.827
kNN 0.775 0.702 0.718
Régression logistique 0.769 0.735 0.751
Naïve Bayes 0.745 0.715 0.73
Sgd 0.73 0.73 0.737
Cellules cancéreuses PDX
Méthode Auc CA F1
Réseau neuronal 0.972 0.881 0.878
Forêt aléatoire 0.964 0.888 0.887
AdaBoost 0.957 0.881 0.879
Arbre 0.954 0.867 0.865
Régression logistique 0.897 0.832 0.831
Naïve Bayes 0.896 0.846 0.849
kNN 0.882 0.818 0.814
Sgd 0.861 0.86 0.853

Tableau 2 : Comparaison des méthodes d’apprentissage automatique pour classer les cellules cancéreuses et les cellules cancéreuses PDX par potentiel métastatique cérébral.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nous avons développé et présenté une nouvelle méthode qui adapte les outils souvent utilisés dans les analyses d’imagerie clinique pour la mesure de l’extravasation et la migration des cellules cancéreuses par une barrière endothéliale dans le tissu cérébral. Nous posons cette approche peut être utile pour les mesures in vivo et in vitro; nous avons démontré son utilisation sur un système microfluidique 3D récapitulant la vasculature de cerveau. Les mesures des cellules cancéreuses, y compris la distance extravasée, le pourcentage extravasé par le volume, la sphéricité et le volume sont quantifiés à l’aide de cette technique. La distance extravasée et le pourcentage extravasé en volume permettent à l’utilisateur de reconstituer la position des cellules cancéreuses dans la puce pour évaluer l’extravasation à travers la barrière et la migration dans le tissu. Les mesures de la forme cellulaire telles que la sphéricité et le volume sont liées aux mouvements dynamiques ou à la fonction de la cellule à chaque point de temps. Les cellules migratrices MDA-MB-231-BR-GFP présentent un niveau élevé de sphéricité lorsqu’elles sont introduites initialement dans le dispositif μmBBN et deviennent moins sphériques à mesure qu’elles diminuent leur mouvement et commencent à coloniser la niche. Le volume total des cellules du MDA-MB-231-GFP et du MDA-MB-231-BR-GFP différait en raison de la différence de forme des lignées cellulaires. Les cellules cancéreuses qui traversent la barrière endothéliale sont plus arrondies que les cellules qui ne traversent pas la barrière, de même que les cellules rondes plus petites peuvent être en mesure d’extravasate à travers la couche endothéliale plus efficacement.

Il existe deux étapes essentielles dans le protocole qui facilitent le succès. La première se produit lors de l’assemblage des parties supérieures et inférieures du dispositif μmBBN qui sont séparées par la membrane poreuse. Les parties supérieures et inférieures doivent être accouplées de sorte que les entrées et les sorties se chevauchent, mais ne sont pas occluses par la membrane entre les deux pour favoriser un débit approprié. Tous les dispositifs μmBBN avec un mauvais accouplement des parties supérieures et inférieures de l’appareil ou l’alignement de la membrane sont jetés pour minimiser les fluctuations de qualité. Cuisson ultérieure pour guérir la colle PDMS: toluène pour assembler l’appareil est essentiel pour effectuer à 37 °C pour produire des dispositifs μmBBN avec des membranes qui sont plates. Les températures de cuisson supérieures à 37 °C ont tendance à produire des dispositifs avec une membrane incurvée qui rend l’analyse d’image difficile, en particulier lors de l’installation d’un plan à la barrière endothéliale. La deuxième étape critique se produit lors de l’ensemencement de la barrière endothéliale. Les semis doivent se produire à un minimum de quinze minutes entre les deux entrées alimentant la partie supérieure de l’appareil afin d’assurer la distribution aléatoire des cellules endothéliales sur la membrane de l’appareil. L’ensemencement du mélange de collagène contenant des astrocytes dans la puce peut nécessiter des dépannages et des modifications au protocole spécifique au laboratoire. Si la surface membranaire de l’appareil n’est pas hydrophobe, le collagène remplira les parties inférieures et supérieures de l’appareil et réglera de sorte qu’il obstrue tout le flux à travers la partie supérieure de l’appareil. Le but du traitement final de gaz de plasma est de rendre la surface de dispositif hydrophobe. Dans ce cas, nous recommandons l’ajustement du traitement de gaz plasma du dispositif pour augmenter l’hydrophobicité.

Nous avons observé certaines limites avec cette approche. Par exemple, l’approche utilisée pour induire la fluorescence cellulaire peut avoir un impact sur la qualité de l’imagerie. Lors de l’utilisation de colorants de suivi cellulaire vivant, le motif fluorescent est fait de petites taches, tandis que l’expression transfectée ou transduite des fluorophores produit un modèle uniforme. Le modèle spotty nécessite un regroupement supplémentaire et parfois sujet aux erreurs de pixels. En outre, la sensibilité de la mesure dépend des soins pris pendant l’imagerie. Des images à haute résolution et plus de tranches z améliorent la résolution, mais prennent également plus de temps à l’image et à l’analyse. Les cellules qui touchent peuvent également être analysées incorrectement comme une grande cellule unique. Il s’agit d’un problème pour de nombreux systèmes d’imagerie automatisés, mais il peut être résolu de deux façons. La première est que la couche endothéliale a de nombreuses cellules touchantes, mais leur combinaison a un impact négligeable sur l’emplacement final du plan de coupe. La deuxième est que le nombre de cellules cancéreuses est assez faible qu’il est rare qu’ils touchent. Les erreurs introduites lors de l’installation du plan peuvent se produire pour plusieurs raisons. La première est que certaines cellules endothéliales peuvent avoir migré loin de la membrane centrale pendant la culture cellulaire. Cela peut entraîner des cellules endothéliales enrobant l’ensemble du canal ou envahir l’espace rempli de collagène, biaisant ainsi la mesure. Une autre source d’erreur est, paradoxalement, l’ajustement manuel du plan pour corriger l’erreur précédente. Cependant, les études de répétabilité et de reproductibilité ont constaté que cela avait un impact minimal. Enfin, nous avons observé que, dans certaines circonstances, la coupe booléenne du maillage cellulaire peut échouer ou l’algorithme pour fermer le maillage de coupe peut également échouer. Les techniques utilisées ici sont l’état actuel de l’art, et ces problèmes sont actuellement abordés par des scientifiques algorithmiques.

Les résultats de la formation des algorithmes d’apprentissage automatique (IA) contre les données recueillies par tomographie confocale du μmBBN démontrent que le nombre considérable de cellules individuelles analysées par cette approche peut aider à résoudre les problèmes de capture de l’hétérogénéité trouvée dans les cellules cancéreuses. Un AUC supérieur à 0,9 est considéré comme un classificateur performant. Ici, nous avons démontré un AUC de 0,928. Nous nous attendons à ce qu’à mesure que la méthode s’améliore, les performances continueront d’augmenter. Comme pour toutes les méthodes d’IA, il faut veiller à sélectionner soigneusement l’ensemble de données de formation afin qu’il représente largement le type de données dont on s’attend à ce qu’elles soient testées. Pour cette raison, nous pouvons nous attendre à ce que les performances se dégradent, si le modèle était appliqué directement aux échantillons de patients, par exemple sans d’abord exposer le modèle à une solide collection d’échantillons de patients. Nous le démontrons ici dans une certaine mesure en incluant des mesures de 1 jour, de 2 jours et de 9 jours pour les cellules cancéreuses dans le modèle par rapport à la journée de 2 jours utilisée pour les travaux précédents. Nous observons que l’échantillonnage général réduit légèrement les performances du modèle et montre à quel point certaines des méthodes les moins performantes peuvent être sensibles, ce qui suggère que les utilisateurs peuvent vouloir tester plusieurs modèles sur leurs données. Le tableau 2 décrivant les résultats de PDX montre une bonne performance globale. Toutefois, les types PDX individuels démontrent que la proportion de cellules mesurées à partir de chaque échantillon diffère et peut influer sur les performances de chaque site d’origine. Par exemple, l’échantillon ovarien n’a produit que deux cellules pour l’ensemble de tests. En revanche, le cancer du sein métastatique qui a eu une plus grande population. Cet ensemble de données visait à démontrer que les cellules survivent dans le créneau et peuvent être analysées, mais souligne également que des soins d’interprétation sont nécessaires. Les altérations de la variable cible peuvent également guider les chercheurs dans l’identification des sous-clones avec d’autres traits tels que les interactions avec les cellules stromales ou le comportement quiescent.

Cette approche est importante car de plus en plus de laboratoires adoptent des systèmes membranaires sur puce tels que la barrière hémato-encéphalique sur une puce, le poumon sur une puce et l’intestin sur une puce11,42. La majorité de ces puces sont assemblées de sorte que la membrane est parallèle avec le système d’imagerie, ce qui jusqu’à présent, il a signifié qu’il serait difficile de mesurer quand et combien de cellules ont déménagé d’un côté de la membrane à l’autre15,28. En outre, par rapport aux puces orientées horizontalement, les puces orientées verticalement fournissent une zone membranaire beaucoup plus grande augmentant la plage dynamique de l’expérience. En outre, comme l’orientation de la membrane n’est pas essentielle pour cette technique d’analyse, la tomographie confocale pourrait potentiellement permettre de nouvelles expériences in vitro. Par exemple, l’imagerie de l’extravasation des cellules cancéreuses du sein à partir de la graisse murine pad dans le flux sanguin serait accessible par ces méthodes. Cela pourrait aider les chercheurs à identifier comment les cellules cancéreuses sondent l’interface entre l’ECM du sein et le vaisseau.

En conclusion, nous avons présenté une méthodologie pour construire un dispositif microfluidique 3D qui récapitule la niche du cerveau sanguin et de démontrer comment utiliser la tomographie confocale et l’apprentissage automatique pour l’analyse. À l’aide de cette plate-forme, nous avons identifié les caractéristiques des cellules cancéreuses métastatiques du cerveau qui différencient les cellules cancéreuses du cerveau métastatiques et non métastatiques de PDX en fonction de leur comportement dans le dispositif μmBBN. Les travaux futurs amélioreront l’applicabilité clinique de cette plate-forme comme diagnostic vers la prévision des métastases cérébrales. Nous croyons qu’avoir présenté cette plate-forme sera utile et intéressant pour les laboratoires qui ont besoin de mesurer les cellules de tout type de migration ou d’extravasating à travers une membrane. Ceci est d’importance car les modèles précliniques du micro-environnement de tumeur deviennent de plus en plus sophistiqués ainsi doit l’ingénierie des modèles et des logiciels de soutien. Pour faciliter l’analyse robuste des données, nous avons emballé cet outil comme un ordinateur portable python simple à utiliser, partagé avec instructions d’installation30.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Il n’y a pas de divulgation à déclarer.

Acknowledgments

Nous remercions le Laboratoire Steeg, à l’Institut national du cancer, pour le don généreux de cellules MDA-MB-231-BR-GFP. La microscopie confocale a été réalisée à l’Institut des biointerfaces de l’Université du Michigan (BI). La cytométrie de flux a été exécutée au noyau de cytométrie de flux de l’université du Michigan. Les vecteurs viraux ont été créés par l’Université du Michigan Vector Core. Nous remercions également Kelley Kidwell pour ses conseils en analyse statistique de ces données.

Financement:

Le C.R.O. a été partiellement appuyé par une bourse de formation T-32 des NIH (T32CA009676) et 1R21CA245597-01. T.M.W. a été partiellement soutenu par 1R21CA245597-01 et le National Center for Advancing Translational Sciences of the National Institutes of Health sous le numéro de prix UL1TR002240. Le financement du matériel et de la caractérisation a été fourni par l’Institut national du cancer des National Institutes of Health sous le numéro de prix 1R21CA245597-01, P30CA046592, 5T32CA009676-23, CA196018, AI116482, METAvivor Foundation, et la Fondation de recherche sur le cancer du sein. Le contenu est uniquement de la responsabilité des auteurs et ne représente pas nécessairement les vues officielles des National Institutes of Health

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

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. Valster, A., et al. Cell migration and invasion assays. Methods. 37 (2), 208-215 (2005).
  4. 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).
  5. Brekhman, V., Neufeld, G. A novel asymmetric 3D in-vitro assay for the study of tumor cell invasion. BMC Cancer. 9, 415 (2009).
  6. Chen, H. C. Boyden chamber assay. Methods in Molecular Biology. 294, 15-22 (2005).
  7. 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).
  8. 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).
  9. 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).
  10. Allen, S. G., et al. Macrophages Enhance Migration in Inflammatory Breast Cancer Cells via RhoC GTPase Signaling. Scientific Reports. 6, 39190 (2016).
  11. Bhatia, S. N., Ingber, D. E. Microfluidic organs-on-chips. Nature Biotechnology. 32 (8), 760-772 (2014).
  12. Huh, D., et al. Reconstituting organ-level lung functions on a chip. Science. 328 (5986), 1662-1668 (2010).
  13. Chen, Y. C., et al. Single-cell Migration Chip for Chemotaxis-based Microfluidic Selection of Heterogeneous Cell Populations. Scientific Reports. 5, 9980 (2015).
  14. 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).
  15. 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).
  16. Kienast, Y., et al. Real-time imaging reveals the single steps of brain metastasis formation. Nature Medicine. 16 (1), 116-122 (2010).
  17. Schroeder, W., Martin, K., Lorenson, B. The Visualization Toolkit. 4th edn. , Kitware. (2006).
  18. 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).
  19. 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).
  20. Mansfield, P., Maudsley, A. A. Medical imaging by NMR. The British Journal of Radiology. 50 (591), 188-194 (1977).
  21. Plewes, D. B., Kucharczyk, W. Physics of MRI: a primer. Journal of Magnetic Resonance Imaging. 35 (5), 1038-1054 (2012).
  22. 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).
  23. 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).
  24. 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).
  25. Gril, B., et al. Reactive astrocytic S1P3 signaling modulates the blood-tumor barrier in brain metastases. Nature Communications. 9 (1), 2705 (2018).
  26. Badilescu, S., Packirisamy, M. BioMEMS: Science And Engineering Perspectives. , Taylor & Francis/CRC Press. (2011).
  27. Liu, C. Foundations of MEMS. 2nd edn. , Prentice Hall. (2012).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. Kleinbaum, D. G., Kupper, L. L. Applied regression analysis and other multivariable methods. , Duxbury Press. (1978).
  33. Berg, M. d Computational geometry : algorithms and applications, 2nd rev. edn. , Springer. (2000).
  34. 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).
  35. 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).
  36. 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).
  37. 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).
  38. 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).
  39. 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).
  40. 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).
  41. 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).
  42. Zhang, B., Radisic, M. Organ-on-a-chip devices advance to market. Lab on a Chip. 17 (14), 2395-2420 (2017).

Tags

Recherche sur le cancer numéro 162 Tumeur microenvironnement cancer organe sur puce apprentissage automatique intelligence artificielle microscopie confocale culture cellulaire à long terme
Quantification du micro-environnement de tumeur métastatique du cerveau à l’aide d’un modèle 3D à puce d’organe sur une puce, d’apprentissage automatique et de tomographie confocale
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Oliver, C. R., Westerhof, T. M.,… More

Oliver, C. R., Westerhof, T. M., Castro, M. G., Merajver, S. D. Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography. J. Vis. Exp. (162), e61654, doi:10.3791/61654 (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