Summary
Qui, presentiamo un protocollo per preparare e cultare una barriera ematica del micro-ambiente tumorale metastatico e quindi quantificare il suo stato utilizzando l'imaging confocale e l'intelligenza artificiale (apprendimento automatico).
Abstract
Le metastasi cerebrali sono le lesioni tumorali più letali; 10-30% di tutti i tumori metastasi al cervello, con una sopravvivenza mediana di soli 5-20 mesi, a seconda del tipo di cancro. Per ridurre il carico del tumore metastatico del cervello, le lacune nella conoscenza di base e traslazione devono essere affrontate. Le sfide principali includono una scarsità di modelli preclinici riproducibili e strumenti associati. I modelli tridimensionali della metastasi cerebrale possono produrre i dati molecolari e fenotipi pertinenti utilizzati per affrontare queste esigenze quando combinati con strumenti di analisi dedicati. Inoltre, rispetto ai modelli murini, i modelli organo su chip delle cellule tumorali del paziente che attraversano la barriera ematica nel microambiente cerebrale generano risultati rapidamente e sono più interpretabili con metodi quantitativi, quindi suscettibili a test ad alta produttività. Qui descriviamo e dimostriamo l'uso di una nuova piattaforma di nicchia microfluidica del cervello del sangue 3D (mBBN) in cui più elementi della nicchia possono essere ricostrutti per un periodo prolungato (diversi giorni), fluorescently immagine da microscopia confocale, e le immagini ricostruite utilizzando un'innovativa tecnica di tomografia confocale; tutti miravano a comprendere lo sviluppo di micro-metastasi e i cambiamenti al micro-ambiente tumorale (TME) in modo ripetibile e quantitativo. Dimostriamo come fabbricare, seminare, immagine e analizzare le cellule tumorali e i componenti cellulari e umoristici TME, utilizzando questa piattaforma. Inoltre, mostriamo come l'intelligenza artificiale (AI) viene utilizzata per identificare le differenze fenotipici intrinseche delle cellule tumorali che sono in grado di transitare attraverso un modello di mBBN e per assegnare loro un indice oggettivo del potenziale metastatico cerebrale. I set di dati generati da questo metodo possono essere utilizzati per rispondere a domande di base e trasfondiali sulla metastasi, sull'efficacia delle strategie terapeutiche e sul ruolo del TME in entrambi.
Introduction
Le metastasi cerebrali sono le lesioni tumorali più letali; 10-30% di tutti i tumori metastasi al cervello, con una sopravvivenza mediana di soli 5-20 mesi, a seconda del tipo dicancro 1,2. Una domanda principale che si pone quando si studia la metastasi del cancro è come i sub cloni migrano dall'ambiente umoristico del flusso sanguigno in un organocome il cervello 3,4. Questa domanda ha portato a molte variazioni di analisi di migrazione, invasione e stravasazione. Tutti questi metodi condividono la fase critica del conteggio o della misurazione delle proprietà delle cellule che si spostano da una posizione all'altra in risposta a uno stimolo. La maggior parte dei saggi migratori prontamente disponibili sono utilizzati per studiare la migrazione bidimensionale (2D) delle cellule tumorali. Questi hanno chiarito una ricchezza di conoscenza; tuttavia, non ricapitolano la natura tridimensionale del sistema in vivo che altri metodi possono fornire5. Pertanto, è necessario studiare il micro-ambiente tumorale (TME) in sistemi tridimensionali (3D), ma gli approcci di analisi disponibili per le strutture 3D sono limitati e spesso incoerenti.
Uno degli strumenti 3D più popolari è una camera Boyden che consiste in una membrana sospesa nella parte inferiore di un pozzo, che separa due regioni distinte. Boyden ha introdotto il saggio per studiare la chemiocita leucocato4. Le regioni inferiori possono essere variate in base alla chimica o ad altrimezzi 6,7 per indurre le cellule nella regione superiore a migrare nella regione inferiore. L'approccio più comune per quantificare il numero di cellule migrate è quello di rilasciare le cellule dal fondo della membrana utilizzando una soluzione tampone, li lyse, e quindi contarli in base alla quantità di contenuto di DNA nella soluzione7. Questo approccio indiretto è soggetto a errori dell'operatore a causa della variabilità tecnica e la procedura distrugge le informazioni sul fenotipo del cancro e sul micro-ambiente. Variazioni del saggio camera Boyden comportano fissazione delle cellule migratorie che rimangono sulla membrana, ma fornisce solo un conteggio delle cellule che non sono più praticabili per lo studiocontinuo 6,8,9.
A causa dei limiti della camera Boyden e della crescita delle innovazioni nella comunità microfluidica, sono stati sviluppati chip di analisi della migrazione che osservano il movimento delle cellule in risposta a uno stimolo in una direzione piuttosto che intre 10,11,12. Questi saggi di migrazione facilitano il controllo su fattori quali il flusso o la separazione di singolecellule 13,14 che consentono una migliore interpretazione dei risultati; tuttavia, il loro formato 2D perde inevitabilmente alcune informazioni dinamiche. Recenti studi si sono concentrati sulla stravasazione (cioè il movimento delle cellule dalla circolazione in un tessuto, come la barriera ematica) in un ambiente 3D14,15. La distanza di stravasazione nel comportamento di tessuto e sonda che si verifica alla barriera/membrana cellulare è più raffinata rispetto alle misurazioni raccolte utilizzando la camera Boyden o un dispositivo di migrazione microfluidico 2D16. Pertanto, i dispositivi che consentono un'adeguata imaging e analisi della stravasazione 3D sono fondamentali per catturare queste misurazioni sofisticate, ma sono carenti nella letteratura.
Indipendentemente dai saggi di migrazione, sono state sviluppate robuste tecniche di imaging per la risonanza magnetica (RSI) e la tomografia che sono in grado di identificare e ricostruire con precisione il tessuto nello spazio 3D17,18. Queste tecniche acquisiscono immagini in z-stack e parti di segmento dell'immagine in base alle proprietà del tessuto e quindi convertono le immagini segmentate in mesh tridimensionali19,20,21. Questo permette ai medici di visualizzare in 3D singoli organi, ossa e vasi per aiutare nella pianificazione chirurgica o nell'aiuto nella diagnosi di cancro o malattiecardiache 22,23. Qui, mostreremo che questi approcci possono essere adattati per l'uso su campioni microscopici e dispositivi di stravasazione 3D.
A fine questo, abbiamo sviluppato l'innovativa tecnica di tomografia confocale, presentata qui, che offre flessibilità per studiare la stravasazione delle cellule tumorali attraverso una membrana adattando gli strumenti di tomografia esistenti. Questo approccio consente lo studio dell'intera gamma dei comportamenti delle cellule tumorali mentre interagiscono con una barriera cellulare, come uno strato cellulare endoteliale. Le cellule tumorali presentano comportamenti di sondaggio; alcuni possono invadere ma rimanere vicino alla membrana, mentre altri attraversano facilmente la barriera. Questa tecnica è in grado di produrre informazioni sul fenotipo della cellula in tutte le dimensioni24. L'utilizzo di questo approccio per studiare il TME è relativamente economico, facile da interpretare e riproducibile, rispetto ai modelli murine in vivo più complessi. La metodologia presentata dovrebbe fornire una solida base per lo studio di molti tipi di tumori e micro-ambienti adattando la regione stromica.
Descriviamo e dimostriamo l'uso di una piattaforma 3D di nicchia del cervello del sangue microfluidica(Figura 1)in cui gli elementi critici della barriera e della nicchia (cellule endoteliali microvascolari cerebrali e astrociti) possono essere ristrutturati per un periodo prolungato (circa fino a 9 giorni), fluorescentemente immagini dalla microscopia confocale, e le immagini ricostruite utilizzando la nostra tecnica tomografia confocale (Figura 2); tutti miravano a comprendere lo sviluppo di micro-metastasi e i cambiamenti nel micro-ambiente tumorale in modo ripetibile e quantitativo. L'interfaccia della barriera ematica con la nicchia cerebrale è composta da cellule endoteliali microvascolari cerebrali che sono rafforzate da membrana seminterrato, piedi astrociti e periciti25. Ci siamo concentrati selettivamente sui componenti astrociti ed endoteliali data la loro importanza nella formazione e nella regolazione della barriera ematica. Dimostriamo come fabbricare, seminare, immagine e analizzare le cellule tumorali e i componenti cellulari e umoristici del micro-ambiente tumorale, utilizzando questa piattaforma. Infine, mostriamo come l'apprendimento automatico possa essere utilizzato per identificare le differenze fenotipici intrinseche delle cellule tumorali che sono in grado di transitare attraverso un modello di mBBN e per assegnare loro un indice oggettivo del potenziale metastatico cerebrale24. I set di dati generati da questo metodo possono essere utilizzati per rispondere a domande di base e trasslezionali sulla metastasi, sulle strategie terapeutiche e sul ruolo del TME in entrambi.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Preparare la barriera ematica di nicchia
NOTA: Il dispositivo di culto utilizzato in questa piattaforma è un'impalcatura basata su PDMS su cui costruiamo una nicchia di barriera cellulare della barriera ematica. È costituito da due parti separate da una membrana porosa. Per preparare la nicchia barriera ematica della barriera ematica sono necessari due stampi SU-8 realizzati con fotolithografia26,27. Il protocollo sarà descritto prima per lo stampo spesso 100 m e poi verranno date note per lo stampo spesso 200 m.
- Per preparare lo stampo, pulire un wafer di silicio da 4" usando l'acetone con una bottiglia di spremere e poi asciugarlo con una pistola azotata.
- Cuocere il wafer di silicio su una piastra calda per 10 minuti a 200 gradi centigradi per rimuovere tutto il solvente residuo.
- A sua volta centrare il wafer di silicio sul mandrino di un cappotto di spin e erogare 1 mL di SU8-2075 per lo stampo superiore. Girare per 5 s a 500 giri/min (accelerazione 300 rpm/s) per disperdere il fotoresist e poi 30 s a 2200 giri/min (accelerazione 300 rpm/s) per ottenere un rivestimento SU-8 di spessore 100 m. L'ottimizzazione può essere necessaria per ottenere lo spessore specificato.
- Cuocere morbido il wafer su una piastra calda a 65 gradi centigradi per 2 minuti e poi immediatamente a 98 gradi centigradi per 20 minuti.
- Posizionare il wafer in una lampada fotolithography e posizionare la maschera centrata sul wafer secondo le procedure standard. Esporre i wafer rivestiti SU-8 con una luminosità di 230 mJ/cm2 di UVB (360 nm ± 10 nm). Un esperimento di matrice di esposizione può essere eseguito per determinare il dosaggio ottimale. I disegni delle maschere sono disponibili in Supplemental File 1.
- Eseguire una cottura post-esposizione a 65 gradi centigradi per 2 minuti e poi immediatamente a 98 gradi centigradi per 10 minuti per migliorare l'adesione. Raffreddare il wafer a 50 gradi centigradi.
- Rimuovere la resistenza non esposta utilizzando su-8 foto-sviluppatore. Risciacquare il wafer in sviluppatore per 5 minuti in un bagno e quindi utilizzare una bottiglia spray riempito con sviluppatore SU-8 in una cappa chimica per agitare e rimuovere il SU-8 rimanente non curato. Un microscopio 4x può essere utilizzato per osservare se tutto il SU-8 non curato è stato rimosso. Una linea bianca sui bordi delle funzioni fotoresist indica che il SU-8 non è stato rimosso completamente.
- Eseguire un'ultima cottura in forno a 110 gradi centigradi per 60 minuti.
- Seguire la stessa procedura per lo stampo di spessore 200 m utilizzando SU-8 2075 ma regolare il protocollo al seguente:
- Impostazioni del coater di spin: Girare per 5 s a 500 giri/base (accelerazione 300 giri/s) per disperdere il fotoresist e poi 30 s a 1300 giri/min (accelerazione 300 giri/s) per ottenere un rivestimento spesso di 200 m.
- Cuocere morbido a 65 gradi centigradi per 2 minuti e poi a 98 gradi centigradi per 40 min.
- Tempo di esposizione di 340 mJ/cm2.
- Post esposizione cuocere: 2 min a 65 gradi centigradi, e poi 98 gradi centigradi per 15 min.
- Infine, silanizzare ogni wafer mettendoli in una camera a vuoto all'interno di un cappuccio chimico con un contenitore di plastica in cui sono state poste 3 gocce (150 l) di soluzione silanizzante (Trichloro perfluoro octyl silane). Tirare un vuoto e lasciare durante la notte per consentire al vapore di rivestire il wafer. Questo passaggio riduce l'adesione tra il SU-8 e IL PDMS, aumentando la durata dello stampo.
CAUTION: Trichloro perfluoroctyl silane deve essere sempre maneggiato nel cappuccio di fumi e tenuto lontano dalle fonti d'acqua. - Posizionare i singoli stampi wafer in piatti Petri da 150 mm utilizzando due strisce di nastro adesivo a due lati. Assicurarsi che i wafer siano piatti. Un'alternativa è quello di fabbricare uno stampo in alluminio all'interno del quale il wafer può essere posizionato. Poiché lo stampo in alluminio è racchiuso produrrà calò con uno spessore uniforme, mentre il metodo petri piatto è sensibile all'inclinazione della superficie è posto su. La migliore flatità dei calcamenti PDMS riduce il tempo di imaging confocale a valle.
2. Formare e assemblare il dispositivo di barriera ematica (BBB) PDMS
- Mescolare 75 g di PDMS con un rapporto di 1:10 (Crosslinker:Base) in peso in una tazza di plastica.
- Versare il PDMS sugli stampi (1 mm di spessore per lo stampo spesso 200 m e 4 mm per lo stampo spesso 100 m) e degas in un desiccatore sottovuoto per un'ora o fino a quando tutte le bolle sono state rimosse. Mettere in forno a 65 gradi durante la notte. Lo spessore di 1 mm può essere regolato in base alla distanza di lavoro dell'obiettivo 10x nel microscopio confocale.
- Dopo che il PDMS ha curato utilizzare una lama per tagliare delicatamente contro il wafer attraverso il PDMS intorno ai bordi. Sbucciare il PDMS e utilizzare una lama per tagliare lungo le guide rettangolari e un punzone biopsia di 1,5 mm per aprire le prese e le prese sul dispositivo. Coprire le parti del dispositivo PDMS con nastro da imballaggio largo 48 mm per mantenerlo pulito da polvere e detriti.
- Utilizzare successivamente le forbici di dissezione per tagliare un rettangolo di 5 mm x 50 mm di membrana in policarbonato con pori da 5 m e conservarlo all'interno di un piatto Petri per un uso successivo.
- Raccogliere quanto segue: 200 punta di pipetta L, 2 mL di 1:10 PDMS mescolato con toluene ad un rapporto di 2:3 per peso in una fiala di vetro, una pipetta Pasteur con una lampadina di compressione, le parti superiori e inferiori PDMS preparate, la membrana, tre vetrini di vetro 50 mm x 75 mm e trasportarlo tutto in un rivestimento di spin. I passaggi seguenti per l'assemblaggio e il seeding delle celle del dispositivo sono descritti nella Figura 1.
- Utilizzare la pipetta Pasteur per trasferire 1 mL di soluzione di colla PDMS:toluene in un vetrino di vetro da 50 mm x 75 mm sul mandrino del cappotto di spin. Girare per 5 secondi a 100 giri/min (accelerazione 300 rpm/s) e 30 secondi a 2000 giri/min (accelerazione 300 giri/s).
- Posizionare la diapositiva su un tavolo e coprirla con una camera superiore PDMS e una camera inferiore in modo che le facce PDMS con caratteristiche modellate in esso contattino lo scivolo e la colla viene trasferita alla faccia PDMS, delineando il perimetro di tutte le caratteristiche.
- Capovolgere la camera superiore PDMS su un altro scivolo con il rivestimento della colla rivolto verso l'alto e posizionare con attenzione la membrana attraverso il dispositivo tra le prese e le prese. Inserire la punta da 200 L nella soluzione di colla PDMS:toluene fino a quando non ne ha intasa una parte nella punta. Toccare la punta tra ogni ingresso e presa per posizionare una piccola goccia vicino al bordo della membrana dove contatta il PDMS.
- Rimuovere l'altra metà del dispositivo e posizionarla con il rivestimento della colla mentre si allineano le prese e le prese sulle due parti.
- Mettere il dispositivo assemblato in forno a 37 gradi centigradi durante la notte per curare la colla. Trasferire in un barattolo di campana sottovuoto con desirico e lasciare disidratare per due giorni. Questo è un passo cruciale per consentire al Toluene di evaporare e migliorare la consistenza della semina del dispositivo regolando il vapore acqueo assorbito nell'aria di laboratorio.
3. Semina il micro-ambiente cerebrale nel dispositivo
- Coltura cellulare e reagenti: prima di iniziare questo protocollo, ottenere i seguenti reagenti e celle. Coltivare tutte le linee cellulari in un'incubatrice fissata a 37 gradi centigradi in 5% CO2.
- Mantenere le cellule umane triplo negativo del cancro al seno MDA-MB-231 (ATCC HTB-26) e MDA-MB-231-BR-GFP (ottenute da Patricia Steeg, PhD) in DMEM con glucosio 4,5 g/L, integrato con 2 mM L-glutamine, 10% FBS e 1x antibiotico-antimia. Crea cellule fluorescenti MDA-MB-231-GFP trasducendo la cella MDA-MB-231 con lentivirus pLL-EV-GFP vettoriale vuoto. Ordinare la popolazione GFPtrasdutta utilizzando l'ordinamento delle celle attivato dalla fluorescenza (FACS) prima della sperimentazione.
- Mantenere le cellule endoteliali microvascolari cerebrali umane hCMEC/D3 nel mezzo EGM-2. Creare celle fluorescenti hCMEC/D3-DsRed trasducendo hCMEC/D3 con il vettore vuoto pLL-3.7-dsRed lentivirus. Rimuovere tutte le cellule non fluorescenti non trasdutbili dalla coltura utilizzando FACS prima dell'uso sperimentale.
- Mantenere i normali astrociti umani (NHA) in DMEM integrato con glucosio 4,5 g/L, 10% FBS, 2 mM Glutamax, 1 mM di piruvato di sodio, 1x integratore di crescita N-2 e 1x antibiotico-antimicotico. Immortalare gli astrociti trasducendo il vettore lentivirale pLOX-TERT-iresTK (Addgene 12245). Creare il vettore utilizzando plasmide psPAX2 e envelope plasmid pMD2.G (Addgene 12260 e 12259).
- Rimuovere un dispositivo mBBN dal desiccatore sottovuoto e posizionarlo su una superficie metallica o di carta (cioè nastro adesivo) con le insenature rivolte verso il basso e metterla in una camera al plasma. Posizionare anche uno scivolo di vetro 50 mm x 75 mm nella camera al plasma. Tirare un vuoto e poi trattare con plasma a 80 W per 30 s.
- Rimuovere rapidamente lo scivolo di vetro e il dispositivo dalla camera al plasma e posizionare il dispositivo con le insenature rivolte verso l'alto sul vetredo allineato utilizzando una guida (Supplemental File 2). Questo creerà un legame permanente tra il PDMS e lo scivolo di vetro e non può essere riposizionato.
- Successivamente tagliare le punte fuori 16, 200 punte di pipetta 2, 2 mm dalla punta. Inserire le punte delle pipette in tutte le prese e le prese. Il dispositivo può essere riposto nel desiccatore sottovuoto a questo punto se non è pronto a seminare le cellule.
- Mettere il dispositivo nella camera al plasma e trattare con plasma per 8 min a 200 W. Dopo che il dispositivo si è raffreddato (5 min) dal trattamento al plasma, posizionalo all'interno di un contenitore secondario sterile, come una scatola trasparente di punta della pipetta. Eseguire il passo successivo entro 15 minuti o l'efficacia del trattamento al plasma può essere ridotta portando all'intasamento.
- Diversi giorni prima dell'esperimento la coltura Petri piatti di 1 x 106 cellule endoteliali (hCMEC/D3-DsRed) e 1 x 106 astrociti (NHA). Mentre il dispositivo è sottoposto al trattamento al plasma da 8 minuti, preparare una soluzione di collagene composta da 0,5 mL di collagene bovino PureCol da 3 mg/mL di tipo I con 64 L di 0,8 M NaHCO3 e 20 L di 10x meM ad alto glucosio (250 mM). Sospendere 5,0 x 105 cellule NHA nella soluzione di collagene. Mantenere la soluzione sul ghiaccio mentre non è in uso.
- Trasferire 120 L della soluzione collagene/astrocita/microglia nel dispositivo attraverso la punta della pipetta per la camera inferiore (Figura 1 Frecce rosse). Lasciare che la soluzione si spini attraverso la camera nella punta di pipetta opposta. Dopo che tutti e quattro i canali del dispositivo sono stati riempiti, posizionare il chip nell'incubatrice di CO2 a 37 gradi centigradi e al 5% di CO2 per 1 h o fino a quando il collagene non si è impostato.
- Dopo i set di collagene, riempire tutte le punte di pipetta alimentando la camera inferiore con una miscela di supporto completo. Per i chip contenenti cellule endoteliali e astrociti, viene utilizzato un mix 50:50 di supporti endoteliali:astrociti.
- Rivestire la camera superiore con 2% fattore di crescita ridotto Matrigel in supporto endoteliale completo utilizzando la punta della pipetta camera superiore (Figura 1 Frecce blu) e posto in incubatrice per 1 ora.
- Risciacquare la camera superiore con la miscela multimediale indicata e alternare quale punta viene testata con celle endoteliali (Figura 1 Frecce verdi). Sospendere 1 x 106 cellule endoteliali in 1 mL di supporti endoteliali e semi 30 L ogni 15 minuti in punte alternate della camera superiore per una copertura uniforme. Seme cellule endoteliali in ogni punta camera superiore due volte, per un totale di 4 volte per camera.
- Dopo la semina finale delle cellule endoteliali, riempire tutte le punte con la miscela multimediale e posizionare il dispositivo nell'incubatrice a 37 gradi centigradi e 5% di CO2,cambiando i supporti in entrambe le camere ogni 12 h.
4. Monitorare la progressione della formazione dello strato endoteliale
- La copertura completa del canale da parte dello strato endoteliale viene osservata dopo 3 giorni. Utilizzare uno dei due metodi per monitorare la copertura della barriera endoteliale: Fluorescenza o TEER. la fluorescenza hCMEC/D3-DsRed e la copertura in base alla percentuale nell'area del canale possono essere quantificate utilizzando ImageJ.
- Aprire il file TIFF in ImageJ rappresentante della barriera hCMEC/D3-DsRed. Nel software ImageJ, fare clic su File > Apri per selezionare il file.
- Unire tutti i livelli z dell'immagine utilizzando l'intensità massima che segue questi comandi e opzioni da tastiera: Immagine > Stack > Progetto > Tutte le sezioni, Intensità massima.
- Eseguire una soglia di colore che sia la stessa su tutti i chip microfluidico valutati utilizzando questo metodo. Per lo studio presentato abbiamo impiegato una soglia di 450. Utilizzate il menu soglia in ImageJ in: Immagine > Regola > Soglia.
- Impostare le misurazioni da registrare utilizzando i seguenti comandi e opzioni: Analizza > Imposta misure > Limite alla soglia, Frazione area.
- Selezionare una regione rappresentativa del canale microfluidico da misurare disegnando una casella. Lo strumento box si trova nel menu principale di ImageJ. Misura 3 repliche tecniche posizionate all'inizio, al centro e alla fine di ogni canale microfluidico utilizzando la stessa dimensione della scatola.
- Analizzare ogni canale e registrare la frazione dell'area, che rappresenta la copertura endoteliale %. Esportare queste misurazioni come file di foglio di calcolo per stampare e visualizzare i dati utilizzando i seguenti comandi: Analizza > Misura.
- In alternativa, utilizzare TEER basato su spettroscopia Impedance per misurare le giunzioni endoteliali strette per area. La quantificazione della barriera endoteliale utilizzando TEER è un proxy per l'integrità dello strato endoteliale come barriera.
- Posizionare due elettrodi nell'ingresso e nella presa delle camere superiore e inferiore.
- Quantificare l'impedenza del monostrato endoteliale come combinazione delle resistenze, induvi e condensate nel chip secondo un modello proposto da Srinivasan et al.28,29.
5. Semina le cellule tumorali nel dispositivo
- Dopo che lo strato endoteliale è maturato, le cellule tumorali del seme nel dispositivo. Preparare una soluzione da 1 mL di 1 x 106 cellule tumorali in supporti completi per le cellule tumorali.
- Scambia i supporti nel chip per ricostituire i nutrienti della coltura cellulare.
- Seni ogni canale della camera superiore con 30 L di cellule tumorali in sospensione e poi ri-ri posto il dispositivo nell'incubatrice per 15 minuti. Semina sempre le cellule tumorali sullo stesso lato di tutti e quattro i canali della camera superiore all'interno di un singolo dispositivo.
- Scambia il dispositivo con nuovi supporti e ricarica i suggerimenti ogni 12 ore fino a quando il dispositivo non viene immagine per il comportamento metastatico.
6. Immagine del micro-ambiente tumorale mediante imaging confocale
- Nel punto di tempo sperimentale desiderato (1, 2 o 9 giorni), utilizzare l'imaging confocale per acquisire un'immagine 3D del canale. Eseguiamo questo passaggio su un Nikon A1 utilizzando le impostazioni descritte di seguito. Questo passaggio è automatizzato e ogni canale richiede 20-40 minuti per l'immagine a seconda di quanti canali fluorescenti sono inclusi e della profondità z necessaria per coprire le posizioni di tutte le cellule.
- Accendere il microscopio, aprire il software e posizionare il coperchio dell'incubatrice al microscopio.
- Impostare il riscaldatore a fase del microscopio su 37 gradi centigradi e CO2 al 5%, se disponibile.
- Dopo che l'incubatrice al microscopio si è stabilizzata, posizionare il dispositivo nello stadio del microscopio utilizzando il supporto di 50 mm x 75 mm.
- Concentrarsi su un lato del dispositivo (a sinistra se da utilizzare con il software di analisi fornito) con un obiettivo 10x e impostare l'altezza di z come zero. Nelle impostazioni dello z-stack, includere un intervallo di 100 m sopra e 200 m sotto il piano di messa a fuoco. Quindi utilizzare l'impostazione di cucitura per impostare il numero di campi X e Y rispettivamente su 1 e 9 con la sovrapposizione del 15%. Impostare il foro steno a forma di foro e l'altezza dello strato z su 9 m. Regolare l'esposizione al campo luminoso in modo che la membrana porosa sia visibile. Accendere i laser di eccitazione per i canali dsRed (561 nm) e GFP (488 nm) e regolare le potenze e i tagli del laser fluorescente in modo che ogni canale sia visibile senza sovraesposire i pixel.
- Verificare che tutti i campi siano a fuoco quando vengono sovrascritti. In tal caso, immettere un nome di file di output (001.nd2) per l'immagine e avviare l'esperimento per acquisire automaticamente l'immagine confocale 3D.
7. Misurare il micro-ambiente tumorale tramite tomografia confocale
- Utilizzare la tomografia confocale un approccio per stimare una serie di metriche e misure che descrivono le singole cellule e il micro-ambiente tumorale all'interno del dispositivo. L'analisi tomografica confocale (Figura 2) converte uno z-stack confocale in una rappresentazione tridimensionale delle celle. Utilizzando uno script pitone personalizzato all'interno dell'ambiente jupyter notebook/laboratorio, un piano viene poi abbinato allo strato di cellule che formano la barriera ematica comemembrana 30. Infine, effettuare misurazioni fenotipi delle popolazioni di cellule tumorali (Tabella 1).
- Eseguire questa analisi alla fine di un esperimento o in un corso di tempo. Installare python e le librerie appropriate secondo la guida software di riferimento, quindi aprire il software dal prompt dei comandi di Windows eseguendo il comando "conda activate", seguito da "jupyter lab". L'ambiente Jupyter verrà caricato all'interno del browser predefinito.
- In Esplora file Jupyter fare doppio clic sul blocco appunti Jupyter "contom.ipynb" per aprirlo. Eseguire la cella sotto il titolo Librerie di importazione, classi/funzioni personalizzate e configurare il blocco appunti facendo clic sulla cella del blocco appunti e quindi sul pulsante di riproduzione. Tutte le celle del blocco appunti riportate di seguito vengono eseguite utilizzando lo stesso approccio. Si noti che qui notebook "cella" si riferisce a un blocco di codice pitone all'interno del blocco appunti Jupyter.
- Preparare i dati. Questo algoritmo utilizza il toolkit di visualizzazione (VTK) per modificare e visualizzare lo z-stack e i dati tridimensionali17.
- Posizionare il file fornito. XLSX ("Experiment Tracker.xlsx") nella stessa cartella windows del blocco appunti Jupyter. Il file tiene traccia degli esperimenti e delle interfacce con il taccuino Jupyter. Posizionare il file ND2 dalla sezione 6 in una sottocartella denominata "'Experiment_XXX'"" sotto il percorso del blocco appunti Jupyter. Ulteriori cartelle di esperimento possono essere aggiunte all'interno regolando il "XXX" per l'ID numerico assegnato alle nuove cartelle.
- Etichettare la prima cartella dell'Experiment_001 """ e il file ND2 "001.nd2". In primo luogo, convertire il file di imaging ND2 in un file TIFF a più immagini cucito separato dal canale di colore. Eseguire questa operazione eseguendo la cella del blocco appunti sotto il titolo "Leggi lo stack z confocale in memoria" con la funzione Save_tiff_from_ND2 () non commento30. Il file ND2 è un formato di imaging proprietario di Nikon, quindi è necessario convertirlo in un formato con cui il software open source è compatibile.
NOTA: il TIFF (Tag Image File Format) viene utilizzato perché è onnipresente, compatibile a 16 bit, facilmente importato in VTK e più immagini possono essere memorizzate in un unico file, che è appropriato per le immagini z-stack. L'esecuzione della cella del blocco appunti leggerà un'immagine dal file ND2, estrarrà le informazioni del colore e le posizioni XY, quindi ma ridimensionerà l'immagine in una matrice numpy in base a una struttura predeterminata. L'array verrà quindi salvato come file TIFF utilizzando il file tifffile della libreria python.
- Convertire i dati di imaging in modello 3D
- Importare il file TIFF in VTK (vtkTIFFReader ) utilizzando un rendering 3D per visualizzare le celle (Figura 2). Selezionare una soglia in base al colore delle celle nell'immagine. Per chiarire, l'oggetto VTK rappresenta un blocco di pixel (X, Y, z) nello spazio (volume), ma solo alcuni pixel (verde o rosso) rappresentano le celle, il resto sono di sfondo o di rumore (nero).
- Pertanto, impostare un filtro di opacità sul volume che rimuove lo sfondo confermare che ciò che rimane fluorescenza è solo le celle. Eseguire questa operazione utilizzando la cella del blocco appunti Jupyter intitolata, Modificare i valori di opacità per ogni canale del microscopio regolando le variabili di valore Channel_alpha (ad esempio, GFP_alpha). Visualizzare l'effetto utilizzando la cella del blocco appunti denominata Visualizza un rendering 3D per verificare che la soglia sia impostata correttamente.
- Salvare i valori di opacità nel foglio di calcolo da utilizzare nel passaggio successivo. Convertire i dati del volume in singoli oggetti 3D, ognuno dei quali rappresenta una cella nell'immagine utilizzando una tecnica denominata cubi31 . Questo algoritmo estrae una mesh poligonale di un isosuperficio da campi scalari discreti tridimensionali di voxel.
- Utilizzare il valore di opacità nell'algoritmo
per separare ogni cella dallo sfondo. Completare questo passaggio per tutte le celle fluorescenti identificate in ogni canale del microscopio eseguendo Converti immagine voxel in una mesh triangolare e salva come file VTK nel blocco appunti.
- Montaggio di un piano alla membrana
- Adattare un piano alla barriera endoteliale individuando innanzitutto i centriidi cellulari (cella del notebook: analizzare il canale RFP (barriera endoteliale)). Scorrere l'elenco mesh nel volume ed estrarre le aree che non sono connesse utilizzando un PolyDataConnectivityFilter da VTK. Calcolare il centroide di ogni mesh e aggiungere la misura a un elenco di centriidi che filtrano per mesh troppo grandi o troppo piccole (<50, >1000000 voxel).
- Adattare un piano all'elenco dei centriidi per le celle endoteliali utilizzando un metodo di minimizzazione dell'errore (cella del notebook: adattare un piano ai centriidi RFP (barriera endoteliale)) (Figura 2, Figura 3)32. Ispezionare l'adattamento del piano tracciando il piano e i centriidi e regolare manualmente se necessario (utilizzando theta, beta e z) eseguendo la cella del notebook denominata Visualizza centriidi RFP e adattamento piano.
- Dopo che il piano è stato montato correttamente, salvare la normale del piano nel file Di monitoraggio dell'esperimento . XLSX per un utilizzo futuro.
- Analizzare le caratteristiche descrittive delle singole cellule tumorali per i seguenti descrittori (Tabella 1).
NOTA: se il computer che esegue l'analisi è in ritardo, l'analisi ad alta velocità effettiva tramite il calcolo ad alte prestazioni è un'opzione. Questo algoritmo è utile sui computer portatili standard per l'analisi di un piccolo numero di celle, tuttavia VTK non è adatto a un gran numero di singoli oggetti (>1000). Pertanto, è facoltativo utilizzare l'algoritmo adattato per funzionare su un cluster di elaborazione ad alte prestazioni. Ciò consente un'analisi rapida degli esperimenti con molte cellule (Figura 2). Tutto il 7.5 viene realizzato eseguendo le celle del notebook denominate Analizza i restanti canali del microscopio per i descrittori fenotipico e Leggi nelle informazioni di Experiment_tracker e analizza i canali esistenti.- Misurare la stravasazione delle cellule tumorali: dopo aver caratterizzato lo strato endoteliale con un piano, misurare il volume di ogni cellula tumorali che è migrata attraverso la membrana. Ritagliare ogni cella (Boolean) in modo che la mesh sotto la membrana venga mantenuta e la porzione sopra la membrana vengarimossa 33. Quindi chiudere la mesh aperta (vtkFillHoles).
- Ricalcolare il normale e il nuovo centroide della mesh ritagliata. Misurare il volume e la posizione di ogni cellula del cancro ritagliata per l'analisi. Il volume è equivalente al numero di voxels i riempimenti mesh di ogni singola cella. Calcolare la distanza tra il piano endoteliale e la posizione di ogni cellula tumorali.
- Misurare il fenotipo cellulare: Calcolare la morfologia di ogni cellula del cancro fattoricando la sua forma, volume e posizione.
- Misurare la stravasazione delle cellule tumorali: dopo aver caratterizzato lo strato endoteliale con un piano, misurare il volume di ogni cellula tumorali che è migrata attraverso la membrana. Ritagliare ogni cella (Boolean) in modo che la mesh sotto la membrana venga mantenuta e la porzione sopra la membrana vengarimossa 33. Quindi chiudere la mesh aperta (vtkFillHoles).
- Convalidare le misure e salvare in un foglio di calcolo o in un grafico. Eseguire la cella del blocco appunti denominata Controllare che i centriidi siano stati misurati in modo accurato e verrà visualizzato un rendering che mostra i centriidi identificati sopra il volume immagine per tipo di cella. Dopo aver eseguito tutti gli esperimenti, esportare il set di dati completo come singolo file di foglio di calcolo digitando gli esperimenti da includere in BASE all'ID nella cella del blocco appunti denominata Esporta i dati come singolo file Data.XLSX per le variabili sperimentando la sostituzione degli ID esperimento forniti. Se verificare il set di dati completato, stamparlo utilizzando la cella del blocco appunti denominata Distanza stravasata. Il grafico verrà visualizzato nell'ambiente del blocco appunti e verrà salvato su file.
8. Analizzare le caratteristiche correlate utilizzando l'Intelligenza Artificiale
NOTA: identificare le caratteristiche fenotiptiche metastatiche utilizzando algoritmi di intelligenza artificiale.
- Eseguire la classificazione binaria utilizzando Orange in base allo schema illustrato nella Figura 5 e File supplementare 3. Avviare Orange da un secondo prompt dei comandi di Windows digitando "conda activate" seguito da "python -m Orange.canvas" e fare clic su Nuovo dal prompt dei comandi. Orange è un software basato sul trascinamento della selezione, quindi organizza le funzioni trascinando ogni elemento dal menu a sinistra sull'area di disegno in modo che corrisponda al file supplementare 3. Al termine, fare doppio clic sull'icona File e selezionare il file Data.XLSX.
- Filtrare i dati per rimuovere le misure non riuscite, definite come quelle che non hanno superato un'operazione booleana o dando valori di variabile parametrici al di fuori dei limiti noti utilizzando l'icona "Seleziona righe". Fare doppio clic sull'icona e impostare le condizioni che corrispondono al filtro, ad esempio "Sphericity è compreso tra 0 e 1". Creare le condizioni per 8.2.1, 8.2.2 e 8.2.3.
- Filtrare le misure extravasate della distanza per variare da -100-200 m.
- Filtrare le misure di sfericità della forma della cella nell'intervallo da 0 a 1.
- Filtrare le misurazioni del volume delle cellule tumorali in modo da 0 a 2000 voxel.
- Utilizzare tutte le variabili parametriche (Tabella 1) per classificare l'assistente al debug gestito metastatico del cervello-MB-231-BR-GFP e l'MDA metastatico non cerebrale-MB-231-GFP. Fare doppio clic sull'icona Seleziona colonne nell'area di disegno. Utilizzando il pulsante > per spostare le variabili disponibili in Feature, Variabili didestinazione o Meta Attributi. L'unica variabile che deve essere una variabile di destinazione è un'etichetta metastatica che definisce se le celle nel set di dati sono considerate metastatiche (1) o meno (0). Le variabili dell'esperimento possono essere inserite nella sezione Meta Attributes.
- Campionare i dati in un training (80%) e set di test (20%). Fare doppio clic sull'icona Campionatore di dati e selezionare un Tipo di campionamento Percentuale fissa di dati: impostato su 80% e selezionare le caselle di controllo replicabili e stratificabili. Stratificare e convalidare il set di training usando 10 pieghe su ogni modello/classificatore. Fare doppio clic su Test e punteggio e selezionare Convalida incrociata con Numero di pieghe: impostato su 10 e Stratificato selezionato. Impostare la classe di destinazione su 1.
- In questo metodo, utilizzare reti neurali e algoritmi di apprendimento della foresta casuale in quanto sono robusti per i dati. All'interno dell'icona Foresta casuale, scegliere il numero di alberi da 50 e non selezionare altre opzioni. All'interno dell'icona Rete neurale scegliere Neuroni per layenascosto r: 100, Attivazione: ReLu, Risolutore: Adam, Alpha: 0.0001e Max Iterations: 200. Tuttavia, queste impostazioni variano in modo significativo a seconda dello studio e devono essere ben comprese prima dell'applicazione.
- Dopo aver impostare l'area di disegno fare doppio clic su ogni icona da File a Dati di esempio e premere Applica o Invia dati. Fare doppio clic su Test e punteggio e i dati di training inizieranno a essere usati per sviluppare un modello usando gli algoritmi. Dopo aver eseguendo il training del modello di apprendimento automatico, riaprono Test & Score e seleziona Test su dati di test e chiudi la finestra popup per segnare le prestazioni del modello classificando le celle nel chip in base alla probabilità che siano metastatiche del cervello da 0 a 1.
- Salvare le prestazioni del modello di apprendimento automatico in un file (Tabella 2). Includere l'area sotto la curva (AUC) del ROC, la precisione e il punteggio F1. Salvare un secondo file contenente i singoli indici metastatici e le probabilità di classificazione. Fare doppio clic sull'icona Salva e fare clic su Salva con nome per scrivere in file le probabilità di classificazione. Analogamente, la curva ROC può essere visualizzata facendo doppio clic sull'icona Analisi ROC e le prestazioni del modello possono essere calcolate facendo doppio clic sull'icona Matrice confusione.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Utilizzando questa tecnica, abbiamo analizzato i tipi di cellule etichettati con diverse proteine fluorescenti o coloranti. Dimostriamo l'uso di questo approccio con un chip mBBN formulato con astrociti hCMEC/D3-DsRed e non fluorescenti. Le cellule endoteliali microvascolari cerebrali sono state seme su una membrana porosa (5 pori incisi) e collocate in un'incubatrice34 a 37 gradi centigradi sotto il 5% di CO2. Dopo tre giorni la confluenza dello strato endoteliale è stata confermata tramite microscopia e quindi le cellule tumorali sono state poste sopra lo strato endoteliale. Due linee cellulari del cancro al seno, un clone in cerca di cervello chiamato MDA-MB-231-BR-GFP, e cellule parentali MDA-MB-231-GFP sono stati i inserisci nel chip di mBBN contenente una nicchia cerebrale astrocitica35,36,37,38,39,40,41. I chip di mBBN sono stati riferibili a 1, 2 e 9 giorni utilizzando un microscopio confocale con 3 canali (dsRed, GFP e Brightfield) utilizzando un obiettivo 10x, con fette di z ogni cuciture di 9 m e 1x9 XY per coprire l'intera area della membrana. Questo microscopio ha mantenuto una temperatura di 37 gradi centigradi durante il processo di imaging per ridurre al minimo lo stress sulle cellule.
Viene mostrata un'immagine rappresentativa di un chip completo di mBBN (Figura 3A) e di una copertura endoteliale ( Figura3B-D). Le barriere endoteliali con copertura elevata e bassa sono quantificate per accertare che i chip di mBBN siano adatti per l'aggiunta di cellule tumorali (Figura 3B). Vengono fornite immagini rappresentative di un chip di mBBN con una barriera endoteliale confluente accettabile per la sperimentazione (Figura 3C) e di un chip di mBBN con una copertura endoteliale particolarmente scarsa che non è adatta per l'aggiunta di cellule tumorali (Figura 3D). La tastruzione a lungo termine delle cellule endoteliali può portare a una copertura che si estende oltre la membrana che separa le camere di chip di zmBBN superiore e inferiore. Le cellule endoteliali spesso crescono sia sopra che direttamente sotto la membrana, che non influisce sul movimento delle cellule tumorali nello spazio di nicchia del cervello, ma può rendere difficile l'adattamento del piano. A causa della variabilità della fabbricazione del chip mBBN e della copertura endoteliale della membrana, vengono visualizzati piani rappresentativi adatti a una normale barriera endoteliale piatta (Figura 3E) e una membrana curva atipica (Figura 3F). L'essiccazione del dispositivo in forno a una temperatura superiore a 40 gradi centigradi può causare una membrana curva come mostrato.
Abbiamo osservato differenze fenotipiche dell'MDA-MB-231-BR-GFP e della linea cellulare MDA-MB-231-GFP dei genitori quando abbiamo incontrato la linea cellulare astrocitica che sono state quantificate utilizzando l'analisi tomografica confocale sviluppata. I 4 descrittori fenotipi utilizzati per l'input nell'algoritmo di apprendimento automatico (Tabella 1) sono visualizzati nella Figura 4.
Distanza stravasata rappresenta la distanza in m tra la barriera endoteliale e ogni posizione delle cellule tumorali nel chip mBBN (Figura 4A). La barriera endoteliale si trova a 0 m. Le distanze <0 m rappresentano le cellule tumorali che sono rimaste nella camera di flusso. Le distanze >0 m indicano le cellule tumorali che hanno stravasato attraverso la barriera endoteliale ed sono entrate nello spazio di nicchia del cervello. Dopo 1 giorno di esposizione all'MBBN, sia MDA-MB-231-BR-GFP che MDA-MB-231-GFP sono stati posizionati all'interno della barriera endoteliale. Tuttavia, dopo 2 e 9 giorni di interazione un sottoinsieme dell'MDA-MB-231-BR-GFP migrato >100 m nella nicchia cerebrale astrocitica, mentre le cellule MDA-MB-231-GFP parentali sono rimaste in prossimità della barriera endoteliale. Abbiamo risolto le posizioni delle cellule tumorali all'interfaccia di nicchia barriera endoteliale/cervello calcolando il volume di ogni cellula cancerosa che è passata attraverso la barriera endoteliale. La percentuale risultante rappresenta la cellula oncologica stravasata per volume (Figura 4B). Uno 0% stravasato dal volume cellulare indica le cellule tumorali che rimangono in cima alla barriera endoteliale, che vanno al 100% quando una cellula cancerostrutta ha completamente stravasato attraverso la barriera endoteliale e risiede nello spazio di nicchia del cervello. Le cellule MDA-MB-231-GFP parentali interagiscono inizialmente con la barriera endoteliale dopo 1 giorno di esposizione al chip di mBBN che sono stati <50% stravasati per volume. A 2 e 9 giorni le cellule MDA-MB-231-GFP mantengono una percentuale sostanziale di cellule che sono rimaste in cima alla barriera lontano dallo spazio di nicchia del cervello. Le cellule MDA-MB-231-BR-GFP hanno mantenuto una proporzione di celle che erano >100% stravasate, soprattutto nel punto di tempo di 2 giorni.
La forma delle cellule tumorali è cambiata drasticamente per tutta la durata dell'esposizione al Le immagini rappresentative delle cellule tumorali in ogni punto di tempo sono raffigurate nella Figura 4C. La quantificazione morfologica della forma della cellula del cancro è stata calcolata utilizzando la sfericità, che rappresenta il volume delle cellule e la superficie (Figura 4D). La metrica della sfericità varia da 0 a 1, con 1 che rappresenta una sfera perfetta. Entrambe le cellule MDA-MB-231-BR-GFP e MDA-MB-231-GFP erano altamente sferiche dopo il semina post nel chip .mBBN. Dopo 2 e 9 giorni di interazione nel chip di mBBN, entrambe le linee cellulari tumorali tendevano a diminuire la loro forma sferica, anche se a tassi diversi. Oltre alla forma delle cellule tumorali, il volume nei voxel di ogni cellula tumorali viene quantificato anche utilizzando l'analisi tomografica confocale. Ogni linea cellulare del cancro è stata stratificata in due gruppi nella Figura 4E-F: "out", che rappresenta le cellule tumorali che transitano attraverso la barriera endoteliale (>90% stravasated attraverso la barriera) e "in", la popolazione di cellule che interagiscono con la barriera endoteliale ma non stravasate attraverso (<90% stravasated). Le sottopopolazioni delle cellule tumorali che si sono stravasate nella nicchia astrocitica erano di dimensioni inferiori rispetto alle cellule tumorali che sono rimaste in interazione con la barriera endoteliale ma non hanno completamente stravasato attraverso il cervello.
L'MDA-MB-231-BR-GFP alla ricerca del cervello ha rivelato un modello fenotipico nei chip di MDA-MB-231-GFP che possono essere sfruttati per distinguere tra cellule tumorali metastatiche metastatiche del cervello e non cerebrali utilizzando l'apprendimento automatico. I dati sono stati separati in modo casuale in set di dati di training e convalida per eseguire il training del modello ed eseguire test di convalida. Per eseguire il training del modello, dopo aver filtrato i dati sono state utilizzate complessivamente 38.859 celle e il modello è stato testato su 9.714 singole celle. Il modello addestrato è stato applicato alle linee cellulari tumorali e alle cellule tumorali generate da PDX che sono state analizzate nei chip astrocitici di mBBN (4 isolati dalle metastasi cerebrali dei pazienti di una varietà di tipi di tumore primario e 1 tumore primario del cancro al seno) per generare un indice di probabilità metastatica cerebrale (Figura 5). Sono stati testati otto diversi metodi di classificazione dell'apprendimento automatico: bayes Naàve, foresta casuale, albero delle decisioni, k-nearest-neighbor (kNN), discesa del gradiente stocastico, rete neurale e Adaboost. Il risultato di ciascun metodo è illustrato nella tabella 2. Rete neurale e Adaboost sono stati i 2 metodi di classificazione con le migliori prestazioni che sono raccomandati per l'uso con i dati generati utilizzando la piattaforma di mBBN con un AUC di 0.920 e 0.928, rispettivamente. Inoltre, hanno mostrato una precisione di 0.833 e 0.853. La media di precisione e richiamo (F1) per la rete neurale e i metodi Adaboost era di 0,847 e 0,860. Dal lavoro precedente in cui abbiamo applicato questo approccio a campioni PDX di tumore al seno non metastatico e campioni metastatici noti (seno, polmone, ovarico, lingua) abbiamo scoperto che lo stesso approccio applicato ai campioni PDX ha permesso l'identificazione accurata delle cellule metastatiche da quelle non metastatiche. La tabella 2 mostra i risultati per ogni algoritmo di apprendimento automatico applicato ai dati PDX in cui gli stessi metodi si sono dimostrati i più robusti (rete neurale e Adaboost (Foresta casuale). Delle 143 cellule utilizzate nel set di test per i campioni PDX, 71 erano non metastatiche, 46 erano seno metastatico, 11 erano lingua metastatica, 13 erano polmoni metastatici e 2 erano ovaie metastatiche. Ogni tipo di cellula ha prodotto una precisione complessiva di 0,88 ma l'individuo ha avuto le seguenti precisione approssimative: seno non metastatico: 0,96, seno metastatico: 0,80, lingua metastatica: 0,80, polmone metastatico: 0,92, ovarico metastatico: 1,0
Figura 1: flusso di lavoro sperimentale. (A) Rappresentazione schematica del processo di assemblaggio del dispositivo microfluidico. Un filatore viene utilizzato per depositare una sottile pellicola di colla PDMS:toluene su uno scivolo di vetro 50 mm x 75 mm. Ogni metà del dispositivo mBBN viene stampata lato canale rivolto verso la colla e quindi assemblato con una membrana in policarbonato (5 pori di m) tra le parti del dispositivo . I dispositivi di 37 smBBN vengono collocati in un forno da 37 gradi centigradi per 24 h per curare la colla. I dispositivi vengono poi essiccati in un desiccatore sottovuoto per almeno 48 h prima dell'uso sperimentale. Un dispositivo mBBN e uno scivolo di vetro da 50 mm x 75 mm vengono attivati con un trattamento al plasma e uniti. Le pipette P200 standard tagliate alle punte vengono inserite in tutte le prese e prese del dispositivo . Il dispositivo completato di mBBN viene poi sterilizzato con un trattamento al plasma da 8 min (200 W) e quindi trasferito in un contenitore secondario sterile. (B) Panoramica schematica dell'utilizzo dell'impalcatura del dispositivo microfluidico per creare una barriera elettro-lica cellulare e micro-ambiente di nicchia cerebrale. All'interno di un armadio di biosicuità, una miscela di astrociti nel collagene viene seme nella camera del dispositivo di base mBBN e permesso di solidificare per 1 h a 37 gradi centigradi. Il matrigel viene utilizzato per rivestire la membrana attraverso la camera di flusso superiore per 1 h a 37 gradi centigradi. Quindi le cellule endoteliali vengono seme in una punta della camera superiore e possono fluire e accontentarsi di 15 min. Questo seme è ripetuto x4, alternando i lati della camera di flusso. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.
Figura 2: Panoramica dell'analisi tomografica confocale. Il software inizia convertendo un'immagine microscopica confocale confocale dello stack z in un modello 3D delle cellule utilizzando la segmentazione e le mesh 3D. Il programma calcola quindi la posizione centrale di ogni cella (centroide) e adatta un piano alla barriera endoteliale. Le misurazioni fenotipi di ogni singola cellula vengono quindi tabulate. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.
Figura 3: Copertura della barriera endoteliale e montaggio del piano. (A) Schema rappresentativo e immagine di un dispositivo .mBBN. La linea bianca tratteggiata all'interno dello schema della vista superiore indica l'area del dispositivo rappresentata nella vista in sezione trasversale. (B) Confronto della copertura endoteliale elevata e bassa dei dispositivi di mBBN prima dell'applicazione delle cellule tumorali. Test t a due campioni di Welch, p < 0,1 -10-4. (C) Immagine rappresentativa di alta copertura endoteliale. La casella bianca tratteggiata all'interno dello schema interno di un dispositivo mBBN indica la posizione delle celle endoteliali all'interno del dispositivo. Scale barre di panoramica e immagini indottate - 200 m . (D) Immagine rappresentativa di bassa copertura endoteliale. Scale bars of overview and inset images - 200 m. (E) Adattamento del piano di esempio di una barriera endoteliale piatta. Il rettangolo verde rappresenta la posizione del piano endoteliale. I punti rappresentano singole celle endoteliali che comprendono la barriera. I punti gialli sono celle endoteliali sopra il piano e i punti viola sono celle che cadono sotto il piano. Le cellule endoteliali sopra il piano (punti gialli) mostrano una tendenza a crescere le pareti laterali e la parte superiore del dispositivo per formare un tubo. (F) Adattamento del piano di esempio di un dispositivo smBBN con un piano curvo. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.
Figura 4: Quantificazione dei fenotipi cellulari dei fenotipi delle cellule cerebrali e parentali nei chip microfluidico di nicchia del cervello del sangue astrocitico. (A) Striscia traccia della distanza in m di cellule tumorali dalla barriera endoteliale a 1, 2 e 9 giorni. La linea nera tratteggiata a 0 m rappresenta la barriera endoteliale. Le caselle rosse indicano un sottoinsieme di cellule MDA-MB-231-BR-GFP che migravano lontano nella nicchia cerebrale. (B) Trama di violino del volume totale percentuale di cellule tumorali stravasate attraverso la barriera endoteliale a 1, 2 e 9 giorni. Le linee tratteggiate brevi rappresentano quartili, una linea tratteggiata più lunga rappresenta la media. (C) Immagini rappresentative della morfologia delle cellule tumorali nel dispositivo .mBBN. Barra di scala - 25 m. ( D ) Trama diviolinodella sfericità delle cellule tumorali nel dispositivo di mBBN a 1, 2 e 9 giorni. Sphericity varia da 1: sferico a 0: non sferico. (E) Box plot del volume delle celle MDA-MB-231-GFP nel dispositivo smBBN in voxel per le celle che si trova al di fuori della barriera endoteliale (out) e delle cellule che hanno superato la barriera (in). (F) Box plot del volume delle celle MDA-MB-231-BR-GFP nel dispositivo smBBN in voxel per le celle che riposie al di fuori della barriera endoteliale (out) e delle celle che hanno superato la barriera (in). La scatola mostra i quartili e baffi si estendono per mostrare la proporzione della gamma interquartile oltre i quartili bassi e alti. Coppia Wilcoxon Rank Sum e Kruskal-Wallis con i confronti multipli di Dunn, p < 0.1-10 -4. Riprodotto dal riferimento24 con il permesso della Royal Society of Chemistry. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.
Figura 5: Risultati rappresentativi della classificazione dell'apprendimento automatico delle cellule tumorali. (A) Panoramica dell'apprendimento automatico. Viene illustrato il processo di suddivisione dei dati raccolti dalla tomografia confocale, il filtraggio dei dati, il training dell'algoritmo di apprendimento automatico utilizzando la convalida 10 volte e quindi il test del modello rispetto a un campione casuale del 20% dei dati riservati. Il modello selezionato può quindi essere applicato ai nuovi dati per raccogliere l'indice metastatico delle singole celle. (B) Curve ROC che mostrano le prestazioni di 8 diversi algoritmi di apprendimento automatico per la coltura delle cellule MDA-231-BR-GFP e MDA-231-GFP per 1, 2 e 9 giorni prima dell'imaging. Questo è rappresentativo del tipo di curva da analizzare per comprendere le prestazioni del modello sottoposto a training. (C) Curve ROC per 8 diversi algoritmi di apprendimento automatico applicati alle cellule dissociate di xenotrapianto derivate dal paziente (PDX) per 2 giorni. Questo è rappresentativo del tipo di curva da analizzare per comprendere le prestazioni del modello sottoposto a training. Riprodotto dal riferimento24 con il permesso della Royal Society of Chemistry. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.
| Funzionalità | Descrittore |
| Cellula tumorale | % stravasati nella nicchia |
| Cellula tumorale | Volume |
| Cellula tumorale | Sfericità |
| Cellula tumorale | Distanza stravasata |
| Cellula tumorale | Migrazione 2D delle celle in tempo reale |
| Micro-metastasi | Porosità |
| Micro-metastasi | Interazione stromalale |
| Micro-metastasi | Età |
| Micro-metastasi | Tasso di crescita |
| Cellula stromalale | Volume |
| Cellula stromalale | Distanza dalle cellule tumorali vicine |
| Cellula stromalale | Distanza dalla barriera endoteliale |
| Cellula stromalale | Forma |
Tabella 1: elenco dei descrittori per tipo di feature. La caratterizzazione fenotipico delle cellule tumorali è rappresentata utilizzando un pannello di descrittori. La casella rossa indica i descrittori che sono stati utilizzati per prevedere la probabilità metastatica del cervello tramite l'apprendimento automatico.
| Cellule tumorali | |||
| Metodo | Auc | Precisione | F1 |
| Rete neurale | 0.925 | 0.84 | 0.847 |
| AdaBoost | 0.928 | 0.853 | 0.86 |
| Foresta casuale | 0.925 | 0.849 | 0.855 |
| Albero delle decisioni | 0.898 | 0.817 | 0.827 |
| kNN | 0.775 | 0.702 | 0.718 |
| Regressione logistica | 0.769 | 0.735 | 0.751 |
| Naàve Bayes | 0.745 | 0.715 | 0.73 |
| Sgd | 0.73 | 0.73 | 0.737 |
| CELLULE tumorali PDX | |||
| Metodo | Auc | Ca | F1 |
| Rete neurale | 0.972 | 0.881 | 0.878 |
| Foresta casuale | 0.964 | 0.888 | 0.887 |
| AdaBoost | 0.957 | 0.881 | 0.879 |
| Albero | 0.954 | 0.867 | 0.865 |
| Regressione logistica | 0.897 | 0.832 | 0.831 |
| Naàve Bayes | 0.896 | 0.846 | 0.849 |
| kNN | 0.882 | 0.818 | 0.814 |
| Sgd | 0.861 | 0.86 | 0.853 |
Tabella 2: Confronto dei metodi di apprendimento automatico per classificare le cellule tumorali e le cellule tumorali PDX in base al potenziale metastatico cerebrale.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Abbiamo sviluppato e presentato un nuovo metodo che adatta gli strumenti spesso utilizzati nelle analisi di imaging clinico per la misurazione della stravasazione e la migrazione delle cellule tumorali attraverso una barriera endoteliale nel tessuto cerebrale. Pongono questo approccio può essere utile sia per le misurazioni in vivo che in vitro; abbiamo dimostrato il suo uso su un sistema microfluidico 3D che ricapitola la vascolatura cerebrale. Le misurazioni delle cellule tumorali, tra cui la distanza stravasata, la percentuale stravasata per volume, sfericità e volume sono quantificate utilizzando questa tecnica. Distanza stravasata e percentuale stravasata dal volume consentono all'utente di ricostruire la posizione delle cellule tumorali all'interno del chip per valutare la stravasazione attraverso la barriera e la migrazione all'interno del tessuto. Le misure della forma delle cellule come la sfericità e il volume sono correlate ai movimenti dinamici o alla funzione della cellula in ogni punto di tempo. Le cellule migratorie MDA-MB-231-BR-GFP presentano un alto livello di sfericità quando vengono inizialmente introdotte nel dispositivo mBBN e diventano meno sferiche in quanto diminuiscono il loro movimento e iniziano a colonizzare la nicchia. Il volume complessivo delle cellule dell'MDA-MB-231-GFP e dell'MDA-MB-231-BR-GFP differiva a causa della differenza di forma delle linee cellulari. Le cellule tumorali che attraversano la barriera endoteliale sono più arrotondate rispetto alle cellule che non attraversano la barriera, quindi le cellule rotonde più piccole possono essere in grado di stravasare attraverso lo strato endoteliale in modo più efficiente.
All'interno del protocollo esistono due passaggi critici che facilitano il successo. Il primo si verifica durante l'assemblaggio delle parti superiori e inferiori del dispositivo mBBN che sono separate dalla membrana porosa. Le parti del dispositivo superiore e inferiore devono essere accoppiate in modo che le insenature e le prese si sovrappongano, ma non siano occluse dalla membrana in mezzo per promuovere un corretto flusso. Tutti i dispositivi mBBN con scarso accoppiamento delle parti del dispositivo superiore e inferiore o l'allineamento della membrana vengono scartati per ridurre al minimo le fluttuazioni di qualità. La successiva cottura per curare la colla PDMS:toluene per assemblare il dispositivo è fondamentale per eseguire a 37 gradi centigradi per produrre dispositivi di mBBN con membrane piatte. Le temperature di cottura che superano i 37 gradi centigradi tendono a produrre dispositivi con una membrana curva che rende difficile l'analisi dell'immagine, soprattutto quando si monta un piano alla barriera endoteliale. Il secondo passo critico si verifica durante la semina della barriera endoteliale. Le seminanze devono avvenire ad intervalli di almeno quindici minuti tra le due insenature che alimentano la parte superiore del dispositivo per garantire la distribuzione casuale delle cellule endoteliali sulla membrana del dispositivo. La semina della miscela di collagene contenente astrociti nel chip può richiedere la risoluzione dei problemi e la modifica del protocollo specifico del laboratorio. Se la superficie della membrana del dispositivo non è idrofobica, il collagene riempirà sia la parte inferiore che quella superiore del dispositivo e verrà impostato in modo che intasa tutti i flussi attraverso la parte superiore del dispositivo. Lo scopo del trattamento finale del gas al plasma è quello di rendere la superficie del dispositivo idrofobica. In questo caso, si consiglia di regolare il trattamento del gas plasma del dispositivo per aumentare l'idrofobicità.
Abbiamo osservato alcune limitazioni con questo approccio. Ad esempio, l'approccio utilizzato per indurre la fluorescenza cellulare può influire sulla qualità dell'imaging. Quando si utilizzano coloranti di tracciamento delle cellule vive, il modello fluorescente è costituito da piccole macchie, mentre l'espressione trasfetta o trasdutta di fluorofori produce un modello uniforme. Il modello di spotty richiede un clustering aggiuntivo e talvolta soggetto a errori dei pixel. Inoltre, la sensibilità della misurazione dipende dalla cura durante l'imaging. Immagini con risoluzione più alta e più sezioni z migliorano la risoluzione, ma richiede anche più tempo per l'immagine e l'analisi. Le celle che toccano possono anche essere analizzate in modo errato come una singola cella di grandi dimensioni. Questo è un problema per molti sistemi di imaging automatizzati, ma può essere affrontato in due modi. Il primo è che lo strato endoteliale ha molte cellule che toccano, ma la loro combinazione ha un impatto trascurabile sulla posizione finale del piano di taglio. Il secondo è il numero di cellule tumorali è abbastanza basso che è raro che stanno toccando. Gli errori introdotti durante il montaggio del piano possono verificarsi per diversi motivi. La prima è che alcune cellule endoteliali potrebbero essere migrate lontano dalla membrana centrale durante la coltura cellulare. Questo può causare cellule endoteliali che ricopreno l'intero canale o invadono lo spazio riempito di collagene, inclinando così la misurazione. Un'altra fonte di errore è, paradossalmente, la regolazione manuale del piano per correggere l'errore precedente. Tuttavia, gli studi di ripetibilità e riproducibilità hanno trovato questo per avere un impatto minimo. Infine, abbiamo osservato che in determinate circostanze il taglio booleano della mesh cellulare potrebbe non riuscire o l'algoritmo per chiudere la mesh di taglio potrebbe anche fallire. Le tecniche utilizzate qui sono l'attuale "stato dell'arte", e questi problemi sono attualmente affrontati da scienziati algoritmici.
I risultati del training degli algoritmi di apprendimento automatico (AI) sui dati raccolti dalla tomografia confocale dello zmBBN dimostrano che il numero considerevole di singole cellule analizzate da questo approccio può aiutare ad affrontare i problemi di acquisizione dell'eterogeneità riscontrati nelle cellule tumorali. Un AUC maggiore di 0,9 è considerato un classificatore ad alte prestazioni. Qui abbiamo dimostrato un AUC di 0.928. Ci aspettiamo che, man mano che il metodo è migliorato, le prestazioni continueranno ad aumentare. Come per tutti i metodi di intelligenza artificiale, è necessario fare attenzione a selezionare attentamente il set di dati di training in modo che rappresenti ampiamente il tipo di dati che si prevede devono essere testati. Per questo motivo, ci si può aspettare che le prestazioni si degradano, se il modello è stato applicato direttamente ai campioni di pazienti, ad esempio senza prima esporre il modello a una solida collezione di campioni di pazienti. Lo dimostriamo qui in una certa misura includendo misurazioni di 1 giorno, 2 giorni e 9 giorni per le cellule tumorali nel modello rispetto al giorno di 2 giorni utilizzato per il lavoro precedente. Osserviamo che l'ampio campionamento riduce leggermente le prestazioni del modello e mostra quanto possano essere sensibili alcuni dei metodi con prestazioni più povere, suggerendo così che gli utenti potrebbero voler testare diversi modelli sui propri dati. La tabella 2 che descrive i risultati PDX mostra una buona performance complessiva. Tuttavia, i singoli tipi di PDX dimostrano che la proporzione di cellule misurate da ciascun campione differisce e può influenzare le prestazioni per ogni sito di origine. Ad esempio, il campione ovarico ha prodotto solo due celle per il set di test. Al contrario, il cancro al seno metastatico che aveva una popolazione più grande. Questo set di dati aveva lo scopo di dimostrare che le cellule sopravvivono nella nicchia e possono essere analizzate, ma evidenzia anche la necessità di cure interpretative. Le alterazioni della variabile bersaglio possono anche guidare i ricercatori nell'identificare i sottonoti con altri tratti, come le interazioni con le cellule tropiche o il comportamento quiescente.
Questo approccio è importante in quanto sempre più laboratori adottano sistemi di membrana su un chip come la barriera ematica dell' cervello su un chip, il polmone su un chip e l'intestino su un chip11,42. La maggior parte di questi chip sono assemblati in modo che la membrana sia parallela al sistema di imaging, che fino ad ora ha significato che sarebbe difficile misurare quando e quante cellule si sono spostate da un lato della membranaall'altro 15,28. Inoltre, rispetto ai chip orientati orizzontalmente, i chip orientati verticalmente forniscono un'area di membrana molto più ampia aumentando la gamma dinamica dell'esperimento. Inoltre, poiché l'orientamento della membrana non è critico per questa tecnica di analisi, la tomografia confocale potrebbe potenzialmente consentire nuovi esperimenti in vitro. Per esempio, l'imaging della stravasazione delle cellule del cancro al seno dal cuscinetto di grasso murino nel flusso sanguigno sarebbe raggiungibile con questi metodi. Questo potrebbe aiutare i ricercatori a identificare il modo in cui le cellule tumorali sondano l'interfaccia tra l'ECM del seno e il vaso.
In conclusione, abbiamo presentato una metodologia per costruire un dispositivo microfluidico 3D che ricapitola la nicchia del cervello del sangue e dimostrare come utilizzare la tomografia confocale e l'apprendimento automatico per l'analisi. Utilizzando questa piattaforma, abbiamo identificato le caratteristiche delle cellule tumorali metastatiche del cervello che distinguo tra cellule tumorali PDX metastatiche e non metastatiche del cervello in base al loro comportamento all'interno del dispositivo .mBBN. Il lavoro futuro migliorerà l'applicabilità clinica di questa piattaforma come diagnostica verso la previsione delle metastasi cerebrali. Crediamo che aver presentato questa piattaforma sarà utile e interessante per i laboratori che hanno bisogno di misurare le cellule di qualsiasi tipo di migrazione o stravasazione attraverso una membrana. Questo è importante come modelli pre-clinici del micro-ambiente tumore diventano sempre più sofisticati così da deve l'ingegneria dei modelli e software di supporto. Per facilitare una solida analisi dei dati abbiamo confezionato questo strumento come un semplice da usare, condiviso blocco appunti pitone con istruzioni di installazione30.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Non ci sono divulgazioni da dichiarare.
Acknowledgments
Ringraziamo lo Steeg Lab, del National Cancer Institute per la generosa donazione di cellule MDA-MB-231-BR-GFP. La microscopia confocale è stata eseguita presso l'Istituto Biointerfaces dell'Università del Michigan (BI). La citometria del flusso è stata eseguita presso l'University of Michigan Flow Cytometry Core. I vettori virali sono stati creati dall'Università del Michigan Vector Core. Ringraziamo anche Kelley Kidwell per la guida nell'analisi statistica di questi dati.
Finanziamento:
C.R.O. è stato parzialmente supportato da una NIH T-32 Training Fellowship (T32CA009676) e 1R21CA245597-01. T.M.W. è stato parzialmente supportato da 1R21CA245597-01 e dal National Center for Advancing Translational Sciences del National Institutes of Health sotto il numero premio UL1TR002240. Il finanziamento per i materiali e la caratterizzazione è stato fornito dal National Cancer Institute of the National Institutes of Health con il numero premio 1R21CA24597-01, P30CA046592, 5T32CA009676-23, CA196018, AI116482, METAvivor Foundation e la Breast Cancer Research Foundation. Il contenuto è esclusivamente di competenza degli autori e non rappresenta necessariamente le opinioni ufficiali dei 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 |
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).
