Een geïntegreerde Raman-spectroscopie en massaspectrometrie platform voor het bestuderen van de opname van één cel drug, metabolisme, en effecten

Biochemistry
 

Summary

Dit protocol presenteert een geïntegreerde Ramanspectroscopie-massaspectrometrie (MS) platform dat is geschikt voor het bereiken van één-cel resolutie. Raman-spectroscopie kan worden gebruikt om cellulaire reactie op drugs te bestuderen, terwijl MS kan worden gebruikt voor gerichte en kwantitatieve analyse van de opname van geneesmiddelen en metabolisme.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Ali, A., Abouleila, Y., Germond, A. An Integrated Raman Spectroscopy and Mass Spectrometry Platform to Study Single-Cell Drug Uptake, Metabolism, and Effects. J. Vis. Exp. (155), e60449, doi:10.3791/60449 (2020).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Cellen zijn bekend dat ze inherent heterogeen zijn in hun reacties op drugs. Daarom is het essentieel dat de heterogeniteit van één cel wordt verantwoord in onderzoeken naar geneesmiddelen ontdekking. Dit kan worden bereikt door het nauwkeurig meten van de overvloed aan cellulaire interacties tussen een cel en drug op het niveau van één cel (dat wil zeggen, drug opname, metabolisme, en effect). Dit artikel beschrijft een single-cell Ramanspectroscopie en massaspectrometrie (MS) platform om metabolische veranderingen van cellen in reactie op drugs te controleren. Met behulp van dit platform, metabole veranderingen in reactie op het medicijn kan worden gemeten door Raman-spectroscopie, terwijl de drug en de metaboliet kan worden gekwantificeerd met behulp van massaspectrometrie in dezelfde cel. De resultaten suggereren dat het mogelijk is om toegang te krijgen tot informatie over de opname van de drug, metabolisme, en reactie op een eencellige niveau.

Introduction

Cellen reageren verschillend op veranderingen in hun micro omgeving op het eencellige niveau, een fenomeen dat cellulaire heterogeniteit1wordt genoemd. Ondanks dit, huidige Drug Discovery studies zijn gebaseerd op de gemiddelde metingen van de celpopulaties, die verdoezelen informatie over mogelijke subpopulaties, alsmede eencellige variaties2. Deze ontbrekende informatie kan verklaren waarom sommige cellen zijn gevoeliger voor drugs, terwijl anderen resistent zijn. Belangwekkend, het ontbreken van eencellige informatie over drug Response is een mogelijke reden voor het falen van fase II klinische proeven van drugs3. Daarom, om dit probleem op te lossen, cellulaire interacties met de drug (dat wil zeggen, opname, metabolisme, en reactie) moet worden gemeten op het niveau van de eencellige.

Om dit te bereiken, hebben we een uniek systeem ontworpen waarin levende enkelvoudige cellen worden gescreend met behulp van label vrije Raman-spectroscopie en vervolgens verder worden gekarakteriseerd met behulp van massaspectrometrie4. Raman-spectroscopie biedt een moleculaire vingerafdruk van de cellulaire toestand, een complex spectrum dat voortvloeit uit de bijdragen van vele moleculen in de cel. Ondanks deze complexiteit kan worden overwogen dat Raman-vingerafdrukken de structuur en de stofwisseling van een hele cel weerspiegelen,5,6. De Raman-spectroscopie blinkt uit in het meten van cellulaire toestanden op een niet-invasieve en relatief hoge doorvoer wijze, wat het nuttig maakt voor het screenen en beoordelen van de geneesmiddel respons op het eencellige niveau.

MS biedt daarentegen de vereiste gevoeligheid en selectiviteit voor het meten van de opname van geneesmiddelen op het eencellige niveau. Aangezien MS destructief is (het voorbeeld [cel] wordt meestal verbruikt tijdens de analyse), het integreren met niet-destructieve, label-vrije Raman-spectroscopie kan een hoge doorvoer en gevoelig systeem bieden. Dit gecombineerde platform is in staat om meer informatie te verstrekken over de opname van geneesmiddelen, metabolisme, en effecten op het niveau van de eencellige.

Dit manuscript verheldeert een protocol dat wordt gebruikt om cellulaire interacties met geneesmiddelen op het eencellige niveau te bestuderen met behulp van in vitro culturen door gebruik te maken van een geïntegreerd Raman-MS-platform. Om dit te doen, hepatocellulaire carcinoom cellen (HepG2) en Tamoxifen worden gebruikt als een model. HepG2 cellen werden gekozen omdat ze Tamoxifen nemen en metaboliseren de drug, en ze worden gelijktijdig getroffen als gevolg van de Hepatotoxische effecten. In dit manuscript worden twee toestanden gebruikt: met drugs behandelde cellen versus niet-behandelde cellen (controle).

Protocol

1. celcultuur

  1. Cultuur cellen van belang in een geschikte cultuur media. Penicillaire-streptomycine kan worden toegevoegd om besmetting te voorkomen. In het geval van HepG2 cellen, cultuur cellen in een cultuur media met Dulbecco's gemodificeerde Eagle's medium (DMEM) aangevuld met 10% foetaal runderserum (FBS) en 0,1% penicillaire-streptomycine. Voor de metingen van de Raman-spectroscopie kunnen cellen worden geteeld op een 0,1% Gelatin-gecoate glazen bodem schotel of kwarts platen.
  2. Incuberen cellen gedurende 2 dagen bij 37 °C en 5% CO2 in een bevoficeerde incubator.
  3. Synchroniseer celculturen om 70% confluency te bereiken.
  4. Subcultuurcellen in een 35 mm glasbodem schotel of kwarts dia's met behulp van hetzelfde medium bij een zaaien dichtheid van 0,7 x 106, vervolgens inbroed bij 37 °c gedurende 24 uur.
    Let op: Cultuur gerechten of glijbanen kunnen vooraf worden gecoat met een collageen-of gelatine coating oplossing met een cultuur oppervlak ratio van 5 UG/cm2 om ze te laten repareren, zodat ze kunnen overleven tijdens het meten.

2. medicamenteuze behandeling

  1. Verwijder celculturen uit de incubator en was 2x met voorverwarmde PBS-buffer (37 °C).
    Opmerking: het is optimaal om cellen te verwijderen voor medicamenteuze behandeling met een confluentie van 50%-60%.
  2. Verdeel cellen in drugs behandelde en onbehandelde subgroepen in 35 mm cultuur gerechten.
  3. Meng het medicijn naar keuze met de cultuur media. Los bijvoorbeeld Tamoxifen op in dimethylsulfoxide (DMSO) en meng met de kweekmedia om een eindvolume van 2 mL en Tamoxifen-concentratie van 10 μM te verkrijgen. Dit wordt de met drugs behandelde groep.
  4. Meng een overeenkomend volume oplosmiddel (DMSO) in het medium als een controle om de effecten van DMSO te bestuderen. Dit wordt de controlegroep.
  5. Inincuberen beide groepen in 2 mL van de spiked media bereid in stappen 2.3-2.4 voor 24 h. De verwachte confluentie na incubatie moet 70%-80% zijn.

3. Raman spectrale beeldvorming en spectrale verwerking

Opmerking: Hoewel Raman-spectroscopie-systemen commercieel beschikbaar zijn, is het Raman-spectroscopie-systeem dat hier wordt gebruikt een zelf gebouwde lijn Scanning-confocale Microscoop die eerder werd beschreven7,8. Kort, dit systeem is uitgerust met een 532 nm diode gepompt Solid-State Laser. Het laserlicht wordt in een vlak gevormd met behulp van een cilindrische lens, waarmee de meting van 400 spectra in één blootstelling mogelijk is. Raman spectra werden opgenomen met behulp van een gekoelde CCD camera gemonteerd op een polychromator die gebruik maakt van een 1.200 groeven/mm roosters om de spectrale resolutie van de vingerafdruk regio te maximaliseren (van 500-1800 cm-1). Dit spectrale gebied bevat een hoge dichtheid van frequenties die specifiek zijn voor moleculen die Raman verstrooiing genereren. Een water-immersionobjective lens (NA = 0,95) wordt ook gebruikt. De ruimtelijke resolutie van dit systeem is ~ 300 nm en de spectrale resolutie is 1 cm-1. Om de overleving van de cel tijdens het experiment te garanderen, wordt een micro kamer gebruikt die is bevestigd op een gemotoriseerde Microscoop.

  1. Controleer vóór de spectrale metingen de uitlijning van de optiek. Een 50 μm pinhole kan worden gebruikt om te controleren of de pinhole en laser positie exact overeenkomen. Voer de spectrofotometer gleuf in wanneer u zoveel mogelijk vernauwde.
  2. Gebruik ethanol om de spectrofotometer te kalibreren vóór elk experiment. Om dit te doen, plaats EtOH in een schotel met glazen bodem, meet het spectrum op een gegeven laserintensiteit (gemeten bij monster) voor 1 s, en koppel de piek aan bekende golflengten7.
  3. Minimaliseer de laserintensiteit van het monster tot ~ 2,4 mW/μm2 , zodat cellen Laser blootstelling overleven.
  4. Stel de micro kamer in op 5% CO2 en 37 °c.
  5. Zodra het Microscoop-systeem gereed is, verwijdert u cellen uit de incubator en spoelt u de cellen onmiddellijk 2x met de buffer opgewarmd PBS (37 °c) en voegt u vervolgens 2 ml opgewarmde PBS (37 °c) of DMEM toe om de cellen te hervatten.
    OPMERKINGEN: zowel PBS als FluoroBrite-gebaseerde media zijn voldoende opties voor Raman-spectroscopie-metingen omdat ze een minimaal achtergrond signaal produceren.
  6. Voeg 10 μL water toe aan de objectief lens met water onderdompeling en plaats het glazen onderste celschaaltje voorzichtig op de Microscoop.
  7. Meet elke cel door de laser lijn te focussen. Een 15 s blootstellingstijd per cel volstaat hier om een dwarsdoorsnede van een cel te verkrijgen met een duidelijk Raman-signaal. Een Galvano mirror maakt het scannen van één cel of een groep cellen binnen enkele tientallen minuten mogelijk.
    OPMERKINGEN: een hogere resolutie van volledige spectrale beeldvorming van cellen vereist meer tijd en kan tot foto beschadiging leiden. Hier werden cellen gemeten met behulp van een enkele regel blootstelling om een dwarsdoorsnede van elke cel te verkrijgen. Deze aanpak is een goede ruil om de doorvoer te verhogen en voldoende informatie te verkrijgen om cellen te discrimineren, terwijl ook de levensvatbaarheid van de cel wordt gewaarborgd door foto schade te beperken.

4. voorbewerken van spectrale gegevens en multivariate analyses

Opmerking: voor verwerking is een noodzakelijke stap voorafgaand aan aanvullende analyse om ongewenste technische variaties binnen de spectrale gegevens te verwijderen. Als gevolg van de diversiteit van de methoden en software, een uitputtende lijst kan niet worden verstrekt, en er zijn veel nuttige beoordelingen gevonden in de literatuur7,8. In deze sectie beschrijven we kort de benadering die wordt gebruikt voor het analyseren en interpreteren van spectrale Raman-gegevens die zijn verkregen uit levende enkelvoudige cellen.

  1. Pak Raman-afbeeldingen uit en voorverwerken om mogelijke kosmische straling te verwijderen.
    Opmerking: spectrale as van spectra verkregen tijdens verschillende dagen/weken/maanden kan enkele variaties als gevolg van kleine technische variaties tijdens de kalibratie met behulp van ethanol omvatten. Dit zal een sterk effect hebben op latere multivariate analyses en statistische vergelijkingen. In het geval dat experimenten worden uitgevoerd tijdens verschillende weken/maanden, worden kleine optische variaties verwacht. In dit geval moeten gegevens worden geïntermuleerd om te corrigeren voor eventuele spectrale verschuivingen van de gegevens in experimenten. Interpolatie met behulp van kubieke spline wordt hier gebruikt. Na deze stap moet alle Spectra Axis worden uitgelijnd. Voor de daaropvolgende analyse wordt een bereik van 500-1800 cm-1 overwogen.
  2. Extraheer spectrale gegevens van cellen en achtergrond (afwezigheid van cellen) van elke afbeelding met behulp van een zelf gemaakt algoritme. Trek het achtergrond signaal af van het signaal van de cel. Vervolgens, gemiddelde de spectra van de resterende pixels, die moet overeenkomen met een enkele cel. De volgende stappen worden uitgevoerd met behulp van de 2D-spectra van cellen.
  3. Uitvoeren van een basislijn correctie met behulp van de ModPoly9 of een ander algoritme dat naar schatting voldoende passen. Trim het spectrale bereik tot 600-1700 cm-1 om het vingerafdruk gebied te selecteren en zorg ervoor dat er geen ongewenste randeffecten zijn op de spectra als gevolg van een slechte polynoom fitting.
  4. Voer een normalisatie stap uit zoals vector normalisatie (intensiteit bij elk vibratie wordt gedeeld door de globale L2-norm of de maximale enkelvoud waarde van een spectrum) om de spectrale intensiteit10te normaliseren, hoewel andere normalisatie kan worden overwogen.
  5. Bereid een gegevensset met het juiste label voor elke klasse/voorwaarde.
    Opmerking: vergelijkende spectrale analyses kunnen worden geperforeerd om de aard van mogelijke verschillen tussen celklasse/condities te onderzoeken (bijvoorbeeld door het gemiddelde spectrum van de controlegroep af te trekken naar andere groepen om belangrijke regio's te identificeren [zoals potentiële biomarkers]). Er kunnen ook ANOVA-en Fisher-scores berekeningen worden uitgevoerd10.
  6. Om behandelde en onbehandelde cellen te identificeren op basis van spectrale kenmerken, kunnen multivariate analyses worden toegepast. Een genormaliseerde spectrale gegevens moeten worden gebruikt als een gegevensset training en een onbekende gegevensset (zonder label) van een replicaatexperiment moet worden gebruikt als testgegevens, indien mogelijk.
    Opmerking: discriminant analyse uitgevoerd op een aantal vector van een hoofdcomponent analyse (PCA-DA10), projectie op latente scores gevolgd door discriminant analyse (pls-da), en ondersteuning vector machines (SVM)11 zijn modellen vaak gebruikt in het veld, en elk presenteert verschillende statistische overwegingen. Voor verwerking van gegevens moet bijgevolg worden uitgevoerd.
  7. Gebruik machine learning die past bij de experimentele doelstellingen. Hier wordt een projectie op latent structuur (PLS) model gebouwd met behulp van de spectrale vingerafdruk regio van Raman spectra (600-1710 cm-1)11,12. Mean-Center de gegevens indien nodig. Voor kruisvalidatie van het model kunnen verschillende technieken worden toegepast.
    Opmerking: hier wordt een Venetiaanse blinde kruisvalidatie met 10 Splits toegepast. De complexiteit van het model (aantal onderdelen of latente variabele) moet worden getest, zodat het beste model minimaliseert de waarde van de root mean Square error (RMSE). Er werd vastgesteld dat drie latente vectoren (Lv's) de beste discriminatie met onze gegevensset verschafte.
  8. Bepaal welke Raman spectrale pieken bijdragen aan de discriminatie van de cellen (bijvoorbeeld door de Score van variabel belang in projectie [VIP] te plotten voor elke Raman-vibratie of de grootte van de regressie coëfficiënt).
    OPMERKINGEN: de VIP-Score van een variabele wordt berekend als een gewogen som van de gekwadrateerde correlaties tussen de PLS-DA-componenten en de oorspronkelijke variabele. Details over pls en VIP scores algoritme kan worden gevonden in de literatuur11,12.

5. opstelling en procedures voor het bemonsteren van één cel

  1. Bevestig het bemonsteringssysteem van de cel op de Raman-Microscoop zoals weergegeven in Figuur 1. Sluit de 3D-Micro manipulator aan op de glazen capillaire houder die is bevestigd aan een lege spuit voor monster zuigen door een negatieve druk toe te passen (Figuur 1).
  2. Stel de Microscoop in op een hoog vergrotings veld (40x) om de punt van de glazen capillaire te observeren en zorg ervoor dat deze niet gebroken is. Bedien de positie van het glas capillair met behulp van de micro manipulator (x-, y-, z-assen). Zorg ervoor dat de capillaire punt gecentreerd is in het gezichtsveld en verplaats vervolgens de capillaire omhoog op de z-as om de cultuur schotel later goed te laten zien.
    Opmerking: micro sampling van de cellen wordt uitgevoerd door het Glazen capillair voor cellen met diameters tussen 10-15 μm. Een capillair met een boring van ~ 5 μm wordt aanbevolen. Als de boring grootte te klein is, de capillaire tip zal worden aangesloten door de cel, en als het te groot is, de gevoeligheid van latere MS metingen kan worden aangetast.
  3. Plaats de monster plaat/schotel op het podium van de Microscoop, pas de vergroting en scherpstelling aan, selecteer de doelcel op de rooster schotel en verplaats deze naar het midden van de weergave. Verlaag vervolgens voorzichtig het Glazen capillair met behulp van de micromanipulator (z-as) tot de punt in de focus komt.
    Opmerking: Zorg ervoor dat u het capillair niet in de x-en y-as beweegt totdat het capillair scherp is.
  4. Raak onder microscopische observatie de doelcel aan met de capillaire Tip en begin met het toepassen van negatieve druk met behulp van de spuit om de cel in de capillaire tip te vangen. Neem deze procedure op door een foto of video te maken om de timing en de gezogen locatie van de cel nauwkeurig te controleren, indien nodig.
  5. Beweeg de capillaire omhoog op de z-as. Verwijder vervolgens het capillair van de capillaire houder met behulp van een tang ter voorbereiding op MS-analyse.

6. massaspectrometrie metingen

  1. Kalibreer de massa nauwkeurigheid van het MS-instrument volgens de aanbevelingen van de fabrikant. Zorg er na kalibratie voor dat de massa fout niet groter is dan 3 ppm.
  2. Optimaliseer het MS-instrument met parameters die het meest geschikt zijn voor de analyt van belang.
    Opmerking: in het geval van Tamoxifen en 4-OHT-analyse worden de instrument parameters ingesteld op het volgende: inlaat capillaire temperatuur: 400 °C, sproei spanning: 1500 V, automatische versterkingsregeling (AGC): 5.00 E + 06, S-lens RF-niveau: 90%, SIM-bereik: 347-397 m/z, SIM maximale injectie tijd: 200 MS, SIM-resolutie: 140.000 FWHM, MS/MS-bereik: 50-400 m/z, MS/MS AGC target: 2.00 E + 05, MS/MS maximale injectie tijd: 100 MS, MS/MS resolutie: 17.500 FWHM, MS/MS isolatie venster: 1 m/z, MS/MS genormaliseerde botsingsenergie (NCE): 35
  3. Stel een automatische verwervingsmethode in met een duur van 5 min voor de SIM-modus om relatieve kwantatie te bereiken, en een andere MS/MS-methode voor positieve identificatie van het medicijn en de metaboliet ervan. De parameters van de overnamemethode moeten worden ingesteld op de geoptimaliseerde waarden die worden vermeld in stap 6,2.
  4. Bereid het ionisatie-oplosmiddel onder een rook afzuigkap voor. De samenstelling van het oplosmiddel is afhankelijk van de analyt van belang. Hier, de gebruikte organische oplosmiddel bestaat uit 80% MeOH, 10% DMSO, en 0,1% mierenzuur.
  5. Meng vóór de metingen een geschikte interne standaard met het organische oplosmiddel. In dit experiment, 5,31 nM van D5-Tamoxifen wordt gebruikt als een interne standaard.
  6. Om valse positieven te voorkomen, aspireren de media rond de cellen behandeld met de drug met behulp van een 1 μm boring-grootte capillair met constante microscopische observatie om te voorkomen dat het bemonsteren van cellulaire delen.
  7. Voeg 2 μL van het ionisatie-oplosmiddel toe aan het brede uiteinde van het capillair dat de media bevat met behulp van een pipet dat is bevestigd aan tips voor de lader. Analyseer vervolgens de bemonsterde media door MS, Controleer op de aanwezigheid van de analyt van belang (normaalgesproken moet het niet detecteerbaar zijn).
  8. Voeg 2 μL het ionisatie-oplosmiddel toe aan het capillair dat de cel bevat, bevestig het capillair aan een nanoelectrospray-adapter (nano-ESI) die is aangesloten op een geschikte massaspectrometer en start de automatische verwervingsmethode.

7. massaspectrometrie gegevensverwerking en-analyse

Opmerking: alle geschikte software kan worden gebruikt voor het uitvoeren van gegevensanalyse. Als onderzoekers echter gegevensanalyse willen uitvoeren met behulp van een software die niet wordt geleverd door de MS-leverancier, moeten de onbewerkte gegevens worden geconverteerd van de indeling van de propriëtaire leverancier naar een open indeling of als een tekstbestand eerst (wat hier is gedaan).

  1. Normaliseer de gegevens door het piek gebied van de analyt van interest (s) te delen door die van de interne standaard van dezelfde MS-scan. Vervolgens transformeert u de piek verhoudingen om scheet te verminderen.
  2. Plot de genormaliseerde intensiteit van het geneesmiddel of de metaboliet ervan als een Boxplot of dichtheids curve om de verdeling over afzonderlijke cellen te visualiseren. Hier wordt R statistische software gebruikt, samen met het ggplot2 pakket.
  3. Bereken de metaboliseerde drug naar unmetabolized drug ratio door het delen van de overvloed van de drug metaboliet door die van de niet-metaboliseerde bovenliggende molecuul in elke cel (dat wil zeggen, 4-OHT en tamoxifen, respectievelijk.
    Opmerking: de correlatie tussen variaties van specifieke Raman pieken van belang en de variaties in MS pieken van het geneesmiddel of de metabolieten ervan kunnen worden bestudeerd. Dit is een aanvulling op de mogelijke correlatie tussen de drug zelf en de metaboliet in enkele cellen. Dit kan worden gedaan door de correlatiecoëfficiënt van Pearson te berekenen met behulp van een tweezijdige test. Er moet ook rekening worden gehouden met geavanceerdere integratieve benaderingen.

Representative Results

Enkelvoudige celanalyse van geneesmiddelinteracties (opname, metabolisme en effecten) is essentieel voor het ontdekken van een verborgen of resistente subpopulatie en het begrijpen van de effecten van cellulaire heterogeniteit. In dit protocol werden twee complementaire technieken gebruikt om de bovengenoemde interacties in afzonderlijke cellen te meten: Raman-spectroscopie en MS. Raman-spectrometrie identificeren snel cellen die zijn aangetast door geneesmiddelen op basis van spectrale biomarkers van de geneesmiddel respons. MS wordt gebruikt om de opname en het metabolisme van het medicijn op selectieve en semi-kwantitatieve wijze te monitoren. Cellen werden voor het eerst gescreend door Raman-spectroscopie en vervolgens individueel bemonsterd voor analyse door MS.

Een vergelijkende analyse van het gemiddelde spectrum van elke aandoening (met en zonder medicamenteuze behandeling) wordt weergegeven in Figuur 2. Het gemiddelde spectrum van de twee voorwaarden verschilt duidelijk bij verschillende pieken, die eerder werden geïdentificeerd en toegewezen aan moleculaire verbindingen2. Met name de pieken op 1000 cm- (toegewezen aan aromatische verbindingen zoals fenylalanine en tyrosine) vertonen sterke verschillen. De significantie van het statistisch verschil moet worden beoordeeld aan de hand van verdere multivariate analyses.

De gegevensset werd vervolgens gebruikt om een PLS-model (stappen 4.5-4.8) te trainen, gericht op het onderscheiden van de twee celbehandelingen (met geneesmiddel: n = 290, zonder drugs: n = 115). De voorspellende mogelijkheid voor het classificeren van de cellen gekweekt in de aanwezigheid van Tamoxifen bereikte 100% gevoeligheid en 72% specificiteit in de testgegevens (onbekend van de cross-gevalideerde getrainde model). Gevoeligheid is een maatstaf voor de werkelijke positieven die correct worden geïdentificeerd door het model, terwijl specificiteit een maat is van de werkelijke negatieven die door het model worden geïdentificeerd. Alternatieve modellen zoals Svm's, LDAs en neurale netwerken kunnen vergelijkbare of betere resultaten bieden, hoewel er in deze studie geen uitgebreide vergelijking is uitgevoerd.

Op basis van het PLS-model werden de VIP-scores berekend, die het belang vertegenwoordigen van golflengten (Raman shifts) bij het discrimineren van de experimentele omstandigheden (Figuur 3). Belangrijk is dat de hoogste toppen van de VIP-profielen overeenkwamen met Raman Peaks, waarvoor sterke verschillen werden gezien tussen de twee behandelingen. Dit bevestigde de specifieke moleculaire verschillen tussen behandelde en onbehandelde cellen. Bijgevolg kunnen onderzoekers mogelijke spectrale biomarkers identificeren die de respons van enkelvoudige cellen op medicamenteuze behandeling weerspiegelen. Deze biomarkers kunnen verder worden getest om hun biologische relevantie en generalisatie over verschillende omstandigheden en cellijnen te controleren.

Een live eencellige massaspectrometrie (LSC-MS) systeem was in staat om zowel de drug en de metabolieten te detecteren in enkelvoudige, drug behandelde HepG2 cellen die eerder werden gemeten door Raman-spectroscopie. Daarnaast kunnen tandem-MS worden gebruikt om de structuur van beide moleculen te bevestigen. Na positieve identificatie, de relatieve overvloed van het geneesmiddel en de metabolieten ervan werden gemeten in elke cel en vergeleken met de achtergrond pieken in onbehandelde cellen. Sterke variatie werd waargenomen in de overvloed van Tamoxifen, en dit fenomeen was nog meer uitgesproken in het geval van de metaboliet, 4-OHT (Figuur 4). De relatie tussen de overvloed aan tamoxifen en zijn metabolieten werd ook bestudeerd, waarbij een significante positieve correlatie werd gevonden tussen de twee (r = 0,54, p = 0,0001, n = 31).

Figure 1
Figuur 1: cel picking systeem gemonteerd op een Microscoop fase. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 2
Figuur 2: gemiddeld spectrum van de met geneesmiddelen behandelde cellen (met tamoxifen: n = 295) en onbehandelde cellen (zonder Tamoxifen: n = 115). Raman pieken kunnen worden geïdentificeerd uit de literatuur. De meeste sterke spectrale verschillen zijn statistisch significant (ANOVA, p ≤ 0,5) zoals eerder beschreven4. Dit cijfer is gewijzigd van een vorige publicatie4. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 3
Afbeelding 3: VIP-scores geëxtraheerd uit het VOORSPELLENDE pls-model. VIP-scores weerspiegelen de golflengten die bijdragen aan het onderscheiden van de twee klassen in het model. De meeste pieken corresponderen met specifieke moleculen die worden waargenomen als spectrale biomarkers van geneesmiddel effecten op met drugs behandelde cellen. Dit cijfer is gewijzigd van een vorige publicatie4. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 4
Figuur 4: verdeling van de abundantie van Tamoxifen en zijn metaboliet. Verdeling van de overvloed aan tamoxifen en zijn metaboliet, 4-OHT (gemeten op het eencellige niveau) in vergelijking met endogene pieken in de onbehandelde cellen (controle). Dit cijfer is gewijzigd van een vorige publicatie4. Klik hier om een grotere versie van dit cijfer te bekijken.

Discussion

In dit manuscript werd een simpele zaak gekozen waarin HepG2 cellen werden blootgesteld (of niet) aan Tamoxifen. Het vermogen van een Raman-spectroscopie en massaspectrometrie systeem wordt aangetoond dat het monitoren van de effecten van Tamoxifen op cellen. Raman-spectroscopie liet de identificatie van potentiële biomarkers zien die een algemene respons van enkelvoudige cellen tot blootstelling aan het geneesmiddel reflecteerde. Sommige heterogeniteit tussen enkele cellen werd waargenomen, wat suggereert dat sommige cellen niet reageerden op blootstelling aan geneesmiddelen. Aan de andere kant was LSC-MS in staat om een gerichte analyse van het medicijn en de metaboliet ervan op het eencellige niveau uit te voeren, waarbij een hoge mate van heterogeniteit werd waargenomen in het medicijn en de overvloed aan metaboliet. Deze heterogeniteit helpt verklaren waarom sommige cellen worden beïnvloed door het medicijn terwijl anderen schijnbaar niet zijn, ondanks de cellen die afkomstig zijn van een zogenaamd uniforme populatie12.

Onder bijzondere aspecten van deze techniek die aandacht vereisen, is het belangrijk om de kwaliteit van de Microscoop-opstelling en signaalverwerking te evalueren om de reproduceerbaarheid van de gegevens te garanderen. Als voor verwerking van de spectra zorgvuldig wordt gedaan, moeten de signaal variaties worden gemaximaliseerd op het lokale maximum van elke piek. De baseline en de rand van de spectra moeten daarentegen overlappen tussen de geteste celcondities. Een ander belangrijk aspect is het multivariate-model dat wordt gebruikt om verschillen tussen behandelingen te onderzoeken. Men moet de modellen en model parameters zorgvuldig evalueren om een nauwkeurige en nauwkeurige analyse te garanderen. Een voordeel van het PLS-model, in tegenstelling tot neurale netwerken, is dat het toegang geeft tot de gewichten die zijn gekoppeld aan elke golflengte (Raman shifts) die het beste de door het model geteste voorwaarden kunnen onderscheiden.

Ondanks dat de Raman-spectroscopie de reactie van de drug met succes heeft gediscrimineerd, moet worden benadrukt dat deze techniek beperkt is in het gebruik ervan om biologische interpretatie te bieden. Dit is vooral te wijten aan de complexiteit van het spectrale signaal, dat een mengsel van duizenden moleculen omvat. Daarom is verder onderzoek nodig om systematische variaties tussen Raman spectrale intensiteiten en variaties in geneesmiddelconcentraties te evalueren. Ook, soortgelijke studies van andere cellijnen zijn nodig om de generalisatie van spectrale biomarkers geassocieerd met tamoxifen te evalueren.

Bovendien, het kan van belang zijn voor het uitvoeren van levende weefsels metingen om de farmacodynamiek te beoordelen en te bestuderen hoe drugs doordringen en stromen binnen elke cel. Bovendien moet worden opgemerkt dat de bemonsterings stap in de LSC-MS sterk afhankelijk is van de vaardigheid van de exploitant. Parameters zoals ruimtelijke resolutie, celpositie binnen het capillair na bemonstering en doorvoer sterkte zijn volledig afhankelijk van de operator, waardoor grootschalige acceptatie van LSC-MS wordt beperkt. Hoewel geautomatiseerde bemonsteringssystemen dit probleem kunnen verlichten. Bovendien, terwijl LSC-MS blinkt uit bij het bemonsteren aanhangend of zwevende cellen in hun inheemse toestanden, het presteert meer slecht in monster cellen ingebed in weefsel secties. Dit is te wijten aan de neiging van de bemonstering capillaire tip te breken als de sample dichtheid hoog is. Daarom kan een andere benadering, zoals de enkelvoudige sonde, in dergelijke gevallen14,15geschikter zijn.

Aangezien de hier gebruikte cellen worden bemonsterd in omgevingscondities met een minimale monstervoorbereiding, kunnen LSC-MS eenvoudig worden geïntegreerd met andere technologieën, zoals blijkt uit de integratie met Raman in dit protocol. Een andere soortgelijke integratie met 3D-holografie heeft toegestaan voor het bereiken van absolute kwantatie van cellulaire metabolieten op het subcellulaire niveau16. Bovendien, integratie met Flow flowcytometrieonderzoeken heeft toegestaan voor het afdekken van metabole biomarkers in enkele circulerende tumorcellen van neuroblastoom kankerpatiënten17,18.

In de toekomst, als gevolg van recente toenemende belangstelling voor het combineren van datasets van Imaging modaliteiten19, kan het ook interessant zijn om de systematische variaties tussen Raman-signalen en massaspectrometrie resultaten (evenals andere omics-methoden) te bestuderen door gebruik te maken van integratieve computationele benaderingen. Interessant genoeg hebben we al verschillende zwakke, maar significante lineaire correlaties gevonden tussen de intensiteiten van Raman pieken geïdentificeerd door VIPSCORES en de overvloed van Tamoxifen of zijn metaboliet op het eencellige niveau zoals geïdentificeerd door MS4. Deze gegevens kunnen duiden op een metabole relatie tussen MS-profielen en Raman spectra en de mogelijkheid om deze waarden te voorspellen.

Disclosures

De auteurs verklaren geen belangenconflicten.

Acknowledgments

De auteurs bedanken Toshio Yanagida voor zijn steun en RIKEN interne samenwerkings fondsen toegeschreven aan Dr. Arno Germond.

Materials

Name Company Catalog Number Comments
0.1% penicillin-streptomycin Nacalai Tesque 09367-34
35mm glass bottom grid dish Matsunami
4-Hydroxy Tamoxifen standard Sigma-Aldrich 94873
532 nm diode pumped solid-state laser Ventus, Laser Quantum
BIOS-L101T-S motorized microscope stage OptoSigma
CT-2 cellomics coated sampling capillaries HUMANIX
d5-Tamoxifen standard Cambridge Isotope Laboratories
Dimethyl sulfoxide LC-MS grade Nacalai Tesque D8418
Dulbecco's Modified Eagle's medium Sigma-Aldrich D5796
Eppendorf GELoader tips Eppendorf
fetal bovine serum Hyclone laboratories SH3006603
FluoroBrite DMEM Thermo Fisher Scientific
Formic acid LC-MS grade Sigma-Aldrich 33015
HepG2 cell line (RCB1886) RIKEN cell bank center RCB1886
MC0-19A1C Incubator Sanyo Electric Co. MC0-19A1C
Methanol LC-MS grade Sigma-Aldrich 1060352500
MMO-203 3-D Micromanipulator Narshige MMO-203
NA:0.95, UPL40 water-immersion Olympus objective lens Olympus
Nanoflex nano-ESI adaptor Thermo Fisher Scientific ES071
On-stage incubator ibidi
Pierce LTQ Velos ESI calibration solution Thermo Fisher Scientific 88323
PIXIS BR400 cooled CCD camera Princeton Instruments
Q-Exactive Orbitrap Thermo Fisher Scientific
Rat-tail collagen coating solution Cell Applications Inc.
Tamoxifen standard Sigma-Aldrich 85256

DOWNLOAD MATERIALS LIST

References

  1. Altschuler, S. J., et al. Cellular heterogeneity: do differences make a difference? Cell. 141, (4), 559-563 (2010).
  2. Ali, A., et al. Single-cell metabolomics by mass spectrometry: Advances, challenges, and future applications. TrAC Trends in Analytical Chemistry. (2019).
  3. Bunnage, M., et al. Target validation using chemical probes. Nature Chemical Biology. 9, (4), 195-199 (2013).
  4. Ali, A., et al. Single-Cell Screening of Tamoxifen Abundance and Effect Using Mass Spectrometry and Raman-Spectroscopy. Analytical Chemistry. 91, (4), 2710-2718 (2019).
  5. Wu, H., et al. In vivo lipidomics using single-cell Raman spectroscopy. Proceedings of the National Academy of Sciences of the United States of America. 108, (9), 3809-3814 (2011).
  6. Okada, M., et al. Label-free Raman observation of cytochrome c dynamics during apoptosis. Proceedings of the National Academy of Sciences of the United States of America. 109, (1), 28-32 (2012).
  7. Palonpon, A. F., et al. Raman and SERS microscopy for molecular imaging of live cells. Nature Protocols. 8, (4), 677-692 (2013).
  8. Butler, H. J., et al. Using Raman spectroscopy to characterize biological materials. Nature Protocols. 11, (4), 664-687 (2016).
  9. Mark, H., Workman, J. Jr Chemomtrics in Spectroscopy. Second Edition, Academic Press. (2018).
  10. Lieber, C. A., Mahadevan-Jansen, A. Automated method for subtraction of fluorescence from biological Raman spectra. Applied Spectroscopy. 57, 1363-1367 (2003).
  11. Germond, A., et al. Raman spectral signature reflects transcriptomic features of antibiotic resistance in Escherichia coli. Communications Biology. 1, 85 (2018).
  12. Wold, S., et al. Partial Least Squares Projections to Latent Structures (PLS) in Chemistry. Encyclopedia of Computational Chemistry. (2002).
  13. Chong, I. G., Jun, C. H. Performance of some variable selection methods when multicollinearity is present. Chemometrics and Intelligent Laboratory Systems. 78, (2005).
  14. Inde, Z., Dixon, S. J. The impact of non-genetic heterogeneity on cancer cell death. Critical Reviews in Biochemistry and Molecular Biology. 53, (1), 99-114 (2018).
  15. Pan, N., et al. The single-probe: a miniaturized multifunctional device for single cell mass spectrometry analysis. Analytical chemistry. 86, (19), 9376-9380 (2014).
  16. Rao, W., et al. Applications of the Single-probe: Mass Spectrometry Imaging and Single Cell Analysis under Ambient Conditions. Journal of Visualized Experiments. (112), e53911 (2016).
  17. Ali, A., et al. Quantitative Live Single-cell Mass Spectrometry with Spatial Evaluation by Three-Dimensional Holographic and Tomographic Laser Microscopy. Analytical Sciences: the International Journal of the Japan Society for Analytical Chemistry. 32, (2), 125-127 (2016).
  18. Abouleila, Y., et al. Live single cell mass spectrometry reveals cancer-specific metabolic profiles of circulating tumor cells. Cancer Science. 110, 697-706 (2018).
  19. Hiyama, E., et al. Direct Lipido-Metabolomics of Single Floating Cells for Analysis of Circulating Tumor Cells by Live Single-cell Mass Spectrometry. Analytical Sciences: the International Journal of the Japan Society for Analytical Chemistry. 31, (12), 1215-1217 (2015).
  20. Ryabchykov, O., et al. Fusion of MALDI Spectrometric Imaging and Raman Spectroscopic Data for the Analysis of Biological Samples. Frontiers in Chemistry. 6, 257 (2018).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics