Este trabalho foi financiado por doações CRUK 15043 e 14251 CRUK. Agradecemos a Daniel Wetterskog e Ka Kei Ho para a assistência técnica e leitura crítica do manuscrito.

1. Experimental Perturbation e marcação celular para marcadores de resposta (Reverse Transfection siRNA Tela) <ol><li> Num capuz de cultura de tecidos estéril pipeta 70 ul de 200 nM em tampão 1x siRNA siRNA em poços de uma solução estéril, simples placa de 96 poços. Dilui-se a transfecção de lípido em 40 volumes de meio DMEM isento de soro e dispensar 105 ul a cada poço contendo siARN. NOTA: Diluir 262,5 uL de lípido em 10,5 ml de DMEM isento de soro produz uma mistura adequada mestre para um conjunto de placa de 96 poços de siRNA, proporcionando 2,6 uL de lípido por poço. Uso de 200 nM de concentração de siRNA começando neste passo vai entregar uma concentração de trabalho de 20 nM na etapa 1.3, mas procedimentos funcionará para concentrações de trabalho para baixo a 5 nM, com a concentração inicial ajustada em conformidade (isto é, 50 nM). Uma concentração mais baixa de trabalho pode reduzir fora do alvo pontuações falsos positivos, ainda que podem reduzir a magnitude da resposta em-alvo, conduzindo a um aumento do sobre-target taxas de falsos negativos. </li><li> Misture a placa por vibração suave durante dez minutos à temperatura ambiente. Sub-dividir os resultantes 175 ul em três réplicas por 50 ul de destino em, uma cultura de tecido opaco tratada, placa de 96 poços com uma base transparente. </li><li> Transfectar reversa dispensando 8.000 células por poço em 150 ul de DMEM contendo 10% de soro directamente para os complexos lipídicos siRNA 50 ul. Células colorretal humanos Use HCT116 expressam de forma estável um marcador GFP-tagged relatando atividade CDK2 5,8. Nenhuma outra mistura é necessária. Selar a placa com um adesivo membrana respirável estéril para controlar a humidade e evitar &quot;edge efeitos&quot; placa e colocar a placa num incubador humidificado a 37 ° C, 5% de CO 2 durante 48 horas. </li><li> Aspirar os meios de comunicação de tal modo que uma pequena quantidade residual de media permanece nas cavidades. Fixar as células por adição de 100 ul de formaldeído a 4% tamponado a cada poço e incuba-se em um extractor de fumo durante 10 minutos a sala temperature. </li><li> Remover a solução de fixação a placa de aspiração. Neste ponto, quer interromper a experiência por lavagem da placa três vezes com 100 ul de solução salina tamponada com fosfato (PBS) e depois armazenam selado, sob 100 ul de PBS no escuro a 4 ° C durante até uma semana, ou continuar com o permeabilização das células. NOTA: Recomendamos placas de processamento, logo que possível após a sua fixação, e, geralmente, prefere armazenamento de placas totalmente transformados. Biocidas conservantes tais como timerosal, azida de sódio, ou alternativas comerciais podem ser adicionados para prevenir o crescimento micoroganismal. A adição de inibidores de fosfatase ajuda a preservar fosfo-epitopos, e outros meios para preservar os estados de modificação de proteína pode ser útil em contextos de ensaio relevantes </li><li> Remova a placa de PBS e permeabilizar as células por adição de 100 ul de solução de permeabilização. Incubar durante 10 minutos à temperatura ambiente sem agitação. Aspirar a solução de permeabilização usando um MultiCHannel pipeta. Repita este passo três vezes. </li><li> Bloquear as células por adição de 100 ul por bloco solução bem durante 30 minutos à temperatura ambiente. Remover a solução de bloqueio por aspiração da placa, então sondar com 50 ul de anticorpo anti RB1 P-S780 diluídas 500 vezes em solução de bloqueio durante 2 horas no escuro à temperatura ambiente. </li><li> Lava-se a placa três vezes com 100 uL de solução de lavagem da placa, deixando a solução sobre a placa durante 5 min de cada vez. Sondar a placa durante a noite no escuro a 4 ° C com 50 ul fluorescentemente marcado com anticorpo secundário diluído 1000 vezes em solução de bloqueio suplementado com 2 uM do corante de ADN específicos de cromatina Bisbenzamida. Lava-se a placa três vezes tal como anteriormente e armazenamento selado, sob 100 ul de PBS no escuro a 4 ° C. Imagem da placa durante duas semanas. </li></ol> 2. Imagem e Segmentação de Imagens <ol><li> Use um microscópio confocal ou fiação de disco de fluorescência com um objetivo 20X tomar separado 16de bits, imagens TIFF escala de cinza em três canais correspondentes ao corante DNA, GFP e fluorophores imuno-coloração. Captura muitos conjuntos de imagens que não se sobrepõem, aqui referida como frames, a imagem aproximadamente 1.000-2.000 células por poço. </li><li> Nomeie os arquivos de imagem de forma sistemática, para que cada nome do arquivo é uma combinação única de &#39;nome da experiência&#39;, &#39;bem endereço&#39;, &#39;número do quadro &quot;e&quot; identificador de canal &quot;, nesta ordem (Figura 3). O conjunto de dados de exemplo usa &quot;Blue&quot; (cromatina coloração DNA) ou &quot;Green&quot; (GFP) ou &quot;Red&quot; (o fluoróforo manchada de imuno) como identificadores de canal. O identificador de endereço bem, número do quadro e canal são mais adiante referido como os metadados da imagem. Use o símbolo de sublinhado para evitar confuso bem e estrutura de metadados. </li><li> Nomeie os arquivos com esses elementos de metadados na ordem especificada. Isto é necessário para assegurar que os passos subsequentes de software corregrupo conjuntos ctly de imagens para análise. </li><li> Baixe e instale o Profiler celular freeware, o Active Perl Community Edition, ambiente de programação estatística R e RStudio. Aceite todas as opções padrão durante a instalação; Usuários de PC instalar o Active Perl deve habilitar todas as opções relacionadas com a PATH, associação de extensão de arquivo e mapeamento de script onde for solicitado. Ativo Perl é opcional para usuários de Mac, mas caso contrário terá de executar o script Perl no passo 3.2 a partir da linha de comando Terminal em vez de usar ícone clicando. </li><li> Abra o software Profiler celular, clique em &quot;Arquivo&quot;, &quot;Importar Pipeline &#39;então&#39; Do arquivo&quot; e selecione o arquivo 3_channels_pipeline.cppipe (Figuras S1A e S1B). O arquivo contém as instruções necessárias para o software para interpretar os metadados do arquivo de imagem a partir da convenção de nome de arquivo descrito. Profiler celular agora relaciona as imagens, extrai DNA nuclear e intensidades de anticorpos a partir de these e utiliza o canal de GFP para calcular a relação de nucleares versus intensidade de citoplasma para cada célula detectados (Figuras 4 &amp; 5). </li><li> Clique no botão &quot;Ver as definições de saída &#39;, no canto inferior esquerdo da janela do Profiler Cell. No topo da nova tela são caixas de texto com a etiqueta &#39;Pasta Padrão de Entrada &quot;e&quot; pasta de saída padrão &quot;. Um de cada vez, clique nos ícones de pasta-à direita dessas caixas e selecione o local dos arquivos de imagem para análise e o destino para os dados extraídos, respectivamente (Figura S1C). </li><li> Comece a análise de imagem, pressionando o botão &#39;analisar imagens&#39;, no canto inferior esquerdo do Profiler Cell. Na parte inferior da tela observar o tempo restante para a extracção de dados, &#39;Stop Análise&#39; e botões de &quot;pausa&quot;. Se necessário interromper a análise por selecção do botão &quot;pausa&quot; a qualquer momento, o que é útilao assistir as imagens que estão sendo analisados ​​(descrito no passo 2.8). </li><li> Opcionalmente, abra as janelas para qualquer uma das etapas de análise de imagem clicando nos ícones de olho-no painel sobre o extremo esquerdo da janela do programa (Figura S1D). Observe a janela &#39;IdentifyPrimaryObjects&#39; e os de &#39;secundários&#39; e &#39;Objects terciária &quot;para verificar se as configurações atuais na Profiler celular para realizar a segmentação de imagens são adequadas (ver Figura 1 e Discussão para aconselhamento sobre como modificar essas configurações). </li><li> Clique em &quot;Ok&quot; na ​​caixa de mensagem que aparece quando a análise for concluída. Vá para o local &#39;pasta de saída padrão &quot;, onde todos os arquivos de dados com os resultados são salvos como separados por vírgula valor (.csv) (Figura S2A). </li></ol> 3. extração de dados <ol><li> Encontre o novo arquivo &#39;Nuclei.csv&#39;, que está incluído entre ossaída do Profiler celular. Este arquivo contém dados de células individuais para fluorescente intensidade anticorpo nuclear, intensidade DNA nuclear e valores da relação repórter GFP-CDK2 (Figuras 6A e S2A). NOTA: Muitos laboratórios vai querer processar este tipo de dados para atender a natureza de seus próprios ensaios. Sugerido para os dados atuais é o gating das células de cada condição de tratamento de acordo com os dados de anticorpos e os valores repórter GFP-CDK2 usando o script Perl fornecida &#39;2_gate_classifier.pl&#39;. </li><li> Copie o arquivo fornecido script Perl &#39;2_gate_classifier.pl&#39; na mesma pasta que o arquivo de dados &#39;Nuclei.csv&#39; (Figura S2A). Clique duas vezes no ícone para o script Perl e, quando solicitado, digite o nome completo do arquivo de dados seguido por um nome filename &#39;.csv&#39; para o arquivo no qual as células devem ser fechado e, finalmente, os valores de porta para o anticorpoe os dados de fluorescência repórter GFP-CDK2. NOTA: Como determinar principalmente definições de selecção e aplicá-las para análise de dados são discutidas abaixo na seção de dados representativos e Figura 6 (para analisar os dados fornecidos uso &#39;0.004&#39; e &#39;1.5&#39;, respectivamente). Usuários de Mac devem executar o script Perl a partir da linha de comando Terminal, escrevendo: &quot;perl 2_gate_classifier.pl &#39;. </li><li> Observe o arquivo recém-criado que combina os valores do ensaio de células individuais matérias a partir dos dados originais Profiler celular com rótulos de sub-populações que mostram como cada célula de cada poço realiza contra as duas portas (Figura 6C). </li><li> Traçar os dados para cada condição experimental utilizando os rótulos subpopulação de células individuais, abrindo o software RStudio. Clique em &quot;Arquivo&quot; e &quot;Abrir Arquivo&quot; e selecione o arquivo fornecido &quot;analysis.r &#39;. Observe os comandos para traçar Figuras 6B, <strong&gt; 7 e 8 na janela superior esquerda da RStudio (Figura S2B). Na janela superior esquerdo, entre os símbolos de aspas duplas nas linhas 5 e 6, digite o endereço do computador da pasta que contém os dados fechados. Inclua a letra de unidade e o nome do arquivo em si, respectivamente (por exemplo, &quot;C: pasta / análise / saída da análise&quot; e &quot;nuclei_gated.csv&quot;). NOTA: Se RStudio é utilizado pela primeira vez num dado computador, o pacote de ilustrações R &#39;ggplot2&#39; terá de ser instalado pela primeira vez. Isto é uma vez só passo para uma nova instalação do RStudio, após o que este passo torna-se redundante. Para instalar &#39;ggplot2&#39;, clique na guia chamado &quot;pacotes&quot; acima da janela no canto inferior direito da RStudio, clique no botão &quot;Instalar Pacotes &#39;que aparece abaixo desta. Uma nova janela irá aparecer. Tipo &#39;ggplot2&#39; (cotações omitindo) para o &#39;Pacotes&#39; sritmo nesta nova janela e, finalmente, clique no botão &quot;Instalar&quot; para fechar a janela, instale as funções ggplot2 necessárias e retornar à janela RStudio principal para continuar a partir do passo 3.6. </li><li> Destacar linhas de 1 a 17 na janela superior esquerda da RStudio, em seguida, clique no botão &quot;Executar&quot;. Isto irá inserir os dados experimentais, limiares e detalhes bem localização em R (Figura S2C). R passou a deter temporariamente os dados relevantes para a plotagem. </li><li> Destaque blocos individuais do código restante sob linha 17 e criar as parcelas correspondentes ao clicar no botão &quot;Run&quot; como antes. Observe as parcelas na janela no canto inferior direito da RStudio e salvar o número de formatos, clicando no botão &quot;Export&quot; (Figura S2D). </li><li> Ao fechar RStudio, clique em &quot;Não Salvar&quot; quando solicitado. Isso evita confusão na próxima uso de RStudio, que de outra forma armazenar dadosda sessão anterior. </li></ol>

<ol>
	<li>Carpenter, A. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=CellProfiler:+image+analysis+software+for+identifying+and+quantifying+cell+phenotypes.">CellProfiler: image analysis software for identifying and quantifying cell phenotypes.</a> Genome Biol. 7 (10), 100 (2006).</li><li>Khan, A., Eldaly, H., Rajpoot, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+gamma-gaussian+mixture+model+for+detection+of+mitotic+cells+in+breast+cancer+histopathology+images.">A gamma-gaussian mixture model for detection of mitotic cells in breast cancer histopathology images.</a> J Pathol Inform. 4, 11 (2013).</li><li>Selzer, P., Beibel, M., Gubler, H., Parker, C. N., Gabriel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+multivariate+data+analysis+strategies+for+high-content+screening.">Comparison of multivariate data analysis strategies for high-content screening.</a> J Biomol Screen. 16 (3), 338-347 (2011).</li><li>Lyman, S. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High+content,+high-throughput+analysis+of+cell+cycle+perturbations+induced+by+the+HSP90+inhibitor+XL888.">High content, high-throughput analysis of cell cycle perturbations induced by the HSP90 inhibitor XL888.</a> PLoS One. 6 (3), e17692 (2011).</li><li>Richardson, E., Stockwell, S. R., Li, H., Aherne, W., Cuomo, M. E., Mittnacht, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mechanism-based+screen+establishes+signalling+framework+for+DNA+damage-associated+G1+checkpoint+response.">Mechanism-based screen establishes signalling framework for DNA damage-associated G1 checkpoint response.</a> PLoS One. 7 (2), e17692 (2012).</li><li>Heynen-Genel, S., Pache, L., Chanda, S. K., Rosen, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+genomic+and+high-content+screening+for+target+discovery+and+deconvolution.">Functional genomic and high-content screening for target discovery and deconvolution.</a> Expert Opin Drug Discov. 7 (10), 955-968 (2012).</li><li>Krausz, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-content+siRNA+screening.">High-content siRNA screening.</a> Mol Biosyst. 3 (4), 232-240 (2007).</li><li>Gu, J., Xia, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cell+Cycle-dependent+Regulation+of+a+Human+DNA+Helicase+That+Localizes+in.">Cell Cycle-dependent Regulation of a Human DNA Helicase That Localizes in.</a> DNA Damage Foci. Mol Biol Cell. 15 (7), 3320-3332 (2004).</li><li>Mittnacht, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Control+of+pRB+phosphorylation.">Control of pRB phosphorylation.</a> Curr Opin Genet Dev. 8 (1), 21-27 (1998).</li><li>Mittnacht, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+retinoblastoma+protein--from+bench+to+bedside.">The retinoblastoma protein--from bench to bedside.</a> Eur J Cell Biol. 84 (2-3), 97-107 (2005).</li><li>Nybo, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GFP+imaging+in+fixed+cells.">GFP imaging in fixed cells.</a> BioTechniques. 52 (6), 359-360 (2012).</li><li>Schwartz, R. L., Foy, B. D., Phoenix, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Learning Perl - Making Easy Things Easy and Hard Things Possible. , 1-363 (2011).</li><li>Wickham, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> ggplot2: Elegant Graphics for Data Analysis. , 978-970 (2009).</li></ol>

Os autores não têm nada a revelar

O fluxo de trabalho descrito constitui um procedimento para a perturbação de poços múltiplos de células utilizando siRNA, a detecção de marcador subsequente e, finalmente, o uso de uma série de passos suportado por software para facilitar a extracção dos dados quantitativos a partir das imagens de microscopia de fluorescência resultantes. A abordagem é focada na entrega de valores de intensidade nucleares e citoplasmáticos de células individuais, o que tem ampla aplicação prática em muitas aplicações baseadas em células. Os dados exemplo aqui utilizado foi gerado em um ambiente de tela siRNA em que dois ensaios fluorescentes para a fase G1 trânsito ciclo celular são testados e correlacionados de volta para uma medida biofísica mais direta do conteúdo de DNA nuclear. O uso de um corante de ADN fluorescente no DNA nuclear de imagem é uma passo indispensável no processo de segmentação da imagem, uma vez que permite a identificação de células individuais e a &#39;Núcleos máscara&#39; resultante serve como o ponto de partida para identificar correspondente cytoplasmiregiões c. A CDK2 repórter marcado com GFP, que é expresso de forma estável em células, dá uma variável ainda consistentemente mais elevado do que o sinal de fundo no citoplasma, através da qual este compartimento pode ser delineada. O mesmo gasoduto análise deve ser aplicável à análise de eventos de translocação de proteínas utilizando outros repórteres ligados a fluorescência adequadas ea sua resposta à perturbação. Além disso, o repórter GFP, substituindo-CDK2 com corantes fluorescentes específicos do citoplasma permitiria a utilização deste algoritmo alternativo para medir as dimensões do citoplasma e os tamanhos relativos das células nas imagens. Outra consideração de projecto na estratégia de segmentação de imagens descrito aqui é o uso de Profiler celular para fornecer valores de intensidade integrada para a quantificação de ADN. Integração da intensidade de valores para o DNA nuclear de dados de coloração permitir eventuais variações no tamanho do núcleo, e representa uma estreita correspondência para os perfis de quantificação vistospara iodeto de propídio manchado FACS dados. No entanto, a intensidade integrada não podem fornecer um meio adequado para avaliar a função da proteína em que a concentração média, exemplificado por intensidade de fluorescência média de antigénio, é biologicamente mais relevante do que a quantidade total integrado proteína (e fluorescência associada) dentro de um compartimento da célula. Por conseguinte, os valores de intensidade média foram utilizadas para a P-S780 RB1 e dados GFP. A opção de alterar entre os dois modos (média ou integrado) de avaliação de dados é encontrado no painel &#39;ExportToSpreadsheet&#39; do software Profiler Cell. As definições de análise no arquivo 3_channels_pipeline.cppipe são otimizados para as imagens do conjunto dados de exemplo. Análise de novas imagens conjuntos com este protocolo, é necessário que os nomes dos arquivos adotar a convenção de nomenclatura acima descrito (Figura 3). Além disso, valores de sensibilidade para atender o brilho da coloração DNA nuclear e limiares para o fundointensidades nos novos conjuntos de imagens podem ter de ser ajustada dentro das definições Profiler celular. Dado o papel chave a coloração DNA vale para construir as várias máscaras de segmentação de imagem, o aplicativo de configurações de sensibilidade corretas para este canal é a chave para a análise de sucesso de novos dados de imagem com o software Profiler Cell. O arquivo de configurações, desde Profiler Cell (3_channels_pipeline.cppipe) contém notas sobre os parâmetros mais freqüentemente útil para adaptar a análise de novos dados. Estas notas são na caixa de texto na parte superior da tela na janela principal Profiler o celular e incluir orientações sobre como alterar as configurações de sensibilidade e ajustando o número de canais a serem analisados. Como indiciado em Protocol seção 2.8, para testar configurações para novos dados de imagem pode ser necessário observar a segmentação de imagens durante a análise de imagem clicando aberto os ícones &quot;olho&quot; para cada um dos &quot;Identificar ... objetos&quot; etapas do protocolo (Figura S1D </strong&gt;). Em particular, a visualização dos dados da imagem, através de &quot;IdentifyPrimaryOjects &#39;mostra se a máscara Núcleos está correctamente identificado a partir de imagens da coloração do ADN. Na página software Profiler celular para o módulo &#39;IdentifyPrimaryOjects&#39; é o fator de correção de limiar. Ajuste de tentativa e erro desse valor irá corrigir a maioria dos erros de reconhecimento nucleares. Os valores equilibrar o canal de ADN contra a intensidade do fundo para cada imagem. Valores do fator de correção Threshold dobradiça em torno de 1, onde maior do que este é mais rigoroso (bom para imagens claras) e menos do que 1 é branda (adequado para imagens com menos contraste entre a coloração e de fundo). A saída bruta de dados célula individual de Profiler celular pode ser analisado em diferentes maneiras de atender as necessidades de outros estudos. Mostrado aqui, é a utilização de um script Perl para aplicar portas para dois dos parâmetros medidos em cada célula, a fim de ajudar a extrair tendências biológicas a partir de uma a dadosd autorização de referência cruzada das subpopulações identificadas com medidas adicionais. Embora seja igualmente possível incluir elementos de gating no âmbito do Profiler Cell, a rota alternativa utilizada aqui proporciona maior flexibilidade e velocidade, especialmente se grandes conjuntos de dados precisam ser avaliados. O estágio mais lento nas fases de aquisição de pós-imagem do actual protocolo é o funcionamento do software Profiler Cell. Profiler celular aqui é executado sem impor portões para produzir um conjunto de dados brutos fechado-un, que pode ser novamente analisadas com o script Perl subsequente mais rapidamente e, se necessário, de forma iterativa, com diferentes valores de porta. Nem todos os estudos vai saber com antecedência os valores de porta adequados como isso pode variar de acordo com reagentes em um determinado conjunto de dados, e, potencialmente, ao longo do tempo. É, portanto, recomenda-se a gerar histogramas que descrevem a distribuição dos dados obtidos a partir de matéria-Profiler celular para controles positivos e células mock-perturbadas, a fim de identificar valu portão adequadoes para os parâmetros de interesse. Os scripts Perl são escritos para aceitar uma estrutura de colunas rigidamente definido de dados do Profiler celular e pode parar de funcionar se um usuário modifica o número de parâmetros de saída por Profiler celular usando as configurações do &#39;ExportToSpreadsheet&#39;. Para ajudar a implementar a modificação das configurações de notas estão incluídos dentro dos arquivos de script Perl. Para ver estes ler o script em um editor de texto, editor de texto, de preferência de um programador definir a elementos Perl código de cor (por exemplo, http://www.activestate.com/komodo-edit). Estas notas indicam onde para ajustar o script para se adaptar às mudanças no formato de dados. Similar aos scripts Perl, o arquivo R-código fornecido (analysis.r), que contém as instruções para plotar os dados da análise de dados de imagem, pode ser lido em um editor de texto ou software RStudio ver notas adicionais sobre a utilização e adaptação. Estas notas podem ser complementados com informações sobre expressões regulares e Perl &lt;sup&gt; 12 eo pacote ggplot2 13 para R, ambos os quais formam a base de como os dados são lidos, anotado e plotados, respectivamente. Novos estudos utilizando microscopia de fluorescência, bem como dados em bruto depositados com as publicações de origem abertos são passíveis de métodos de análise, tais como as descritas aqui. A própria natureza dos dados de alto conteúdo se presta à análise recursiva com ênfases diferentes analíticas, dependendo dos interesses de qualquer observador de pesquisa. Embora as questões que podem ser feitas dos dados estão limitados pelas sondas usadas originalmente, os dados de imagem muitas vezes pode ser significativamente novamente analisadas para além do âmbito dos estudos que os geraram.

O trabalho aqui apresentado descreve a utilização do software Profiler celular livremente disponível para executar guiada por algoritmo repartição de imagens de microscopia de fluorescência de células aderentes para identificar células individuais e as regiões subcelulares definidos. Esta abordagem, referida como a segmentação de imagens, permite a análise de multi-paramétrico subsequente das células fotografadas por quantificação marcadores marcados com fluorescência localizadas a cada célula ou região sub-celular (referido como objectos segmentados). Esse fluxo de trabalho constitui uma base para permitir a análise de conteúdo de alta e se destina a servir como uma ferramenta que pode ser desenvolvido e modificado para atender multi-paramétricos, analisa célula individual em laboratórios sem acesso a instrumentos de alto teor especializadas ou software proprietário. Os arquivos fornecidos com este manuscrito incluem um conjunto de teste de dados de imagem raw relevantes, configurações de algoritmo e scripts de suporte para gerar a análise descrita. O algoritmo fornecido configurações fProfiler ou celular são otimizados para o conjunto de dados de exemplo e os detalhes seção de discussão que possam ser necessárias adaptações para permitir a utilização de dados de imagem de outros estudos. Uma vez que os dados quantitativos foi extraído usando Profiler Cell, diferentes laboratórios podem ter requisitos diferentes de como usar as informações apresentadas pelos valores de células individuais dos dados em bruto; mostrado aqui é uma abordagem pela qual os portões são aplicados aos dados em bruto para cada ensaio. Usando estas portas, os dados são transformados em termos binários de resposta, permitindo a visualização das tendências que ligam diferentes tratamentos com as subpopulações de células que sofrem de resposta definido pelas portas. Os portões são definidos com base em observações das distribuições de dados obtidos para os controlos positivos e negativos adequados para cada medição relevante. A utilização de portas é apenas um exemplo de como gerir as medições, à base de células-primas. Também mostrado é o uso de intensidade de DNA nuclear mimasurements em sua forma bruta como uma faixa contínua de valores, em combinação com os dados fechados. Outras abordagens para a gestão de dados de análise de imagem deve ser considerada, dependendo da natureza do estudo; alternativas estatísticos a utilizar portas para a atribuição de células para as subpopulações foram relatados 2 e sistemáticas comparação de estratégias para resumir dados de alto conteúdo em um grande número de parâmetros foram relatados 3. Análises de alta conteúdo de dados de imagem encontraram o uso em estudos celulares da droga-resposta, reverter genética e estresse ambiental sinalização 4-6. O mérito da análise de alto teor decorre do fato de que a análise de algoritmos de dados de microscopia de fluorescência permite que os parâmetros quantitativos e espaciais a ser considerado simultaneamente em células individuais 7. Deste modo, os resultados para vários ensaios celulares pode ser um comportamento de referência cruzada, diferencial de ensaio-dsubpopulações de células efined pode ser rastreado dentro das condições experimentais e ensaios podem incluir a consideração das variáveis ​​morfológicas. O estratégias e análise de fluxo de trabalho discutido aqui, como para outras abordagens de alto conteúdo, são capazes de fornecer dados multiplexados que são cruzados com células individuais. Estudos de alta conteúdo métodos terno que geram imagens de microscopia fluorescente e são aplicáveis ​​a análise de dados que variam de dezenas de imagens produzidas em microscopia de fluorescência convencional à base de baixo rendimento através dos milhares de imagens produzidas utilizando plataformas de triagem de alto conteúdo automatizadas. O fluxo de trabalho é ilustrado aqui com dados de exemplo a partir do qual ensaios separados são medidos em termos quer de intensidades marcador fluorescente nucleares ou translocação citoplasma / núcleo de uma proteína fluorescente repórter, respectivamente. O fluxo de trabalho é flexível em que estes testes podem ser consideradas separadamente ou em combinação, dependendo each determinada questão de investigação por vários investigadores. Os dados deste exemplo são produzidos como parte de uma experiência de interferência de RNA (RNAi) (Figura 1). Pequenas interferentes oligonucleótidos de ARN (ARNip) são usados ​​para knockdown proteínas específicas em células HCT116 de carcinoma colorectal humano, que resultam em alterações de dois repórteres fluorescentes de cinase (CDK) actividade dependente de ciclina. A fosforilação dependente de CDK6 da proteína do retinoblastoma nuclear na serina 780 (P-S780 RB1) é avaliada por coloração de anticorpos. Nas mesmas células, um repórter marcado com proteína verde fluorescente de actividade de CDK2 (GFP-CDK2 repórter) é avaliada pela sua proporção nuclear para citoplasmático quando, na ausência de actividade de CDK2 do repórter reside no núcleo e sobre serviço de transporte de activação CDK2 para o citoplasma 8. Além disso, o ADN nuclear de cada célula é corado usando um corante intercalante de ADN, Bisbenzamida, que serve como um meio para identificar as células e definir as fronteiras núcleos nas imagens bem como umsa medida de abundância ADN fornecer informações sobre a posição do ciclo celular da célula (Figura 2). As actividades de CDK6 e CDK2 são detectáveis ​​como células de trânsito da fase G1 para a fase S do ciclo celular 5 e sucedem 9,10 e, como tal, estreita concordância entre os dois repórteres em células individuais é esperado. O conjunto de dados de demonstração usado aqui como um exemplo analisa o efeito de siRNA alvo CDK6, proteína do retinoblastoma (RB1) e um controlo negativo não-alvo (Tabela 1). Knockdown de CDK6 deve provocar uma diminuição tanto do epitopo RB1 P-S780 e uma acumulação de células na fase G1 do ciclo celular. O knockdown RB1 serve como um controlo de reagente para a especificidade do anticorpo fosfo-S780. Imagens de microscópio de fluorescência fixados em formalina 11, células de cultura de tecidos HCT116 fluorescently manchadas são utilizados para análise de imagem algorítmica. Os dados numéricos resultante é então utilizada parareferência cruzada os repórteres e avaliar o impacto dos diferentes estados knockdown. O tamanho potencial dos dados produzidos por este tipo de análise pode representar um desafio para ferramentas de análise normais. Por exemplo, os dados de células individuais podem ser maiores do que alguns software de planilha eletrônica irá acomodar. Estão incluídos os scripts Perl que realizam altamente repetitivo, processamento simples, supervisionado dos dados para auxiliar a análise de grandes conjuntos de dados. Os scripts Perl são escritos especificamente para os arquivos de saída produzidos pelo celular Profiler, ao processar arquivos de imagem com uma convenção de nomenclatura de arquivo específico (Figura 3), e permitir a variável do número de campos por poço a ser utilizados na análise. É freqüentemente importante para dados do ensaio portão célula individual para acompanhar as tendências em subpopulações de células 5 e mostrado aqui é o uso de um script Perl para marcar cada célula com base em um portão conjunto predeterminado para cada tipo de ensaio. Também estão incluídos os scripts Perl opcionaisque resumem o resultado de dados para poços individuais (ou condições), entregando: porcentagem de células dentro da porta ao conjunto e os valores médios dos escores brutos de ensaio. A segunda opção, mais homogênea de visualização dos dados, é válido onde respostas afetam a totalidade ou a maioria das células dentro de um poço. Como discutido acima, essa avaliação é menos útil do que a oferecida pela aquisição electrónica de dados célula individual onde a resposta está confinada a um subconjunto de células dentro de uma população. A utilidade do fluxo de trabalho descrito não está limitado a perturbação por siRNA ou os ensaios descritos marcadores. Estudos têm usado essa abordagem para ensaiar respostas em experimentos de cultura de tecidos usando combinações de siRNA, inibidores químicos e tratamento de radiação e para a avaliação de outros que CDK6 marcadores e atividade CDK2 5. Conceptualmente, a estratégia experimental permite que uma variedade de regiões sub-celulares biologicamente úteis para ser automaticamente registadaem células individuais presentes em imagens de microscópio de fluorescência. Como tal, esta abordagem pode render informações biológicas quantitativa, os dados multiplexados revelando que pode ser perdida por meio de técnicas que se concentram em populações em vez de células individuais. Com pequenas modificações, o fluxo de trabalho de abordagem e análise descrito pode render, dados quantitativos de células individuais para quaisquer saídas ensaio baseado em fluorescência e respostas de células-biológico, em que a avaliação quantitativa do conteúdo de DNA, a quantificação da fluorescência nuclear ou citoplasmática ou o vaivém de marcadores entre estes dois compartimentos individualmente ou de forma multiplexada é de interesse. Como requisitos de publicação tendem cada vez mais para a apresentação dos dados em bruto abertamente acessível, acesso e familiaridade com ferramentas gratuitas para análise de imagens de microscopia como os descritos aqui também vai ser de interesse direto para os laboratórios que olham para reavaliar os dados publicados.

<table border="0" cellpadding="0" cellspacing="0" width="604">
	<tbody>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Name of Material/ Equipment</td>
			<td style="width:103px;">Company</td>
			<td style="width:119px;">Catalog Number</td>
			<td style="width:167px;">Comments/Description</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">AllStars negative control siRNA</td>
			<td style="width:103px;">Qiagen</td>
			<td align="right" style="width:119px;">1027280</td>
			<td style="width:167px;">Negative control siRNA.</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">CDK6 siRNA</td>
			<td style="width:103px;">Dharmacon/ Custom synthesis</td>
			<td style="width:119px;">NA</td>
			<td style="width:167px;">Antisense sequence: 5&#39; CUCUAGGCCAGUCUUCUUCUU</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">RB1 siRNA</td>
			<td style="width:103px;">Dharmacon/ Custom synthesis</td>
			<td style="width:119px;">NA</td>
			<td style="width:167px;">Antisense sequence: 5&#39; GGUUCAACUACGCGUGUAATT</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">5x siRNA buffer</td>
			<td style="width:103px;">Thermo Scientific</td>
			<td>B-002000-UB-100</td>
			<td style="width:167px;">To be diluted with nuclease-free, non-DEPC treated water.</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Nulcease-free water (non-DEPC)</td>
			<td style="width:103px;">Applied Biosystems</td>
			<td>AM9937</td>
			<td style="width:167px;">For dilution of siRNA buffer.</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Hiperfect</td>
			<td style="width:103px;">Qiagen</td>
			<td align="right">301705</td>
			<td style="width:167px;">Transfection lipid.</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">DMEM</td>
			<td style="width:103px;">Life Technologies</td>
			<td align="right">41966052</td>
			<td style="width:167px;">Pyruvate and high-glucose supplemented tissue culture media.</td>
		</tr>
		<tr height="126">
			<td height="126" style="height:126px;width:216px;">96 well tissue culture plate</td>
			<td style="width:103px;">Falcon</td>
			<td align="right">3072</td>
			<td style="width:167px;">Plain, 96-well tissue culture plate for the parallel, compartmentalized mixing of transfection complexes.</td>
		</tr>
		<tr height="189">
			<td height="189" style="height:189px;width:216px;">Packard Viewplate</td>
			<td style="width:103px;">Perkin Elmer LAS</td>
			<td align="right">6005182</td>
			<td style="width:167px;">96 well TC plate with optical base on which cells are transfected, grown, fixed and eventually imaged. Supplied with opaque, adhesive plate seals, which are used during storage of used plates.</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Breathable membrane</td>
			<td style="width:103px;">Alpha Labs</td>
			<td style="width:119px;">LW2783</td>
			<td style="width:167px;">Sterile, gas-permeable, adhesive membrane.</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">Neutral buffered formalin, 10%</td>
			<td style="width:103px;">Sigma-Aldrich</td>
			<td>HT5012-1CS</td>
			<td style="width:167px;">10% Formalin (4% formaldehyde) fixative used neat in protocol.</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Triton X-100</td>
			<td style="width:103px;">Sigma-Aldrich</td>
			<td>X100PC</td>
			<td>Non-ionic detergent</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">Tris</td>
			<td style="width:103px;">Sigma-Aldrich</td>
			<td style="width:119px;">T1503</td>
			<td style="width:167px;">Trizma base (tris(hydroxymethyl)aminomethane)</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Tween 20</td>
			<td style="width:103px;">Sigma-Aldrich</td>
			<td style="width:119px;">P2287</td>
			<td style="width:167px;">For plate wash solution.</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Anti-P-S780 RB1 antibody</td>
			<td style="width:103px;">Abcam</td>
			<td>ab32513</td>
			<td>Rabbit monoclonal</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">AlexaFluor647 Anti-rabbit</td>
			<td style="width:103px;">Invitrogen</td>
			<td>A21245</td>
			<td style="width:167px;">Highly cross-adsorbed, fluorescently labelled secondary antibody.</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Hoechst 33342 (Bisbenzimide)</td>
			<td style="width:103px;">Sigma-Aldrich</td>
			<td>B2261</td>
			<td style="width:167px;">Fluorescent, chromatin-intercalating, DNA dye.</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">Permeabilization solution</td>
			<td style="width:103px;">NA</td>
			<td style="width:119px;">NA</td>
			<td style="width:167px;">0.1% Triton X-100 in 50 mM Tris-buffered saline, pH 8.0.</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">Plate wash solution</td>
			<td style="width:103px;">NA</td>
			<td style="width:119px;">NA</td>
			<td style="width:167px;">Tris-buffered saline containing 0.1 % Tween-20.</td>
		</tr>
		<tr height="126">
			<td height="126" style="height:126px;width:216px;">Block solution</td>
			<td style="width:103px;">NA</td>
			<td style="width:119px;">NA</td>
			<td style="width:167px;">5% powdered milk in Tris-buffered saline and 0.1% Tween-20. For blocking plate prior to immuno-staining and dilution of antibodies.</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">Cell Profiler 2.1</td>
			<td style="width:103px;">Broad Institute</td>
			<td style="width:119px;"></td>
			<td>http://www.cellprofiler.org/download.shtml</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Active Perl Community Edition</td>
			<td style="width:103px;">ActiveState</td>
			<td style="width:119px;"></td>
			<td>http://www.activestate.com/activeperl/downloads</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:216px;">R programming environment</td>
			<td style="width:103px;">The R Foundation</td>
			<td style="width:119px;"></td>
			<td>http://www.r-project.org</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Rstudio</td>
			<td style="width:103px;">Rstudio</td>
			<td style="width:119px;"></td>
			<td>http://www.rstudio.com/</td>
		</tr>
	</tbody>
</table>

workflow for high-content, individual cell quantification of fluorescent markers from universal microscope data, supported by open source software

Avanços no entendimento dos mecanismos de controlo que regem o comportamento das células em modelos de cultura de tecidos de mamíferos aderentes estão se tornando cada vez mais dependente de modos de análise de uma única célula. Métodos que entregam dados compostos refletem os valores médios de biomarcadores de populações de células risco de perder a dinâmica subpopulação que refletem a heterogeneidade do sistema biológico estudado. De acordo com este, as abordagens tradicionais estão sendo substituídas por, ou suportadas com formas mais sofisticadas de ensaio celular desenvolvidos para permitir a avaliação por meio de microscopia de alta conteúdo. Estes ensaios potencialmente gerar um grande número de imagens de biomarcadores fluorescentes, o que permitiu, acompanhando os pacotes de software proprietário, permite medições multi-paramétricos por célula. No entanto, os custos relativamente elevados de capital e overspecialization de muitos destes dispositivos têm impedido a sua acessibilidade para muitos pesquisadores. Descrito aqui é umfluxo de trabalho universalmente aplicável para a quantificação de várias intensidades dos marcadores fluorescentes específicos de regiões sub-celulares de células individuais adequadas para utilização com a maioria dos microscópios de imagens fluorescentes. A chave para este fluxo de trabalho é a implementação do software Profiler celular livremente disponível de 1 a distinguir as células individuais nestas imagens, segmento los em regiões subcelulares definidos e fornecer intensidade de fluorescência do marcador valores específicos para estas regiões. A extracção de valores de intensidade de células individuais a partir de dados de imagem é o objectivo central deste fluxo de trabalho e será ilustrada com a análise dos dados de controlo a partir de uma tela de siRNA para G1 reguladores de pontos de verificação de células humanas aderentes. No entanto, o fluxo de trabalho aqui apresentado pode ser aplicado para a análise de dados a partir de outros meios de perturbação celular (por exemplo, ecrãs de compostos) e outras formas de fluorescência baseada marcadores celulares e, portanto, deve ser útil para uma vasta gama de laboratórios.

Watch this Scientific Journal Video about Workflow for High-content, Individual Cell Quantification of Fluorescent Markers from Universal Microscope Data, Supported by Open Source Software at JoVE.com

Workflow for High-content, Individual Cell Quantification of Fluorescent Markers from Universal Microscope Data, Supported by Open Source Software

Apresentado é um informática fluxo de trabalho flexível permitindo uma análise baseada em imagem multiplexado de células marcadas com fluorescência. O fluxo de trabalho quantifica marcadores nucleares e citoplasmáticos e calcula marcador translocação entre esses compartimentos. Os procedimentos são fornecidos por perturbação das células utilizando metodologia de siRNA e fiável para a detecção do marcador através de imunofluorescência indirecta em formatos de 96 poços.

Fluxo de trabalho para de alta conteúdo, Quantificação de células individuais de marcadores fluorescentes de Microscópio Universal Data, apoiada pela Open Source Software

Advances in understanding the control mechanisms governing the behavior of cells in adherent mammalian tissue culture models are becoming increasingly ...

workflow-for-high-content-individual-cell-quantification-fluorescent

Research

JoVE Journal

Biology

12.9K visualizações.  UCL Cancer Institute.  Apresentado é um informática fluxo de trabalho flexível permitindo uma análise baseada em imagem multiplexado de células marcadas com fluorescência. O fluxo de trabalho quantifica marcadores nucleares e citoplasmáticos e calcula marcador translocação entre esses compartimentos. Os procedimentos são fornecidos por perturbação das células utilizando metodologia de siRNA e fiável para a detecção do marcador através de imunofluorescência indirecta em format...

Vídeo: Workflow for High-content, Individual Cell Quantification of Fluorescent Markers from Universal Microscope Data, Supported by Open Source Software

A Neuronal and Astrocyte Co-Culture Assay for High Content Analysis of Neurotoxicity

High Content Analysis (HCA) assays combine cells and detection reagents with automated imaging and powerful image analysis algorithms, allowing measurement of multiple cellular phenotypes within a single assay. In this study, we utilized HCA to develop a novel assay for neurotoxicity. Neurotoxicity assessment represents an important part of drug safety evaluation, as well as being a significant focus of environmental protection efforts. Additionally, neurotoxicity is also a well-accepted in vitro marker of the development of neurodegenerative diseases such as Alzheimer's and Parkinson's diseases. Recently, the application of HCA to neuronal screening has been reported. By labeling neuronal cells with &beta;III-tubulin, HCA assays can provide high-throughput, non-subjective, quantitative measurements of parameters such as neuronal number, neurite count and neurite length, all of which can indicate neurotoxic effects. However, the role of astrocytes remains unexplored in these models. Astrocytes have an integral role in the maintenance of central nervous system (CNS) homeostasis, and are associated with both neuroprotection and neurodegradation when they are activated in response to toxic substances or disease states. GFAP is an intermediate filament protein expressed predominantly in the astrocytes of the CNS. Astrocytic activation (gliosis) leads to the upregulation of GFAP, commonly accompanied by astrocyte proliferation and hypertrophy. This process of reactive gliosis has been proposed as an early marker of damage to the nervous system. The traditional method for GFAP quantitation is by immunoassay. This approach is limited by an inability to provide information on cellular localization, morphology and cell number. We determined that HCA could be used to overcome these limitations and to simultaneously measure multiple features associated with gliosis - changes in GFAP expression, astrocyte hypertrophy, and astrocyte proliferation - within a single assay. In co-culture studies, astrocytes have been shown to protect neurons against several types of toxic insult and to critically influence neuronal survival. Recent studies have suggested that the use of astrocytes in an in vitro neurotoxicity test system may prove more relevant to human CNS structure and function than neuronal cells alone. Accordingly, we have developed an HCA assay for co-culture of neurons and astrocytes, comprised of protocols and validated, target-specific detection reagents for profiling &beta;III-tubulin and glial fibrillary acidic protein (GFAP). This assay enables simultaneous analysis of neurotoxicity, neurite outgrowth, gliosis, neuronal and astrocytic morphology and neuronal and astrocytic development in a wide variety of cellular models, representing a novel, non-subjective, high-throughput assay for neurotoxicity assessment. The assay holds great potential for enhanced detection of neurotoxicity and improved productivity in neuroscience research and drug discovery.

This article describes a novel protocol and reagent set designed for sensitive measurement of neurotoxic effects of compounds and treatments on co-cultures of neurons and astrocytes using high content analysis. Results demonstrate that high content analysis represents an exciting novel technology for neurotoxicity assessment.

A Neuronal e astrocitária Ensaio Co-Cultura de Análise de Conteúdo de Alta de neurotoxicidade

High Content Analysis (HCA) assays combine cells and detection reagents with automated imaging and powerful image analysis algorithms, allowing ...

Biologia

Imaging C. elegans Embryos using an Epifluorescent Microscope and Open Source Software

Cellular processes, such as chromosome assembly, segregation and cytokinesis,are inherently dynamic. Time-lapse imaging of living cells, using fluorescent-labeled reporter proteins or differential interference contrast (DIC) microscopy, allows for the examination of the temporal progression of these dynamic events which is otherwise inferred from analysis of fixed samples1,2. Moreover, the study of the developmental regulations of cellular processes necessitates conducting time-lapse experiments on an intact organism during development. The Caenorhabiditis elegans embryo is light-transparent and has a rapid, invariant developmental program with a known cell lineage3, thus providing an ideal experiment model for studying questions in cell biology4,5and development6-9. C. elegans is amendable to genetic manipulation by forward genetics (based on random mutagenesis10,11) and reverse genetics to target specific genes (based on RNAi-mediated interference and targeted mutagenesis12-15). In addition, transgenic animals can be readily created to express fluorescently tagged proteins or reporters16,17. These traits combine to make it easy to identify the genetic pathways regulating fundamental cellular and developmental processes in vivo18-21. In this protocol we present methods for live imaging of C. elegans embryos using DIC optics or GFP fluorescence on a compound epifluorescent microscope. We demonstrate the ease with which readily available microscopes, typically used for fixed sample imaging, can also be applied for time-lapse analysis using open-source software to automate the imaging process.

Imaging C. elegans Embryos using an Epifluorescent Microscope and Open Source Software

The C. elegans embryo is a powerful system for studying cell biology and development. We present a protocol for live imaging of C. elegans embryos utilizing DIC optics or fluorescence using readily available epifluorescent microscopes and open-source software.

Imagem C. elegans Os embriões utilizando um microscópio de epifluorescência e Software de Código Aberto

Cellular processes, such as chromosome assembly, segregation and cytokinesis,are inherently dynamic. Time-lapse imaging of living cells, using ...

A High-content Imaging Workflow to Study Grb2 Signaling Complexes by Expression Cloning

Signal transduction by growth factor receptors is essential for cells to maintain proliferation and differentiation and requires tight control. Signal transduction is initiated by binding of an external ligand to a transmembrane receptor and activation of downstream signaling cascades. A key regulator of mitogenic signaling is Grb2, a modular protein composed of an internal SH2 (Src Homology 2) domain flanked by two SH3 domains that lacks enzymatic activity. Grb2 is constitutively associated with the GTPase Son-Of-Sevenless (SOS) via its N-terminal SH3 domain. The SH2 domain of Grb2 binds to growth factor receptors at phosphorylated tyrosine residues thus coupling receptor activation to the SOS-Ras-MAP kinase signaling cascade. In addition, other roles for Grb2 as a positive or negative regulator of signaling and receptor endocytosis have been described. The modular composition of Grb2 suggests that it can dock to a variety of receptors and transduce signals along a multitude of different pathways1-3.
	Described here is a simple microscopy assay that monitors recruitment of Grb2 to the plasma membrane. It is adapted from an assay that measures changes in sub-cellular localization of green-fluorescent protein (GFP)-tagged Grb2 in response to a stimulus4-6. Plasma membrane receptors that bind Grb2 such as activated Epidermal Growth Factor Receptor (EGFR) recruit GFP-Grb2 to the plasma membrane upon cDNA expression and subsequently relocate to endosomal compartments in the cell. In order to identify in vivo protein complexes of Grb2, this technique can be used to perform a genome-wide high-content screen based on changes in Grb2 sub-cellular localization. The preparation of cDNA expression clones, transfection and image acquisition are described in detail below. Compared to other genomic methods used to identify protein interaction partners, such as yeast-two-hybrid, this technique allows the visualization of protein complexes in mammalian cells at the sub-cellular site of interaction by a simple microscopy-based assay. Hence both qualitative features, such as patterns of localization can be assessed, as well as the quantitative strength of the interaction.

A high-content screening method for the identification of novel signaling competent transmembrane receptors is described. This method is amenable to large-scale automation and allows predictions about in vivo protein binding and the sub-cellular localization of protein complexes in mammalian cells.

Um fluxo de trabalho de imagem de alta de conteúdo para estudar Grb2 Complexos de Sinalização por clonagem de expressão

Signal  transduction by growth factor receptors is essential for cells to maintain  proliferation and differentiation and requires tight control. Signal  ...

Profiling Individual Human Embryonic Stem Cells by Quantitative RT-PCR

Heterogeneity of stem cell population hampers detailed understanding of stem cell biology, such as their differentiation propensity toward different lineages. A single cell transcriptome assay can be a new approach for dissecting individual variation. We have developed the single cell qRT-PCR method, and confirmed that this method works well in several gene expression profiles. In single cell level, each human embryonic stem cell, sorted by OCT4::EGFP positive cells, has high expression in OCT4, but a different level of NANOG expression. Our single cell gene expression assay should be useful to interrogate population heterogeneities.

Single cell gene expression assay is needed for understanding stem cell heterogeneities.

Profiling Individual células estaminais embrionárias humanas por RT-PCR quantitativo

Heterogeneity of stem cell population hampers detailed understanding of stem cell biology, such as their differentiation propensity toward different ...

Tracking and Quantifying Developmental Processes in C. elegans Using Open-source Tools

Quantitatively capturing developmental processes is crucial to derive mechanistic models and key to identify and describe mutant phenotypes. Here protocols are presented for preparing embryos and adult C. elegans animals for short- and long-term time-lapse microscopy and methods for tracking and quantification of developmental processes. The methods presented are all based on C. elegans strains available from the Caenorhabditis Genetics Center and on open-source software that can be easily implemented in any laboratory independently of the microscopy system used. A reconstruction of a 3D cell-shape model using the modelling software IMOD, manual tracking of fluorescently-labeled subcellular structures using the multi-purpose image analysis program Endrov, and an analysis of cortical contractile flow using PIVlab (Time-Resolved Digital Particle Image Velocimetry Tool for MATLAB) are shown. It is discussed how these methods can also be deployed to quantitatively capture other developmental processes in different models, e.g., cell tracking and lineage tracing, tracking of vesicle flow.

Tracking and Quantifying Developmental Processes in C. elegans Using Open-source Tools

Here it is shown how to track and quantify developmental processes in C. elegans. The methods presented are based on open-source tools that can be easily implemented. It is demonstrated how to reconstruct 3D cell-shape models, how to manually track subcellular structures, and how to analyze cortical contractile flow.

Rastreamento e quantificação processos de desenvolvimento em<em&gt; C. elegans</em&gt; Como usar as ferramentas de código aberto

Quantitatively capturing developmental processes is crucial to derive mechanistic models and key to identify and describe mutant phenotypes. Here ...

Open Source High Content Analysis Utilizing Automated Fluorescence Lifetime Imaging Microscopy

We present an open source high content analysis instrument utilizing automated fluorescence lifetime imaging (FLIM) for assaying protein interactions using F&#246;rster resonance energy transfer (FRET) based readouts of fixed or live cells in multiwell plates. This provides a means to screen for cell signaling processes read out using intramolecular FRET biosensors or intermolecular FRET of protein interactions such as oligomerization or heterodimerization, which can be used to identify binding partners. We describe here the functionality of this automated multiwell plate FLIM instrumentation and present exemplar data from our studies of HIV Gag protein oligomerization and a time course of a FRET biosensor in live cells. A detailed description of the practical implementation is then provided with reference to a list of hardware components and a description of the open source data acquisition software written in &#181;Manager. The application of FLIMfit, an open source MATLAB-based client for the OMERO platform, to analyze arrays of multiwell plate FLIM data is also presented. The protocols for imaging fixed and live cells are outlined and a demonstration of an automated multiwell plate FLIM experiment using cells expressing fluorescent protein-based FRET constructs is presented. This is complemented by a walk-through of the data analysis for this specific FLIM FRET data set.

We present an open source high content analysis (HCA) instrument utilizing automated fluorescence lifetime imaging (FLIM) for assaying protein interactions using F&#246;rster resonance energy transfer (FRET) based readouts. Data acquisition for this openFLIM-HCA instrument is controlled by software written in &#181;Manager and data analysis is undertaken in FLIMfit.

Open Source Análise alta Conteúdo Utilizando Automated microscopia de fluorescência Lifetime Imagiologia

We present an open source high content analysis instrument utilizing automated fluorescence lifetime imaging (FLIM) for assaying protein interactions ...

Cellular Redox Profiling Using High-content Microscopy

Reactive oxygen species (ROS) regulate essential cellular processes including gene expression, migration, differentiation and proliferation. However, excessive ROS levels induce a state of oxidative stress, which is accompanied by irreversible oxidative damage to DNA, lipids and proteins. Thus, quantification of ROS provides a direct proxy for cellular health condition. Since mitochondria are among the major cellular sources and targets of ROS, joint analysis of mitochondrial function and ROS production in the same cells is crucial for better understanding the interconnection in pathophysiological conditions. Therefore, a high-content microscopy-based strategy was developed for simultaneous quantification of intracellular ROS levels, mitochondrial membrane potential (&#916;&#936;m) and mitochondrial morphology. It is based on automated widefield fluorescence microscopy and image analysis of living adherent cells, grown in multi-well plates, and stained with the cell-permeable fluorescent reporter molecules CM-H2DCFDA (ROS) and TMRM (&#916;&#936;m and mitochondrial morphology). In contrast with fluorimetry or flow-cytometry, this strategy allows quantification of subcellular parameters at the level of the individual cell with high spatiotemporal resolution, both before and after experimental stimulation. Importantly, the image-based nature of the method allows extracting morphological parameters in addition to signal intensities. The combined feature set is used for explorative and statistical multivariate data analysis to detect differences between subpopulations, cell types and/or treatments. Here, a detailed description of the assay is provided, along with an example experiment that proves its potential for unambiguous discrimination between cellular states after chemical perturbation.

This paper presents a high-content microscopy workflow for simultaneous quantification of intracellular ROS levels, as well as mitochondrial membrane potential and morphology &#8211; jointly referred to as mitochondrial morphofunction &#8211; in living adherent cells using the cell-permeant fluorescent reporter molecules 5-(and-6)-chloromethyl-2&#39;,7&#39;-dichlorodihydrofluorescein diacetate, acetyl ester (CM-H2DCFDA) and tetramethylrhodamine methylester (TMRM).

Redox Cellular Profiling Usando Microscopia de Alto Conteúdo

Reactive oxygen species (ROS) regulate essential cellular processes including gene expression, migration, differentiation and proliferation. However, ...

Open-source Single-particle Analysis for Super-resolution Microscopy with VirusMapper

Super-resolution fluorescence microscopy is currently revolutionizing cell biology research. Its capacity to break the resolution limit of around 300 nm allows for the routine imaging of nanoscale biological complexes and processes. This increase in resolution also means that methods popular in electron microscopy, such as single-particle analysis, can readily be applied to super-resolution fluorescence microscopy. By combining this analytical approach with super-resolution optical imaging, it becomes possible to take advantage of the molecule-specific labeling capacity of fluorescence microscopy to generate structural maps of molecular elements within a metastable structure. To this end, we have developed a novel algorithm &#8212; VirusMapper &#8212; packaged as an easy-to-use, high-performance, and high-throughput ImageJ plugin. This article presents an in-depth guide to this software, showcasing its ability to uncover novel structural features in biological molecular complexes. Here, we present how to assemble compatible data and provide a step-by-step protocol on how to use this algorithm to apply single-particle analysis to super-resolution images.

This manuscript uses the Fiji-based open-source software package VirusMapper to apply single-particle analysis to super-resolution microscopy images in order to generate precise models of nanoscale structure.

Análise de partícula única open-source para Microscopia Super-resolução com VirusMapper

Super-resolution fluorescence microscopy is currently revolutionizing cell biology research. Its capacity to break the resolution limit of around 300 nm ...

IR-TEx: An Open Source Data Integration Tool for Big Data Transcriptomics Designed for the Malaria Vector Anopheles gambiae

IR-TEx is an application written in Shiny (an R package) that allows exploration of the expression of (as well as assigning functions to) transcripts whose expression is associated with insecticide resistance phenotypes in Anopheles gambiae mosquitoes. The application can be used online or downloaded and used locally by anyone. The local application can be modified to add new insecticide resistance datasets generated from multiple -omics platforms. This guide demonstrates how to add new datasets and handle missing data. Furthermore, IR-TEx can be completely and easily recoded to use-omics datasets from any experimental data, making it a valuable resource to many researchers. The protocol illustrates the utility of IR-TEx in identifying new insecticide resistance candidates using the the microsomal glutathione transferase, GSTMS1, as an example. This transcript is upregulated in multiple pyrethroid resistant populations from C&#244;te D&#39;Ivoire and Burkina Faso. The identification of co-correlated transcripts provides further insight into the putative roles of this gene.

IR-TEx: An Open Source Data Integration Tool for Big Data Transcriptomics Designed for the Malaria Vector Anopheles gambiae

IR-TEx explores insecticide resistance-related transcriptional profiles in the species Anopheles gambiae. Provided here are full instructions for using the application, modifications for exploring multiple transcriptomic datasets, and using the framework to build an interactive database for collections of transcriptomic data from any organism, generated in any platform.

IR-TEx: Uma ferramenta de integração de dados de código aberto para transcrição de big data projetada para o Vector Anopheles gambiae da malária

IR-TEx is an application written in Shiny (an R package) that allows exploration of the expression of (as well as assigning functions to) transcripts ...

Worm-align and Worm_CP, Two Open-Source Pipelines for Straightening and Quantification of Fluorescence Image Data Obtained from Caenorhabditis elegans

An issue often encountered when acquiring image data from fixed or anesthetized C. elegans is that worms cross and cluster with their neighbors. This problem is aggravated with increasing density of worms and creates challenges for imaging and quantification. We developed a FIJI-based workflow, Worm-align, that can be used to generate single- or multi-channel montages of user-selected, straightened and aligned worms from raw image data of C. elegans. Worm-align is a simple and user-friendly workflow that does not require prior training of either the user or the analysis algorithm. Montages generated with Worm-align can aid the visual inspection of worms, their classification and representation. In addition, the output of Worm-align can be used for subsequent quantification of fluorescence intensity in single worms, either in FIJI directly, or in other image analysis software platforms. We demonstrate this by importing the Worm-align output into Worm_CP, a pipeline that uses the open-source CellProfiler software. CellProfiler&#8217;s flexibility enables the incorporation of additional modules for high-content screening.&#160;As a practical example, we have used the pipeline on two datasets: the first dataset are images of heat shock reporter worms that express green fluorescent protein (GFP) under the control of the promoter of a heat shock inducible gene hsp-70, and the second dataset are images obtained from fixed worms, stained for fat-stores with a fluorescent dye.

Worm-align and Worm_CP, Two Open-Source Pipelines for Straightening and Quantification of Fluorescence Image Data Obtained from Caenorhabditis elegans

Worm-align/Worm_CP is a simple FIJI/CellProfiler workflow that can be used to straighten and align Caenorhabditis elegans samples and to score whole-worm image-based assays without the need for prior training steps. We have applied Worm-align/Worm_CP to the quantification of&#160;heat-shock induced expression in live animals or lipid droplets&#160;in fixed samples.

Linha de worm e Worm_CP, dois gasodutos de código aberto para endireitar e quantificação de dados de imagem fluorescência obtidos de elegans caenorhabditis

An issue often encountered when acquiring image data from fixed or anesthetized C. elegans is that worms cross and cluster with their neighbors. This ...