Name: Bildanalys för karakterisering av mitokondrienätverk för hela neuroner
Uploaded: 2023-07-28T13:00:00
Description: Watch this Scientific Journal Video about Image Analysis for Characterizing Whole-Neuron Mitochondria Network at JoVE.com

image analysis for characterizing whole-neuron mitochondria network

MATLAB-optimering för analys av mitokondriella nätverk inom neurovetenskap

Cellular mitochondria sit at the center of all physiological states, and a thorough understanding of their homeostasis (mitostasis) and behavior is paramount to assist in identifying pharmacological treatment for a wide range of illnesses, including cancer and Alzheimer&#39;s disease1,2.
Mitochondria play crucial cellular roles in energy homeostasis, ATP generation, calcium buffering, and ROS regulation, and mitostasis is essential for maintaining protein homeostasis as molecular chaperones are energy-dependent3. These require a constant and dynamic network modulation and adaptation to efficiently meet cellular needs, and mitochondria transport is regulated by different signaling pathways; previous work has described one such pathway, that of retinoic acid receptors (RARs)4,5. Retinoic acid (RA) promotes axonal and neurite outgrowth via RAR activation. In mouse primary cortical neurons, activation of RAR-&#946; encourages mitochondrial growth, speed, and mobility in the neurite6.
Considering the mitochondrial network adaptability and dynamics, the possibility of assessing mitostasis in &#34;real time&#34; is essential not only for investigating energy homeostasis, but also for proteostasis, cellular health, proliferation, or signaling. A commonly used method for evaluating mitostasis relies on confocal microscopy after highlighting mitochondria using a fluorescent dye or marker, as well as a specific microscopy setup allowing temperature and/or CO2 regulation7. This type of experimental setup entails that one experimental replicate be performed at a time. In addition to experimental repetition of different treatments, it should be considered that most experiments should have their technical replicates (where more than one position is imaged per plate), with a series of focal planes (z-stacks) being recorded in a series of time points. Thus, an experimental design with three repetitions of one control and two treatments, with five imaging positions per plate, and 15 time points, results in 225 stacks to be processed. Classically, videos of live mitochondria were analyzed by plotting kymographs, which would be individually analyzed8, in a time-consuming process requiring extensive manual input, even when relying on computer tools.
An algorithm was recently described9 that allows automated segmentation and tracking of mitochondria in live-cell 2-D and 3-D time-lapse files. Other quantification techniques are available, and all have their limitations10. Mitometer, an automated open-source application, is particularly adequate for time lapse and mitochondria dynamics analysis, requiring low user input. This application has a series of advantages over other existing MATLAB-based tools, namely allowing the automatic processing of individual TIF stacks, using up to 13 different parameters, particularly interesting for neurosciences, as it differentiates between peri- and tele-nuclear mitochondria.
However, for an experiment such as the above described, these 13 parameters applied to 225 stacks result in 2,925 individual output files. These require four individual computer inputs, which sum up to over 10,000 manual inputs being required to download all output files. For large experimental designs, this results in a needlessly extremely time-consuming analysis of each file and data integration. Herein we present a routine optimization that allows swift file analysis, greatly reducing document reading and data processing, analyzing data in a defined manner, consistent with the output from existing tools.

Författare i fokus: En optimerad automatiserad metod för att undersöka retinsyrareceptorer i neuronala mitokondrier

Optimerad automatiserad analys av levande neuronala mitokondrier homeostasmodulering av isoformspecifika retinsyrareceptorer

My research has focused on the area of neuroscience, and in particular, we want to understand the molecular basis of disease. This has led us to look at cells, their structure, and the organelles that carry out the different cellular functions. Increasingly, mitochondria, they have received more and more attention.Anomalies at the mitochondrial level are becoming absolutely fundamental to understand disease processes, and they may even provide interesting targets for novel drugs or therapeutic strategies. Here at the University of Aveiro, we have been able to develop tools that are of interest to study mitochondria. Not only microscopy and the more traditional approaches, but also we have been able to optimize automated analysis tools coupled with bioinformatic strategies to be able to quantify and provide more detailed analysis when addressing mitochondrial function.The most recent advances include the machine learning algorithms for image segmentation and quantification of mitochondrial parameters. And also the high throughput imaging platforms and deep learning algorithms for improving accuracy and efficiency of mitochondrial characterization. Technologies currently used to advance the field of mitochondrial analysis include high resolution microscopy, live imaging systems, computational analysis tools coupled with machine learning protocols, and CRISPR-Cas9 genome editing for mitochondrial morphology and biology analysis.Current experimental challenges in the field of mitochondria include developing reliable and accurate measurements of mitochondrial parameters, considering the heterogeneity of mitochondrial populations, analyzing the interplay between mitochondrial and cellular biology, and developing non-invasive tools for studying mitochondria in vivo. Our tool enhances efficiency and reliability, allowing for a robust automated analysis of mitochondria. Furthermore, we can explore the potential of hyaluronic acid receptor modulation in personalized medicine for mitochondria.

Watch this Scientific Journal Video about Image Analysis for Characterizing Whole-Neuron Mitochondria Network at JoVE.com

Bildanalys för karakterisering av mitokondrienätverk för hela neuroner

Börja med att öppna time-lapse-mitokondriebilderna i bild J2.1.0. Separera positionsstaplar baserat på det visuella fältet genom att navigera till menyraden och klicka på Bild. Gå sedan till Duplicera, ange segment eller ramnummer och klicka på OK. Rita sedan ett intresseområde runt cellen med hjälp av Free Selection Tool.För att köra makrot, öppna bild J, navigera till menyraden och klicka på Plugins, Makron och Kör. Välj sedan Rensa bakgrunden och spara bildens MAKRO. För att bestämma pixelstorlek och voxeldjup, öppna Bild J och välj Bild.Gå till menyraden, välj Bild och klicka på Egenskaper. När du har bestämt pixelstorleken och voxeldjupet ritar du ett intresseområde som omfattar hela cellen med hjälp av Free Selection Tool för att inkludera hela cellen i alla 15 bildrutorna. Navigera till menyraden, klicka på Plugins, Makron och välj Rensa bakgrunden och spara bildens MAKRO.Välj önskad sparmapp och klicka på Spara för att lagra filen i TIFF-format. Skapa sedan tre huvudmappar med namnen Alla spår, Perinukleära spår och Telenukleära spår. Skapa en numrerad undermapp för varje bild som ska bearbetas i varje huvudmapp, med början från en.Lägg till en kopia av de två kompletterande filerna för rutinoptimering i varje bildmapp. För att identifiera eller ändra standardversionen av mattfilen, navigera till fliken Hem i avsnittet Miljö och klicka på Inställningar. Välj sedan MATLAB.Öppna MATLAB-programvaran på datorn, navigera till menyraden, välj appar och öppna Mitometer. Välj Starta 3D och ställ in pixelstorleken till 0,1395089 mikrometer, tiden mellan bildrutorna till 15 sekunder, antalet z-plan till 8 och axiellt avstånd mellan z-plan till 0,418809 mikrometer. Välj bilder att mata in.Gå nu till sidomenyn Mitometer, välj Bild och klicka på Välj markerad. Navigera till Mitometer-menyraden, välj Välj spår följt av Spårvyer. Välj sedan mellan Alla spår, Telenukleära eller Perinukleära alternativ.Spara resultatet i en textfil genom att välja Spara i txt och extrahera resultatfilerna till de skapade mapparna. Förbered xlsx-filen för slumpmässighet, som innehåller nyckeln för bildkodning. Infoga en sekvens av på varandra följande heltal, med början från ett, i kolumn A, fyll i kolumn B med alfanumeriska tecken, som utgör de analytiska variablerna.Dubbelklicka på den körbara filen mlx, ange antalet mappar, klicka på Ange mappens katalog och välj Spara katalog. Välj kalkylbladets namn i utdatafilen och klicka på Kör. Utför sedan den nödvändiga statistiska analysen.Representativa bilder av mitokondrier efter behandling, respektive ytdiagram och automatiserad segmentering presenteras. En signifikant minskning av den genomsnittliga mitokondriella längden observerades i celler som behandlades med AM580. Den mitokondriella ytan minskade signifikant i celler som behandlades med AM580 och BMS493.TMRM-intensitet normaliserad för mitokondriell volym visade en signifikant minskning av celler som behandlades med retinsyra och CH55.

Research

JoVE Journal

Neuroscience

Image Analysis for Characterizing Whole-Neuron Mitochondria Network

Optimized Automated Analysis of Live Neuronal Mitochondria Homeostasis Modulation by Isoform-Specific Retinoic Acid Receptors

The complex mitochondrial network makes it very challenging to segment, follow, and analyze live cells. MATLAB tools allow the analysis of mitochondria in ...