Mapping molekulare Diffusion in der Plasmamembran durch Multiple-Target Tracing (MTT)

Summary

Multiple-Target-Tracing ist ein Algorithmus für die Verfolgung von hausgemachten individuell markierten Moleküle in der Plasmamembran von lebenden Zellen entwickelt. Effiziente Erfassung, Abschätzung und Tracing-Moleküle im Laufe der Zeit bei hoher Dichte bieten eine benutzerfreundliche, umfassende Werkzeug, um nanoskalige Membran Dynamik zu untersuchen.

Abstract

Unser Ziel ist eine umfassende Beschreibung der molekularen Vorgänge bei zellulären Membranen in verschiedenen biologischen Funktionen zu erhalten. Unser Ziel ist die Charakterisierung der komplexen Organisation und Dynamik der Plasmamembran auf Einzel-Molekül-Ebene, durch die Entwicklung von Analysewerkzeugen gewidmet Single-Particle Tracking (SPT) in hoher Dichte: Multiple-Target Tracing (MTT) ^1. Einzel-Molekül-Videomikroskopie und bietet Millisekunde und Auflösung im Nanometerbereich ^1-11, erlaubt eine detaillierte Darstellung der Membran Organisation von ^12-14 genau Mapping-Deskriptoren wie Zell-Rezeptoren-Lokalisierung, Mobilität, Gefangenschaft oder Wechselwirkungen.

Wir revisited SPT, sowohl experimentell als auch algorithmisch. Experimentelle Aspekte waren die Optimierung Setup-und Zell-Kennzeichnung, mit besonderem Schwerpunkt auf dem Erreichen der höchstmöglichen Dichte Kennzeichnung, um eine dynamische Momentaufnahme der Molekulardynamik einen gebens tritt es innerhalb der Membran. Algorithmische Fragen betroffenen einzelnen Schritte für den Wiederaufbau von Flugbahnen verwendet: Spitzen-Erkennung, Einschätzung und der Wiederanschluss von speziellen Werkzeugen aus Bildanalyse ^15,16 gerichtet. Implementieren von Deflation nach Entdeckung ermöglicht Rettung Gipfel zunächst von benachbarten, stärkeren Peaks versteckt. Zu beachten ist, wirkt sich direkt auf die Verbesserung der Erkennung Wiederverbindung, durch Reduzierung der Lücken innerhalb Flugbahnen. Vorstellungen wurden ausgewertet mit Hilfe von Monte-Carlo-Simulationen für unterschiedliche Kennzeichnung Dichte und Noise-Werte, die in der Regel stellen die beiden wesentlichen Einschränkungen für parallele Messungen bei hoher örtlicher und zeitlicher Auflösung.

Die Nanometergenauigkeit ¹⁷ für einzelne Moleküle erhalten, unter Verwendung von entweder aufeinanderfolgenden Ein / Aus Photoschalten oder der nichtlinearen Optik, liefern kann, flächendeckende Betrachtungen. Dies ist die Grundlage von Nanoskopiemethoden ¹⁷ wie Sturm ^18, PALM ^{19,20, 21} oder RESOLFT STED ^22,23, which erfordert häufig den Imaging-fixierten Proben. Die zentrale Aufgabe ist die Erkennung und Einschätzung der beugungsbegrenzten Spitzen ausgehend von Single-Moleküle. Daher angemessene Annahmen wie z. B. Umgang mit einer konstanten Positionsgenauigkeit anstelle der Brownschen Bewegung, wird MTT unkompliziert für nanoskopische Analysen geeignet. Ferner kann MTT grundsätzlich in jedem Maßstab verwendet werden: nicht nur für Moleküle, sondern auch für Zellen oder Tiere, zum Beispiel. Daher ist ein leistungsfähiges MTT-Tracking-Algorithmus, der Anwendungen findet auf molekularer und zellulärer Skalen.

Protocol

In diesem Video stellen wir eine vollständige Single Particle Tracking Experiment, mit Hilfe von Quanten-Dots gezielt an eine bestimmte Membran-Rezeptor. Das Hauptziel dieser Versuch besteht darin, diskriminierende verschiedene molekulare Diffusion Verhalten in der Plasmamembran von lebenden Zellen gemessen. Tatsächlich können molekulare Bewegungen, die durch an der Membran typischerweise Brownsche Diffusion abweichen, die linear gerichteten oder geschlossenen in Nanodomänen 26-29, zum Beispiel. Wir ziele…

Discussion

In Einzelpartikel-Tracking, neben den Zellen und Mikroskopie Aspekte stellt die Analyse einen wesentlichen Teil der Arbeit. Diese befasst sich mit der Algorithmus verwendet, um die drei wichtigsten Aufgaben: Erkennen, Abschätzen und wieder Gipfeln über jeden Frame. Aber die konsequente Aspekt dieser Arbeit besteht in der Erarbeitung des Algorithmus selbst, die müssen für jede neue dedizierte Untersuchung, im Wesentlichen für den letzten, zusätzliche Schritte (wie Entschlüsselung Arten der Bewegung, Interaktionen …

Materials

Reagent	Company	Catalogue number	Quantity
Cos-7 cell line	ATCC	CRL-1651	5,000 cells/well
HBSS without Ca2+	GIBCO	14175	1 ml
0.05% Trypsin EDTA	GIBCO	25300	1 ml
8-well Lab-tek	NUNC	155441	1
QDot-605 streptavidin	Invitrogen	Q10101MP	20 mM
Biotinylated Fab (for Fab synthesis, see reference 21)
Fab from mAb 108	ATCC	HB-9764	200 μg
NHS-Biotin	Thermo Scientific	21435	18.5 μg
Complete medium
DMEM	GIBCO	41965	500 ml
Fetal Bovine Serum	SIGMA	F7524	50 ml
L-Glutamine	GIBCO	25030	5 ml
HEPES	GIBCO	15630	5 ml
Sodium Pyruvate	GIBCO	11360	5 ml
Imaging medium
HBSS with Ca2+	GIBCO	14025	25 ml
HEPES	GIBCO	15630	250 μl

 

Equipment	Company	Reference
Inverted microscope	Nikon	Eclipse TE2000U
Fluorescent lamp	Nikon	Intensilight C-HGFIE
1.3 NA 100x objective	Nikon	Plan Fluor 1.30
1.49 NA 100x objective	Nikon	APO TIRF 1.49
Camera	Roper Scientific	Cascade 512 B
Thermostated box	Life Imaging Services	The Box

Appendix: example Script of MTT supplementary analysis

function MTT_example(file_name)
%%% Basic examples showing how to recover MTT output results
%%% to plot each trace and to build the histogram
%%% of fluorescence intensities

if nargin<1 % no file_name provided?
    files = dir(‘*.stk’);
    if isempty(files), disp(‘no data in current dir’), return, end
    file_name = files(1).name; % default: first stk file
    disp([‘using’ file_name ‘by default’])
end

file_param = [file_name ‘_tab_param.dat’]; % output file

%% Load data
cd(‘output23′) % or (‘output22’), according to version used
% Disclaimer: version 2.2 only generates 7 parameters,
% an extra parameter, noise, was added in version 2.3

% To read all parameters at once, in a single table
% tab_param = fread_all_param(file_param);
% tab_i = tab_param(2:8:end, :); tab_j = …

% To read all parameters (except frame_number) in separate tables
% [tab_i,tab_j,tab_alpha,tab_radius,tab_offset,tab_blk,tab_noise] = fread_all_data_spt(file_param);

tab_i = fread_data_spt(file_param, 3); % index is 3 because trace number & frame number, non informative, are discarded!
tab_j= fread_data_spt(file_param, 4);
tab_alpha = fread_data_spt(file_param, 5);
tab_blk = fread_data_spt(file_param, 8);

%% Loop over traces
N_traces = size(tab_i,1);
% Tables are N_traces lines by N_frames colums

for itrc = 1:N_traces
    No_blk_index = tab_blk(itrc, :)>0; % non blinking steps only
     plot(tab_i(itrc, No_blk_index), tab_j(itrc, No_blk_index))
    xlabel(‘i (pixel)’), ylabel(‘j (pixel)’)
    title([‘trace # ‘ num2str(itrc)])
    disp(‘Please strike any key for next trace’), pause
end

%% Fluo histogram
N_datapoints = sum(tab_blk(:)>0); % non blinking steps only
hist(tab_alpha(tab_blk>0),2*sqrt(N_datapoints)) % using 2sqrt(N) bins
xlabel(‘intensity (a.u.)’), ylabel(‘occurrence’)
title(‘histogram of particles fluorescence intensity’)