Summary

Medición continua del ruido biológico en Escherichia Coli mediante microscopía de lapso de tiempo

Published: April 27, 2021
doi:

Summary

Este trabajo presenta un método de microscopía que permite la toma de imágenes en vivo de una sola célula de Escherichia coli para el análisis y cuantificación del comportamiento estocástico de los circuitos genéticos sintéticos.

Abstract

El protocolo desarrollado aquí ofrece una herramienta para permitir el seguimiento por computadora de la división Escherichia coli y los niveles fluorescentes durante varias horas. El proceso comienza por la detección de colonias que sobreviven en medios mínimos, suponiendo que sólo Escherichia coli que alberga el plásmido correcto será capaz de prosperar en las condiciones específicas. Dado que el proceso de construcción de grandes circuitos genéticos, que requieren el montaje de muchas partes del ADN, es un desafío, los componentes del circuito a menudo se distribuyen entre plásmidos múltiples en diferentes números de copia que requieren el uso de varios antibióticos. Las mutaciones en el plásmido pueden destruir la transcripción de los genes de resistencia a los antibióticos e interpelar con el manejo de los recursos en la célula que conduce a la necrosis. La colonia seleccionada está situada en una placa Petri con fondo de cristal y algunos planos de enfoque se seleccionan para el seguimiento de microscopía tanto en campos brillantes como en dominios fluorescentes. El protocolo mantiene el enfoque de imagen durante más de 12 horas en condiciones iniciales que no se pueden regular, creando algunas dificultades. Por ejemplo, las células muertas comienzan a acumularse en el campo de enfoque de las lentes después de unas horas de imágenes, lo que hace que las toxinas se acumulen y la señal se desenfoque y decaiga. El agotamiento de nutrientes introduce nuevos procesos metabólicos y dificulta la respuesta deseada del circuito. La temperatura del experimento reduce la efectividad de los inductores y los antibióticos, lo que puede dañar aún más la fiabilidad de la señal. El gel de medios mínimo se encoge y se seca, y como resultado el enfoque óptico cambia con el tiempo. Desarrollamos este método para superar estos desafíos en Escherichia coli,similar a trabajos anteriores que desarrollan métodos análogos para otros microorganismos. Además, este método ofrece un algoritmo para cuantificar el ruido estocástico total en celdas sin modificar y alteradas, encontrando que los resultados son consistentes con las predicciones del analizador de flujo como se muestra en un coeficiente similar de variación (CV).

Introduction

La biología sintética es un campo multidisciplinar que ha surgido en la última década y tiene como objetivo traducir los principios de diseño de ingeniería en diseño biológico racional1,2,3,en un esfuerzo por lograr la integración y procesamiento multi-señal en células vivas para entender la ciencia básica4,5,aplicaciones diagnósticas, terapéuticas y biotecnológicas6,7,8,9,10. Nuestra capacidad para cuantificar la respuesta de entrada y salida de los circuitos genéticos sintéticos se ha visto revolucionada por los recientes avances en la tecnología unicelular, incluido el analizador de flujo y las imágenes de células vivas mediante microscopía automatizada de lapso de tiempo11. A menudo se utiliza un analizador de flujo para medir la respuesta de estos circuitos en el estado estacionaria1,12,y la microscopía invertida se utiliza para medir la respuesta dinámica de los circuitos genéticos sintéticos a nivel de una sola célula3. Por ejemplo, uno de los primeros trabajos en biología sintética implicó la construcción de redes de osciladores genéticos en células vivas utilizando bucles de retroalimentación negativos con un retrasode 3. Más tarde, los circuitos osciladores genéticos se aplicaron para entender el control metabólico en el entorno dinámico de las células vivas4. La microscopía automatizada de lapso de tiempo es un método para caracterizar estos circuitos. Suponemos que las células huésped, Escherichia coli,se sincronizan al formar micro colonias, permitiendo la medición de la señal y el cálculo del ruido sin rastrear las relaciones exactas madre-hija.

El ruido es un aspecto fundamental e inherente de los sistemas biológicos que a menudo surgen de múltiples fuentes. Consideremos, por ejemplo, las reacciones bioquímicas que implican señales que se originan en el transporte de portadores aleatorios discretos, como la difusión de proteínas13. Estas señales se propagan con fluctuaciones aleatorias14. Otras fuentes de ruido son la disponibilidad de recursos, la división celular y las variaciones en condiciones ambientales como la temperatura, la humedad y la presión. Las señales biológicas que se propagan en circuitos genéticos sintéticos a menudo tienen una relación señal-ruido (SNR) muy baja, lo que perturba el rendimiento de dichos circuitos. Por lo tanto, el diseño de circuitos genéticos sigue siendo uno de los aspectos más desafiantes de la ingeniería genética15. Por ejemplo, a diferencia de la mayoría de los enfoques que calculan sólo la expresión génica media (medida sobre toda la población celular), la varianza de la señal medida se considera con el fin de diseñar un comportamiento predecible a través de redes genéticas sintéticas12. Como tal, los niveles de variabilidad o ruido en la expresión proteica desempeñan un papel dominante en el diseño y el rendimiento de los circuitos genéticos analógicos y digitales1,16,17.

Se han desarrollado muchos enfoques para cuantificar la variabilidad de célula a célula, incluso en Escherichia coli3,7,18. Estos métodos se utilizan a menudo para estudiar la activación genética y las vías metabólicas, sin embargo, con menos enfoque en el estudio de la dinámica del ruido estocástico, como medir y desenredar fuentes de ruido específicas, especialmente para los circuitos genéticos en las células vivas donde este es un desafío fundamental19,20,21. Varios factores, tanto heredados al propio circuito (intrínsecos) como derivados de las células huésped (extrínsecos), pueden perturbar el rendimiento continuo de los circuitos genéticos. En este documento, desarrollamos un protocolo que tiene como objetivo cuantificar el ruido total en las células de Escherichia coli, incluidas las fuentes de ruido intrínsecas y extrínsecas6,22. Al cuantificar el ruido total y luego evaluar el SNR23,se puede mejorar el diseño de los circuitos genéticos. Este método se puede modificar para medir fuentes de ruido independientes por separado, mediante la monitorización de varias proteínas fluorescentes6,20. Para el protocolo descrito aquí, mantenemos las condiciones ambientales bien controladas y medimos continuamente la actividad de las células sin la influencia de factores externos. Medimos la señal de las proteínas fluorescentes en células individuales con el tiempo y las imagen simultáneamente bajo un sustrato de agarose. Las imágenes resultantes se analizan utilizando el MATLAB personalizado del laboratorio.

Idealmente, la medición continua de la actividad en tiempo real de las proteínas fluorescentes dentro de una célula producirá datos precisos a través del crecimiento y la división de las células. Sin embargo, es difícil adquirir esos datos. Esto se debe a la degradación de las proteínas fluorescentes, conocidas como foto-blanqueamiento7,cuando están expuestas a la radiación en el proceso de excitación. Además, las células de Escherichia coli también son sensibles para la excitación, lo que podría conducir a la fototoxicidad7. Ambas emisiones limitan la cantidad de marcos de fotos que se pueden adquirir y el tiempo entre adquisiciones. El sustrato y los tipos medios (por ejemplo, caldo de lisógena) que se utiliza para cultivar las células durante la toma de imágenes también tienen un papel crítico. Recomendamos encarecidamente el uso de un medio mínimo, que minimice el fondo no fluorescente y amplíe el tiempo de división celular.

Además, la muestra debe prepararse teniendo en cuenta los siguientes requisitos (1) La baja tasa de división celular permite exposiciones menos frecuentes para realizar imágenes cercanas del ciclo de división y reducir la probabilidad de fototoxicidad y fotobleaching. Establecemos el tiempo de adquisición en aproximadamente la mitad del tiempo de mitosis pronosticado (2) La baja densidad celular al comienzo del experimento permite una mejor uniformidad y seguimiento de la división. La densidad celular se ve afectada por la relación de dilución de las células de Escherichia coli, que es un parámetro significativo para el éxito de este protocolo y debe determinarse para cada laboratorio. Para establecer la relación, cada nueva cepa o medio de Escherichia coli utilizado debe estar equipado con gráficos de tasa de crecimiento(Figura Suplementaria 1). Se ha logrado una relación adecuada si las células pueden crecer sin agitación adicional después de una breve incubación de una densidad inicial de aproximadamente600nm OD = 0.1. Las células en esta fase se dividirán de acuerdo con la temperatura ambiente solamente (3) Restricción del movimiento celular: el movimiento celular depende fuertemente de la firmeza del sustrato (almohadilla de agarose). La firmeza del sustrato depende de la cantidad de agarose total y el tiempo de solidificación del gel. Los geles no se pueden dejar solidificar durante la noche a temperatura ambiente, ya que la Escherichia coli se someterá a mitosis. Otros factores que afectan la estabilidad del sustrato incluyen la cantidad de agua en la muestra y la humedad. Las cuestiones adicionales se examinan en detalle en los Resultados del Representante. Este protocolo proporciona muchos detalles y se mueve gradualmente de un paso a otro. El protocolo ofrece una larga estabilidad para experimentos de imágenes y proporciona una herramienta básica de procesamiento de imágenes.

Protocol

1. Preparación de los medios de comunicación y la cultura Preparar solución de stock de 1.000x carbenicilina (50 mg/ml) o antibiótico relevante. . Pesar 0,5 g de carbenicilina. Añadir 10 ml de estéril H2O. Disolver por completo. Esterilizar el stock de carbenicilina a través de un filtro de jeringa de 0,22 μm. Aliquot la solución antibiótica y almacenar a -20 °C. Para preparar placas de caldo de lisógena (LB), mezcle 5 g de tripto…

Representative Results

El software analiza imágenes de dominio de campo brillante que son fuera de blanco y negro. La Escherichia coli se verá como formas oblongas negras sobre un fondo blanquecino y el rango dinámico de luminancia debe mostrar un pico en su centro(Figura 1). En las imágenes fluorescentes las células pueden tener un halo pequeño, pero las células individuales con formas oblongas todavía se pueden resolver. Primero se debe detectar un evento de mitosis después de 30 minutos. El en…

Discussion

En este trabajo, desarrollamos un protocolo que permite el rastreo por ordenador de células vivas de Escherichia coli, siguiendo niveles de división y fluorescentes durante un período de horas. Este protocolo nos permite cuantificar la dinámica estocástica de los circuitos genéticos en Escherichia coli midiendo el CV y el SNR en tiempo real. En este protocolo, comparamos los comportamientos estocásticos de dos circuitos diferentes como se muestra en la Figura 10. Se ha demostrado…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Agradecemos al Sr. Gil Gelbert (Facultad de Ingeniería Eléctrica, Technion) por ayudar con el código MATLAB. Agradecemos al Dr. Ximing Li (Facultad de Ingeniería Bio-médica, Technion) por ayudar con la prueba de este artículo. Esta investigación fue parcialmente apoyada por la Fundación de la Familia Neubauer y el Ministerio de Ciencia de Israel, subvención 2027345.

Materials

35mm glass dish mattek P35G-0.170-14-C thickness corresponding with microscope lense.
Agarose  Lonza 5004 LB preperation
AHL  Sigma-Aldrich K3007 inducer
Bacto tryptone  BD – Becton, Dickinson and Company  211705 LB preperation
Carb Invitrogen 10177-012 antibiotic
Carb Formedium CAR0025 antibiotic
Casamino acids  BD – Becton, Dickinson and Company  223050 minimal media solution
eclipse Ti nikon inverted microscope
Glucose Sigma-Aldrich G5767 minimal media solution
Glyserol Bio-Lab 000712050100 minimal media substrate
Immersol 518F zeiss 4449600000000 immersion oil
M9 salt solution  Sigma-Aldrich M6030 minimal media solution
NaCl Bio-Lab 214010 LB preperation
Noble agar Sigma-Aldrich A5431 minimal media substrate
parafilm tape Bemis PM-996 refered to as tape in text
Seaplaque GTG Agarose Lonza 50111 minimal media substrate
thaymine B1 Sigma-Aldrich T0376  minimal media solution
Yeast Extract BD – Becton, Dickinson and Company  212750 LB preperation

Riferimenti

  1. Daniel, R., Rubens, J. R., Sarpeshkar, R., Lu, T. K. Synthetic analog computation in living cells. Nature. 497, 619-623 (2013).
  2. Yang, X. S. Y., L, A. B., Harwood, C., Jensen, G. . Imaging Bacterial Molecules, Structures and Cells. , (2016).
  3. Joyce, G., Robertson, B. D., Williams, K. J. A modified agar pad method for mycobacterial live-cell imaging. Biomedcentral Research Notes. , (2011).
  4. Cotlet, M., Goodwin, P. M., Waldo, G. S., Werner, J. H. A comparison of the fluorescence dynamics of single molecules of a green fluorescent protein: One- versus two-photon excitation. ChemPhysChem. , (2006).
  5. Andersen, J. B., et al. New unstable variants of green fluorescent protein for studies of transient gene expression in bacteria. Applied and Environmental Microbiology. 64, 2240-2246 (1998).
  6. Barger, N., Litovco, P., Li, X., Habib, M., Daniel, R. Synthetic metabolic computation in a bioluminescence-sensing system. Nucleic Acids Research. , (2019).
  7. Young, J. W., et al. Measuring single-cell gene expression dynamics in bacteria using fluorescence time-lapse microscopy. Nature Protocols. , (2012).
  8. Swain, P. S., Elowitz, M. B., Siggia, E. D. Intrinsic and extrinsic contributions to stochasticity in gene expression. Proceedings of the National Academy of Science United States. , (2002).
  9. Elowitz, M. B., Levine, A. J., Siggia, E. D., Swain, P. S. Stochastic gene expression in a single cell. Science. , (2002).
  10. Baumgart, L., Mather, W., Hasty, J. Synchronized DNA cycling across a bacterial population. Nature Genetics. , (2017).
  11. Arriaga, E. A. Determining biological noise via single cell analysis. Analytical and Bioanalytical Chemistry. , (2009).
  12. Nielsen, A. A. K., et al. Genetic circuit design automation. Science. , (2016).
  13. Ozbudak, E. M., Thattai, M., Kurtser, I., Grossman, A. D., van Oudenaarden, A. Regulation of noise in the expression of a single gene. Nature Genetics. 31, 69-73 (2002).
  14. Pedraza, J. H., Van Oudenaarden, A. Noise propagations in gene networks. Science. , (2005).
  15. Jennifer, A. N. B., Christopher, A. V. Principles of genetic circuit design. Nature Methods. , (2014).
  16. Aoki, S. K., et al. A universal biomolecular integral feedback controller for robust perfect adaptation. Nature. , (2019).
  17. Hanna, H. A., Danial, L., Kvatinsky, S., Daniel, R. . Cytomorphic Electronics with Memristors for Modeling Fundamental Genetic Circuits. 4545, (2020).
  18. de Jong, I. G., Beilharz, K., Kuipers, O. P., Veening, J. W. Live cell imaging of Bacillus subtilis and Streptococcus pneumoniae using automated time-lapse microscopy. Journal of Visualized Experiments. , (2011).
  19. Eling, N., Morgan, M. D., Marioni, J. C. Challenges in measuring and understanding biological noise. Nature Reviews Genetics. , (2019).
  20. Thattai, M., Van Oudenaarden, A. Attenuation of noise in ultrasensitive signaling cascades. Biophysical Journal. , (2002).
  21. Thattai, M., Van Oudenaarden, A. Intrinsic noise in gene regulatory networks. Proceedings of the National Academy of Science United States. , (2001).
  22. Rosenfeld, N., Young, J. W., Alon, U., Swain, P. S., Elowitz, M. B. Gene regulation at the single-cell level. Science. , (2005).
  23. Van Der Ziel, A. . Noise in Measurements. , (1976).
  24. Sambrook, J., Fritsch, E. F., Maniatis, T. Molecular cloning: A laboratory manual. 2nd Edition. Cold Spring Harbor Laboratory Press. , (1989).
  25. Carpenter, A. E., et al. CellProfiler: Image analysis software for identifying and quantifying cell phenotypes. Genome Biology. , (2006).
  26. Paintdakhi, A., et al. Oufti: An integrated software package for high-accuracy, high-throughput quantitative microscopy analysis. Molecular Microbiology. , (2016).
  27. Ducret, A., Quardokus, E. M., Brun, Y. V. MicrobeJ, a tool for high throughput bacterial cell detection and quantitative analysis. Nature Microbiology. , (2016).
  28. Stylianidou, S., Brennan, C., Molecular, S. B. N. . SuperSegger: robust image segmentation, analysis and lineage tracking of bacterial cells – Stylianidou – 2016 – Molecular Microbiology. , (2016).
  29. Balomenos, A. D., et al. Image analysis driven single-cell analytics for systems microbiology. Biomedcentral System Biology. , (2017).
  30. Smit, J. H., Li, Y., Warszawik, E. M., Herrmann, A., Cordes, T. Colicoords: A Python package for the analysis of bacterial fluorescence microscopy data. PLoS One. , (2019).
  31. Guido, N. J., et al. A bottom-up approach to gene regulation. Nature. , (2006).
  32. Beal, J. Signal-to-noise ratio measures efficacy of biological computing devices and circuits. Frontiers in Bioengineering and Biotechnology. , (2015).
  33. Marr, D., Hildreth, E. Theory of edge detection. Proceedings of the Royal Society – Biology Science. 207, 187-217 (1980).
  34. Otsu, N. Threshold selection method from gray-level histograms. IEEE Transactions Systems Man Cybernetics. , (1979).
  35. Soille, P. . Morphological Image Analysis: Principles and Applications, Second edition. , (2000).
  36. Bradley, D., Roth, G. Adaptive Thresholding using the Integral Image. Journal of Graphics Tools. , (2007).
  37. Meyer, F. Topographic distance and watershed lines. Signal Processing. , (1994).
  38. Maurer, C. R., Qi, R., Raghavan, V. A linear time algorithm for computing exact Euclidean distance transforms of binary images in arbitrary dimensions. IEEE Transactions on Pattern Analysis and Machine. , (2003).
  39. Millo, R., Phillips, R. What is the maturation time for fluorescent proteins. Cell Biology by Numbers. , (2015).
check_url/it/61290?article_type=t

Play Video

Citazione di questo articolo
Chaimovitz, E. A., Reznik, E., Habib, M., Korin, N., Daniel, R. Continuous Measurement of Biological Noise in Escherichia Coli Using Time-lapse Microscopy. J. Vis. Exp. (170), e61290, doi:10.3791/61290 (2021).

View Video