Summary

Imagem de autofluorescência para avaliar o metabolismo celular

Published: November 15, 2021
doi:

Summary

Este protocolo descreve imagens de fluorescência e análise das aconzyomas metabólicas endógenas, dinucleotídeos de nicotinamida reduzida (fosfato) dinucleotídeos (NAD(P)H) e dinucleotídeo de adenina de flavina oxidada (FAD). A imagem de autofluorescência de NAD(P)H e FAD fornece um método sem rótulos e não destrutivo para avaliar o metabolismo celular.

Abstract

O metabolismo celular é o processo pelo qual as células geram energia, e muitas doenças, incluindo o câncer, são caracterizadas pelo metabolismo anormal. Adenina de nicotinamida reduzida (fosfato) dinucleotídeo (NAD(P)H) e dinucleotídeo de adenina oxidada (FAD) são aconsetos de reações metabólicas. Nad(P)H e FAD exibem autofluorescência e podem ser isolados espectralmente por comprimentos de onda de excitação e emissão. Ambos os aconzymes, NAD(P)H e FAD, podem existir em uma configuração livre ou ligada à proteína, cada uma das quais tem uma fluorescência distinta ao longo da vida – o tempo para o qual o fluorohore permanece no estado animado. A imagem vitalícia da fluorescência (FLIM) permite quantificação da intensidade da fluorescência e das vidas de NAD(P)H e FAD para análise livre de rótulos do metabolismo celular. A intensidade da fluorescência e os microscópios de vida podem ser otimizados para a imagem NAD(P)H e FAD, selecionando os comprimentos de onda de excitação e emissão apropriados. Perturbações metabólicas por cianeto verificam protocolos de imagem de autofluorescência para detectar alterações metabólicas dentro das células. Este artigo demonstrará a técnica de imagem de autofluorescência de NAD(P)H e FAD para medir o metabolismo celular.

Introduction

Metabolismo é o processo celular de produção de energia. O metabolismo celular abrange múltiplas vias, incluindo glicólise, fosforilação oxidativa e glutaminolise. Células saudáveis usam essas vias metabólicas para gerar energia para proliferação e função, como a produção de citocinas por células imunes. Muitas doenças, incluindo distúrbios metabólicos, câncer e neurodegeneração, são caracterizadas pelo metabolismo celular alterado1. Por exemplo, alguns tipos de células cancerígenas têm elevadas taxas de glicólise, mesmo na presença de oxigênio, para gerar moléculas para a síntese de ácidos nucleicos, proteínas e lipídios2,3. Este fenômeno, conhecido como efeito Warburg, é uma marca registrada de muitos tipos de câncer, incluindo câncer de mama, câncer de pulmão e glioblastomas4. Devido às alterações do metabolismo celular associadas à progressão do câncer, o metabolismo celular pode ser um biomarcador substituto para a resposta de drogas5,6. Além disso, entender a eficácia da droga a nível celular é crucial, pois a heterogeneidade celular pode levar a diferentes respostas medicamentosas em indivíduos7,8.

Tecnologias que identificam e quantificam mudanças no metabolismo celular são essenciais para estudos de câncer e resposta a medicamentos. Análises químicas e proteicas são usadas para avaliar o metabolismo de células ou tecidos, mas não possuem resolução unicelular e informações espaciais. Ensaios baseados em leitor de placas metabólicas podem medir o consumo de pH e oxigênio na amostra ao longo do tempo e a subsequente perturbação metabólica por produtos químicos. O pH pode ser usado para calcular a taxa de acidificação extracelular (ECAR), que fornece uma visão da atividade glicóltica das células9. Os métodos de imagem de todo o corpo, incluindo 2-[fluorine-18] tomografia fluoro-D-glicose e emissão de pósitrons (FDG PET) e espectroscopia de ressonância magnética (MRS), são modalidades de imagem não invasivas utilizadas clinicamente para identificar a recidiva do tumor e a eficácia da droga através de medições metabólicas10,11,12,13,14.

Imagens FDG-PET a absorção tecidual de FDG, um analógico de glicose radiolaterada. O aumento da absorção do FDG-PET por tumores relativos ao tecido circundante deve-se ao efeito Warburg12,13. Imagens mrs núcleos comuns de moléculas usadas para o metabolismo, como 13C e 31P, e podem obter informações dinâmicas sobre como o metabolismo muda em resposta a estímulos, como exercício ou comer14. Embora o FDG-PET e o MRS possam ser utilizados clinicamente, essas tecnologias carecem de resolução espacial para resolver a heterogeneidade intratumoral. Da mesma forma, as medidas de consumo de oxigênio são feitas em uma população em massa de células. A imagem de autofluorescência supera o obstáculo de resolução espacial dessas tecnologias e fornece um método não invasivo de quantificar o metabolismo celular.

Figure 1
Figura 1: NADH e FAD em vias metabólicas comuns. NADH e FAD são aconchegantes usados na glicólise, no ciclo de Krebs e na cadeia de transporte de elétrons. A imagem de autofluorescência dessas moléculas fornece informações sobre o metabolismo celular. Clique aqui para ver uma versão maior desta figura.

Adenina de nicotinamida reduzida (fosfato) dinucleotídeo (NAD(P)H) e dinucleotídeo de alcaina oxidada (FAD) são aconzyomas de reações metabólicas, incluindo glicólise, fosforilação oxidativa e glutaminolise (Figura 1). Tanto o NAD(P)H quanto o FAD são autofluorescentes e fornecem contraste endógeno para imagens de fluorescência1,15. O NADPH tem propriedades fluorescentes similares ao NADH. Por causa disso, o NAD(P)H é frequentemente usado para representar o sinal combinado de NADH e NADPH2,16.

A imagem de fluorescência ao longo da vida (FLIM) quantifica a vida útil da fluorescência ou o tempo para o qual um fluoróforo está no estado animado. As vidas de fluorescência são responsivas ao microambiente dos fluoroforos e fornecem informações sobre o metabolismo celular17. Nad(P)H e FAD podem existir dentro das células em conformações ligadas à proteína ou livres, cada uma das quais tem uma vida útil diferente. O NAD(P)H gratuito tem uma vida útil mais curta do que o NAD(P)H vinculado à proteína); por outro lado, a FAD livre tem uma vida útil mais longa do que o FAD18,19 vinculado. As vidas e os pesos dos componentes ao longo da vida podem ser quantificados a partir de dados de decaimento vitalício de fluorescência através de Eq. (1)20:

I(t) = α 1e-t/τ1 + α 2e-t/τ2 + C (1)

Eq (1) representa a intensidade de fluorescência normalizada em função do tempo. Os α 1 e α 2 nesta equação representam os componentes proporcionais de vida curta e longa (α 1+ α 2=1), respectivamente, τ1 e τ2 representam as vidas curtas e longas, respectivamente, e C é responsável pela luz de fundo7,20. A vida útil ponderada por amplitude, representada aqui como τm, é calculada utilizando-se de Eq. (2).

τm= α 1τ1+ α 2τ2 (2)

Uma vida média pode ser calculada pela média “t” sobre a decadência de intensidade do fluoróforo, que para uma decadência bi-exponencial é mostrado por Eq. (3)17,21.

τ*m= (α 1τ12+ α 2τ22)/ (α 1τ1+ α 2τ2) (3)

Uma imagem de intensidade de fluorescência pode ser computada a partir da imagem vitalícia integrando a decadência da fluorescência ao longo da vida. A imagem de autofluorescência é um método não destrutivo e livre de rótulos que pode ser usado para caracterizar o metabolismo das células vivas em uma resolução subcelular. A razão óptica redox fornece uma métrica analógica óptica do estado químico redox da célula e é calculada como a razão das intensidades NAD(P)H e FAD. Embora a fórmula para calcular a razão óptica redox não seja padronizada22,23,24,25, ela é definida aqui como a intensidade da FAD sobre as intensidades combinadas de NAD(P)H e FAD. Esta definição é usada porque a intensidade somada no denominador normaliza a métrica entre 0 e 1, e o resultado esperado da inibição de cianeto é uma diminuição na razão redox. As vidas de fluorescência do NAD(P)H e FAD gratuitos fornecem insights sobre mudanças no microambiente metabólico solvente, incluindo pH, temperatura, proximidade com oxigênio e osmolaridade17.

Alterações na vida de fluorescência das frações vinculadas de NAD(P)H e FAD podem indicar a utilização da via metabólica e o metabolismo específico do substrato26. Os pesos dos componentes podem ser interpretados para alterações na fração livre para a fração vinculada dos aconchegantes18,19. Ao todo, essas métricas quantitativas de vida de autofluorescência permitem a análise do metabolismo celular, e a imagem de autofluorescência tem sido utilizada para identificar neoplasias de tecidos normais27,28, caracterizando células-tronco29,30, avaliando a função das células imunes31,32,33,34,35, aferosa atividade neurológica36, 37,38, e entendendo a eficácia de medicamentos em tipos de câncer, como câncer de mama e câncer de cabeça e pescoço21,39,40,41,42. A imagem de autofluorescência de alta resolução pode ser combinada com segmentação de imagem para análise unicelular e quantificação da heterogeneidade intrapopulação43,44,45,46,47.

Os microscópios NAD(P)H e FAD podem ser imagens em microscópios de fluorescência de fofilas ou multifotofon configurados para intensidade ou imagens vitalícias. Para microscópios de fótons únicos, NAD(P)H e FAD são tipicamente animados em comprimentos de onda de 375-405 nm e 488 nm, respectivamente, devido a fontes de laser comuns nesses comprimentos de onda48. Na excitação da fluorescência de dois fótons, NAD(P)H e FAD irão excitar em comprimentos de onda de aproximadamente 700 a 750 nm e 700 a 900 nm, respectivamente15,49. Uma vez que os fluoroforos estão animados, NAD(P)H e FAD emitem fótons em comprimentos de onda entre ~410 nm a ~490 nm e ~510 nm a ~640 nm, respectivamente15. Os comprimentos de onda de emissão NAD(P)H e FAD maxima são de aproximadamente 450 nm e 535 nm, respectivamente48.

Devido à sua excitação e comprimentos de onda de emissão diferentes, a fluorescência das duas coenzimas metabólicas pode ser isolada espectralmente. É necessário compreender as características espectrais de NAD(P)H e FAD) para o projeto e otimização dos protocolos de imagem de autofluorescência. Cianeto é um inibidor complexo IV da cadeia de transporte de elétrons (ETC). Os efeitos do cianeto no metabolismo celular e nas intensidades de autofluorescência e vida útil de NAD(P)H e FAD dentro das células são bem caracterizados27,40. Portanto, um experimento de perturbação de cianeto é um meio eficaz de validar protocolos de imagem NAD(P)H e FAD. Um experimento de cianeto bem sucedido fornece confiança de que o protocolo de imagem NAD(P)H e FAD pode ser usado para avaliar o metabolismo de grupos desconhecidos ou perturbações.

Protocol

1. Revestimento de células para imagem Aspire o meio a partir de um frasco T-75 confluente de 80-90% de células MCF-7, enxágue as células com 10 mL de soro fisiológico estéril tamponado (PBS) e adicione 2 mL de 0,25% de trippsina (1x) para desprender as células do fundo do frasco. Incubar o frasco a 37 °C por ~4 min. Verifique as células sob o microscópio para confirmar o desprendimento. Adicione imediatamente 8 mL de meio de cultura para desativar a trippsina.</li…

Representative Results

A linha de células cancerígenas de mama epitelial, MCF-7, foi cultivada em DMEM suplementada com 10% de soro bovino fetal (FBS) e 1% penicilina-estreptomicina. Para a imagem de fluorescência, as células foram semeadas a uma densidade de 4 × 105 células por 35 mm de imagem de fundo de vidro 48 h antes da imagem. As células foram imagens antes e depois do tratamento com cianeto usando os protocolos acima indicados. O objetivo do experimento cianeto é confirmar o isolamento espectral da fluorescência NAD…

Discussion

A intensidade da autofluorescência e a imagem vitalícia têm sido amplamente utilizadas para avaliar o metabolismo nas células21,55. FLIM é de alta resolução e, portanto, resolve células únicas, o que é importante para estudos de câncer, pois a heterogeneidade celular contribui para a agressão tumoral e resistência a medicamentos7,39,41,44,45,46,58.</sup…

Disclosures

The authors have nothing to disclose.

Acknowledgements

As fontes de financiamento incluem o Instituto de Prevenção e Pesquisa do Câncer do Texas (CPRIT RP200668) e a Texas A&M University. A Figura 1 foi criada com BioRender.com.

Materials

2-deoxy-d-glucose (2-DG) Sigma AC111980000; AC111980010; AC111980050; AC111980250
Antibiotic Antimicrobial (pen-strep) Gibco 15240096
Cell Samples American Type Culture Collection N/A MCF-7 cancer line
CellProfiler Broad Institute N/A Image analysis software
Conical Tube VWR 89039-664 15 mL conical tube
DMEM ThermoFisher 11965092 Culture media
FAD dichroic mirror Semrock FF495-Di03-25×36 495 nm
FAD emission filter Semrock FF01-550/88-25 550/88 nm
FAD excitation filter Semrock FF01-458/64-25 458/64 nm
FBS ThermoFisher 16000036
Fluorescence Lifetime Microscope 3i N/A
Glass bottom dish MatTek Corp P35G-1.0-14-C
Multiphoton Laser Coherent N/A 2P Coherent Laser, Tunable 680 nm-1080 nm
NAD(P)H dichroic mirror Semrock FF409-Di03-25×36 409 nm
NAD(P)H emission filter Semrock FF02-447/60-25 447/60 nm
NAD(P)H excitation filter Semrock FF01-357/44-25 357/44 nm
PBS ThermoFisher 70011044
Potassium Cyanide Sigma-Aldrich 380970
SlideBooks 6 3i N/A Image acquisition software
SPCImage Becker & Hickl GmbH N/A Fluorescence lifetime analysis software
Stage Top Incubator okoLab N/A
Trypsin Biosciences 786-262
Urea Sigma-Aldrich U5128
YG beads Polysciences 19096-2 Yg microspheres (20.0 µm)

References

  1. Heikal, A. A. Intracellular coenzymes as natural biomarkers for metabolic activities and mitochondrial anomalies. Biomarkers in Medicine. 4 (2), 241-263 (2010).
  2. Georgakoudi, I., Quinn, K. P. Optical imaging using endogenous contrast to assess metabolic state. Annual Review of Biomedical Engineering. 14, 351-367 (2012).
  3. Zheng, J. Energy metabolism of cancer: Glycolysis versus oxidative phosphorylation (Review). Oncology Letters. 4 (6), 1151-1157 (2012).
  4. Potter, M., Newport, E., Morten, K. J. The Warburg effect: 80 years on. Biochemical Society Transactions. 44 (5), 1499-1505 (2016).
  5. Zhao, Y., Butler, E. B., Tan, M. Targeting cellular metabolism to improve cancer therapeutics. Cell Death and Disease. 4 (3), 532 (2013).
  6. Patel, S., Ahmed, S. Emerging field of metabolomics: Big promise for cancer biomarker identification and drug discovery. Journal of Pharmaceutical and Biomedical Analysis. 107, 63-74 (2015).
  7. Walsh, A. J., Cook, R. S., Skala, M. C. Functional optical imaging of primary human tumor organoids: Development of a personalized drug screen. Journal of Nuclear Medicine. 58 (9), 1367-1372 (2017).
  8. Zaal, E. A., Berkers, C. R. The influence of metabolism on drug response in cancer. Frontiers in Oncology. 8, 500 (2018).
  9. Little, A. C., et al. High-content fluorescence imaging with the metabolic flux assay reveals insights into mitochondrial properties and functions. Communications Biology. 3 (1), 271 (2020).
  10. Wang, X., et al. Comparison of magnetic resonance spectroscopy and positron emission tomography in detection of tumor recurrence in posttreatment of glioma: A diagnostic meta-analysis. Asia-Pacific Journal of Clinical Oncology. 11 (2), 97-105 (2015).
  11. Nabi, H. A., Zubeldia, J. M. Clinical applications of 18F-FDG in oncology. Journal of Nuclear Medicine Technology. 30 (1), 3-9 (2002).
  12. Kostakoglu, L., Agress, H., Goldsmith, S. J. Clinical role of FDG PET in evaluation of cancer patients. Radiographics. 23 (2), 315-340 (2003).
  13. Hoh, C. K. Clinical use of FDG PET. Nuclear Medicine and Biology. 34 (7), 737-742 (2007).
  14. van de Weijer, T., Schrauwen-Hinderling, V. B. Application of magnetic resonance spectroscopy in metabolic research. Biochimica et Biophysica Acta. Molecular Basis of Disease. 1865 (4), 741-748 (2019).
  15. Huang, S., Heikal, A. A., Webb, W. W. Two-photon fluorescence spectroscopy and microscopy of NAD(P)H and Flavoprotein. Biophysical Journal. 82, 2811-2825 (2002).
  16. Lagarto, J. L., et al. Characterization of NAD(P)H and FAD autofluorescence signatures in a Langendorff isolated-perfused rat heart model. Biomedical Optics Express. 9 (10), 4961-4978 (2018).
  17. Lakowicz, J. R. . Principles of fluorescence spectroscopy. , (2013).
  18. Lakowicz, J. R., Szmacinski, H., Nowaczyk, K., Johnson, M. L. Fluorescence lifetime imaging of free and protein-bound NADH. Proceedings of the National Academy of the Sciences of the United States of America. 89 (4), 1271-1275 (1992).
  19. Nakashima, N., Yoshihara, K., Tanaka, F., Yagi, K. Picosecond fluorescence lifetime of the coenzyme of D-amino acid oxidase. Journal of Biological Chemistry. 255 (11), 5261-5263 (1980).
  20. Hu, L., Wang, N., Cardona, E., Walsh, A. J. Fluorescence intensity and lifetime redox ratios detect metabolic perturbations in T cells. Biomedical Optics Express. 11 (10), 5674-5688 (2020).
  21. Datta, R., Heaster, T. M., Sharick, J. T., Gillette, A. A., Skala, M. C. Fluorescence lifetime imaging microscopy: fundamentals and advances in instrumentation, analysis, and applications. Journal of Biomedical Optics. 25 (7), 1-43 (2020).
  22. Liu, Z., et al. Mapping metabolic changes by noninvasive, multiparametric, high-resolution imaging using endogenous contrast. Science Advances. 4 (3), (2018).
  23. Georgakoudi, I., Quinn, K. P. Optical imaging using endogenous contrast to assess metabolic state. Annual Review of Biomedical Engineering. 14, 351-367 (2012).
  24. Varone, A., et al. Endogenous two-photon fluorescence imaging elucidates metabolic changes related to enhanced glycolysis and glutamine consumption in precancerous epithelial tissues. 암 연구학. 74 (11), 3067-3075 (2014).
  25. Chance, B., Schoener, B., Oshino, R., Itshak, F., Nakase, Y. Oxidation-reduction ratio studies of mitochondria in freeze-trapped samples. NADH and flavoprotein fluorescence signals. Journal of Biological Chemistry. 254 (11), 4764-4771 (1979).
  26. Sharick, J. T., et al. Protein-bound NAD(P)H lifetime is sensitive to multiple fates of glucose carbon. Scientific Reports. 8 (1), 5456 (2018).
  27. Skala, M. C., et al. In vivo multiphoton microscopy of NADH and FAD redox states, fluorescence lifetimes, and cellular morphology in precancerous epithelia. Proceedings of the National Academy of Sciences of the United States of America. 104 (49), 19494-19499 (2007).
  28. Skala, M. C., et al. In vivo multiphoton fluorescence lifetime imaging of protein-bound and free nicotinamide adenine dinucleotide in normal and precancerous epithelia. Journal of Biomedical Optics. 12 (2), 024014 (2007).
  29. Uchugonova, A. A., König, K. Two-photon autofluorescence and second-harmonic imaging of adult stem cells. Journal of Biomedical Optics. 13 (5), 054068 (2008).
  30. Miranda-Lorenzo, I., et al. Intracellular autofluorescence: a biomarker for epithelial cancer stem cells. Nature Methods. 11 (11), 1161-1169 (2014).
  31. Walsh, A. J., et al. Classification of T-cell activation via autofluorescence lifetime imaging. Nature Biomedical Engineering. 5 (1), 77-88 (2021).
  32. Heaster, T. M., Humayun, M., Yu, J., Beebe, D. J., Skala, M. C. Autofluorescence imaging of 3D tumor-macrophage microscale cultures resolves spatial and temporal dynamics of macrophage metabolism. 암 연구학. 80 (23), 5408-5423 (2020).
  33. Pavillon, N., Hobro, A. J., Akira, S., Smith, N. I. Noninvasive detection of macrophage activation with single-cell resolution through machine learning. Proceedings of the National Academy of Sciences of the United States of America. 115 (12), 2676-2685 (2018).
  34. Chang, C. H., et al. Posttranscriptional control of T cell effector function by aerobic glycolysis. Cell. 153 (6), 1239-1251 (2013).
  35. Kaech, S. M., Cui, W. Transcriptional control of effector and memory CD8+ T cell differentiation. Nature Reviews. Immunology. 12 (11), 749-761 (2012).
  36. Gómez, C. A., Fu, B., Sakadžić, S., Yaseena, M. A. Cerebral metabolism in a mouse model of Alzheimer’s disease characterized by two-photon fluorescence lifetime microscopy of intrinsic NADH. Neurophotonics. 5 (4), 045008 (2018).
  37. Yaseen, M. A., et al. In vivo imaging of cerebral energy metabolism with two-photon fluorescence lifetime microscopy of NADH. Biomedical Optics Express. 4 (2), 307-321 (2013).
  38. Bower, A. J., et al. High-speed label-free two-photon fluorescence microscopy of metabolic transients during neuronal activity. Applied Physics Letters. 118 (8), 081104 (2021).
  39. Walsh, A. J., et al. Quantitative optical imaging of primary tumor organoid metabolism predicts drug response in breast cancer. 암 연구학. 74 (18), 5184-5194 (2014).
  40. Walsh, A. J., et al. Optical metabolic imaging identifies glycolytic levels, subtypes, and early-treatment response in breast cancer. 암 연구학. 73 (20), 6164-6174 (2013).
  41. Chowdary, M. V. P., et al. Autofluorescence of breast tissues: Evaluation of discriminating algorithms for diagnosis of normal, benign, and malignant conditions. Photomedicine and Laser Surgery. 27 (2), 241-252 (2009).
  42. Demos, S. G., Bold, R., White, R. D., Ramsamooj, R. Investigation of near-infrared autofluorescence imaging for the detection of breast cancer. IEEE Journal of Selected Topics in Quantum Electronics. 11 (4), 791-798 (2005).
  43. Heaster, T. M., Humayun, M., Yu, J., Beebe, D. J., Skala, M. C. Autofluorescence imaging of 3D tumor-macrophage microscale cultures resolves spatial and temporal dynamics of macrophage metabolism. 암 연구학. 80 (23), 5408-5423 (2020).
  44. Sharick, J. T., et al. Cellular metabolic heterogeneity in vivo is recapitulated in tumor organoids. Neoplasia. 21 (6), 615-626 (2019).
  45. Shah, A. T., Diggins, K. E., Walsh, A. J., Irish, J. M., Skala, M. C. In vivo autofluorescence imaging of tumor heterogeneity in response to treatment. Neoplasia. 17 (12), 862-870 (2015).
  46. Walsh, A. J., Skala, M. C. Optical metabolic imaging quantifies heterogeneous cell populations. Biomedical Optics Express. 6 (2), 559-573 (2015).
  47. Walsh, A. J., Skala, M. C. An automated image processing routine for segmentation of cell cytoplasms in high-resolution autofluorescence images. Multiphoton Microscopy in the Biomedical Sciences XIV. , (2014).
  48. Skala, M., Ramanujam, N. . Methods in Molecular Biology. 594, 155-162 (2010).
  49. Stringari, C., et al. Multicolor two-photon imaging of endogenous fluorophores in living tissues by wavelength mixing. Scientific Reports. 7, 3792 (2017).
  50. SPCImage 2.9: Data analysis software for fluorescence lifetime imaging microscopy. SPCImage Available from: https://biology.uiowa.edu/sites/biology.uiowa.edu/files/SPCIMAGE29.pdf (2007)
  51. . CellProfiler Available from: https://cellprofiler.org/releases (2007)
  52. Autofluorescence Imaging. GitHub Available from: https://github.com/walshlab/Autofluorescence-Imaging (2021)
  53. Ramey, N. A., Park, C. Y., Gehlbach, P. L., Chuck, R. S. Imaging mitochondria in living corneal endothelial cells using autofluorescence microscopy. Photochemistry and Photobiology. 83 (6), 1325-1329 (2007).
  54. Walsh, A., Cook, R. S., Rexer, B., Arteaga, C. L., Skala, M. C. Optical imaging of metabolism in HER2 overexpressing breast cancer cells. Biomedical Optics Express. 3 (1), 75-85 (2012).
  55. Kolenc, O. I., Quinn, K. P. Evaluating cell metabolism through autofluorescence imaging of NAD(P)H and FAD. Antioxidants & Redox Signaling. 30, 875-889 (2019).
  56. Bird, D. K., et al. Metabolic mapping of MCF10A human breast cells via multiphoton fluorescence lifetime imaging of the coenzyme NADH. 암 연구학. 65, 8766-8773 (2005).
  57. Walsh, A. J., et al. Optical metabolic imaging identifies glycolytic levels, subtypes, and early-treatment response in breast cancer. 암 연구학. 73 (20), 6164-6174 (2013).
  58. Walsh, A. J., Castellanos, J. A., Nagathihalli, N. S., Merchant, N. B., Skala, M. C. Optical imaging of drug-induced metabolism changes in murine and human pancreatic cancer organoids reveals heterogeneous drug response. Pancreas. 45 (6), 863-869 (2016).
  59. Gubser, P. M., et al. Rapid effector function of memory CD8+ T cells requires an immediate-early glycolytic switch. Nature Immunology. 14 (10), 1064-1072 (2013).
  60. Papalexi, E., Satija, R. Single-cell RNA sequencing to explore immune cell heterogeneity. Nature Review. Immunology. 18 (1), 35-45 (2018).
  61. Horan, M. P., Pichaud, N., Ballard, J. W. O. Review: Quantifying mitochondrial dysfunction in complex diseases of aging. The Journals of Gerontology: Series A. 67 (10), 1022-1035 (2012).
  62. Plitzko, B., Loesgen, S. Measurement of oxygen consumption rate (OCR) and extracellular acidification rate (ECAR) in culture cells for assessment of the energy metabolism. Bio-protocol. 8 (10), 2850 (2018).
  63. . The bh TCSPC Handbook Available from: https://www.becker-hickl.com/wp-content/uploads/2021/10/SPC-handbook-9ed-05a.pdf (2021)
  64. Gadella, T. W. J., Mason, W. T. . Fluorescent and Luminescent Probes for Biological Activity. 34, 467-479 (1999).
  65. Miller, D. R., Jarrett, J. W., Hassan, A. M., Dunna, A. K. Deep tissue iImaging with multiphoton fluorescence microscopy. Current Opinion in Biomedical Engineering. 4, 32-39 (2017).
  66. Berezin, M. Y., Achilefu, S. Fluorescence lifetime measurements and biological imaging. Chemical Reviews. 110 (5), 2641-2684 (2010).
check_url/kr/63282?article_type=t

Play Video

Cite This Article
Theodossiou, A., Hu, L., Wang, N., Nguyen, U., Walsh, A. J. Autofluorescence Imaging to Evaluate Cellular Metabolism. J. Vis. Exp. (177), e63282, doi:10.3791/63282 (2021).

View Video