Flera Target Spårning är en hemmagjord algoritm som utvecklats för att spåra enskilda märkta molekyler inom plasmamembranet av levande celler. Effektivt upptäcka, bedöma och spårning molekyler över tid vid hög densitet ger en användarvänlig, heltäckande verktyg för att undersöka nanonivå membran dynamik.
Vårt mål är att få en heltäckande beskrivning av molekylära processer som förekommer vid cellmembran i olika biologiska funktioner. Vi strävar efter att karakterisera den komplexa organisationen och dynamiken i plasmamembranet vid enda molekyl nivå, genom att utveckla analytiska verktyg avsedda för Single-Particle Tracking (SPT) med hög densitet: Multiple-Target Tracing (MTT) 1. Enda molekyl videomikroskopi, som erbjuder millisekund och nanometrisk upplösning 1-11, tillåter en detaljerad representation av membranet organisation 12-14 genom noggrann kartläggning deskriptorer såsom cell-receptorer lokalisering, mobilitet, inneslutning eller interaktioner.
Vi revisited SPT, både experimentellt och algoritmiskt. Experimentella aspekter var bland annat att optimera inställningarna och cell märkning, med särskild tonvikt på att nå högsta möjliga märkning densitet, för att ge en dynamisk bild av molekylära dynamik enar den förekommer i membranet. Algoritmiska frågor som berörs varje steg för att återuppbygga banor: toppar upptäckt, uppskattning och återkoppling, som omfattas av särskild verktyg från bildanalys 15,16. Implementera deflation efter detektering kan rädda toppar början döljas av intilliggande, starkare toppar. Att notera, att förbättra upptäckt direkt påverkar återanslutning, genom att minska klyftorna inom banor. Föreställningar har utvärderats med hjälp Monte-Carlo simuleringar för olika märkning densitet och värderingar buller, som vanligtvis representerar de två stora begränsningar för parallella mätningar med hög Spatiotemporal upplösning.
Den nanometrisk noggrannhet 17 erhållits för enstaka molekyler, antingen successiv on / off photoswitching eller icke-linjär optik, kan leverera uttömmande synpunkter. Detta är grunden för nanoscopy metoder 17 såsom STORMEN 18, PALM 19,20, RESOLFT 21 eller sted 22,23, WHIch kan ofta kräver avbildning fasta prover. Den centrala uppgiften är att upptäcka och uppskattning av diffraktionsbegränsad toppar som härrör från enskilda molekyler. Därför tillhandahålla lämpliga antaganden om bland annat hantering av ett konstant lägesnoggrannhet i stället för Brownsk rörelse, är MTT rakt lämpad för nanoskopiska analyser. Dessutom kan MTT grunden användas på vilken skala som helst: inte bara för molekyler, men också för celler eller djur, till exempel. Därför är MTT en kraftfull spårning algoritm som hittar tillämpningar på molekylära och cellulära skalor.
I enkel-partikel spårning, bredvid cellen och mikroskopi aspekter utgör analysen en väsentlig del av arbetet. Detta tar den algoritm som används för att utföra de tre huvuduppgifter: att upptäcka, bedöma och återansluta topparna över varje bildruta. Men därmed del i detta arbete ligger i att utarbeta själva algoritmen, som kan behöva anpassas för en ny särskild utredning, främst för de sista, extra stegen (t.ex. dechiffrera former av rörelse, interaktioner eller stökiometri).
<p class="jove_conten…The authors have nothing to disclose.
Vi tackar medlemmarna i vårt team, särskilt MC Blache för tekniskt bistånd, samt M Irla och B Imhof, för deras stöd och givande diskussioner. Siffrorna för deflation och inneslutning återges med tillstånd av Nature Methods. Projektet stöds av institutionella bidrag från CNRS, INSERM och Marseille universitet, och genom särskilda bidrag från regionen Provence-Alpes-Côte-d'Azur, Institut National du Cancer, Agence Nationale de la Recherche (ANR-08-PCVI- 0034-02, ANR 2010 blan 1214 01) & Fondation pour la Recherche médicale (Equipe labélisée FRM-2009). VR stöds av ett stipendium från Ligue Nationale Contre le Cancer.
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’)