Summary

Kontinuierliche Messung des biologischen Rauschens in Escherichia Coli mittels Zeitraffermikroskopie

Published: April 27, 2021
doi:

Summary

Diese Arbeit stellt eine Mikroskopiemethode vor, die eine Live-Bildgebung einer einzelnen Zelle von Escherichia coli zur Analyse und Quantifizierung des stochastischen Verhaltens synthetischer Genkreise ermöglicht.

Abstract

Das hier entwickelte Protokoll bietet ein Tool, um die Computerverfolgung der Escherichia coli-Division und der Fluoreszenzüberschüsse über mehrere Stunden hinweg zu ermöglichen. Der Prozess beginnt mit einem Screening auf Kolonien, die auf minimalen Medien überleben, vorausgesetzt, dass nur Escherichia coli, die das richtige Plasmid beherbergt, in der Lage sein wird, unter den spezifischen Bedingungen zu gedeihen. Da der Prozess des Aufbaus großer genetischer Schaltkreise, der die Montage vieler DNA-Teile erfordert, eine Herausforderung darstellt, werden Schaltkreiskomponenten oft zwischen mehreren Plasmiden in verschiedenen Kopiernummern verteilt, die den Einsatz mehrerer Antibiotika erfordern. Mutationen im Plasmid können die Transkription der Antibiotikaresistenzgene zerstören und mit Ressourcenmanagement in der Zelle intervenieren, was zu Nekrose führt. Die ausgewählte Kolonie wird auf einer Glasboden-Petrischale gesetzt und einige Fokusebenen werden für die Mikroskopie-Tracking in hellen Feld- und Fluoreszenzdomänen ausgewählt. Das Protokoll behält den Bildfokus für mehr als 12 Stunden unter anfänglichen Bedingungen, die nicht reguliert werden können, was einige Schwierigkeiten verursacht. Zum Beispiel beginnen sich abgestorbene Zellen im Fokusfeld der Linsen nach ein paar Stunden der Bildgebung anzusammeln, was dazu führt, dass sich Giftstoffe ansammeln und das Signal verschwimmt und zerfällt. Der Erschöpfungswert von Nährstoffen führt zu neuen Stoffwechselprozessen und behindert die gewünschte Reaktion des Kreislaufs. Die Temperatur des Experiments senkt die Wirksamkeit von Induktoren und Antibiotika, was die Zuverlässigkeit des Signals weiter beeinträchtigen kann. Das minimale Mediengel schrumpft und trocknet, und dadurch ändert sich der optische Fokus im Laufe der Zeit. Wir haben diese Methode entwickelt, um diese Herausforderungen in Escherichia colizu überwinden, ähnlich wie frühere Arbeiten, die analoge Methoden für andere Mikroorganismen entwickeln. Darüber hinaus bietet diese Methode einen Algorithmus zur Quantifizierung des gesamten stochastischen Rauschens in unveränderten und veränderten Zellen und stellt fest, dass die Ergebnisse mit den Strömungsanalysevorhersagen übereinstimmen, wie ein ähnlicher Variationskoeffizient (CV) zeigt.

Introduction

Synthetische Biologie ist ein multidisziplinäres Feld, das in den letzten zehn Jahren entstanden ist und darauf abzielt, technische Designprinzipien in rationales biologisches Design zu übersetzen1,2,3, in dem Bemühen, Multi-Signal-Integration und Verarbeitung in lebenden Zellen für das Verständnis der grundlegenden Wissenschaft4,5, diagnostische, therapeutische und biotechnologische Anwendungen6,7,8,9,10zu erreichen. Unsere Fähigkeit, die Input-Output-Antwort synthetischer Genkreise zu quantifizieren, wurde durch die jüngsten Fortschritte in der Einzelzelltechnologie, einschließlich des Durchflussanalysators und der Live-Zell-Bildgebung mittels automatisierter Zeitraffermikroskopie11, revolutioniert. Ein Strömungsanalysator wird häufig verwendet, um das Ansprechen dieser Schaltkreise im stationären Zustand1,12, und invertierte Mikroskopie wird verwendet, um die dynamische Reaktion von synthetischen Genkreisen auf der Ebene einer einzelnen Zelle3zu messen. Zum Beispiel, eine der frühen Arbeiten in der synthetischen Biologie beinhaltete den Aufbau von genetischen Oszillator-Netzwerken in lebenden Zellen mit negativen Rückkopplungsschleifen mit einer Verzögerung3. Später wurden die genetischen Oszillator-Schaltungen angewendet, um die metabolische Kontrolle in der dynamischen Umgebung der lebenden Zellen zu verstehen4. Die automatisierte Zeitraffermikroskopie ist eine Methode, um solche Schaltkreise zu charakterisieren. Wir vermuten, dass die Wirtszellen, Escherichia coli, bei der Bildung von Mikrokolonien synchronisieren, was die Messung von Signal und die Berechnung von Rauschen ermöglicht, ohne genaue Mutter-Tochter-Beziehungen zu verfolgen.

Lärm ist ein grundlegender, inhärenter Aspekt biologischer Systeme, die oft aus mehreren Quellen stammen. Man denke beispielsweise an biochemische Reaktionen mit Signalen, die aus dem Transport diskreter Zufälliger Träger wie die Diffusion von Proteinen13stammen. Diese Signale verbreiten sich mit zufälligen Schwankungen14. Weitere Lärmquellen sind Ressourcenverfügbarkeit, Zellteilung und Schwankungen der Umgebungsbedingungen wie Temperatur, Luftfeuchtigkeit und Druck. Biologische Signale, die sich in synthetischen Genkreisen ausbreiten, haben oft ein sehr niedriges Signal-Rausch-Verhältnis (SNR), das die Leistung solcher Schaltkreise stört. Daher bleibt das genetische Schaltungsdesign einer der anspruchsvollsten Aspekte der Gentechnik15. Im Gegensatz zu den meisten Ansätzen, die nur die mittlere Genexpression berechnen (gemessen über die gesamte Zellpopulation), wird die Varianz des gemessenen Signals berücksichtigt, um ein vorhersagbares Verhalten durch synthetische Gennetzwerke zu entwickeln12. Daher spielen die Variabilitäts- oder Rauschengrade in der Proteinexpression eine dominierende Rolle bei der Gestaltung und Leistung analoger und digitaler Genkreise1,16,17.

Viele Ansätze wurden entwickelt, um die Zell-zu-Zell-Variabilität zu quantifizieren, unter anderem in Escherichia coli3,7,18. Diese Methoden werden häufig verwendet, um Genaktivierung und Stoffwechselwege zu studieren, jedoch mit weniger Fokus auf die Untersuchung der stochastischen Lärmdynamik, wie das Messen und Entwirren spezifischer Lärmquellen, insbesondere für genetische Schaltkreise in lebenden Zellen, wo dies eine grundlegende Herausforderung ist19,20,21. Mehrere Faktoren, die sowohl an den Schaltkreis selbst (intrinsisch) vererbt als auch von den Wirtszellen abgeleitet werden (extrinsisch), können die kontinuierliche Leistung genetischer Schaltkreise stören. In diesem Beitrag haben wir ein Protokoll entwickelt, das darauf abzielt, das Gesamtrauschen in Escherichia coli-Zellen zu quantifizieren, einschließlich der intrinsischen und extrinsischen Lärmquellen6,22. Durch quantifizieren des Gesamtrauschens und anschließende Bewertung des SNR23kann die Konstruktion von Genkreisläufen verbessert werden. Diese Methode kann modifiziert werden, um unabhängige Rauschquellen getrennt zu messen, indem mehrere fluoreszierende Proteine6,20überwacht werden. Für das hier beschriebene Protokoll halten wir die Umgebungsbedingungen gut kontrolliert und messen kontinuierlich die Aktivität von Zellen ohne Einfluss externer Faktoren. Wir messen das Signal von fluoreszierenden Proteinen in einzelnen Zellen im Laufe der Zeit und stellen es gleichzeitig unter einem Agarosesubstrat ab. Die resultierenden Bilder werden mit dem kundenspezifischen MATLAB des Labors analysiert.

Im Idealfall wird die kontinuierliche Messung der Echtzeitaktivität von fluoreszierenden Proteinen in einer Zelle genaue Daten durch das Wachstum und die Teilung der Zellen erzeugen. Es ist jedoch schwierig, solche Daten zu erfassen. Dies ist auf den Abbau von fluoreszierenden Proteinen, bekannt als Photobleichung7, zurückzuführen, wenn sie im Anregungsprozess Strahlung ausgesetzt sind. Darüber hinaus sind Escherichia coli Zellen auch empfindlich für die Anregung, die zu Phototoxizität führen könnte7. Beide Ausgaben begrenzen die Anzahl der fotorahmen, die erworben werden können, und die Zeit zwischen den Akquisitionen. Eine entscheidende Rolle spielen auch die Substrat- und Mitteltypen (z.B. Lysogeny-Brühe), die zum Wachstum der Zellen während der Bildgebung verwendet wird. Wir empfehlen dringend die Verwendung von minimalem Medium, das den nicht fluoreszierenden Hintergrund minimiert und die Zellteilungszeit verlängert.

Darüber hinaus muss die Probe unter Berücksichtigung der folgenden Anforderungen vorbereitet werden (1) Niedrige Zellteilungsrate ermöglicht weniger häufige Expositionen für die genaue Abbildung des Teilungszyklus und die Verringerung der Wahrscheinlichkeit von Phototoxizität und Photobleichungen. Wir stellen die Erfassungszeit auf etwa die Hälfte der vorhergesagten Mitosezeit (2) Niedrige Zelldichte zu Beginn des Experiments ermöglicht eine bessere Homogenität und Nachverfolgbarkeit der Teilung. Die Zelldichte wird durch das Verdünnungsverhältnis der Escherichia coli-Zellen beeinflusst, das ein wichtiger Parameter für den Erfolg dieses Protokolls ist und für jedes Labor bestimmt werden muss. Um das Verhältnis zu ermitteln, sollte jeder neue Escherichia coli-Stamm oder jede verwendete Form mit Wachstumsratendiagrammen versehen werden (Zusatzabbildung 1). Ein angemessenes Verhältnis wurde erreicht, wenn Zellen nach einer kurzen Inkubation von einer Anfangsdichte von etwa OD600nm = 0,1 ohne zusätzliches Schütteln wachsen können. Zellen in dieser Phase teilen sich nur nach der Umgebungstemperatur (3) Einschränkung der Zellbewegung: Die Zellbewegung hängt stark von der Festigkeit des Substrats (Agarosepad) ab. Die Festigkeit des Substrats hängt von der Menge der gesamten Agarose und der Gelerstarrungszeit ab. Gele können nicht über Nacht bei Raumtemperatur erstarren, da die Escherichia coli an Einer Mitose erleidet. Andere Faktoren, die die Substratstabilität beeinflussen, sind die Wassermenge in der Probe und die Feuchtigkeit. Weitere Fragen werden in den repräsentativen Ergebnissenausführlich erörtert. Dieses Protokoll bietet viele Details und wechselt schrittweise von einem Schritt zum anderen. Das Protokoll bietet lange Stabilität für Bildgebungsexperimente und bietet ein grundlegendes Bildverarbeitungswerkzeug.

Protocol

1. Medien- und Kulturvorbereitung Bereiten Sie die Stammlösung von 1.000x Carbenicillin (50 mg/ml) oder relevantem Antibiotikum vor. . Wiegen Sie 0,5 g Carbenicillin. 10 ml sterilhh2O. vollständig auflösen. Sterilisieren Sie Carbenicillin-Lager durch einen 0,22 m Spritzenfilter. Aliquot die Antibiotikum-Lösung und lagern bei -20 °C. Zur Herstellung von Lysogeny-Brühe (LB) Platten, mischen 5 g Trypton, 5 g NaCl, 2,5 g Hefeextrakt und 7,5…

Representative Results

Die Software analysiert helle Feld-Domänenbilder, die nicht weiß und schwarz sind. Die Escherichia coli wird wie schwarze längliche Formen auf einem weißen Hintergrund aussehen und dynamischer Bereich der Luminanz sollte eine Spitze in ihrer Mitte zeigen (Abbildung 1). In fluoreszierenden Bildern können Zellen einen kleinen Halo haben, aber einzelne Zellen mit längigen Formen können immer noch aufgelöst werden. Ein Mitose-Ereignis sollte zuerst nach 30 Minuten erkannt werden…

Discussion

In dieser Arbeit haben wir ein Protokoll entwickelt, das die Computerverfolgung von Escherichia coli-Lebendzellen ermöglicht, die Teilung und Fluoreszenzüberstand über einen Zeitraum von Stunden verfolgen. Dieses Protokoll ermöglicht es uns, die stochastische Dynamik genetischer Schaltkreise in Escherichia coli zu quantifizieren, indem wir den Lebenslauf und SNR in Echtzeit messen. In diesem Protokoll haben wir das stochastische Verhalten von zwei verschiedenen Schaltkreisen verglichen, wie in <stro…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Wir danken Herrn Gil Gelbert (Fakultät für Elektrotechnik, Technion) für die Unterstützung mit dem MATLAB-Code. Wir danken Dr. Ximing Li (Fakultät für biomedizinische Technik, Technion) für die Unterstützung bei der Korrektur dieses Artikels. Diese Forschung wurde teilweise von der Neubauer Family Foundation und dem israelischen Wissenschaftsministerium, Stipendium 2027345, unterstützt.

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

References

  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/61290?article_type=t

Play Video

Cite This Article
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