Summary

Helhjärna encellig avbildning och analys av intakta neonatala mushjärnor med hjälp av MR, vävnadsrensning och ljusarkmikroskopi

Published: August 01, 2022
doi:

Summary

Detta protokoll beskriver metoder för att genomföra magnetisk resonansavbildning, rensning och immunmärkning av intakta mushjärnor med hjälp av iDISCO+, följt av en detaljerad beskrivning av avbildning med hjälp av ljusarkmikroskopi och nedströmsanalyser med NuMorph.

Abstract

Vävnadsrensning följt av ljusarkmikroskopi (LSFM) möjliggör cellulär upplösningsavbildning av intakt hjärnstruktur, vilket möjliggör kvantitativ analys av strukturella förändringar orsakade av genetiska eller miljömässiga störningar. Helhjärnavbildning resulterar i mer exakt kvantifiering av celler och studier av regionspecifika skillnader som kan missas med vanligt förekommande mikroskopi av fysiskt snittad vävnad. Att använda ljusarkmikroskopi för att avbilda rensade hjärnor ökar förvärvshastigheten kraftigt jämfört med konfokalmikroskopi. Även om dessa bilder producerar mycket stora mängder hjärnstrukturdata, är de flesta beräkningsverktyg som utför funktionskvantifiering i bilder av rensad vävnad begränsade till att räkna glesa cellpopulationer, snarare än alla kärnor.

Här demonstrerar vi NuMorph (Nuclear-Based Morphometry), en grupp analysverktyg, för att kvantifiera alla kärnor och kärnmarkörer inom kommenterade regioner i en postnatal dag 4 (P4) mushjärna efter rensning och avbildning på ett ljusarkmikroskop. Vi beskriver magnetisk resonanstomografi (MRI) för att mäta hjärnvolymen före krympning orsakad av vävnadsrensande uttorkningssteg, vävnadsrensning med iDISCO+-metoden, inklusive immunmärkning, följt av ljusarkmikroskopi med hjälp av en kommersiellt tillgänglig plattform för att avbilda mushjärnor med cellulär upplösning. Vi demonstrerar sedan den här bildanalyspipelinen med NuMorph, som används för att korrigera intensitetsskillnader, sy bildpaneler, justera flera kanaler, räkna kärnor och kommentera hjärnregioner genom registrering till offentligt tillgängliga atlaser.

Vi utformade detta tillvägagångssätt med hjälp av offentligt tillgängliga protokoll och programvara, så att alla forskare med nödvändiga mikroskop och beräkningsresurser kan utföra dessa tekniker. Dessa vävnadsrensnings-, avbildnings- och beräkningsverktyg möjliggör mätning och kvantifiering av den tredimensionella (3D) organisationen av celltyper i cortex och bör vara allmänt tillämplig på alla vilda typer / knockout-musstudiedesigner.

Introduction

Helhjärnavbildning med encellsupplösning är en viktig utmaning inom neurovetenskapen. Hjärnbilder med cellulär upplösning möjliggör detaljerad analys och kartläggning på systemnivå av hjärnkretsar och hur dessa kretsar störs av genetiska eller miljömässiga riskfaktorer för neuropsykiatriska störningar, cellulärt beteende vid utveckling av embryon samt neurala kretsar i den vuxna hjärnan 1,2,3. Det finns flera histologiska metoder som möjliggör högupplösta bilder av den rekonstruerade 3D-hjärnan; Dessa tekniker kräver dock dyr, specialiserad utrustning, kanske inte är kompatibel med immunmärkning, och den tvådimensionella (2D) karaktären hos vissa metoder kan leda till vävnadsskada och skjuvning under sektionering 4,5.

De senaste framstegen har gett ett alternativt tillvägagångssätt för avbildning av hela hjärnor som inte kräver vävnadssektionering; De handlar om att använda vävnadsrensning för att göra hjärnor transparenta. Transparens uppnås i de flesta vävnadsrensningsmetoder genom att både ta bort lipider, eftersom de är en viktig källa till ljusspridning, och matcha objektets brytningsindex (RI) med RI för provets nedsänkningslösning under avbildning. Ljus kan sedan passera genom gränsen mellan material utan att spridas 6,7,8,9.

Vävnadsrensningsmetoder, såsom iDISCO+, kombineras ofta med snabb 3D-avbildning med hjälp av excitationsmikroskopi med en foton, såsom LSFM 6,7,10. I transparenta vävnader märkta med en fluorofor, ljusark fluorescensmikroskopi bilder sektioner genom excitation med ett tunt plan av ljus11. Den största fördelen med LSFM är att en enda optisk sektion belyses åt gången, med all fluorescens från molekylerna inom den sektionen upphetsad, vilket minimerar fotoblekning. Dessutom möjliggör avbildning av en hel optisk skiva kamerabaserad detektering av den upphetsade skivan, vilket ökar hastigheten i förhållande till punktskanning12. LSFM producerar icke-förstörande välregistrerade optiska sektioner som är lämpliga för 3D-rekonstruktion.

Medan iDISCO + -metoden möjliggör billig vävnadsrensning inom ~ 3 veckor, kan uttorkningssteg i protokollet leda till vävnadskrympning och potentiell förändring av provmorfologin, vilket påverkar volymetriska mätningar 6,10. Genom att lägga till en sekundär avbildningsmetod, såsom MRI, som ska användas före vävnadsrensningsproceduren kan man mäta graden av vävnadsrensningsinducerad krympning över provet. Under uttorkningsstegen kan skillnader i mekaniska egenskaper mellan grå och vit substans leda till deformationer av icke-enhetlig hjärnsubstans, vilket resulterar i olika vävnadsrensningsinducerade volymdeformationer mellan vildtyps- och mutantprover och kan förvirra tolkningar av volymetriska skillnader i dessa prover10,13 . MRT utförs genom att först perfuusera djuret med ett kontrastmedel (t.ex. gadolinium), följt av inkubering av den extraherade vävnaden av intresse i en nedsänkningslösning (t.ex. fomblin) före avbildning14. MR är kompatibel med vävnadsrensning och utförande av LSFM på samma prov.

LSFM används ofta för att skapa storskaliga mikroskopibilder för kvalitativ visualisering av hjärnvävnaden av intresse snarare än kvantitativ utvärdering av hjärnstrukturen (figur 1). Utan kvantitativ utvärdering är det svårt att påvisa strukturella skillnader till följd av genetiska eller miljömässiga förolämpningar. I takt med att vävnadsrensnings- och avbildningstekniken förbättras, tillsammans med minskade kostnader för lagring och datorkraft, blir kvantifiering av celltypslokaliseringar inom vävnaden av intresse mer tillgängliga, vilket gör det möjligt för fler forskare att inkludera dessa data i sina studier.

Med över 100 miljoner celler i mushjärnan15 och helhjärnavbildningssessioner som kan generera terabyte data, finns det ökad efterfrågan på avancerade bildanalysverktyg som möjliggör exakt kvantifiering av funktioner i bilderna, till exempel celler. Det finns en mängd segmenteringsmetoder för vävnadsrensade bilder som tillämpar tröskelvärde för kärnfärgningsintensitet och filtrerar objekt med fördefinierade former, storlekar eller densiteter10,16,17,18. Felaktiga tolkningar av resultat kan dock uppstå på grund av variationer i parametrar som cellstorlek, bildkontrast och märkningsintensitet. Detta dokument beskriver vårt etablerade protokoll för att kvantifiera cellkärnor i mushjärnan. Först beskriver vi steg för vävnadsinsamling av P4-mushjärnan, följt av ett vävnadsrensnings- och immunmärkningsprotokoll optimerat från den offentligt tillgängliga iDISCO + -metoden10. För det andra beskriver vi bildförvärv med hjälp av MR och ljusarkmikroskopi, inklusive de parametrar som används för att ta bilder. Slutligen beskriver och demonstrerar vi NuMorph19, en uppsättning bildanalysverktyg som vår grupp har utvecklat som möjliggör celltypspecifik kvantifiering efter vävnadsrensning, immunmärkning med kärnmarkörer och ljusarkavbildning av kommenterade regioner.

Protocol

Alla möss användes i enlighet med och godkändes av Institutional Animal Care and Use Committee (IACUC) vid University of North Carolina at Chapel Hill. 1. Musdissektion och perfusion OBS: Följande dissektioner utfördes på P4- och P14-möss med hjälp av en spruta. Volymen av perfusionsvätska varierar beroende på djurets ålder. PerfusionVARNING: Paraformaldehyd (PFA) är en farlig kemikalie. Utför alla perfusionssteg i en kemi…

Representative Results

Eftersom iDISCO+-protokollet introducerar betydande vävnadskrympning, vilket lätt märks av ögat (figur 2B), lade vi till ett MR-steg i denna pipeline före vävnadsrensning för att kvantifiera krympningen som induceras av vävnadsrensning. Arbetsflödet börjar med att ta bort icke-hjärnvävnaden från MR-bilden (figur 2C). Därefter appliceras en styv transformation (3 översättnings- och 3 rotationsvinklar) för att justera MR-bilden till ljusarkbilden …

Discussion

Vävnadsrensningsmetoder är användbara tekniker för att mäta 3D-cellulär organisation av hjärnan. Det finns en mängd vävnadsrensningsmetoder som beskrivs i litteraturen, var och en med sina fördelar och begränsningar 6,7,8,9. Alternativen för beräkningsverktyg för att analysera celltyperna i de vävnadsrensade bilderna är relativt begränsade. Andra tillgängliga verktyg har imple…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Detta arbete stöddes av NIH (R01MH121433, R01MH118349 och R01MH120125 till JLS och R01NS110791 till GW) och Foundation of Hope. Vi tackar Pablo Ariel från Microscopy Services Laboratory för att ha hjälpt till med provavbildning. Microscopy Services Laboratory vid Institutionen för patologi och laboratoriemedicin stöds delvis av Cancer Center Core Support Grant P30 CA016086 till University of North Carolina (UNC) Lineberger Comprehensive Cancer Center. Neuroscience Microscopy Core stöds av bidrag P30 NS045892. Forskning som rapporteras i denna publikation stöddes delvis av North Carolina Biotech Center Institutional Support Grant 2016-IDG-1016.

Materials

Bruker 9.4T/30 cm MRI Scanner Bruker Biospec Horizontal Bore Animal MRI System
Dibenzyl ether Sigma-Aldrich 108014-1KG
Dichloromethane (DCM) Sigma-Aldrich 270997-1L
Dimethyl sulfoxide (DMSO) Fisher-Scientific ICN19605590
Donkey serum Sigma-Aldrich S30-100ML
EVO 860 4TB external SSD
Fomblin Y Speciality Fluids Company YL-VAC-25-6 perfluoropolyether lubricant
gadolinium contrast agent (ProHance) Bracco Diagnostics A9576
gadolinium contrast agent(ProHance) Bracco Diagnostics 0270-1111-03
GeForce GTX 1080 Ti 11GB GPU EVGA 08G-P4-6286-KR
Glycine Sigma-Aldrich G7126-500G
Heparin sodium salt Sigma-Aldrich H3393-10KU Dissolved in H2O to 10 mg/mL
Hydrogen peroxide solution, 30% Sigma-Aldrich H1009-100ML
ImSpector Pro LaVision BioTec Microscope image acquisition software
ITK Snap segmentation software
Methanol Fisher-Scientific A412SK-4
MVPLAPO 2x/0.5 NA Objective Olympus
Paraformaldehyde, powder, 95% (PFA) Sigma-Aldrich 30525-89-4 Dissolved in 1x PBS to 4%
Phosphate Buffered Saline 10x (PBS) Corning 46-013-CM Diluted to 1x in H2O
Sodium Azide Sigma-Aldrich S2002-100G Dissolved in H2O to 10%
Sodium deoxycholate Sigma-Aldrich D6750-10G
Tergitol type NP-40 Sigma-Aldrich NP40S-100ML
TritonX-100 Sigma-Aldrich T8787-50ML
Tween-20 Fisher-Scientific BP337 500
Ultramicroscope II Light Sheet Microscope LaVision BioTec
Xeon Processor E5-2690 v4 Intel E5-2690
Zyla sCMOS Camera Andor Complementary metal oxide semiconductor camera
Antibody Working concentration
Alexa Fluor Goat 790 Anti-Rabbit Thermofisher Scientific A11369 (1:50)
Alexa Fluor Goat 568 Anti-Rat Thermofisher Scientific A11077 (1:200)
Rat anti-Ctip2 Abcam ab18465 (1:400)
Rabbit anti-Brn2 Cell Signaling Technology 12137 (1:100)
To-Pro 3 (TP3) Thermofisher Scientific T3605 (1:400)

References

  1. Dodt, H. U., et al. Ultramicroscopy: Three-dimensional visualization of neuronal networks in the whole mouse brain. Nature Methods. 4 (4), 331-336 (2007).
  2. Hägerling, R., et al. A novel multistep mechanism for initial lymphangiogenesis in mouse embryos based on ultramicroscopy. The EMBO Journal. 32 (5), 629-644 (2013).
  3. Tomer, R., Khairy, K., Keller, P. J. Shedding light on the system: studying embryonic development with light sheet microscopy. Current Opinion in Genetics & Development. 21 (5), 558-565 (2011).
  4. Li, A., et al. Micro-optical sectioning tomography to obtain a high-resolution atlas of the mouse brain. Science. 330 (6009), 1404-1408 (2010).
  5. Stoner, R., et al. Patches of disorganization in the neocortex of children with autism. The New England Journal of Medicine. 370 (13), 1209-1219 (2014).
  6. Renier, N., et al. IDISCO: A simple, rapid method to immunolabel large tissue samples for volume imaging. Cell. 159 (4), 896-910 (2014).
  7. Susaki, E. A., et al. Whole-brain imaging with single-cell resolution using chemical cocktails and computational analysis. Cell. 157 (3), 726-739 (2014).
  8. Richardson, D. S., et al. Tissue clearing. Nature Reviews. Methods Primers. 1 (1), 84 (2021).
  9. Richardson, D. S., Lichtman, J. W. Clarifying tissue clearing. Cell. 162 (2), 246-257 (2015).
  10. Renier, N., et al. Mapping of brain activity by automated volume analysis of immediate early genes. Cell. 165 (7), 1789-1802 (2016).
  11. Santi, P. A. Light sheet fluorescence microscopy: a review. The Journal of Histochemistry and Cytochemistry: Official Journal of the Histochemistry Society. 59 (2), 129-138 (2011).
  12. Girkin, J. M., Carvalho, M. T. The light-sheet microscopy revolution. Journal of Optics. 20 (5), 053002 (2018).
  13. Budday, S., et al. Mechanical properties of gray and white matter brain tissue by indentation. Journal of the Mechanical Behavior of Biomedical Materials. 46, 318-330 (2015).
  14. Johnson, G. A., et al. High-throughput morphologic phenotyping of the mouse brain with magnetic resonance histology. NeuroImage. 37 (1), 82-89 (2007).
  15. Herculano-Houzel, S., Mota, B., Lent, R. Cellular scaling rules for rodent brains. Proceedings of the National Academy of Sciences of the United States of America. 103 (32), 12138-12143 (2006).
  16. Matsumoto, K., et al. Advanced CUBIC tissue clearing for whole-organ cell profiling. Nature Protocols. 14 (12), 3506-3537 (2019).
  17. Fürth, D., et al. An interactive framework for whole-brain maps at cellular resolution. Nature Neuroscience. 21 (1), 139-149 (2018).
  18. Chandrashekhar, V., et al. CloudReg: automatic terabyte-scale cross-modal brain volume registration. Nature Methods. 18 (8), 845-846 (2021).
  19. Krupa, O., et al. NuMorph: Tools for cortical cellular phenotyping in tissue-cleared whole-brain images. Cell Reports. 37 (2), 109802 (2021).
  20. Petiet, A., Delatour, B., Dhenain, M. Models of neurodegenerative disease – Alzheimer’s anatomical and amyloid plaque imaging. Methods in Molecular Biology. 771, 293-308 (2011).
  21. Jenkinson, M., Beckmann, C. F., Behrens, T. E. J., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  22. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. NeuroImage. 17 (2), 825-841 (2002).
  23. Avants, B. B., Epstein, C. L., Grossman, M., Gee, J. C. Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurodegenerative brain. Medical Image Analysis. 12 (1), 26-41 (2008).
  24. . iDISCO method Available from: https://idisco.info/ (2022)
  25. Ariel, P. UltraMicroscope II – A User Guide. University of North Carolina at Chapel Hill. , (2019).
  26. . Anaconda Distribution – Anaconda documentation Available from: https://docs.anaconda.com/anaconda/ (2022)
  27. Peng, T., et al. A BaSiC tool for background and shading correction of optical microscopy images. Nature Communications. 8, 14836 (2017).
  28. Klein, S., Staring, M., Murphy, K., Viergever, M. A., Pluim, J. P. W. elastix: a toolbox for intensity-based medical image registration. IEEE Transactions on Medical Imaging. 29, 196-205 (2010).
  29. Lowe, G. Sift-the scale invariant feature transform. International Journal. 2 (91-110), 2 (2004).
  30. Young, D. M., et al. Whole-brain image analysis and anatomical atlas 3D generation using MagellanMapper. Current Protocols in Neuroscience. 94 (1), 104 (2020).
  31. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  32. Velíšek, L. Under the (Light) sheet after the iDISCO. Epilepsy Currents / American Epilepsy Society. 16 (6), 405-407 (2016).
  33. Young, D. M., et al. Constructing and optimizing 3D atlases from 2D data with application to the developing mouse brain. eLife. 10, (2021).
  34. Yun, D. H., et al. Ultrafast immunostaining of organ-scale tissues for scalable proteomic phenotyping. bioRxiv. , (2019).
  35. Silvestri, L., et al. Universal autofocus for quantitative volumetric microscopy of whole mouse brains. Nature Methods. 18 (8), 953-958 (2021).
  36. Frasconi, P., et al. Large-scale automated identification of mouse brain cells in confocal light sheet microscopy images. Bioinformatics. 30 (17), 587 (2014).
  37. Kruskal, J. B. On the shortest spanning subtree of a graph and the traveling salesman problem. Proceedings of the American Mathematical Society. American Mathematical Society. 7 (1), 48-50 (1956).
  38. Wang, Q., et al. The allen mouse brain common coordinate framework: A 3D reference atlas. Cell. 181, 936-953 (2020).
  39. Borland, D., et al. Segmentor: a tool for manual refinement of 3D microscopy annotations. BMC Bioinformatics. 22 (1), 260 (2021).
  40. Kumar, A., et al. Dual-view plane illumination microscopy for rapid and spatially isotropic imaging. Nature Protocols. 9 (11), 2555-2573 (2014).
check_url/64096?article_type=t

Play Video

Cite This Article
Kyere, F. A., Curtin, I., Krupa, O., McCormick, C. M., Dere, M., Khan, S., Kim, M., Wang, T. W., He, Q., Wu, G., Shih, Y. I., Stein, J. L. Whole-Brain Single-Cell Imaging and Analysis of Intact Neonatal Mouse Brains Using MRI, Tissue Clearing, and Light-Sheet Microscopy. J. Vis. Exp. (186), e64096, doi:10.3791/64096 (2022).

View Video