ロングの推論

Communications Biology volume 6、記事番号: 811 (2023) この記事を引用

114 アクセス

11 オルトメトリック

メトリクスの詳細

細胞は、多数の生理学的プロセスにおいて機械的微小環境を感知、操作、および応答しますが、細胞が遠く離れた細胞と通信するための環境信号をどのように送信、受信、解釈するかについての理解は、細胞の複雑な絡み合いを定量的に推測するためのツールが不足しているため、大幅に制限されています。複雑な環境における動的な細胞間相互作用。我々は、伝達する細胞間のECMリモデリング変動を相関させ、これらの変動が固有の情報を定義するのに十分な情報を含んでいることを実証することにより、細胞外マトリックスを介した長距離の細胞間力伝達（細胞-ECM-細胞コミュニケーション）を系統的に推論および定量化する計算手法を提示する。通信するセルの異なるペアを確実に区別するシグネチャ。有限要素シミュレーションと、フィブリンゲルに埋め込まれた線維芽細胞とがん細胞のライブ 3D イメージングを使用して、この方法を実証します。これまでの研究では、細胞間に広がる可視の繊維状の「バンド」の形成に基づいて機械的伝達を情報していましたが、私たちの方法では、可視のバンドが形成されない場合でも機械的伝播を検出しました。私たちは、細胞-ECM-細胞間通信には収縮性が必要であるものの帯域形成は必要ではないこと、また収縮性が大幅に低下した場合でも機械信号はある細胞から別の細胞に伝播することを明らかにしました。私たちの方法は、生理学的状況における細胞間の長距離機械的コミュニケーションの基本的な側面を測定するための準備を整え、高コンテンツの3D画像ベースのスクリーニングのための新しい機能的読み取りを提供する可能性があります。標準的な共焦点顕微鏡を使用して細胞-ECM-細胞コミュニケーションを推測できる機能は、この方法の広範な使用と民主化の可能性を秘めています。

多くの種類の細胞は周囲のマトリックスにかなりの牽引力を加え、細胞直径の数十倍離れた長距離まで増殖する可能性のある ECM リモデリングを引き起こします 1,2,3,4,5,6,7,8,9,10,11,12 、13、14、15。コラーゲンやフィブリンなどの繊維状生物学的ヒドロゲルに埋め込まれると、細胞が収縮し、それによって近くの ECM 繊維が再構築され、高密度化されます。そして、数時間の時間スケールで、これらのリモデリングは、隣接する細胞を機械的に結合する整列した密な繊維の目に見える線維帯を形成し、これが細胞の内部分子状態16と能動的な応答17に影響を与える可能性があります。 ECM を介した長距離の細胞間力伝達のこの形式は、細胞間の情報の伝達または交換とみなすことができ、したがって、ここで細胞 - ECM - 細胞通信と呼ばれる通信の定義 18 と一致します。この長距離機械的細胞-ECM-細胞コミュニケーション様式は、組織損傷 17、線維症 19、血管集合、毛細血管の発芽 1,14,20、組織の折り畳み 21、がんの浸潤と転移 5,9 などのさまざまな生物学的プロセスを調整することが示されています。生体内では、線維整列バンドは細胞遊走のための ECM の「トラック」として機能し、創傷治癒、癌の転移、線維症に潜在的な役割を果たします 22,23。

細胞-ECM-細胞のコミュニケーション中にECMを介した力の伝達を測定することは困難であり、通常は、細胞の能動的な収縮に起因する細胞ペア間の再構築された線維性ECMの密度、配列、または変位の変化を測定することによって間接的に達成されてきました4、 5、9、10、11、13、24、25、26。最新の測定では、細胞が生成する力が十分に強い場合に形成される細胞間のバンドの可視性に依存しながら、機械的に結合した細胞間に広がる繊維状バンドの構造を特徴付け、細胞間の機械的結合について情報を提供しています5、9、11、13。、26。このような測定では、目に見えるバンドがない場合の潜在的な細胞-ECM-細胞通信を除外することにより、細胞間の動的相互機械的情報伝達を測定する感度が欠如しており、そのため、多くの細胞から実際に通信している細胞を区別する能力が妨げられます。コミュニケーションできる可能性。このギャップを埋めることで、複雑な環境においてどの細胞がどの程度相互に通信しているのかを特定できるようになり、組織がどのように発達し、病気が進行するのかという長年の未解決の問題に取り組むことが可能になります。

“different, p-value < 0.0001. Real-versus-fake: N = 25, 52% “real” > “fake”, p-value not significant. Matchmaking analysis: N = 50, correct matching probability = 14%. B–D Experimental controls with live and dead fibroblast cells. B Dead cells. Same-versus-different: N = 35, 61% “same” > “different, p-value < 0.0001. Real-versus-fake: N = 29, 60% “real” > “fake”, p-value not significant. Matchmaking analysis: N = 70, correct matching probability = 17%. C Dead cells with the presence of live cells. Same-versus-different: N = 17, 55% “same” > “different, p-value < 0.0001. Real-versus-fake: N = 17, 54% “real” > “fake”, p-value not significant. Matchmaking analysis: N = 34, correct matching probability = 15%. D Live and dead cells. Same-versus-different: N = 17, 61% “same” > “different, p-value < 0.0001. Real-versus-fake: N = 11, 62% “real” > “fake”, p-value not significant. Matchmaking analysis: N = 22, correct matching probability = 14%./p> “different, p-value < 0.0001. Real-versus-fake: N = 15, 70% “real” > “fake”, p-value < 0.01. Matchmaking analysis: N = 28, correct matching probability = 46%. I Rapid time resolution of 5 mins per frame. Same-versus-different: N = 56, 95% “same” > “different, p-value < 0.0001. Real-versus-fake: N = 56, 94% “real” > “fake”, p-value < 0.0001. Matchmaking analysis: N = 112, correct matching probability = 87%./p> 1, 0 ≤ α ≤ 1, μ = 1, σ = 0.5 are the mean and standard deviation correspondingly, and Contractionleader is drawn from the normal distribution N(μ, σ). The term α indicates the “followership” magnitude, higher values of \({\alpha }\) imply that the follower is more influenced by its leader contraction. The correlation increased with increased influence of the leader cells (Fig. S16C) and the maximal cross correlation occurred at the correct lag, accurately identifying the leader/follower roles for all simulated pairs for α = 0.5, where the follower cell contraction is determined with equal contribution from its intrinsic “decision” and the extrinsic influence by its leader (Figs. S16D and S17B). In a second validation we tested whether we can identify leader/follower when the follower contracts more than its leader. This leads to increased ECM remodeling that might propagate to the leader cell and mask its influence on the follower. We set α to 1 (follower is copycatting the leader’s contraction), and introduced β ≥ 1 – the fold increase of the follower’s contraction: \({Contractio}{n}_{{follower}}(t)=\beta * {Contractio}{n}_{{leader}}(t-1)\). The correlation was nearly identical for \(\beta \le 1.2\) (20% increase in follower contraction), and the first mistaken prediction of the follower/follower assignment occurred for \(\beta =1.2\), for 1 out of 7 simulated pairs (Figs. S16E and S17C). We further validated these results by pairing leaders or followers to cells from other simulated communicating pairs to create artificial pairs of cells that did not interact with one another (Fig. S18). However, cross-correlation analysis did not identify leader-follower relations in experimental data (Fig. S19). This inability to identify leader-follower relations in experimental data could be attributed to lack of sufficient temporal resolution – the response of the follower cell may occur in time scales faster than the 5 min temporal resolution in this study. Another alternative is that our method is not sufficiently sensitive to measure the subtle ECM fluctuations that distinguish leader from follower cells. There is always the possibility that fibroblast cells do not form leader-follower communication patterns, perhaps due to insufficient heterogeneity that can be resolved by assessment of cells pairs from mixed genetic backgrounds. These possibilities are left to be explored in future studies. Cumulatively, these results verified that cross-correlation of ECM remodeling fluctuations can robustly identify leader and follower cells in simulated communicating cells but not in our experimental data./p> 1, thus imitating the leader with a certain augmentation./p>

400). The cell’s center coordinates in 3D for each time frame was recorded and used for cell tracking. Custom Python code was used for the cell tracking, by identification of cells to track in the first time frame and simply assigning the nearest cell (in 3D Euclidean distance) in the next time frame to construct the trajectory. Shorter trajectories were recorded for cells that moved beyond the field of view during imaging. This simple approach was sufficient thanks to the sparsity of the cell seeding./p> implies first rotating the image at 45° in X′, Y′ (blue arrow in Fig. S20D) followed by a 135° rotation in Z′ (green arrow in Fig. S20D). These 16 transformations were used in two directions along the rotated axes leading to 32 orientations for quantification (see below)./p> 0) was performed on the connecting axis between the cells (Fig. 1C), or the axis defined by the image transformation angle in single cells. For a given time-lapse sequence we recorded and normalized the fiber density within the corresponding quantification windows over time./p>

\, 1\), \(\alpha ={{{{\mathrm{0,0.25,0.5,0.75}}}}}\) or 1, μ = 1, σ = 0.5, and \({Contractio}{n}_{{leader}}\) was drawn from the normal distribution \(N(\mu ,\sigma )\). The parameter α indicates the “followership” magnitude, higher values of α imply that the follower is more influenced by its leader contraction./p>

ニュース