긴 추론

커뮤니케이션 생물학 6권, 기사 번호: 811(2023) 이 기사 인용

114 액세스

11 알트메트릭

측정항목 세부정보

세포는 수많은 생리학적 과정에서 기계적 미세환경을 감지, 조작 및 반응하지만, 세포가 먼 세포와 통신하기 위해 환경 신호를 전송, 수신 및 해석하는 방법에 대한 이해는 복잡한 얽힘을 정량적으로 추론할 수 있는 도구가 부족하기 때문에 심각하게 제한됩니다. 복잡한 환경에서의 역동적인 세포-세포 상호작용. 우리는 통신하는 세포 사이의 ECM 리모델링 변동을 연관시키고 이러한 변동에 고유한 정의를 위한 충분한 정보가 포함되어 있음을 입증함으로써 세포외 기질(세포-ECM-세포 통신)을 통해 장거리 세포-세포 힘 전달을 체계적으로 추론하고 정량화하는 계산 방법을 제시합니다. 서로 다른 통신 셀 쌍을 확실하게 구별하는 시그니처입니다. 우리는 유한 요소 시뮬레이션과 피브린 젤에 내장된 섬유아세포 및 암세포의 실시간 3D 이미징을 통해 방법을 시연합니다. 이전 연구에서는 기계적 통신을 알리기 위해 세포 사이에 확장되는 눈에 보이는 섬유질 '밴드'의 형성에 의존했지만, 우리의 방법은 눈에 보이는 밴드가 형성되지 않은 경우에도 기계적 전파를 감지했습니다. 우리는 수축성이 필요하지만 세포-ECM-세포 통신을 위해 밴드 형성이 필요하지 않으며 기계적 신호가 수축성이 크게 감소하더라도 한 세포에서 다른 세포로 전파된다는 것을 밝혔습니다. 우리의 방법은 생리학적 맥락에서 세포간 장거리 기계적 통신의 기본 측면을 측정하는 단계를 설정하고 고용량 3D 이미지 기반 스크리닝을 위한 새로운 기능 판독을 제공할 수 있습니다. 표준 공초점 현미경을 사용하여 세포-ECM-세포 통신을 추론하는 능력은 이 방법을 널리 사용하고 대중화할 수 있는 가능성을 가지고 있습니다.

많은 유형의 세포가 주변 매트릭스에 상당한 견인력을 가하여 수십 셀 직경의 먼 거리까지 전파될 수 있는 ECM 리모델링을 유도합니다1,2,3,4,5,6,7,8,9,10,11,12 ,13,14,15. 콜라겐이나 피브린과 같은 섬유질 생물학적 하이드로겔에 내장되면 세포가 수축하여 인근 ECM 섬유를 리모델링하고 치밀화합니다. 그런 다음, 몇 시간의 시간 규모에서 이러한 리모델링은 세포의 내부 분자 상태 및 활성 반응에 영향을 미칠 수 있는 이웃 세포를 기계적으로 결합하는 정렬되고 조밀한 섬유의 눈에 보이는 섬유 밴드를 형성할 수 있습니다. ECM을 통한 이러한 장거리 세포 간 힘 전달 형태는 세포 간 정보 전달 또는 교환으로 볼 수 있으며, 따라서 여기서는 세포-ECM-세포 통신이라고 하는 통신 정의18와 일치합니다. 이러한 장거리 기계적 세포-ECM-세포 통신 모드는 조직 손상17, 섬유증19, 혈관 조립, 모세혈관 발아1,14,20, 조직 접힘21, 암 침범 및 전이5,9를 포함한 다양한 생물학적 과정을 조정하는 것으로 나타났습니다. 생체 내에서 섬유 정렬 밴드는 상처 치유, 암 전이 및 섬유증22,23에서 잠재적인 역할을 하는 세포 이동을 위한 ECM '트랙' 역할을 할 수 있습니다.

세포-ECM-세포 통신 중에 ECM을 통해 힘의 전달을 측정하는 것은 어려운 일이며 일반적으로 세포의 활성 수축으로 인해 발생하는 세포 쌍 사이의 리모델링된 섬유질 ECM의 밀도, 정렬 또는 변위의 변화를 측정하여 간접적으로 달성되었습니다4, 5,9,10,11,13,24,25,26. 대부분의 현재 측정은 세포 생성 힘이 충분히 강할 때 형성되는 세포 간 밴드의 가시성에 의존하면서 기계적으로 결합된 세포 사이에서 확장되는 섬유 밴드의 구조를 특성화하여 세포-세포 기계적 결합에 대해 알려줍니다.5,9,11,13 ,26. 이러한 측정에는 가시 대역이 없는 경우 잠재적인 세포-ECM-세포 통신을 배제하여 세포 간의 동적 상호 기계적 정보 전달을 측정하는 감도가 부족하므로 어떤 세포가 실제로 통신하는 많은 세포와 구별할 수 있는 능력이 저하됩니다. 의사소통 가능성. 이러한 격차를 해소하면 복잡한 환경에서 어떤 세포가 서로 통신하고 어느 정도까지 통신하는지 식별할 수 있으므로 조직이 어떻게 발달하고 질병이 진행되는지에 대한 오랜 공개 질문을 해결할 수 있습니다.

“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>

소식