Биология связи, том 6, Номер статьи: 811 (2023) Цитировать эту статью
114 доступов
11 Альтметрика
Подробности о метриках
Клетки ощущают, манипулируют и реагируют на свое механическое микроокружение во множестве физиологических процессов, однако понимание того, как клетки передают, получают и интерпретируют сигналы окружающей среды для связи с удаленными клетками, сильно ограничено из-за отсутствия инструментов для количественного вывода о сложной путанице динамические межклеточные взаимодействия в сложных средах. Мы представляем вычислительный метод для систематического вывода и количественной оценки передачи силы между клетками на большие расстояния через внеклеточный матрикс (коммуникация клетка-ЕСМ-клетка) путем корреляции колебаний ремоделирования ЕСМ между сообщающимися клетками и демонстрации того, что эти колебания содержат достаточную информацию для определения уникальных сигнатуры, которые четко различают разные пары взаимодействующих ячеек. Мы демонстрируем наш метод с помощью моделирования методом конечных элементов и живого 3D-изображения фибробластов и раковых клеток, встроенных в фибриновые гели. В то время как предыдущие исследования основывались на формировании видимой волокнистой «полосы», простирающейся между клетками для передачи информации о механической связи, наш метод обнаружил механическое распространение даже в тех случаях, когда видимые полосы никогда не формировались. Мы обнаружили, что, хотя сократимость необходима, образование полос не является необходимым для связи клетка-ECM-клетка и что механические сигналы распространяются от одной клетки к другой даже при значительном снижении их сократимости. Наш метод создает основу для измерения фундаментальных аспектов межклеточной механической связи на большие расстояния в физиологическом контексте и может обеспечить новые функциональные возможности для скрининга на основе трехмерных изображений с высоким содержанием. Возможность делать выводы о взаимодействии клетка-ECM-клетка с помощью стандартной конфокальной микроскопии обещает широкое использование и демократизацию этого метода.
Многие типы клеток прилагают значительные силы тяги к окружающему их матриксу, что приводит к ремоделированию ЕСМ, которое может распространяться на большие расстояния в десятки диаметров клеток1,2,3,4,5,6,7,8,9,10,11,12 ,13,14,15. При внедрении в волокнистые биологические гидрогели, такие как коллаген или фибрин, клетки сокращаются и тем самым ремоделируют и уплотняют близлежащие волокна внеклеточного матрикса. Затем, в течение нескольких часов, это ремоделирование может сформировать видимую волокнистую полосу из выровненных и плотных волокон, механически соединяющих соседние клетки, что может влиять на внутреннее молекулярное состояние клеток16 и активную реакцию17. Эту форму передачи силы между ячейками на большие расстояния через ECM можно рассматривать как передачу или обмен информацией между ячейками, и, таким образом, она соответствует определению связи18, называемой здесь связью «ячейка-ECM-ячейка». Было показано, что этот режим механической связи между клетками и клетками на больших расстояниях координирует различные биологические процессы, включая повреждение тканей17, фиброз19, сборку сосудов, прорастание капилляров1,14,20, сворачивание тканей21, а также инвазию и метастазирование рака5,9. In-vivo полосы выравнивания волокон могут служить «следами» ЕСМ для миграции клеток, потенциально играя роль в заживлении ран, метастазировании рака и фиброзе22,23.
Измерение передачи сил через ЕСМ во время связи клетка-ВКМ-клетка является сложной задачей и обычно достигается косвенно путем измерения изменений плотности, выравнивания или смещения ремоделированного фиброзного ЕСМ между парами клеток в результате активного сокращения клеток4. 5,9,10,11,13,24,25,26. Большинство текущих измерений характеризуют структуру фиброзной полосы, простирающейся между механически связанными клетками, чтобы сообщить о механическом соединении между клетками, полагаясь при этом на видимость полосы между клетками, образующейся, когда силы, генерируемые клетками, достаточно сильны5,9,11,13 , 26. Таким измерениям не хватает чувствительности для измерения динамической взаимной механической передачи информации между клетками, поскольку исключается потенциальная связь клетка-ECM-клетка при отсутствии видимых полос, что затрудняет нашу способность различать, какие клетки на самом деле обмениваются данными, из множества клеток, которые имеют потенциал для общения. Преодоление этого разрыва позволит решить давние открытые вопросы о том, как развиваются ткани и прогрессируют заболевания, позволяя нам определить, какие клетки и в какой степени взаимодействуют друг с другом в сложных средах.
“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>
Русский
English
Français
Deutsch
Español
Italiano
Português
日本語
한국어