Inférence de longue durée

Biologie des communications volume 6, Numéro d'article : 811 (2023) Citer cet article

114 Accès

11 Altmétrique

Détails des métriques

Les cellules détectent, manipulent et réagissent à leur microenvironnement mécanique dans une pléthore de processus physiologiques. Pourtant, la compréhension de la manière dont les cellules transmettent, reçoivent et interprètent les signaux environnementaux pour communiquer avec des cellules distantes est sévèrement limitée en raison du manque d'outils permettant de déduire quantitativement l'enchevêtrement complexe de ces éléments. interactions dynamiques cellule-cellule dans des environnements complexes. Nous présentons une méthode informatique pour déduire et quantifier systématiquement la transmission de force cellule-cellule à longue portée à travers la matrice extracellulaire (communication cellule-ECM-cellule) en corrélant les fluctuations de remodelage de l'ECM entre les cellules communicantes et en démontrant que ces fluctuations contiennent suffisamment d'informations pour définir des des signatures qui distinguent de manière robuste les différentes paires de cellules communicantes. Nous démontrons notre méthode avec des simulations par éléments finis et une imagerie 3D en direct de fibroblastes et de cellules cancéreuses incorporées dans des gels de fibrine. Alors que des études antérieures reposaient sur la formation d'une « bande » fibreuse visible s'étendant entre les cellules pour informer sur la communication mécanique, notre méthode a détecté la propagation mécanique même dans les cas où les bandes visibles ne se sont jamais formées. Nous avons révélé que même si la contractilité est requise, la formation de bandes n'est pas nécessaire pour la communication cellule-ECM-cellule, et que les signaux mécaniques se propagent d'une cellule à l'autre même en cas de réduction massive de leur contractilité. Notre méthode ouvre la voie à la mesure des aspects fondamentaux de la communication mécanique intercellulaire à longue portée dans des contextes physiologiques et peut fournir une nouvelle lecture fonctionnelle pour le criblage basé sur des images 3D à haut contenu. La capacité de déduire la communication cellule-ECM-cellule à l’aide de la microscopie confocale standard est prometteuse pour une utilisation généralisée et une démocratisation de la méthode.

De nombreux types de cellules appliquent des forces de traction considérables sur leur matrice environnante, conduisant à un remodelage de la MEC qui peut se propager sur de grandes distances de plusieurs dizaines de diamètres de cellules1,2,3,4,5,6,7,8,9,10,11,12. ,13,14,15. Lorsqu’elles sont intégrées dans des hydrogels biologiques fibreux, tels que le collagène ou la fibrine, les cellules se contractent et remodèlent et densifient ainsi les fibres ECM voisines. Ensuite, en quelques heures, ces remodelages peuvent former une bande fibreuse visible de fibres alignées et denses reliant mécaniquement les cellules voisines, ce qui peut influencer l'état moléculaire interne des cellules16 et leur réponse active17. Cette forme de transmission de force cellule-cellule à longue portée à travers l'ECM peut être considérée comme la transmission ou l'échange d'informations entre cellules et est donc alignée sur la définition de la communication18 appelée ici communication cellule-ECM-cellule. Il a été démontré que ce mode de communication mécanique à longue portée cellule-ECM-cellule coordonne divers processus biologiques, notamment les lésions tissulaires17, la fibrose19, l'assemblage vasculaire, la germination capillaire1,14,20, le repliement des tissus21, ainsi que l'invasion du cancer et les métastases5,9. In vivo, les bandes d'alignement des fibres peuvent servir de « pistes » ECM pour la migration cellulaire avec un rôle potentiel dans la cicatrisation des plaies, les métastases cancéreuses et la fibrose22,23.

Mesurer le transfert de forces à travers l'ECM pendant la communication cellule-ECM-cellule est un défi et a généralement été réalisé indirectement en mesurant les changements dans la densité, l'alignement ou le déplacement de l'ECM fibreux remodelé entre les paires de cellules résultant de la contraction active des cellules4, 5,9,10,11,13,24,25,26. La plupart des mesures actuelles caractérisent la structure de la bande fibreuse s'étendant entre les cellules mécaniquement couplées pour informer sur le couplage mécanique cellule-cellule, tout en s'appuyant sur la visibilité d'une bande entre les cellules, formée lorsque les forces générées par les cellules sont suffisamment fortes5,9,11,13. ,26. Une telle mesure n'a pas la sensibilité nécessaire pour mesurer le transfert dynamique d'informations mécaniques réciproques entre les cellules en excluant la communication potentielle cellule-ECM-cellule en l'absence de bandes visibles, ce qui entrave notre capacité à distinguer quelles cellules communiquent réellement parmi les nombreuses cellules qui ont le potentiel de communication. Combler cette lacune permettra d’aborder des questions ouvertes de longue date sur la façon dont les tissus se développent et la progression des maladies en nous permettant d’identifier quelles cellules communiquent entre elles et dans quelle mesure, dans des environnements complexes.

“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>

Nouvelles