HiExM Enables Scalable Mapping of Organelle Morphology and Spatial Heterogeneity

Technische Samenvatting: HiExM maakt schaalbare mapping van organel-morfologie en ruimtelijke heterogeniteit mogelijk

Probleemstelling
Kwantitatieve analyse van subcellulaire organisatie staat voor een fundamentele afweging tussen ruimtelijke resolutie en doorvoer. Veel organellen, zoals late endosomen en lysosomen (LELs), bestaan op ruimtelijke schalen die nabij of onder de diffractielimiet van lichtmicroscopie (~200 nm) liggen en zijn vaak dicht opeengepakt. Conventionele fluorescentiemicroscopie produceert vaak samengevoegde of ambigue signalen, wat een nauwkeurige segmentatie van individuele organellen verhindert die vereist is voor objectgebaseerde kenmerkextractie. Hoewel elektronenmicroscopie nanometer-schaal resolutie biedt, mist het compatibiliteit met schaalbare, gemultiplexeerde, eiwit-specifieke metingen. Daartegenover staat dat super-resolutie technieken vaak lijden onder een beperkt gezichtsveld of een lage acquisitiesnelheid, wat hun gebruik beperkt tot kleinschalige studies. Bijgevolg is er een gebrek aan high-throughput methoden die in staat zijn om discrete organellen over grote celpopulaties te resolveren om zowel intra-cellulaire als inter-cellulaire heterogeniteit vast te leggen.

Methodologie
De auteurs ontwikkelden een geïntegreerd framework dat High-Throughput Expansion Microscopy (HiExM) combineert met robuuste computationele beeldanalyse en machine learning.

1. HiExM Pipeline: De studie maakte gebruik van een schaalbaar HiExM-protocol op menselijke cerebrale microvasculaire endotheelcellen (hCMECs). Monsters werden gefixeerd met een tandem MeOH/PFA-methode om LAMP1-kleuring te behouden terwijl expansie mogelijk werd gemaakt. Het protocol omvatte labeling met Acryloyl X-SE, embedding in een hydrogel, digestie met Proteinase K, en fysieke expansie in water, waarbij een ~4-voudige lineaire expansie werd bereikt. Dit proces werd uitgevoerd in multi-well formaten die compatibel zijn met geautomatiseerde high-content imaging (Opera Phenix).
2. Segmentatie en Ground Truth: Om individuele LELs te resolveren, genereerden de auteurs handmatig ground-truth segmentaties van geëxpandeerde LAMP1+ organellen. Ze trainden een StarDist-model, gekozen vanwege de bekwaamheid in het segmenteren van ster-convexe vormen, om de segmentatie van LELs in 3D beeldvolumes te automatiseren.
3. Kenmerkextractie:
   • Gemeten Kenmerken: Vijf kwantitatieve descriptoren werden geëxtraheerd voor elke LEL: volume, afstand tot de nucleus, afstand tot het celmembraan, aantal proximale LELs, en het aantal vertakkingen in een minimale graaf die de LEL-centroids verbindt.
   • Geleerde Kenmerken: Een 3D $\beta$-variational autoencoder ($\beta$-VAE) werd getraind op 100.000 gesegmenteerde LEL-beeldvolumes (gekleurd voor LAMP1 en LAMP3). Het model leerde een 256-dimensionale latente ruimte die morfologische kenmerken codeert, wat een orthogonale datamodaliteit bood ten opzichte van de gemeten kenmerken.
4. Analytisch Framework: De pipeline integreerde deze kenmerken om het volgende te analyseren:
   • Antilichaam-opname: Het vergelijken van bivalente (AbB) en monovalente (AbM) anti-transferrinreceptor antilichamen, evenals een fusie-eiwit (AbM-GAA), over een tijdverloop van 5 uur.
   • Perturbatie-respons: Behandeling met apilimod, bafilomycine en chloroquine om onderscheidende lysosomale perturbaties te induceren.
   • Clustering: Gebruik van Leiden-clustering op zowel de gemeten als de geleerde kenmerkruimtes om onderscheidende organel-toestanden te identificeren en hun ruimtelijke distributies in kaart te brengen.

Belangrijkste Resultaten

• Resolutie en Segmentatie: HiExM bood een 4-voudige toename in effectieve resolutie, waardoor de disambiguatie van verticaal gestapelde organellen en de visualisatie van sub-organel structuren, zoals het afzonderlijke lumen van LELs en de membraanlokalisatie van LAMP3 versus de luminale concentratie van LAMP3, mogelijk werd.
• Analyse van Antilichaam-trafficking:
  • Standaard Pearson correlatiecoëfficiënt (PCC) analyse op volledige gezichtsvelden faalde om onderscheid te maken tussen de lokalisatie van AbB en AbM met conventionele microscopie.
  • HiExM onthulde dat AbB significant eerder (90 minuten) co-lokaliseerde met LAMP1 dan AbM.
  • Object-gebaseerde analyse toonde aan dat hoewel AbM en AbB vergelijkbare LEL-volumes bezetten, AbB een hogere signaalintensiteit binnen die volumes vertoonde.
  • Het AbM-GAA fusie-eiwit vertoonde een ander distributiepatroon (verblijvend in een kleinere populatie LELs met een "verlengde staart" van intensiteit) vergeleken met de globale verschuiving gezien bij AbB.
• Morfologie-Ruimtelijke Relaties:
  • Clustering van gemeten kenmerken onthulde 14 onderscheidende LEL-clusters, wat aantoont dat heterogeniteit een intrinsiek kenmerk is van de LEL-populatie binnen enkele cellen.
  • De studie toonde een niet-willekeurige relatie aan tussen ruimtelijke positionering en morfologie: grote volume LELs waren verrijkt in specifieke geleerde-kenmerk-clusters en hadden de neiging ruimtelijk te clusteren, terwijl perifere LELs kleiner waren en minder verbonden.
• Perturbatiegevoeligheid:
  • Bij het vergelijken van lysosomale perturbaties (apilimod, bafilomycine, chloroquine), toonde de gemeten-kenmerkruimte minimale differentiatie (<2-voudig verschil tussen verbindingen).
  • In contrast hiermee onthulde de geleerde-kenmerkruimte (VAE latente ruimte) onderscheidende, verbinding-specifieke morfologische signaturen, waarbij verschillende clusters een >2-voudige differentiële verrijking/depletie vertoonden.
  • De pipeline identificeerde succesvol specifieke clustercombinaties die de effecten van chloroquine konden onderscheiden van apilimod/bafilomycine, wat aantoont dat machine learning subtiele morfologische verschuivingen kan detecteren die gemaskeerd worden door traditionele metrieken.

Significantie en Claims
Dit artikel vestigt HiExM als een generaliseerbaar platform voor schaalbare, single-organelle profilering. De auteurs beweren dat deze geïntegreerde aanpak de kloof overbrugt tussen high-throughput screening en high-resolution imaging, wat de kwantificatie van discrete organellen over grote celpopulaties mogelijk maakt.

Belangrijke claims met betrekking tot de significantie van dit werk zijn:

• Overwinnen van Resolutielimieten: Het vermogen om individuele organellen in dicht opeengepakte omgevingen te resolveren maakt nauwkeurige segmentatie mogelijk, wat een vereiste is voor geavanceerde computationele analyses zoals object-gebaseerde kenmerkextractie en machine learning.
• Verhoogde Sensitiviteit: De pipeline detecteert biologisch relevante verschillen in intracellulaire trafficking en drug-respons die onzichtbaar zijn voor conventionele colocalisatie-analyse of bulkmetingen.
• Ongesuperviseerde Ontdekking: Door HiExM te combineren met ongesuperviseerde representatie-lering, kan het framework verborgen relaties tussen organel-morfologie en ruimtelijke context, evenals onderscheidende fenotypische toestanden geïnduceerd door verschillende perturbaties, onthullen.
• Toepassing in Drug Screening: De auteurs stellen dat deze aanpak een inzetbare strategie biedt voor drug design en screening, met name voor het optimaliseren van antilichaam-gebaseerde medicijnen en het identificeren van organel-niveau fenotypes die gemist kunnen worden door conventionele viability of narrow-readout screens.

De studie concludeert dat dit framework een kwantitatieve, organel-geresolveerde imagingstrategie biedt die de kennis van de celbiologie vooruithelpt door de gecoördineerde gedragingen van organellen binnen de cellulaire context vast te leggen.