片段形态测量分析和同色通道分离实现血脑屏障模型间的可重复量化
《Methods》:Fragment morphometry analysis and same-color-channel separation enable reproducible quantification across BBB models
【字体:
大
中
小
】
时间:2026年09月19日
来源:Methods 3.6
编辑推荐:
摘要
从荧光显微镜定量评估血脑屏障(BBB)完整性仍受限于主观评分和缺乏可重复性的分类方法。为实现可重复的BBB表型分析,我们提出两条半自动化图像分析流程,以定量、连续变量测量取代手动评分。
我们的体外流程以Python实现,通过测量手动描记的接合区域内离散的ZO-1片段
摘要
从荧光显微镜定量评估血脑屏障(BBB)完整性仍受限于主观评分和缺乏可重复性的分类方法。为实现可重复的BBB表型分析,我们提出两条半自动化图像分析流程,以定量、连续变量测量取代手动评分。
我们的体外流程以Python实现,通过测量手动描记的接合区域内离散的ZO-1片段对象,定量分析紧密连接结构的连通性。该流程输出连续指标,包括平均片段面积、总接合区域面积以及反映ZO-1连续性的接合碎片化率。在糖萼成分敲低的原代人类脑微血管内皮细胞中,该流程检测到片段面积显著降低(CD44和syndecan-1(SDC1)敲低均减少37%,p = 0.0148和0.0084)以及接合碎片化率显著升高(p = 0.0061和0.0137)。
我们的体内流程整合基于ilastik的像素分类与FIJI宏自动化,量化血管标记物共定位情况,并在单一荧光通道内分离血管信号与小胶质细胞污染,消除了专用对照染色的需求。在四组小鼠队列(年轻、老龄、阿尔茨海默病、创伤性脑损伤[TBI])和三个脑区(前额叶皮层[PFC]、海马、中脑)中应用该流程,检测到老龄和阿尔茨海默病队列的前额叶皮层和海马中ZO-1丢失和ICAM-1升高同时出现,且两者在统计学上无法区分,阿尔茨海默病前额叶皮层中eNOS几乎翻倍(p = 0.0013)。TBI小鼠显示持续的ZO-1丢失,伴有暂时性的ICAM-1和eNOS变化。
两条确定性流程均已在GitHub上公开,旨在供本研究分析的特定标记物和系统之外的应用。
引言
血脑屏障(BBB)功能障碍在多种神经系统疾病中均有观察,包括阿尔茨海默病(AD)、创伤性脑损伤(TBI)和正常衰老[1],[2],[3]。在TBI中,急性机械损伤直接损害血管[1];在正常衰老中,渐进性血管退化随时间推移损害屏障完整性[2],[4]。无论血管变化是否先于各病症中的其他病理特征,检测和定量BBB改变对于理解其何时以及如何失效具有重要意义。BBB完整性包括结构特征(如紧密连接蛋白的表达和组织)和功能特性(如跨内皮通透性)。然而,现有定量这些BBB相关标记物的方法依赖于主观评分或分类分型,且尚无可发表的、适用于体内环境的标准化流程。本研究通过建立高灵敏度、可重复的图像分析框架来量化BBB相关血管标记物并区分不同条件间的细微差异,以填补这一空白。
AD是最常见的痴呆形式,特征为进行性记忆丧失、认知衰退和神经元死亡[5]。AD的主要病理标志为淀粉样β(Aβ)斑块和神经纤维缠结(NFTs)。Aβ斑块是Aβ肽的细胞外聚集体,正常情况下会被清除出脑,但病理性积累并破坏突触信号传导[5],[6]。NFTs是tau蛋白的异常聚集体,tau是一种微管相关蛋白,正常时稳定神经元内部结构和胞内转运网络。NFTs在神经细胞内积累,破坏必需分子向突触的递送[7]。
Aβ由淀粉样前体蛋白(APP)经酶切产生,存在两种主要亚型Aβ40和Aβ42,两者在聚集特性和主要积累部位上有所不同。Aβ42是实质斑块的 dominant 类型,而Aβ40在脑动脉壁内及周围富集,形成脑淀粉样血管病,尽管两种亚型均在两个部位中出现[8]。Aβ通过多种途径从脑中清除,包括跨血管转运、小胶质细胞吞噬和类淋巴系统引流[9]。当这些清除机制失效或Aβ产生过量时,两种亚型均会积累并形成毒性聚集体。数十年来,研究和药物开发集中于清除这些蛋白聚集体,但即便是近期能够实现可测量斑块清除的抗淀粉样抗体——如lecanemab(实现了认知衰退减缓27%[10])和donanemab(实现了进展风险降低35%[11])——也仅产生了有限的临床获益。
这些方法的有限成效促使研究人员在淀粉样蛋白之外寻找更早的疾病驱动因素。AD的血管假说认为,脑血管功能障碍不是蛋白积累的晚期后果,而是一个先于并促进蛋白积累的早期事件[4],[6]。在该框架下,假设BBB破缺损害了Aβ从脑中的清除,同时允许循环中的神经毒性因子内流,启动血管损伤与蛋白积累相互强化的恶性循环,最终可能驱动神经退行性变[6]。对跨越AD连续谱101名个体脑血管的转录组分析表明,内皮细胞表现出最早且最显著的转录变化,早在轻度认知障碍阶段即可检测到[12]。在蛋白水平检测这些变化需要能够测量组织中血管标记物表达的定量成像工具。
BBB是一个多细胞血管界面,调控血液与脑之间的分子和细胞交换[2],[3]。它由脑微血管内皮细胞(ECs)形成,这些细胞衬覆脑血管内壁,并与提供结构和信号支持的周细胞和星形胶质细胞协同作用[2],[3]。相邻的内皮细胞通过紧密连接复合体连接,这是一种蛋白复合体,封闭相邻细胞之间的旁细胞间隙,严格调控分子向脑内的转运[3]。这些复合体的跨膜成分包括claudins(特别是claudin-5)和occludin,它们横跨细胞膜并与相邻细胞上相应的蛋白直接接触[3],[13]。支架蛋白紧密带蛋白-1(ZO-1)将这些跨膜蛋白锚定至胞内肌动蛋白骨架,对维持紧密连接完整性至关重要[14],[15]。在完整内皮中,ZO-1在荧光显微镜下表现为细胞-细胞边界处的连续带;在屏障受损时,ZO-1带断裂为多个离散片段[13],[16]。碎片化程度反映了连接破坏的严重程度,这也是本研究开发片段级形态学分析的动力。血管内皮细胞黏附分子(VE-cadherin)介导黏附连接,这是另一种细胞-细胞连接,机械性连接相邻内皮细胞并帮助维持血管壁的结构完整性。与在细胞质中弥漫存在的ZO-1不同,VE-cadherin特异性定位于细胞-细胞接触点,使其成为显微镜下识别接合区域的可靠参考[17]。
在内皮细胞的管腔面(或朝向血液的一侧),内皮糖萼(GCX)构成BBB与循环血液之间的最外层界面[18]。GCX是一种富含碳水化合物的层次,由核心蛋白(包括分化簇抗原44(CD44)和syndecan-1(SDC1))及其相关糖链组成[18]。GCX介导内皮对血流剪切力的感知(力传导),调控血管屏障稳定性和通透性,并减轻炎症[18],[19],[20]。由于GCX在BBB调控中的作用尚未完全阐明,我们在Ebong实验室开发了一种体外BBB模型用于糖萼-紧密连接相互作用的机制研究[21]。利用该模型,正在进行的实验考察培养的人脑微血管内皮细胞(HBMEC)中特定GCX成分(包括CD44和SDC1)的丢失如何影响ZO-1表达和屏障通透性。这些GCX敲低(KD)条件为本研究的体外碎片化分析提供了实验基础,构成一个已通过互补性通透性测量确认紧密连接破坏的受控系统。
本研究以ZO-1作为评估BBB健康的关键维度。ZO-1免疫荧光是最常用于评估细胞培养物和脑组织紧密连接完整性的检测指标之一[3],[13],[14],[17]。如前所述,当屏障组织结构发生变化时,ZO-1从连续的接合带转变为离散片段,提供了紧密连接完整性的紧凑结构读出。
为在紧密连接结构之外同步捕获内皮炎症状态,本研究量化ICAM-1作为与ZO-1互补的标记物。ICAM-1是一种跨膜糖蛋白,介导白细胞对内皮的黏附和跨内皮迁移[20]。在非炎症状态下,健康内皮上ICAM-1表达水平较低;在炎症性细胞因子和氧化应激条件下则上调[22],[23]。ICAM-1在BBB处的升高已在AD、TBI和衰老中均有记录[1],[23],使其成为这些条件下内皮活化的相关指标。由于ICAM-1上调发生在内皮表面,可利用第2.4节所述的共定位流程在凝集素定义的血管边界上将其作为覆盖度指标进行量化。
为进一步评估内皮功能状态,本研究还量化内皮型一氧化氮合酶(eNOS),后者催化一氧化氮(NO)的产生,NO是血管通透性的调节因子[24],并通过血管舒张调控脑血流[25]。在生理水平下,eNOS衍生的NO通过稳定细胞-细胞连接处的VE-cadherin来帮助维持内皮屏障完整性,eNOS是体内控制血管通透性的主要NO合酶亚型[26]。然而,在氧化应激等病理条件下,eNOS可发生解耦联,产生活性氧而非NO[27]。这使得平衡从NO介导的屏障保护转向氧化性屏障损伤[24]。eNOS活性还部分由GCX调节,GCX帮助介导其剪切应力依赖性激活[19]。因此,eNOS在血管边界上的覆盖度为跨疾病条件下的内皮表型提供了一种读出。
本研究的分析涵盖四组代表不同BBB挑战的小鼠队列:年轻健康对照(3个月,C57BL/6)、轻度重复性TBI(3个月,C57BL/6)、老龄(18个月,C57BL/6)和AD(18个月,APPswe/PSEN1dE9基因型,C57BL/6背景)[5]。APPswe/PSEN1dE9模型是一种广泛使用且成熟的家族性AD转基因模型,携带淀粉样前体蛋白和presenilin-1的双重突变[5],[8]。PSEN1dE9突变使Aβ产生偏向Aβ42,因此APPswe/PSEN1dE9模型发育出广泛的实质斑块沉积,但脑淀粉样血管病有限[8]。老龄组和AD组均为18个月龄匹配,使AD特异性病理可与正常衰老相区分。
TBI作为急性BBB破坏的阳性对照[28],[29],[30],可靠地诱导包括ZO-1在内的紧密连接蛋白丢失[31],以及内皮ICAM-1[32]和eNOS[33],[34]的暂时性上调。因此,TBI队列数据以定性方式评估,以确认流程能检测到预期的标记物变化,而非进行正式统计分析。
基于三个脑区对衰老和疾病相关血管变化的不同易感性,选择了它们用于分析。前额叶皮层(PFC)参与执行功能和决策制定,在衰老和AD中均显示早期BBB变化[35]。海马对记忆形成至关重要,是AD中最早受影响的区域之一,且对衰老相关血管功能障碍的易感性已有充分记录[4],[36]。中脑支持运动协调和感觉处理,在APPswe/PSEN1dE9模型中相对不受Aβ沉积影响,被纳入作为受影响较小的参考区域[37]。比较这三个区域的血管标记物表达,可将区域特异性BBB变化与全局性变化相区分。
尽管ZO-1染色被广泛用于评估紧密连接完整性,但当前对连接形态的分析仍 largely 为定性。研究者通常通过手动检查将连接评分为"连续""不连续"或"缺失"[13];基于分类的工具如JAnaP通过将接合段按形态类别沿手动描记的细胞周长进行分型来形式化这一方法[17]。其他工具在不进行类别评分的情况下定量分析连接组织:TiJOR捕获沿接合轮廓的强度变化[38],IJOQ通过网格基交叉计数估计连续性[39],Junction Mapper沿定义的细胞-细胞界面测量连接面积和强度,但无法分辨界面内的断片段[40]。Singh等人通过曲率和角度偏差来表征ZO-1连接形状[41],但两种描述符均要求连续连接,因此无法捕获碎片化。Lu等人将连通分量分析应用于组织切片的claudin-7[42],将片段识别为离散对象,但仅报告每张图像的总碎片化指数,而非测量单个片段的面积、周长或形状。
# 现有工具的局限性
目前没有任何工具能够生成逐片段(per-fragment)的形态学测量数据,从而无法在不同实验条件下对连接片段的尺寸分布和几何形态进行表征。对于体内血管标记物分析,FIJI等通用图像处理工具提供了量化标记物表达所需的各项独立操作(阈值分割、掩膜、强度测量)[43],但目前尚无公开发布的标准化工作流程能够在不同脑区及疾病队列中可重复地应用这些操作,各实验室通常自行开发自定义宏脚本,且这些脚本不会对外共享或经过外部验证。体内环境还引入了细胞培养中不会出现的一项技术难题:组织切片中的脑内血管通常使用番茄凝集素标记,该凝集素与内皮细胞表面的糖基残基结合[44]、[45]。然而,活化的胶质细胞(大脑的常驻免疫细胞)也表达携带相同糖基残基的表面糖蛋白[44]、[45],在神经炎症条件下,这种胶质细胞信号会污染血管标记信号并扭曲所有下游测量结果。传统的强度阈值分割无法区分这两种细胞类型,因为二者在同一通道中均表现为亮色结构。专用的胶质细胞复染标记物(如Iba1)可以消除这种歧义,但在多标记物实验中,可用的荧光通道通常已被目标标记物完全占用;当目标蛋白与胶质细胞标记物需要使用同一宿主物种产生的同源一抗时,两者无法同时使用,因为二抗会同时结合这两种一抗。机器学习方法已被应用于在专用荧光通道中分别分割胶质细胞和血管[46]、[47],但这些方法是在仅标记了单一细胞类型的通道中运行的。当同一通道内同时标记了两种细胞类型时(如神经炎症组织中番茄凝集素的情况),目前没有任何现有流程能够在不使用专用复染的情况下将它们区分开来。
# 本研究的两套图像分析流程
本研究针对上述空白开发了套图像分析流程。第一套以Python实现,通过自适应背景校正和片段级形态学分析,在体外条件下量化ZO-1紧密连接碎片化程度。第二套将ilastik机器学习与FIJI宏自动化相结合,用于在体内条件下量化凝集素定义的血管边界内的血管标记物表达水平,并包含一个分类步骤,可在不使用专用胶质细胞染色剂的情况下,在单一荧光通道内区分血管信号与胶质细胞信号。两套流程均已应用于上述实验体系,并在GitHub上公开获取。
## 片段摘要
### 体外图像数据集
细胞培养、GCX敲低实验、免疫荧光染色及共聚焦成像均为正在进行的相关平行研究的一部分。简要来说,原代HBMEC细胞(Cell Systems;传代4–8代)使用定制微流控流动系统[21]在12 dyne/cm2剪切力下暴露24小时。稳定的GCX敲低通过使用靶向CD44和SDC1的含有shRNA的慢病毒颗粒实现。表达GFP的非靶向乱序shRNA构建体作为对照,以排除任何非特异性效应的影响。
### 结果
ZO-1碎片化流程被应用于三种实验条件下的HBMEC共聚焦图像:GFP对照、CD44敲低和SDC1敲低。代表性图像展示了从GFP对照细胞中细胞-细胞连接处近乎连续、边界清晰的ZO-1染色(图3A),转变为CD44敲低细胞中暗淡且不连续的连接(图3B)以及SDC1敲低细胞中的类似情况(图3C)。各图像中检测到的片段叠加图展示于图3D–F。三项指标捕捉了ZO-1碎片化的不同方面……
### 体外流程的局限性
体外流程保留了一个手动连接描迹步骤。虽然该步骤依赖于用户利用VE-cadherin作为生物学参考来区分连接处与胞浆内ZO-1的能力,但它在感兴趣区域(ROI)定义阶段引入了主观性,并在处理大批量图像时限制了通量。此外,描迹还要求VE-cadherin共染,这增加了一项实验限制条件,在某些染色组合中可能无法实现。该流程运行于二维最大强度投影图像上,因此……
### 结论
本研究开发了两套图像分析流程,用于分别在体外和体内条件下量化血脑屏障(BBB)相关血管标记物。两套流程的设计均将手动决策限制在上游步骤中,即需要研究者判断的环节,所有下游测量均为自动化。一旦定义好每张图像的输入参数(体外流程的连接描迹;体内流程的血管掩膜选择、ROI及阈值调整),所有下游分析即完全自动化执行。
## 基金资助
本研究获得了东北大学启动资金、美国国家科学基金会CAREER奖[CMMI 1846962]以及WoodNext基金会捐赠者建议基金项目的资助,全部资助对象为EEE。NRO获得了美国国家科学基金会研究生研究奖学金(1938052)和美国心脏协会博士前奖学金(24PRE1188685)的支持。RLP作为Sarafan ChEM-H研究所学者、MAC3影响力慈善基金会教职研究员和Knight学者获得支持。
## 利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务关系/个人关系:Eno E Ebong报告获得美国国家科学基金会提供财务支持。Eno E Ebong报告获得WoodNext基金会捐赠者建议基金项目提供财务支持。Nicholas R O'Hare报告获得美国国家科学基金会提供财务支持。Nicholas R O'Hare报告获得美国心脏协会提供财务支持。
## 致谢
感谢Abbas Yaseen教授和Chang Liu提供老龄及AD小鼠队列。感谢Craig Ferris实验室的Eric Brengel完成创伤性脑损伤(TBI)操作并提供TBI队列及部分青年队列。感谢Chiara Bellini教授实验室提供剩余的青年队列。最后,感谢Nicholas Mullikin介绍ilastik像素分类并提供初步使用指导,感谢Lucas McCauley……
Benjamin D. Peck | Nicholas R. O'Hare | Craig F. Ferris | Rebecca L. Pinals | Eno E. Ebong
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号