Cell Paintingハイコンテントイメージアッセイ

Cell Paintingには、細胞構造および成分の空間的な組織の可視化と解析に使用される蛍光試薬が1セット含まれます。このアッセイは、生細胞の染色タンパク質上の低分子や他の化合物のプロファイルを得るために、薬物スクリーニングでよく使用されます。細胞染色のパターンにより、低分子化合物で処理されたサンプルの形態的な違いが明らかになります。

1. 細胞の播種—希望の密度で、96/384ウェルプレートに細胞を播種します。
2. 処理／刺激—化学的または遺伝子的手段により、目的の表現型を発現させます。
3. 固定と染色—処理後、細胞を固定し、個々の試薬またはCell Paintingキットを使用して、透過処理し目的のマーカーで染色します。
4. 画像取得—プレートを密封してHCSイメージングシステムにロードし、すべてのウェルの画像を取得します。画像取得時間は、サンプリング対象のウェルから取得する画像数、サンプルの明るさ、およびZ次元でのサンプリング範囲に応じて異なります。
5. 解析—自動化ソフトウエアまたは以前に設計されたスクリプトにより、6チャンネルデータから特徴を抽出し異なる表現型を表示します。これらの特徴をクラスター解析（または同様の手法）によって解析し、表現型プロファイルを複数作成します。

Cell Paintingのワークフローとプロトコルの例は、このCell Paintingアプリケーションノートを参照してください。

Cell Paintingのデータは、一般的に、ハイコンテントスクリーニング（HCS）イメージングシステムを使用して取得されます。HCSシステムは従来の蛍光顕微鏡とは異なる蛍光イメージングを採用していますが、マルチウェル（一般的に96ウェルまたは384ウェル）プレートを最大速度でイメージングするように特別に設計されており、最高のデータスループットを実現します。多くの場合、従来の広視野と共焦点の蛍光機能を兼備します。後者は、オルガノイド／スフェロイドのような厚いサンプルや、最大限の輝度と感度がもっとも重要となる場合に不可欠です。

データの取得は出発点にすぎません。多くの場合、このような大規模データセットの処理は、実験中に処理速度の制約を受けるステップとなります。データ処理にはさまざまな演算方法を使用できますが、目標は、細胞集団間で有意差がある表現型特徴物を明らかにし、他とは異なる集団を同定することです。今やデータセットが数十テラバイトに達することもあるため、このレベルのデータ処理はようやく最近になって可能になりました。

図1.CellInsight CX7 LZR Proシステムで取得されたHCSデータセットから読み出された画像とデータの代表例。

図2.未処理のU2OS細胞と、薬剤処理されたU2OS細胞の表現型の比較。96ウェルのイメージングプレートで、最終濃度1～100 μMの目的化合物で細胞を48時間処理。化合物で処理した後、Image-iT Cell Painting Kitで細胞を直ちに標識し、CellInsight CX7 LZR Pro装置で解析。
 

図3.試薬を調製し実施したCell Painting実験例。上記に示す、心筋細胞の作用機序の評価のように、試薬は特定の実験要件に合わせて調整可能。96ウェルプレートで、1ウェルあたり2000個のH9c2細胞を播種。播種の2時間後、リスト中の化合物で細胞を4時間または24時間、96時間処理した後に、Cellomics Compartmental Analysisアッセイテンプレートを使用して免疫蛍光標識を行い解析。

Bray et al.（下記）は、Cell Painting技術の原理を記した出版物です。これは「Cell Painting」という用語が最初に使用された文献で、標準的なプロトコルと見なされています。

1. Bray, MA., Singh, S., Han, H. et al.Cell Painting, a high-content image-based assay for morphological profiling using multiplexed fluorescent dyes.Nat Protoc 11, 1757–1774 (2016).PMID: 27560178 

Schiff et al.（下記）に、神経ネットワークを使用した機械学習をどのように活用して、患者の培養線維芽細胞でパーキンソン病の表現型を健常者の対照群と比較して発見したかが書かれています。著者らは、この方法は、散発的で健康な状態とLRRK2／遺伝子駆動型の疾患状態を確実に区別するのに十分正確であると報告しています。

2. Schiff, L., Migliori, B., Chen, Y. et al.Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts.Nat Commun 13, 1590 (2022).PMID: 35338121