Cell Painting 하이 컨텐트(High-Content) 이미지 어세이

Cell Painting은 세포 구조 및 구성 요소의 공간 구성을 시각화하고 분석하는 데 사용되는 형광 시약 세트를 포함합니다. 이 어세이는 종종 살아있는 세포에서 염색된 단백질 상의 저분자 또는 기타 화합물을 프로파일링하기 위해 사용됩니다. 세포 염색 패턴으로 저분자 화합물로 처리된 샘플에서 형태학적 차이를 발견할 수 있습니다.

1. Plate cells — 세포를 적절한 confluency로 96-웰 또는 384-웰 플레이트에 플레이팅합니다.
2. Treatment/perturbation — 화학적 또는 유전적 방법으로 원하는 관심 표현형을 유발합니다.
3. Fixation and staining — 처리 후, 원하는 마커를 위해 세포를 개별 시약 또는 Cell Painting 키트를 사용하여 고정화, 투과화 및 염색합니다.
4. Image acquisition — 플레이트는 밀봉되어 HCS-imager에 로드되며 모든 웰에서 이미지를 획득합니다. 이미지 획득 시간은 샘플 웰당 이미지 수, 샘플 밝기, z-차원의 샘플링 범위에 따라 달라집니다.
5. Analysis — 자동화된 소프트웨어 또는 이전에 설계한 스크립트를 사용하여, 다양한 표현형을 표시하기 위해 6개 채널 데이터에서 특징을 추출하고, 이러한 특징을 클러스터 분석(또는 유사한 기술)으로 분석한 후 여러 표현형 프로파일을 생성합니다.

Cell Painting 애플리케이션 노트를 참조하여 Cell Painting 워크플로우 및 프로토콜의 예를 확인하세요.

Cell Painting을 위한 데이터는 일반적으로 하이 컨텐트 스크리닝(High-Content Screening, HCS) 이미징 시스템을 사용하여 획득합니다. HCS 시스템은 형광 이미징을 사용하지만 기존 형광 현미경과는 달리, 대량의 데이터 처리량을 위해 최대 속도로 다중 웰(일반적으로 96-웰 또는 384-웰) 플레이트를 이미지화하도록 특별히 설계되었습니다. 기존의 광각 시야와 공초점 형광 기능이 종종 함께 장착되며, 후자는 오가노이드/스페로이드와 같은 두꺼운 샘플 또는 최대 밝기와 감도가 가장 중요한 경우 필수적입니다.

데이터 획득은 시작점일 뿐입니다. 이러한 대량의 데이터를 처리하는 작업은 실험 중 속도를 제한하는 경우가 많습니다. 데이터 처리는 다양한 컴퓨팅 방법을 사용하여 수행할 수 있지만, 그 목표는 세포 집단간 완전히 상이한 표현형 특징을 규명하는 것입니다. 이러한 수준의 데이터 처리는 데이터가 수십 테라바이트에 이를 수 있기 때문에 최근에서야 가능하게 되었습니다.

그림 1.Cellinsight CX7 LZR Pro 시스템에서 획득한 HCS 데이터의 대표 이미지 및 데이터 판독.

그림 2. U2OS 세포에서 비처리(untreated) 샘플과 약물 콘트롤 노출 샘플의 표현형 비교. 96-웰 이미징 플레이트에서 48시간 동안 1~100 μM 최종 농도 관심 화합물로 세포를 처리했습니다. 화합물로 처리한 후, 세포를 Image-iT Cell Painting Kit로 즉시 라벨링하였고 CellInsight CX7 LZR Pro 기기를 사용하여 분석하였습니다.
 

그림 3. 변형된 시약을 사용한 Cell Painting 실험의 예. 시약은 심근세포 작용 기전 평가를 보여주는 위의 경우의 같이 특정 실험 요구 사항을 위해 변형될 수 있습니다. H9c2 세포는 96-웰 플레이트에서 웰당 2,000개 세포로 시딩(seeding) 되었습니다. 시딩 2시간 후, 이 세포를 면역형광 라벨링과 분석 전에 Cellomics Compartmental Analysis 바이오애플리케이션을 사용하여 4시간, 24시간 또는 96시간 동안 나열된 화합물로 처리하였습니다.

Bray et al. (아래)는 Cell Painting 기술의 기반이 되는 논문입니다. 여기서 “Cell Painting”이라는 용어가 문헌에 처음 사용되었고 표준 프로토콜로 간주되고 있습니다.

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. (아래)는 건강한 대조군과 비교하여 환자의 섬유아세포 배양물에서 파킨슨병 표현형을 발견하기 위해 어떻게 신경망을 사용하는 기계학습이 이용되었는지 설명합니다. 저자는 이 방법이 건강한 질환, 산발성 질환 및 LRRK2/유전성 질환 상태를 안정적으로 구분할 수 있을 만큼 정확하다고 보고합니다.

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