Summary Despite the intimate link between cell organization and function, the principles underlying intracellular organization and the relation between organization, gene expression and phenotype are not well understood. We address this by creating a benchmark for mean cell organization and the natural range of cell-to-cell variation. This benchmark can be used for comparison to other normal or abnormal cell states. To do this, we developed a reproducible microscope imaging pipeline to generate a high-quality dataset of 3D, high-resolution images of over 200,000 live cells from 25 isogenic human induced pluripotent stem cell (hiPSC) lines from the Allen Cell Collection. Each line contains one fluorescently tagged protein, created via endogenous CRISPR/Cas9 gene editing, representing a key cellular structure or organelle. We used these images to develop a new multi-part and generalizable analysis approach of the locations, amounts, and variation of these 25 cellular structures. Taking an integrated approach, we found that both the extent to which a structure’s individual location varied (“stereotypy”) and the extent to which the structure localized relative to all the other cellular structures (“concordance”) were robust to a wide range of cell shape variation, from flatter to taller, smaller to larger, or less to more polarized cells. We also found that these cellular structures varied greatly in how their volumes scaled with cell and nuclear size. These analyses create a data-driven set of quantitative rules for the locations, amounts, and variation of 25 cellular structures within the hiPSC as a normal baseline for cell organization.

Our goal is to identify and understand cellular behaviors using 3D live imaging of cell organization. To do this, we image human inducible pluripotent stem cell (hiPSC) lines expressing fluorescently tagged protein representing specific cellular organelles and structures. To produce large numbers of standardized cell images, we developed an automated hiPSC culture procedure, to maintain, passage and Matrigel coat 6-well plastic plates and 96-well glass plates compatible with high-resolution 3D microscopy. Here we describe this system including optimization procedures and specific values for plate movement, angle of tips, speed of aspiration and dispense, seeding strategies and timing of every step. We validated this approach through a side-by-side comparison of quality control results obtained from manual and automated methods. Additionally, we developed an automated image-based colony segmentation and feature extraction pipeline to predict cell count and select wells with consistent morphology for high resolution 3D microscopy.

Abstract A key challenge in understanding subcellular organization is quantifying interpretable measurements of intracellular structures with complex multi-piece morphologies in an objective, robust and generalizable manner. Here we introduce a morphology-appropriate representation learning framework that uses 3D rotation invariant autoencoders and point clouds. This framework is used to learn representations of complex multi-piece morphologies that are independent of orientation, compact, and easy to interpret. We apply our framework to intracellular structures with punctate morphologies (e.g. DNA replication foci) and polymorphic morphologies (e.g. nucleoli). We systematically compare our framework to image-based autoencoders across several intracellular structure datasets, including a synthetic dataset with pre-defined rules of organization. We explore the trade-offs in the performance of different models by performing multi-metric benchmarking across efficiency, generative capability, and representation expressivity metrics. We find that our framework, which embraces the underlying morphology of multi-piece structures, facilitates the unsupervised discovery of sub-clusters for each structure. We show how our approach can also be applied to phenotypic profiling using a dataset of nucleolar images following drug perturbations. We implement and provide all representation learning models using CytoDL, a python package for flexible and configurable deep learning experiments.

The epithelial to mesenchymal transition (EMT) is a widely studied but poorly defined state change due to the variety of ways in which it has been characterized in cells. There is a need for reproducible cell model systems that enable the integration and comparison of different types of measured observations of cells across many distinct cellular contexts. We present human induced pluripotent stem (hiPS) cells as such a model system by demonstrating its utility through a comparative analysis of hiPS cell-EMT in 2D and 3D cell culture geometries. We developed live-imaging-based assays to directly compare examples of changes in cell function (via migration timing), molecular components (via expression of marker proteins), organization (via reorganization of cell junctions), and environment (via dynamics of basement membrane) in the same experimental system. The EMT-related changes we measured occurred earlier in 2D colonies than in 3D lumenoids, likely due to differences in the basement membrane environments associated with 2D vs. 3D initial hiPS cell culture geometries. We have made the 449 60-hour-long 3D time-lapse movies and the associated tools used for analysis and visualization open-source and easily accessible as a resource for future work in this field.