The cell nucleus is a highly organized cellular organelle that contains the genetic material. The study of nuclear architecture has become an important field of cellular biology. Extracting quantitative data from 3D fluorescence imaging helps understand the functions of different nuclear compartments. However, such approaches are limited by the requirement for processing and analyzing large sets of images.Here, we describe Tools for Analysis of Nuclear Genome Organization (TANGO), an image analysis tool dedicated to the study of nuclear architecture. TANGO is a coherent framework allowing biologists to perform the complete analysis process of 3D fluorescence images by combining two environments: ImageJ (http://imagej.nih.gov/ij/) for image processing and quantitative analysis and R (http://cran.r-project.org) for statistical processing of measurement results. It includes an intuitive user interface providing the means to precisely build a segmentation procedure and set-up analyses, without possessing programming skills. TANGO is a versatile tool able to process large sets of images, allowing quantitative study of nuclear organization.TANGO is composed of two programs: (i) an ImageJ plug-in and (ii) a package (rtango) for R. They are both free and open source, available (http://biophysique.mnhn.fr/tango) for Linux, Microsoft Windows and Macintosh OSX. Distribution is under the GPL v.2 licence.thomas.boudier@snv.jussieu.frSupplementary data are available at Bioinformatics online.

Abstract Recent advances in high-throughput microscopy imaging have made it easier to acquire large volumes of cell images. Thanks to electron microscopy (EM) imaging, they provide a high-resolution and sufficient field of view that suits imaging large cell types, including cardiomyocytes. A significant bottleneck with these large datasets is the time taken to collect, extract and statistically analyse 3D changes in cardiac ultrastructures. We address this bottleneck with CardioVinci.

Abstract The inherent low contrast of electron microscopy (EM) datasets presents a significant challenge for rapid segmentation of cellular ultrastructures from EM data. This challenge is particularly prominent when working with high resolution big-datasets that are now acquired using electron tomography and serial block-face imaging techniques. Deep learning (DL) methods offer an exciting opportunity to automate the segmentation process by learning from manual annotations of a small sample of EM data. While many DL methods are being rapidly adopted to segment EM data no benchmark analysis has been conducted on these methods to date. We present EM-stellar, a Jupyter Notebook platform that is hosted on google Colab that can be used to benchmark the performance of a range of state-of-the-art DL methods on user-provided datasets. Using EM-Stellar we show that the performance of any DL method is dependent on the properties of the images being segmented. It also follows that no single DL method performs consistently across all performance evaluation metrics.

Abstract The tight junction outlines the apicolateral border of epithelial cells like a belt, sealing the paracellular space when cells form contacts with each other. The permeability and morphology of tight junction are regulated by actomyosin contractility, which has been conventionally thought from the purse-string-like circumferential actomyosin belt along tight junction. Spatially, the tight junction is close to the apical actin network, which exerts inward contractions orthogonal to the tight junction. To test the contributions from apical actin network, we laser-ablated spots on the apical surface of polarized Madin-Darby Canine Kidney (MDCK) epithelial cells. Laser ablation severed the apical cytoskeleton network, decreased in-plane tension, increased the apical surface area, and rendered the tight junction less tortuous in shape. Consistent with these observations, changes in MDCK cell sheet morphology due to cell proliferation, or perturbation with the ROCK inhibitor Y27632 increased the density of the apical actin network and decreased tight junction tortuosity. The morphological analysis revealed scutoids in flat MDCK cell sheets, contrary to predictions from a previous model that only considered cell-cell interactions as line tension. Additional cell-cell interactions from apical in-plane tension provides probable cause for the occurrence of scutoids on flat geometry. Taken together, our findings identify the importance of the apical actin network exerting in-plane apical tension to regulate tight-junction mechanobiology and epithelial cell shape. Significance Statement The tight junction is located at the apicolateral cell border and regulates paracellular diffusion. Adjacent to the tight junction, the actin cytoskeleton forms a dense network beneath the apical surface and an actomyosin belt that circumscribes the lateral surface of the cell. Tight junctions are connected to the actin cytoskeleton which regulates paracellular transport, but the role of tension-mediated regulation of the tight junction by various actin structures is poorly understood. Here, we provide evidence that tension on the tight junction is mediated by the apical actin network. Our results provide a reinterpretion of past reports and broaden our understanding the mechanobiology of tight junctions.

ABSTRACT Alternative lengthening of telomeres (ALT) is a telomerase-independent telomere maintenance mechanism utilized by about 15% of cancers. Orphan nuclear receptors (NRs), such as COUP-TF1, COUP-TF2, EAR2, TR2, and TR4, associate with telomeres of ALT cells by binding to variant telomeric repeats. However, how these orphan NRs function in the ALT pathway remains to be characterized. Here, we have established an ALT-inducing cell model by tethering orphan NRs to telomeres in non-ALT BJ fibroblast cells. We demonstrate that recruitment of orphan NRs to telomeres is sufficient to initiate formation of ALT-associated promyelocytic leukemia nuclear bodies (APBs) and telomeric DNA synthesis at APBs. We found that the ability of orphan NRs to initiate APB formation and recombination is dependent on the orphan NR AF2 domain, the zinc-finger protein ZNF827, and PML protein. Depletion of orphan NRs in ALT cell lines reduced APB formation and telomeric DNA synthesis, confirming the role of orphan NRs in ALT cells. Furthermore, we found that ATRX/DAXX depletion, together with the telomeric localization of orphan NRs, induces APB formation, telomere clustering, and telomeric DNA synthesis more dramatically in non-ALT cells. Accordingly, we propose that these events in ALT, orphan NR recruitment to telomeres and ATRX/DAXX loss, operate in concert to activate the ALT pathway.

Abstract The proximity pattern and radial distribution of chromosome territories within spherical nuclei are well understood to be random and non-random, respectively. Whether this distribution pattern is conserved in the partitioned or lobed nuclei of polymorphonuclear cells is unclear. Here we use chromosome paint technology and a novel high-throughput imaging analysis pipeline to examine the chromosome territories of all 46 chromosomes in hundreds of single human neutrophils – an abundant and famously polymorphonuclear immune cell. By comparing the distribution of chromosomes to randomly shuffled controls, and validating with orthogonal chromosome conformation capture technology, we show for the first time that all human chromosomes randomly distribute to neutrophil nuclear lobes, while maintaining a non-random radial distribution within these lobes. Furthermore, by leveraging the power of this vast dataset, we are able to reveal characteristics of chromosome territories not detected previously. For example, we demonstrate that chromosome length correlates with three-dimensional volume not only in neutrophils but other human immune cells. This work demonstrates that chromosomes are largely passive passengers during the neutrophil lobing process, but are able to maintain their macro-level organisation within lobes. Furthermore, the random distribution of chromosomes to the naturally partitioned nuclear lobes suggests that specific transchromosomal interactions are unimportant in mature neutrophils.

B-cell development is initiated by the stepwise differentiation of hematopoietic stem cells into lineage committed progenitors, ultimately generating the mature B-cells that mediate protective immunity. This highly regulated process also generates clonal immunological diversity via recombination of immunoglobulin genes. While several transcription factors that control B-cell development and V(D)J recombination have been defined, how these processes are initiated and coordinated into a precise regulatory network remains poorly understood. Here, we show that the transcription factor ETS Related Gene (Erg) is essential for the earliest steps in B-cell differentiation. Erg initiates a transcriptional network involving the B-cell lineage defining genes, Ebf1 and Pax5 , that directly promotes the expression of key genes involved in V(D)J recombination and formation of the B-cell receptor. Complementation of the Erg-deficiency with a productively rearranged immunoglobulin gene rescued B-cell development, demonstrating that Erg is an essential and exquisitely stage specific regulator of the gene regulatory network controlling B-lymphopoiesis.

Time-lapse fluorescence microscopy is an essential technique for quantifying various characteristics of cellular processes, i.e. cell survival, migration, and differentiation. To perform high-throughput quantification of cellular processes, nuclei segmentation and tracking should be performed in an automated manner. Nevertheless, nuclei segmentation and tracking are challenging tasks due to embedded noise, intensity inhomogeneity, shape variation as well as a weak boundary of nuclei. Several nuclei segmentation approaches have been reported in the literature. However, most of them require fine-tuning of many parameters. Furthermore, they can only be applied to particular models or acquisition systems. As a result, there is a crucial need for a generic method to segment noisy and densely packed nuclei in microscopy images. In this paper, we present a sparse representation method for denoising of microscopy images. The proposed method works properly in the context of most challenging cases. In addition, it provides a denoised image and simultaneously the potential locations of nuclei. To evaluate the performance of the proposed method, we tested our method on two datasets from cell tracking challenge. Across all datasets, the proposed method achieved satisfactory results with 96:96% recall for C. elegans dataset. Besides, in Drosophila dataset, our method achieved very high recall (99:3%).

The first step of SARS-CoV-2 infection involves the interaction between the trimeric viral spike protein (𝑆) and the host angiotensin-converting enzyme 2 (𝐴𝐶𝐸2). The receptor binding domain (𝑅𝐵𝐷) of 𝑆 adopts two conformations: open and closed, respectively, accessible and inaccessible to 𝐴𝐶𝐸2. Therefore, 𝑅𝐵𝐷 motions are suspected to affect 𝐴𝐶𝐸2 binding; yet a quantitative description of the underlying mechanism has been elusive. Here, using single-molecule approaches, we visualize 𝑅𝐵𝐷 opening and closing and probe the 𝑆/𝐴𝐶𝐸2 interaction. Our results show that RBD dynamics affect 𝐴𝐶𝐸2 binding but not unbinding. The resulting modulation is quantitatively predicted by a conformational selection model in which each protomer behaves independently. Our work reveals a general molecular mechanism affecting binding affinity without altering binding strength, helping to understand coronavirus infection and immune evasion.

Recent high-throughput electron microscopy techniques such as focused ion-beam scanning electron microscopy (FIB-SEM) provide thousands of serial sections which assist the biologists in studying sub-cellular structures at high resolution and large volume. Low contrast of such images hinder image segmentation and 3D visualisation of these datasets. With recent advances in computer vision and deep learning, such datasets can be segmented and reconstructed in 3D with greater ease and speed than with previous approaches. However, these methods still rely on thousands of ground-truth samples for training and electron microscopy datasets require significant amounts of time for carefully curated manual annotations. We address these bottlenecks with EM-net, a scalable deep convolutional neural network for EM image segmentation. We have evaluated EM-net using two datasets, one of which belongs to an ongoing competition on EM stack segmentation since 2012. We show that EM-net variants achieve better performances than current deep learning methods using small- and medium-sized ground-truth datasets. We also show that the ensemble of top EM-net base classifiers outperforms other methods across a wide variety of evaluation metrics.