Site Web PrécliniqueSite Web Clinique
Date de dernière mise à jour: 06 août 2024
Auteurs: Laurent Potvin-Trottier, Ph.D. et Barry J. Bedell, M.D., Ph.D.

Pourquoi quantifier la morphologie de la microglie?

La microglie joue un rôle crucial dans de nombreuses maladies neurodégénératives, notamment la sclérose latérale amyotrophique (SLA), la maladie d'Alzheimer (MA) et la maladie de Parkinson (MP) (Salter, 2017; Hickman, 2018). De nombreuses thérapeutiques potentielles pour les maladies neurodégénératives ciblent la microglie, par exemple en modulant leur phénotype ou en favorisant la clairance des plaques Aβ (Gao, 2023). La microglie est une cellule très dynamique, capable d'adopter différents phénotypes, comme le démontrent les technologies 'omiques' à cellule unique. Récemment, une centaine de scientifiques ont cosigné une publication (Paolicelli, 2022) visant à clarifier et à établir un consensus autour de la terminologie de ces phénotypes, en utilisant des termes tels que signature homéostatique, microglie associée à la matière blanche et microglie associée à la maladie (DAM).

La microglie présente également des changements morphologiques drastiques dans des conditions réactives. Dans cette ressource, nous mettons en évidence les phénotypes morphologiques couramment quantifiés (Savage, 2020). Dans des conditions homéostatiques, la microglie présente typiquement une morphologie ramifiée caractérisée par des processus longs, fins et étendus. La microglie hypertrophique, typiquement associée aux conditions réactives, a un soma élargi avec des processus plus courts, plus épais et plus ramifiés. La microglie amiboïde a un soma élargi et est presque dépourvue de processus, ce qui la rend morphologiquement similaire aux macrophages. La microglie dystrophique présente des renflements perlés et sphériques de ses processus, qui peuvent apparaître fragmentés. Enfin, les cellules des bâtonnets sont très allongées, avec une orientation unique et des processus radiaux minimaux. Alors que les phénotypes fonctionnels et les morphologies distinctes sont deux caractérisations complémentaires de la microglie, un lien mécaniste entre les changements morphologiques (ramification) et la fonction (libération de cytokines) a été identifié (Madry, 2018). En outre, il a été constaté que les métriques morphologiques étaient corrélées à des marqueurs fonctionnels dans des microglies individuelles (Kozlowski, 2012; Fernández-Arjona, 2019).

Images de microscopie et représentations schématiques de quatre morphologies sélectionnées de la microglie.

Exemple d'images de microscopie et de représentations schématiques de quatre morphologies sélectionnées de la microglie. Figure reproduite et adaptée de (Reddaway, 2023), basée sur les définitions des morphologies de (Savage, 2019), sous la licence Creative Commons Attribution.

Chez Biospective, nous avons émis l'hypothèse que la quantification à haut débit de la morphologie microgliale pourrait améliorer la compréhension de leur état dans les études précliniques. Dans les modèles murins de la maladie d'Alzheimer, de la maladie de Parkinson et de la SLA, nous avons constaté que l'analyse de la morphologie microgliale fournissait une mesure plus sensible de l'état de la maladie que la simple mesure de la microgliose par la densité de la coloration Iba-1.

Comment quantifier la morphologie de la microglie dans les coupes de tissus?

Conditions expérimentales : Coloration, épaisseur de la coupe et microscopie

Pour quantifier la morphologie microgliale, les microglies doivent être marquées avec un colorant spécifique et sensible à la fois à leurs processus et à leur soma, et qui est exprimé dans tous les phénotypes (typiquement Iba-1). Des coupes de tissus épaisses allant jusqu'à 150 µm peuvent être imagées en z-stack en utilisant la microscopie confocale pour une caractérisation 3D complète de la morphologie de la microglie. Pour une quantification à haut débit en 2D, des sections plus fines (5-20 µm) peuvent être imagées à l'aide d'un scanner numérique (Franco-Bocanegra, 2021; Leyh, 2021). Le compromis entre le débit et l'imagerie 3D dépend de l'objectif de l'étude. Par exemple, l'imagerie 2D à haut débit convient aux études précliniques d'efficacité thérapeutique et peut s'étendre à des millions de cellules. Une mesure simple comme la taille du soma, qui change constamment dans des conditions réactives (Kozlowski, 2012; Verdonk, 2016; Davis, 2017; Fletcher, 2020; Silburt, 2022), peut être quantifiée avec précision en 2D. Par exemple, une étude s'est concentrée uniquement sur la morphologie du soma et a constaté un passage de la microglie ramifiée à la microglie hypertrophique dans la rétine de souris âgées (Choi, 2022).

Étapes de la quantification morphologique

Les étapes nécessaires à la quantification automatisée, communes à la plupart des approches, sont décrites dans la figure ci-dessous. Diverses approches ont été examinées par Reddaway et al. (Reddaway, 2023). Tout d'abord, la microglie doit être détectée et séparée individuellement (tâche de détection d'objet en vision par ordinateur). La cellule et le soma de chaque cellule sont segmentés à partir de l'arrière-plan. Le squelette des processus est obtenu de manière algorithmique. Enfin, différentes mesures morphologiques (i.e. morphométriques), telles que la surface de la cellule, le périmètre, la surface du soma, le nombre de branches dans le squelette, etc. sont mesurées dans chaque cellule.

Représentation schématique du processus d'analyse de la morphologie de la microglie. Les microglies sont identifiées sur une coupe de tissu en immunohistochimie (ici colorée avec Iba-1) ou en immunofluorescence. Pour chaque cellule identifiée, le soma et les processus sont segmentés et le squelette des processus est obtenu. De nombreuses mesures morphologiques, telles que la taille de la cellule et du soma, sont alors obtenues. La cellule peut ensuite être classée dans une morphologie spécifique à l'aide d'un modèle d'apprentissage automatique. Dans l'exemple présenté, les cases bleues représentent la morphologie ramifiée et les cases rouges la morphologie non ramifiée. Différentes statistiques sur la cellule peuvent ensuite être agrégées par ROI, souris et groupe. Schéma de la métrique morphologique reproduit et adapté de (Leyh, 2021) sous la licence Creative Commons Attribution License).

Analyse quantitative entre les groupes

Enfin, les morphométries cellulaires sont agrégées par région d'intérêt (ROI), par animal et par groupe. Pour comparer les groupes, il existe trois approches principales:

1. Comparer la distribution morphométrique des groupes. L'approche la plus simple consiste à comparer la distribution d'une mesure particulière, telle que la taille du soma, entre les groupes. Exemples : (Kozlowski, 2012; Heindl, 2018).

 

2. Comparer la distribution des cellules dans des groupes distincts. Les méthodes d'apprentissage automatique peuvent identifier des groupes de cellules présentant des morphologies similaires. La distribution des cellules dans ces groupes peut ensuite être comparée entre les groupes. Exemples : (Fernández-Arjona, 2017; Heindl, 2018; Salamanca, 2019).

 

3. Comparer la distribution des cellules entre les morphologies classées. Les modèles d'apprentissage automatique peuvent être formés pour reconnaître les morphologies spécifiées par l'utilisateur (par exemple, ramifié, hypertrophique, amiboïde, etc.). La distribution et le nombre de cellules présentant ces morphologies peuvent ensuite être comparés d'un groupe à l'autre. Exemples: (Leyh, 2021; Choi, 2022).

Quelles modifications de la morphologie de la microglie ont été observées dans les maladies neurodégénératives?

Dans cette section, nous mettons en évidence les résultats communs à trois maladies neurodégénératives, à savoir la SLA, la MA et la MP.

Sclérose latérale amyotrophique (SLA)

Des modifications morphologiques de la microglie ont été observées dans trois modèles murins différents de SLA. Dans un modèle SOD1G93A, une évolution progressive vers une morphologie proche de l'hypertrophie (corps cellulaire plus grand, processus plus courts) a été observée au cours de la progression de la maladie (Ohgomori, 2016). Dans le modèle inductible hTDP43ΔNLS, un changement similaire a été observé pendant la " récupération " de la maladie après l'arrêt de l'expression de TDP-43 pathologique (Spiller, 2018). Une augmentation du nombre de microglies et une évolution vers l'hypertrophie ont été observées dans un modèle C9orf72 (GA-répétitions). Cet effet a été largement éliminé lorsque les souris ont été immunisées contre les GA-repeats (Zhou, 2020). Chez Biospective, en utilisant le modèle de souris TDP-43 ΔNLS, nous avons constaté des changements morphologiques à la fois dans les modèles "Off Dox" et "Low Dox". La densité de microglies non ramifiées était fortement corrélée aux scores moteurs composites cliniques.

Les changements morphologiques de la microglie sont fortement corrélés avec le score moteur clinique dans un modèle de souris TDP-43 ΔNLS

Les changements morphologiques de la microglie sont fortement corrélés avec le score moteur clinique dans un modèle de souris TDP-43 ΔNLS. Le score moteur composite est représenté en fonction de la densité de la coloration Iba-1 (fraction des pixels segmentés, à gauche) et de la densité de la microglie avec une morphologie non modifiée ("réactive") (à droite) dans le putamen caudé (CP) à travers les groupes de traitement. Un ajustement linéaire au logarithme de l'axe des x est présenté, et le coefficient de corrélation de Pearson passe de 0,38 avec la densité de la coloration Iba-1 à 0,83 pour la densité de la microglie non modifiée. Différents groupes de traitement sont représentés dans l'ajustement linéaire, tels que "On Dox", "4 semaines Low Dox", "6 semaines Low Dox" et "3 semaines Off Dox". Un ajustement linéaire combinant la densité logarithmique de la microglie non fragmentée dans quatre zones d'intérêt (CP, tractus corticospinal, cortex moteur et cortex non moteur) donne un coefficient de corrélation de 0,93 +/- 0,06 (plage obtenue à partir de l'écart type d'une validation croisée 5 fois).

La maladie d'Alzheimer

Les études menées sur des tissus humains n'ont généralement pas montré de changements significatifs dans le nombre total de microglies dans la maladie d'Alzheimer par rapport à un groupe témoin apparié en âge (Davies, 2017; Heindl, 2018; Paasila, 2019; Martini, 2020; Franco-Bocanegra, 2021). Cependant, un éloignement de la morphologie ramifiée homéostatique a été observé. Une augmentation du nombre de microglies présentant une morphologie dystrophique a été signalée (Bachstetter, 2015; Davies, 2017; Martini, 2020). De multiples métriques morphologiques, telles que la longueur totale du processus, se sont avérées corrélées à la charge pathologique Aβ et/ou tau (Heindl, 2018; Paasila, 2019; Franco-Bocanegra, 2021). De manière intéressante, Franco-Bocanegra et al. (Franco-Bocanegra, 2021) ont observé un effet de traitement - les patients immunisés contre Aβ42 présentaient une fraction accrue de microglies à morphologie ramifiée par rapport aux patients atteints de la maladie d'Alzheimer non traités et aux témoins sains. Nos études sur un modèle rongeur APP/PS1 de la maladie d'Alzheimer ont révélé des changements morphologiques dans la microglie qui étaient fortement localisés à proximité des plaques Aβ et étaient plus sensibles que la densité de la coloration Iba-1 pour évaluer la progression de la maladie.

Maladie de Parkinson et synucléinopathies

Dans les modèles de la maladie de Parkinson chez le rat et le marmouset, un passage de la morphologie ramifiée à la forme hypertrophique et amiboïde a été observé (Sanchez-Guajardo, 2010; Barkholt, 2012). De même, dans un modèle murin d'atrophie du système multiple (MSA ; PLP-alpha-syn), un passage de la morphologie ramifiée à la morphologie hypertrophique a été observé sans augmentation du nombre total de microglies (Refolo, 2018). Un effet de traitement a été observé dans un modèle de PD chez le rat - des changements typiques d'une transition vers la morphologie hypertrophique (augmentation de la taille du soma, de la densité, etc.) ont été observés dans le striatum de rats traités à la lévodopa, mais pas chez les rats traités à la solution saline (Fletcher, 2020). En utilisant le modèle rongeur de maladie de Parkinson de Biospective (injection de fibrilles préformées humaines dans le noyau olfactif antérieur de souris hémizygotes M83), nous avons constaté une augmentation du nombre total de microglies et une évolution vers une morphologie hypertrophique, en corrélation avec la progression de la maladie. La densité de la microglie non ramifiée était une mesure plus sensible de l'état de la maladie que la densité de la coloration Iba-1.

Notre équipe se fera un plaisir de répondre à vos questions sur la morphologie de la microglie dans la SLA, la maladie d'Alzheimer et la maladie de Parkinson ou de vous fournir des informations spécifiques sur les modèles que nous utilisons pour les études d'efficacité thérapeutique.

FAQs

Quels sont les avantages et les inconvénients des différentes approches quantitatives pour comparer des groupes?

L'utilisation de la distribution morphométrique peut être simple et efficace, mais les paramètres doivent être choisis à l'avance pour éviter de perdre de la puissance statistique en raison de tests d'hypothèses multiples. En outre, il faut veiller à représenter la variabilité biologique intragroupe, par exemple en procédant à un bootstrap sur les animaux (pour éviter de surreprésenter les différences en raison du nombre élevé de cellules par animal). L'utilisation d'une classification morphologique (par exemple ramifiée, hypertrophique) peut être puissante et précise, mais elle nécessite de définir ces morphologies et peut donc être moins adaptée à la découverte de nouvelles morphologies. Alors que les approches de regroupement ne nécessitent pas de définir les morphologies a priori, le nombre de regroupements, le modèle et les paramètres morphométriques utilisés pour définir les regroupements requièrent l'intervention de l'utilisateur et peuvent modifier les regroupements obtenus.


Quelles sont les différentes méthodes de classification des morphologies à l'aide de l'apprentissage automatique?

Il existe deux approches principales pour classer la morphologie de la microglie. La première est basée sur l'utilisation de la morphométrie (par exemple, la surface du soma, le nombre de branches dans le squelette, etc.) - en d'autres termes, un ensemble de nombres pour chaque cellule - pour classer les cellules dans chaque morphologie (parfois appelée une approche classique d'apprentissage automatique). L'autre méthode consiste à utiliser directement l'image de la cellule comme entrée du modèle et à laisser le modèle apprendre les caractéristiques nécessaires pour classer les morphologies (approche d'apprentissage profond). Les approches d'apprentissage en profondeur peuvent être précises et ne nécessitent pas de choix de caractéristiques, mais elles sont moins directement explicables et nécessitent plus de données pour être formées. Les modèles d'apprentissage automatique basés sur la morphométrie peuvent être plus directement explicables ; par exemple, une cellule a été classée dans cette morphologie particulière parce que la taille de son soma était plus grande. En outre, de nombreuses morphométries se sont révélées être en corrélation linéaire avec l'expression de marqueurs fonctionnels (par exemple, IL-1β ; Fernández-Arjona, 2019), ce qui motive l'utilisation de modèles basés sur la combinaison linéaire de ces métriques (par exemple, régression logistique) pour caractériser la microglie.


Des effets de traitement ont-ils été observés en utilisant l'analyse de la morphologie de la microglie?

Oui. L'analyse de la morphologie de la microglie a révélé des changements dans la morphologie de la microglie dans les traitements thérapeutiques potentiels de la SLA (Zhou, 2020), de la MA (Franco-Bocanegra, 2021) et de la MP (Fletcher, 2020).


Dans quelles autres conditions et maladies a-t-on observé une modification de la morphologie microgliale?

La morphologie microgliale a été observée pour changer dans de nombreux contextes, tels que dans le vieillissement (Castro, 2024; Shaerzadeh, 2020; Shahidehpour, 2021), la démence à corps de Lewy (Bachstetter, 2015), la démyélinisation (modèle de cuprizone) (Olah, 2012), la sclérose hippocampique du vieillissement (Bachstetter, 2015), la maladie de Huntington (Sapp, 2001; Franciosi, 2012; Savage, 2020), l'inflammation par le traitement au lipopolysaccharide (LPS) (Kozlowski, 2012; Verdonk, 2016), et bien d'autres (revue dans Reddaway, 2023).


Références

Bachstetter, A. D., Van Eldik, L. J., Schmitt, F. A., Neltner, J. H., Ighodaro, E. T., Webster, S. J., Patel, E., Abner, E. L., Kryscio, R. J., Nelson, P. T. Disease-related microglia heterogeneity in the hippocampus of Alzheimer’s disease, dementia with Lewy bodies, and hippocampal sclerosis of aging. Acta Neuropathol. Commun., 3: 32, 2015; doi: 10.1186/s40478-015-0209-z

Barkholt, P., Sanchez-Guajardo, V., Kirik, D., Romero-Ramos, M. Long-term polarization of microglia upon α-synuclein overexpression in nonhuman primates. Neuroscience, 208: 85–96, 2012; doi: 10.1016/j.neuroscience.2012.02.004

Castro, R. W., Lopes, M. C., De Biase, L. M., Valdez, G. Aging spinal cord microglia become phenotypically heterogeneous and preferentially target motor neurons and their synapses. Glia, 72: 206–221, 2024; doi: 10.1002/glia.24470

Choi, S., Hill, D., Guo, L., Nicholas, R., Papadopoulos, D., Cordeiro, M. F. Automated characterisation of microglia in ageing mice using image processing and supervised machine learning algorithms. Sci. Rep., 12: 2022; doi: 10.1038/s41598-022-05815-6 

Davies, D. S., Ma, J., Jegathees, T., Goldsbury, C. Microglia show altered morphology and reduced arborization in human brain during aging and Alzheimer’s disease. Brain Pathology, 27: 795–808, 2017; doi: 10.1111/bpa.12456

Davis, B. M., Salinas-Navarro, M., Cordeiro, M. F., Moons, L., Groef, L. De. Characterizing microglia activation: A spatial statistics approach to maximize information extraction. Sci. Rep., 7: 2017; doi: 10.1038/s41598-017-01747-8

Deczkowska, A., Keren-Shaul, H., Weiner, A., Colonna, M., Schwartz, M., Amit, I. Disease-Associated Microglia: a universal immune sensor of neurodegeneration. Cell, 173: 1073–1081, 2018; doi: 10.1016/j.cell.2018.05.003

Fernández-Arjona, M. del M., Grondona, J. M., Fernández-Llebrez, P., López-Ávalos, M. D. Microglial morphometric parameters correlate with the expression level of IL-1β, and allow identifying different activated morphotypes. Front. Cell. Neurosci., 13: 2019; doi: 10.3389/fncel.2019.00472

Fernández-Arjona, M. del M., Grondona, J. M., Granados-Durán, P., Fernández-Llebrez, P., López-Ávalos, M. D. Microglia morphological categorization in a rat model of neuroinflammation by hierarchical cluster and principal components analysis. Front. Cell. Neurosci., 11: 2017; doi: 10.3389/fncel.2017.00235

Fletcher, E. J. R., Finlay, C. J., Amor Lopez, A., Crum, W. R., Vernon, A. C., Duty, S. Neuroanatomical and microglial alterations in the striatum of levodopa-treated, dyskinetic hemi-Parkinsonian rats. Front. Neurosci., 14: 2020; doi: 10.3389/fnins.2020.567222

Franciosi, S., Ryu, J. K., Shim, Y., Hill, A., Connolly, C., Hayden, M. R., McLarnon, J. G., Leavitt, B. R. Age-dependent neurovascular abnormalities and altered microglial morphology in the YAC128 mouse model of Huntington disease. Neurobiol. Dis., 45: 438–449, 2012; doi: 10.1016/j.nbd.2011.09.003

Franco-Bocanegra, D. K., Gourari, Y., McAuley, C., Chatelet, D. S., Johnston, D. A., Nicoll, J. A. R., Boche, D. Microglial morphology in Alzheimer’s disease and after Aβ immunotherapy. Sci. Rep., 11: 2021; doi: 10.1038/s41598-021-95535-0

Gao, C., Jiang, J., Tan, Y., Chen, S. Microglia in neurodegenerative diseases: mechanism and potential therapeutic targets. Signal Transduct. Target Ther., 8: 2023; doi: 10.1038/s41392-023-01588-0

Heindl, S., Gesierich, B., Benakis, C., Llovera, G., Duering, M., Liesz, A. Automated morphological analysis of microglia after stroke. Front. Cell. Neurosci., 12: 2018; doi: 10.3389/fncel.2018.00106

Hickman, S., Izzy, S., Sen, P., Morsett, L., El Khoury, J. Microglia in neurodegeneration. Nat. Neurosci., 21: 2018; doi: 10.1038/s41593-018-0242-x

Kozlowski, C., Weimer, R. M. An automated method to quantify microglia morphology and application to monitor activation state longitudinally in vivo. PLoS One 7: 2012; doi: 10.1371/journal.pone.0031814

Leyh, J., Paeschke, S., Mages, B., Michalski, D., Nowicki, M., Bechmann, I., Winter, K. Classification of microglial morphological phenotypes using machine learning. Front. Cell. Neurosci., 15: 2021; doi: 10.3389/fncel.2021.701673

Madry, C., Kyrargyri, V., Arancibia-Cárcamo, I. L., Jolivet, R., Kohsaka, S., Bryan, R. M., Attwell, D. Microglial tamification, surveillance, and Interleukin-1β release are regulated by the two-pore domain K+ channel THIK-1. Neuron, 97: 299-312.e6, 2018; doi: 10.1016/j.neuron.2017.12.002

Martini, A. C., Helman, A. M., McCarty, K. L., Lott, I. T., Doran, E., Schmitt, F. A., Head, E. Distribution of microglial phenotypes as a function of age and Alzheimer’s disease neuropathology in the brains of people with Down syndrome. Alzheimer’s and Dementia: Diagnosis, Assessment and Disease Monitoring, 12: 2020; doi: 10.1002/dad2.12113

Ohgomori, T., Yamada, J., Takeuchi, H., Kadomatsu, K., Jinno, S. Comparative morphometric analysis of microglia in the spinal cord of SOD1G93A transgenic mouse model of amyotrophic lateral sclerosis. European J. Neurosci., 43: 1340–1351, 2016; doi: 10.1111/ejn.13227

Olah, M., Amor, S., Brouwer, N., Vinet, J., Eggen, B., Biber, K., Boddeke, H. W. G. M. Identification of a microglia phenotype supportive of remyelination. Glia, 60: 306–321, 2012; doi: 10.1002/glia.21266

Paasila, P. J., Davies, D. S., Kril, J. J., Goldsbury, C., Sutherland, G. T. The relationship between the morphological subtypes of microglia and Alzheimer’s disease neuropathology. Brain Pathol., 29: 726–740, 2019; doi: 10.1111/bpa.12717

Paolicelli, R. C., Sierra, A., Stevens, B., Tremblay, M. E., Aguzzi, A., Ajami, B., Amit, I., Audinat, E., Bechmann, I., Bennett, M., Bennett, F., Bessis, A., Biber, K., Bilbo, S., Blurton-Jones, M., Boddeke, E., Brites, D., Brône, B., … Wyss-Coray, T. Microglia states and nomenclature: a field at its crossroads. Neuron, 110: 3458–3483, 2022; doi: 10.1016/j.neuron.2022.10.020

Reddaway, J., Richardson, P. E., Bevan, R. J., Stoneman, J., Palombo, M. Microglial morphometric analysis: so many options, so little consistency. Front. Neuroinform., 17: 2023; doi: 10.3389/fninf.2023.1211188

Refolo, V., Bez, F., Polissidis, A., Kuzdas-Wood, D., Sturm, E., Kamaratou, M., Poewe, W., Stefanis, L., Angela Cenci, M., Romero-Ramos, M., Wenning, G. K., Stefanova, N. Progressive striatonigral degeneration in a transgenic mouse model of multiple system atrophy: translational implications for interventional therapies. Acta Neuropathol. Commun., 6: 2, 2018; doi: 10.1186/s40478-017-0504-y

Salamanca, L., Mechawar, N., Murai, K. K., Balling, R., Bouvier, D. S., Skupin, A. MIC-MAC: An automated pipeline for high-throughput characterization and classification of three-dimensional microglia morphologies in mouse and human postmortem brain samples. Glia, 67: 1496–1509, 2019; doi: 10.1002/glia.23623

Salter, M. W., Stevens, B. Microglia emerge as central players in brain disease. Nat., Med., 23: 1018–1027, 2017; doi: 10.1038/nm.4397

Sanchez-Guajardo, V., Febbraro, F., Kirik, D., Romero-Ramos, M. Microglia acquire distinct activation profiles depending on the degree of α-synuclein neuropathology in a rAAV based model of Parkinson’s disease. PLoS One, 5: 2010; doi: 10.1371/journal.pone.0008784

Sapp, E., Kegel, K. B., Hashikawa, T., Uchiyama, Y., Tohyama, K., Bhide, P. G., Vonsattel, J. P., Difiglia, M. Early and progressive accumulation of reactive microglia in the Huntington disease brain. J. Neuropathol. Exp. Neurol., 60: 2001; doi: 10.1093/jnen/60.2.161

Savage, J. C., Carrier, M., Tremblay, M. È. Morphology of microglia across contexts of health and disease. in Methods in Molecular Biology vol. 2034 13–26, Humana Press Inc., 2019.; doi: 10.1007/978-1-4939-9658-2_2

Savage, J. C., St-Pierre, M. K., Carrier, M., El Hajj, H., Novak, S. W., Sanchez, M. G., Cicchetti, F., Tremblay, M. È. Microglial physiological properties and interactions with synapses are altered at presymptomatic stages in a mouse model of Huntington’s disease pathology. J. Neuroinflammation, 17: 2020; doi: 10.1186/s12974-020-01782-9

Shaerzadeh, F., Phan, L., Miller, D., Dacquel, M., Hachmeister, W., Hansen, C., Bechtle, A., Tu, D., Martcheva, M., Foster, T. C., Kumar, A., Streit, W. J., Khoshbouei, H. Microglia senescence occurs in both substantia nigra and ventral tegmental area. Glia, 68: 2228–2245, 2020; doi: 10.1002/glia.23834

Shahidehpour, R. K., Higdon, R. E., Crawford, N. G., Neltner, J. H., Ighodaro, E. T., Patel, E., Price, D., Nelson, P. T., Bachstetter, A. D. Dystrophic microglia are associated with neurodegenerative disease and not healthy aging in the human brain. Neurobiol. Aging., 99: 19–27, 2021; doi: 10.1016/j.neurobiolaging.2020.12.003

Silburt, J., Aubert, I. MORPHIOUS: an unsupervised machine learning workflow to detect the activation of microglia and astrocytes. J. Neuroinflammation, 19: 2022; doi: 10.1186/s12974-021-02376-9

Spiller, K. J., Restrepo, C. R., Khan, T., Dominique, M. A., Fang, T. C., Canter, R. G., Roberts, C. J., Miller, K. R., Ransohoff, R. M., Trojanowski, J. Q., Lee, V. M. Y. Microglia-mediated recovery from ALS-relevant motor neuron degeneration in a mouse model of TDP-43 proteinopathy. Nat. Neurosci., 21: 329–340, 2018; doi: 10.1038/s41593-018-0083-7

Verdonk, F., Roux, P., Flamant, P., Fiette, L., Bozza, F. A., Simard, S., Lemaire, M., Plaud, B., Shorte, S. L., Sharshar, T., Chrétien, F., Danckaert, A. Phenotypic clustering: A novel method for microglial morphology analysis. J. Neuroinflammation, 13: 2016; doi: 10.1186/s12974-016-0614-7

Zhou, Q., Mareljic, N., Michaelsen, M., Parhizkar, S., Heindl, S., Nuscher, B., Farny, D., Czuppa, M., Schludi, C., Graf, A., Krebs, S., Blum, H., Feederle, R., Roth, S., Haass, C., Arzberger, T., Liesz, A., Edbauer, D. Active poly‐GA vaccination prevents microglia activation and motor deficits in a C9orf72 mouse model. EMBO Mol. Med., 12: 2020; doi: 10.15252/emmm.201910919


Mots clés

Alpha-Synucléine: protéine neuronale présynaptique associée génétiquement et neuropathologiquement à la maladie de Parkinson (MP).  

Maladie d'Alzheimer: trouble neurodégénératif progressif caractérisé par un déclin cognitif, une perte de mémoire et des changements de comportement. Elle est associée à l'accumulation de plaques de bêta-amyloïde et d'enchevêtrements de tau dans le cerveau, ainsi qu'à la perte de neurones et de synapses dans le cortex cérébral et les régions sous-corticales.

Sclérose latérale amyotrophique (SLA): également connue sous le nom de maladie de Lou Gehrig, il s'agit de la forme la plus courante de maladie du motoneurone, qui affecte les motoneurones supérieurs et inférieurs. Cette maladie neuromusculaire mortelle se caractérise par une faiblesse progressive des muscles nécessaires pour bouger, parler, manger et respirer.

Microglie associée à la maladie (DAM): un sous-ensemble de microglies présentant une signature transcriptionnelle spécifique - conservée chez l'homme et la souris - dont on pense qu'elle joue un rôle important dans les troubles neurodégénératifs. Découvert à l'origine dans la maladie d'Alzheimer, il semble également présent dans d'autres maladies neurodégénératives (Deczkowska, 2018). La question de savoir s'il est plus exact de parler d'une signature unique pour l'ensemble des maladies ou de signatures distinctes dans des maladies distinctes est encore à l'étude (Paolicelli, 2022).

Doxycycline (Dox): analogue de la tétracycline utilisé pour réguler l'expression génétique à l'aide d'un système Tet-On ou Tet-Off. 

Modèle à faible dose de Dox: une variation du modèle ΔNLS standard utilisant un protocole développé par Biospective pour générer un phénotype moins sévère et progressant plus lentement.  

Morphométrie de la microglie: mesures quantitatives de la morphologie de la microglie, telles que la surface des cellules, le périmètre du soma, le nombre de points de ramification dans le squelette des processus, etc.

Neurodégénérescence: processus complexe et multifactoriel entraînant la perte de neurones.

Signal de localisation nucléaire (NLS): peptide court qui facilite le transport d'une protéine du cytoplasme vers le noyau d'une cellule.

Maladie de Parkinson (MP): maladie neurodégénérative caractérisée par : (a) des symptômes liés au mouvement (moteurs), notamment des tremblements au repos, une bradykinésie, une rigidité et une instabilité posturale, liés à la perte de neurones dopaminergiques dans la substantia nigra ; et (b) des symptômes non moteurs, notamment l'anxiété, la dépression, l'apathie, les hallucinations, la constipation, l'hypotension orthostatique, les troubles du sommeil, l'hyposmie/l'anosmie et les déficiences cognitives.

Fibrille préformée (PFF): protéines monomériques recombinantes (par exemple l'alpha-synucléine) incubées dans des conditions spécifiques pour générer des fibrilles agrégées et mal repliées. 

Microglie réactive: microglie qui répond ou réagit à une condition particulière. Ce nom a été proposé par Paolicelli et al. (Paolicelli, 2022) à la place du terme déconseillé de microglie "activée", soulignant que la microglie peut avoir de nombreux "états réactifs" différents dans la santé et la maladie.

Microglie réactive: microglie qui répond ou réagit à une condition particulière. Ce nom a été proposé par Paolicelli et al. (Paolicelli, 2022) à la place du terme déconseillé de microglie "activée", soulignant que la microglie peut avoir de nombreux "états réactifs" différents dans la santé et la maladie.

Protéine de liaison à l'ADN de la réponse transactive de 43 kDa (TDP-43): protéine nucléaire de liaison à l'ARN/ADN très conservée, codée par le gène TARDBP, impliquée dans la régulation du traitement de l'ARN.


Contenu connexe

Informations actualisées sur les maladies neurodégénératives et les meilleures pratiques liées à l'évaluation des agents thérapeutiques dans les modèles de maladies neurodégénératives.

Plus d'information

Faites-nous part de votre intérêt. Notre équipe se fera un plaisir d'en discuter avec vous!

Envoyez-nous un courriel à [email protected] ou remplissez le formulaire ci-dessous.

Nom*
Courriel*
Numéro de téléphone*
Affiliation (Entreprise/Université)*
Votre message*

La sécurité de vos données privées est importante pour nous. Nous protégerons votre information comme indiqué dans notre Avis de confidentialité.

J'accepte les termes de l'avis de confidentialité*

Nous utilisons les cookies nécessaires pour faire fonctionner notre site. Nous utilisons également d'autres cookies pour nous aider à apporter des améliorations en mesurant votre utilisation du site ou à des fins de marketing. Vous avez le choix de les accepter ou de les rejeter tous. Pour des informations plus détaillées sur les cookies que nous utilisons, consultez notre Avis de confidentialité.