Method Article
* Questi autori hanno contribuito in egual misura
Questo protocollo fornisce una guida passo passo per la progettazione di un pannello di anticorpi in immunofluorescenza multiplex per l'imaging basato su codici a barre del DNA di tessuti murini di melanoma FFPE. Descriviamo anche una pipeline di analisi delle immagini utilizzando strumenti open-source per generare approfondimenti di proteomica spaziale nel microambiente immunitario del tumore del melanoma murino.
Qui viene presentata una tecnica emergente di imaging multiplex basata su codici a barre del DNA basata sul Co-Detection-by-indEXing che analizza la proteomica spaziale dei microambienti tissutali. Il successo dell'imaging richiede un repertorio di pannelli anticorpali ben progettati e adeguatamente convalidati, ma attualmente ne esistono pochissimi per i campioni fissati in formalina e inclusi in paraffina (FFPE). L'FFPE offre diversi vantaggi rispetto ai campioni freschi congelati, come l'ampia disponibilità, la facilità di manipolazione e conservazione e la capacità di realizzare microarray di tessuti (TMA). Qui, presentiamo un protocollo per sviluppare un pannello di anticorpi per la visualizzazione e l'analisi di tessuti FFPE da un modello di melanoma murino trattato con nanoparticelle, che forniscono DNA plasmidico codificante segnali immunologici per la riprogrammazione del microambiente tumorale. Descriviamo anche una pipeline di analisi delle immagini utilizzando strumenti computazionali open source per l'annotazione dei tessuti, la segmentazione delle cellule, l'elaborazione dei dati proteomici, la fenotipizzazione delle popolazioni cellulari e la quantificazione delle metriche spaziali. Il protocollo offre applicazioni per la progettazione di pannelli anticorpali in FFPE murino e per la generazione di nuove intuizioni sulla proteomica spaziale di microambienti tissutali complessi.
Il melanoma cutaneo è il tumore della pelle più comune, con tassi di malattia e mortalità variabili in tutto il mondo a seconda del momento della diagnosi e delle cure primarie1. Nell'ultimo decennio, una maggiore comprensione biologica del melanoma ha contribuito a promuovere lo sviluppo di nuovi modelli di cancro per il trattamento dei tumori solidi2. La recente ascesa dell'immunoterapia ha portato a un concetto rivoluzionario di trattamento del cancro basato sull'attivazione del sistema immunitario endogeno 3,4.
Il microambiente tumorale (TME) è molto complesso e consiste di diverse cellule immunitarie, fibroblasti associati al cancro, periciti, cellule endoteliali e varie cellule residenti nei tessuti5. In passato sono state applicate diverse tecniche per studiare il TME, come la citometria a flusso e il sequenziamento di singole cellule, che compromettono il contesto spaziale in quanto sono necessarie per distruggere il tessuto tumorale. L'imaging al microscopio tradizionale, come l'immunofluorescenza (IF) e l'immunoistochimica (IHC), consente la visualizzazione di biomarcatori proteici senza distruggere i tessuti del campione. Tuttavia, questi approcci sono limitati a due o tre biomarcatori e non sono in grado di fornire una comprensione completa delle relazioni spaziali e strutturali all'interno del complesso TME 6.
Per affrontare questo problema, sono state sviluppate diverse tecniche di imaging multiplex per visualizzare spazialmente il complesso TME 7,8,9,10. Uno di questi è il CoDetection-by-inDEXing, rinominato sistema PhenoCycler, basato su anticorpi coniugati con oligonucleotidi di DNA11. Il sistema è in grado di fornire l'imaging e l'analisi di una singola cellula di oltre 100 biomarcatori per campioni umani. Tuttavia, sono disponibili pochissimi anticorpi inventariati per visualizzare e analizzare campioni murini, in particolare campioni di FFPE (Formalin-Fixed Paraffin-Embedded)12. L'FFPE offre diversi vantaggi rispetto alla conservazione Fresh Frozen (FF), come la facilità di manipolazione e conservazione, la morfologia ben conservata nel tempo e, soprattutto, la capacità di preparare microarray di tessuti/tumori (TMA) che consentono la visualizzazione di diversi campioni su un singolo vetrino. Di recente abbiamo progettato e sviluppato un pannello di anticorpi murini FFPE CODEX/PhenoCycler e lo abbiamo applicato con successo per visualizzare e analizzare la proteomica spaziale di campioni di melanoma murino geneticamente riprogrammati13.
L'obiettivo generale di questo protocollo è fornire una guida passo passo per la progettazione di un pannello di anticorpi FFPE murini e descrivere il processo di coniugazione anticorpo-codice a barre, colorazione dei tessuti e imaging. Inoltre, presentiamo una pipeline di analisi delle immagini dettagliata che utilizza strumenti open source come i pacchetti QuPath e R. Dopo aver seguito questo protocollo, i ricercatori impareranno come progettare un pannello di anticorpi coniugati su misura, eseguire l'imaging multiplex utilizzando un dispositivo Phenocycler-Fusion e ottenere nuove informazioni sulla proteomica spaziale del melanoma TME. Inoltre, questo protocollo può essere adattato per studiare vari microambienti immunitari tumorali e combinato con le tecniche di trascrittomica spaziale esistenti.
Tutto il lavoro sugli animali è stato eseguito in conformità con le linee guida stabilite dal Johns Hopkins Animal Care and Use Committee, utilizzando i numeri di protocollo approvati MO18M388 e MO21M384.
1. Selezione degli anticorpi
2. Coniugazione e conferma degli anticorpi
3. Preparazione del campione FFPE murino
4. Colorazione e imaging dei tessuti FFPE
5. Annotazione tissutale e segmentazione cellulare
6. Pre-elaborazione e normalizzazione dei dati in proteomica
7. Clustering e fenotipizzazione
8. Rimappatura delle classificazioni dei fenotipi ed esecuzione del controllo di qualità
9. Quantificazione della densità e analisi spaziale
Qui, presentiamo un protocollo per la progettazione di un pannello di anticorpi per il tessuto FFPE murino, l'esecuzione di imaging in immunofluorescenza multiplex e l'analisi di immagini per la quantificazione proteomica e le relazioni spaziali. Il pannello convalidato contiene 27 anticorpi che forniscono marcatori per la visualizzazione di cellule di melanoma (SOX10), leucociti (CD45), cellule T (CD3, CD4, CD8, FOXP3), cellule B (CD20), macrofagi e sottotipi (F4/80, CD68, CD86, CD163, CD206), cellule dendritiche (CD11c), cellule NK (NK1.1) e cellule endoteliali (CD31). L'intero pannello contiene anche marcatori per altre popolazioni immunitarie (CD11b, CD38), attività di proliferazione (Ki67), funzionalità delle cellule T (T-bet, eomesodermina, granzima B), presentazione dell'antigene (LMP2, beta-2 microglobulina, MHC II) ed espressione del checkpoint (TIM3, LAG3, PD-L1)12. Un'immagine rappresentativa dell'elettroforesi su gel conferma il successo della coniugazione dei codici a barre degli oligonucleotidi del DNA con gli anticorpi privi di carrier, come mostrato nella Figura 4. Questo passaggio conferma solo la reazione chimica e la conferma dell'immagine può essere eseguita solo dopo aver controllato questi anticorpi con il dispositivo di imaging multiplex sul tessuto di interesse. Vedere il seguente riferimento per visualizzare le immagini convalidate di tutti i 27 marcatori nel pannello13. Nella Figura 5 è presentata un'immagine di fusione dei marcatori chiave del lignaggio che colorano tre sezioni di tessuto di melanoma murino trattate con iniezioni intratumorali di nanoparticelle 4-1BBL/IL-12 e anti-PD1 sistemico. Queste sezioni sono state utilizzate per la successiva analisi delle immagini in questo protocollo.
Dopo l'annotazione tissutale, la segmentazione cellulare e la pre-elaborazione dei dati proteomici, presentiamo un confronto tra due algoritmi di clustering che sono stati precedentemente applicati per l'analisi trascrittomica e/o proteomica di singole cellule17,18. I profili di espressione per le popolazioni fenotipizzate sono presentati nella Figura 6 per entrambi gli approcci. Mostriamo che FlowSOM offre una gamma più ampia di valori di intensità (~0,7 vs ~0,5) per discernere le differenze tra popolazioni cellulari simili, come i sottotipi di macrofagi. Seurat ha applicato l'algoritmo di Louvain durante il clustering e ha generato 29 cluster (Figura supplementare 1). In confronto, FlowSOM ha applicato mappe auto-organizzanti ed è in grado di generare 100 cluster (Figura 2 supplementare). Un numero maggiore di cluster si traduce in più tempo necessario per la fenotipizzazione, ma quest'ultimo approccio FlowSOM offre anche più sfumature nella classificazione di popolazioni cellulari simili. Qualitativamente, vediamo che FlowSOM è stato in grado di classificare più macrofagi intratumorali come sottotipo M1 o M2 rispetto alla fenotipizzazione di Seurat nello stesso campo visivo (Figura 7). Lo stesso risultato si vede quando quantifichiamo le densità dei macrofagi, con FlowSOM che cattura una densità più elevata di macrofagi M1 e M2 rispetto a Seurat (Figura 8A-B) e successivamente una densità significativamente più bassa di altri/non classificati macrofagi (p = 0,0028; Figura 8C). Tuttavia, i due approcci di analisi hanno anche generato risultati simili quando descrivono altre densità di popolazione cellulare, come le cellule T CD4, le cellule T CD8 e le cellule endoteliali (Figura 8D-F).
Presentiamo anche i risultati dell'analisi spaziale a valle dopo il clustering e la fenotipizzazione. Nella Figura 9 vengono illustrate alcune delle metriche spaziali che possono essere generate utilizzando questo protocollo. Rispetto a tutte le popolazioni fenotipizzate, i macrofagi M2 e le cellule NK avevano le AMD più alte dopo il trattamento con nanoparticelle 4-1BBL/IL-12 e anti-PD1 (Figura 9A). Allo stesso modo, la NMS tra le cellule T CD8 intratumorali e i macrofagi M1 era molto più alta rispetto a quella tra le cellule T CD8 e i macrofagi M2 (Figura 9B). Inoltre, i macrofagi M2 hanno contribuito ~1% nell'area di 100 μm che circonda le cellule T CD8 intratumorali, mentre i macrofagi M1 costituivano il 9%-13% di questi quartieri (Figura 9C). Nel loro insieme, questi risultati suggeriscono che il regime di trattamento 4-1BBL/IL-12 ha polarizzato i macrofagi associati al tumore verso un sottotipo M1 ed ha escluso i macrofagi M2 dal microambiente immunitario del tumore.
Figura 1: Riepilogo del flusso di lavoro di colorazione e imaging dei tessuti FFPE. I tessuti FFPE murini sono stati lavorati utilizzando procedure di pre-colorazione che sono iniziate con la cottura del tessuto durante la notte prima di iniziare i processi di pre-colorazione (giorno 1) e post-colorazione (giorno 2) di due giorni. Infine, la piastra reporter è stata preparata prima dell'imaging con il dispositivo. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2: Screenshot dell'annotazione dei tessuti nel software di patologia digitale ad accesso aperto QuPath. L'annotazione completa del tessuto è stata disegnata (verde), duplicata e minimizzata per definire il compartimento intratumorale in base alla distribuzione dei melanociti SOX10+ al confine tumorale (rosso). Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3: Segmentazione cellulare utilizzando l'algoritmo StarDist in QuPath e il processo di controllo qualità per la revisione delle classificazioni dei fenotipi. (A) Passare alla scheda Immagine per determinare la larghezza e l'altezza dei pixel dell'immagine multiplex in immunofluorescenza. (B) Dopo aver rimappato le classificazioni, fare doppio clic su qualsiasi cella (viene evidenziata in giallo) per vedere l'assegnazione del cluster e il fenotipo. Attiva/disattiva i marcatori del pannello per determinare se questo approccio di classificazione è accurato. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 4: Immagine gel rappresentativa della conferma della coniugazione del codice a barre anticorpo-DNA. L'elettroforesi su gel proteico conferma la coniugazione degli anticorpi con codici a barre di oligonucleotidi del DNA, osservata da bande aggiuntive nel sito della catena pesante. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 5: Imaging multiplex basato su codice a barre del DNA di tumori del fianco B16F10 trattati con iniezioni intratumorali di nanoparticelle 4-1BBL/IL-12 con anti-PD1 sistemico. Marker nel nostro pannello non mostrati: CD11b, CD20, CD38, TIM3, LAG3, T-bet, Eomesodermin, granzima B, Ki67, LMP2, beta-2 microglobulina, MHC II, PD-L1. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 6: Mappe di calore di espressione proteomica di popolazioni cellulari fenotipizzate. (A) L'approccio di clustering e fenotipizzazione di Seurat genera un intervallo leggermente più piccolo di valori di espressione dei marcatori rispetto a (B) Clustering e fenotipizzazione di FlowSOM. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 7: La fenotipizzazione FlowSOM identifica una gamma più ampia di diversi sottotipi di macrofagi. Il pannello superiore mostra la fenotipizzazione dei macrofagi Seurat (a sinistra) e FlowSOM (a destra) per lo stesso campo visivo. Il pannello inferiore mostra le immagini multiplex in immunofluorescenza dei marcatori chiave del lignaggio dei macrofagi nello stesso campo visivo. Tutte le barre della scala sono da 20 μm. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 8: Confronto delle densità intratumorali di diverse popolazioni cellulari dopo il clustering/fenotipizzazione. I confronti di densità sono mostrati per i macrofagi intratumorali (A) M1, (B) macrofagi M2, (C) altri macrofagi, (D) cellule T CD4, (E) cellule T CD8 e (F) cellule endoteliali. Le barre di errore sono errori standard della media (SEM) e la significatività è stata testata utilizzando test t non appaiati (**p ≤ 0,01). Clicca qui per visualizzare una versione più grande di questa figura.
Figura 9: Profilazione delle metriche spaziali intratumorali per tre tumori del fianco trattati con iniezioni intratumorali di nanoparticelle 4-1BBL/IL-12 e anti-PD1 sistemico. (A) Heatmap delle distanze minime medie tra le popolazioni fenotipizzate intratumorali. Le misure sono in μm. (B) Punteggi di miscelazione normalizzati tra coppie chiave di fenotipi intratumorali. (C) Scomposizione delle composizioni di quartiere in un raggio di 100 μm attorno a popolazioni intratumorali di cellule T CD8. Clicca qui per visualizzare una versione più grande di questa figura.
Anticorpo | Diluizione | Tempo di esposizione (ms) |
SOX-10 | 50 | 450 |
CD8 | 100 | 450 |
CD3 | 100 | 450 |
VolpeP3 | 50 | 350 |
CD4 | 50 | 450 |
MHC-II | 100 | 450 |
PDL1 | 50 | 450 |
CD45 | 100 | 450 |
Ki-67 | 100 | 300 |
F4/80 | 100 | 150 |
CD20 | 100 | 450 |
NK1.1/CD161 | 50 | 450 |
CD206 | 100 | 450 |
CD68 | 100 | 450 |
Granzima-B | 50 | 450 |
CD86 | 100 | 150 |
CD31 | 100 | 450 |
CD11C | 50 | 450 |
CD11b | 50 | 450 |
EOMES | 50 | 450 |
TIM-3 | 50 | 300 |
CD38 | 50 | 200 |
LAG3 | 50 | 450 |
CD163 | 50 | 200 |
Scommessa T | 50 | 300 |
Motore LMP2 | 100 | 100 |
Beta2 MG | 200 | 50 |
Tabella 1: Impostazioni della diluizione degli anticorpi e del tempo di esposizione.
Figura 1 supplementare: Heatmap iniziale dell'espressione proteomica generata dopo il clustering di Seurat. Clicca qui per scaricare questa figura.
Figura 2 supplementare: Heatmap iniziale dell'espressione proteomica generata dopo il clustering di FlowSOM. Clicca qui per scaricare questa figura.
Il successo dell'imaging dipende da un pannello di anticorpi ben progettato e convalidato. L'imaging multiplex in immunofluorescenza di campioni FFPE presenta sfide a causa dell'elevata autofluorescenza e della difficoltà di recuperare gli epitopi mascherati dall'inclusione di paraffina. Tuttavia, dato che FFPE offre diversi vantaggi rispetto ai campioni FF, è essenziale progettare e convalidare pannelli anticorpali FFPE. Il primo passo è finalizzare i cloni di anticorpi che mostrano segnali positivi durante l'imaging in immunofluorescenza (IF); successivamente, è importante coniugarli accuratamente con codici a barre del DNA. La coniugazione dell'anticorpo richiede una riduzione parziale dell'anticorpo per creare legami SH, che vengono utilizzati durante la reazione del gruppo maleimmide con un codice a barre. Non tutti i cloni di anticorpi possono resistere a questo passaggio e alcune reazioni possono causare danni irreversibili all'anticorpo, con conseguente fallimento dell'imaging nonostante la coniugazione riuscita. Per questo motivo, anche se alcuni anticorpi possono mostrare segnali positivi durante la validazione convenzionale dell'IF, per valutare il successo finale della coniugazione anticorpale, è importante convalidare ogni anticorpo sul tessuto di interesse e registrare i tempi di esposizione desiderati per quel tessuto. Nelle applicazioni future, questa tecnica può essere combinata con l'analisi trascrittomica spaziale esistente su vetrini consecutivi/lo stesso vetrino per generare ulteriori informazioni. Uno dei limiti di questo metodo è che richiede un'attenta selezione e convalida di ogni anticorpo nel pannello in base al bersaglio e al tipo di tessuto.
Per quanto riguarda l'analisi delle immagini, QuPath offre un prezioso strumento ad accesso aperto con una visualizzazione di alta qualità dei marcatori proteomici, un'ampia funzionalità per l'esportazione delle misurazioni dell'intensità e l'esecuzione del controllo di qualità per le classificazioni dei fenotipi e una buona flessibilità per gli script generati dagli utenti. I forum online come https://forum.image.sc/ sono una risorsa aggiuntiva per discutere su come eseguire attività di analisi specifiche e per condividere script con altri utenti. In questo protocollo, confrontiamo due approcci di clustering e fenotipizzazione utilizzando Seurat e FlowSOM. Sebbene FlowSOM possa essere preferito per la sua capacità di generare informazioni più granulari sulle sottopopolazioni di cellule immunitarie del TME, è necessario prendere in considerazione anche il tempo necessario per l'analisi proteomica. La generazione di 100 cluster potrebbe non essere necessaria se un utente ha bisogno solo di fenotipizzare le cellule all'interno di uno o due campioni di tessuto. In queste situazioni, Seurat può offrire una pipeline più rapida ed efficiente per l'analisi delle immagini. Al contrario, l'analisi di un TMA con più di 40 o 50 sezioni di tessuto ha maggiori probabilità di produrre un numero maggiore di cluster cellulari in entrambi gli approcci di analisi e FlowSOM può essere la metodologia preferita per generare classificazioni fenotipiche più sfumate.
Il clustering/fenotipizzazione cellulare e tutte le successive fasi di analisi delle immagini dipendono in gran parte dalla segmentazione cellulare. Il nostro lavoro attuale ha esplorato la segmentazione cellulare negli algoritmi HALO (Indica Labs) e StarDist, e abbiamo scoperto che entrambi gli approcci tendono a sovrasegmentare le cellule in base ai segnali nucleari DAPI. Sono disponibili anche molti algoritmi di segmentazione alternativi, come Mesmer19 e InstanSeg20. Si tratta di un campo in crescita della ricerca computazionale che richiede ulteriori esplorazioni e ottimizzazioni.
J.C.S. riconosce il sostegno finanziario di Emerson Collective LLC e del National Institutes of Health. J.J.G. riconosce anche i finanziamenti del National Institutes of Health. J.C.S. ha un rapporto con Palleon Pharmaceuticals Inc., che prevede il finanziamento di sovvenzioni. S.Y.T. e J.J.G. hanno una relazione con OncoSwitch Therapeutics che coinvolge azioni o azioni. S.Y.T., J.J.G., J.C.S. e K.M.L. hanno un brevetto in corso di registrazione. Tutti gli altri autori affermano di non avere interessi finanziari o relazioni personali che potrebbero essere percepiti come influenzanti la ricerca presentata in questo articolo.
J.C.S. riconosce la Dermatology Foundation e il Dermatopathology Career Development Award per aver fatto avanzare la carriera dell'autore. Gli autori ringraziano Hsin-Pei Lee del Cancer Data Science Laboratory del National Cancer Institute per l'assistenza con le tecniche di analisi computazionale. Questa ricerca ha ricevuto finanziamenti dall'Emerson Collective e dal National Institutes of Health (R37CA246699, P41EB028239 e R01CA228133). Inoltre, il nucleo del Johns Hopkins Oncology Tissue Services (OTS) è supportato dal National Institutes of Health (P30CA006973).
Name | Company | Catalog Number | Comments |
16% paraformaldehyde (PFA) | Electron Microscopy Sciences | PN# 15710 | Required during tissue staining process |
50kDa MWCO filter | Millipore | UFC505096 | 25 kDa and 100 kDa result in failure |
Akoya barcodes and reporters | Akoya Biosciences | Varied | Each barcode can be used to conjugate 50 ug of carrier free antibody and comes with two vials of reporters |
Antibody conjugation kit | Akoya Biosciences | 7000009 | A conjugation kit is used to create custom barcode-conjugated antibodies. Each kit contains sufficient reagents for ten conjugations. The kit consists of one subkit box stored at 4 °C and one subkit box stored at -20 °C. The 4 °C subkit includes Filter Blocking Solution, Reduction Solution 2, Conjugation Solution, Purification Solution, and Antibody Storage Solution. The -20 °C subkit includes Reduction Solution 1. |
Beta2MG | Abcam | ab214769 | |
CD11b | CST | #41028 | |
CD11C | CST | #39143SF | |
CD163 | CST | #68922BF | |
CD20 | CST | #45839 | |
CD206 | CST | #87887 | |
CD3 | CST | #24581 | |
CD31 | CST | #92841 | |
CD38 | CST | #68336BF | |
CD4 | Abcam | ab271945 | |
CD45 | CST | #98819 | |
CD68 | CST | #29176 | |
CD8 | Invitrogen | #14-0808-82 | |
CD86 | CST | #20018 | |
Dimethyl sulfoxide | Avantor/VWR | BDH1115-4LP | |
EOMES | Abcam | ab222226 | |
Eppendorf PCR tubes | Eppendorf | E0030124286 | Required store 5 μL conjugated antibody for conjugation confirmation by gel electrophoresis |
Ethanol 200 proof | |||
F4/80 | CST | # 25514 | |
FoxP3 | CST | #72338 | |
Gran-B | CST | #79903SF | |
Heating oven | |||
Hybridization chamber | Used to stain tissue with antibody cocktail | ||
Hydrogen peroxide | Sigma | #216763 | Required for preparing bleaching solution |
Instant pot pressure cooker or Decloaking Chamber ARC | Instant pot or Biocare Medical | ||
Ki-67 | Akoya Biosciences | ||
LAG3 | CST | #80282BF | |
LMP2 | Abcam | ab243556 | |
Methanol | |||
MHC-II | eBioscience | #14-5321-82 | |
NK1.1 | CST | #24395SF | |
Nuclear Stain | Akoya Biosciences | 7000003 | |
PDL1 | CST | #85095 | |
Salmon Sperm DNA, sheared (10 mg/mL) | Invitrogen | AM9680 | Can be used as an alternative to assay reagent (Akoya) during reporter plate preparation step. |
SOX-10 | Abcam | ab245760 | |
Staining kit for PhenoCycler-Fusion | Akoya Biosciences | 7000017 | The PhenoCycler-Fusion Sample Kit includes the buffers and reagents necessary for tissue staining using antibodies conjugated with PhenoCycler barcodes, along with flow cells for whole-slide imaging. Each kit is sufficient for 10 PhenoCycler-Fusion experiments. It consists of one subkit stored at 4 °C, another at -20 °C, and a package of 10 flow cells kept at room temperature. The subkit stored at 4 °C contains Hydration Buffer, Staining Buffer, Storage Buffer, N Blocker, and J Blocker. The subkit stored at -20 °C contains G Blocker, S Blocker, and Fixative Reagent. |
T-bet | CST | #53753 | |
TIM-3 | CST | #72911 | |
UltraPure DNase/RNase-free distilled water | Invitrogen | 10977015 | Required to dissolve barcodes during antibody conjugation |
Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE
Richiedi AutorizzazioneThis article has been published
Video Coming Soon