SynBBB 血脑屏障模型

SynBBB 血脑屏障模型通过复制脑组织细胞的组织切片来重建体内微环境。该模型能够通过跨血脑屏障 (BBB) 与内皮细胞进行交流来做到这一点。因此，在 SynBBB 模型中使用生理流体流动很容易实现剪切诱导的内皮细胞紧密连接。这是其他模型（例如 Transwell® 模型）无法实现的。使用 SynVivo细胞阻抗分析仪的生化或电分析（评估电阻变化）可以测量紧密连接变化的形成. 在 SynBBB 测定中，脑组织细胞和内皮细胞之间的相互作用很容易显现。Transwell® 模型不允许这些细胞相互作用的实时可视化，这对于理解 BBB 微环境至关重要。

亮点包括：

准确 的体内 血流动力学剪切应力

细胞和屏障功能的实时可视化和定量

显着降低成本和时间

强大且易于使用的协议

用于开发 BBB 模型的设备示意图。顶室（外通道）用于培养血管（内皮细胞），而基底外侧室（中央室）用于培养脑组织细胞（星形胶质细胞、周细胞或神经元）。多孔结构能够实现血管和组织细胞之间的通信。外通道宽度 (OC)、行程宽度 (T)、狭缝间距 (S S )、狭缝宽度 (W S )。

使用脑内皮细胞/细胞系进行单一培养	共培养–脑内皮细胞/星形胶质细胞	Tri-Culture-脑内皮细胞/星形胶质细胞/周细胞

产品购买选项

芯片：根据您的具体研究应用，您可以从基本的 IMN2（径向或线性）或 IMN2 径向“TEER 兼容”芯片选择配置。

试剂盒：运行 SynBBB 检测所需的所有基本组件都可以以试剂盒形式购买。提供两种套件格式，您可以在 IMN2 径向、IMN2 线性或 IMN2 径向 TEER芯片之间进行选择。

入门套件：首次购买时选择此套件

10 个 SynBBB 芯片（可选择 IMN2 径向、IMN2 线性或 IMN2 径向-TEER 共培养芯片）

配件包括管子、夹子、针头和注射器

气动启动装置（启动管道以去除空气时需要）

细胞阻抗分析仪*（SynBBB TEER 测量所需）

*仅包含在 IMN2-TEER 入门套件中

检测试剂盒：如果您之前购买了气动灌注装置，请选择此试剂盒格式

10 个 SynBBB 芯片（可选择 IMN2 径向、IMN2 线性或 IMN2 径向-TEER 共培养芯片）

配件包括管子、夹子、针头和注射器

理想的共培养网络芯片（IMN2 径向）

IMN2径向芯片（200μm外通道，1.8mm组织腔室，50μm狭缝间距，3um宽狭缝，50μ行程（通道间距，100μm深度（高度）

理想化共培养网络芯片（IMN2 TEER）

IMN2 径向 TEER 芯片：200μm 外通道，1.8mm 组织腔室，50μm 狭缝间距，3um 宽狭缝，50μ行程（通道之间的空间），100μm 深度（高度），具有阻抗能力。

理想化共培养网络芯片（IMN2 TEER）

支持数据：

SynVivo 平台用于在芯片上创建第一个新生儿血脑屏障

天普大学的研究人员使用芯片上的 SynBBB 大脑来模拟新生儿血脑屏障 (BBB) 的属性和功能。SynBBB 模型密切模仿体内微环境，包括微流控芯片上的三维形态、细胞相互作用和流动特性。这项工作标志着第一个动态体外新生儿 BBB 模型提供了适用于 BBB 功能研究和新疗法筛选的实时可视化和分析。

一种新型动态新生儿血脑屏障芯片

作者：S. Deosarkar、B. Prabhakarpandian、B. Wang、JB Sheffield、B. Krynska、M. Kiani。PLOS ONE，2015 年，DOI：10.1371/journal.pone.0142725

SynBBB 模型包括并排放置并由工程多孔屏障隔开的组织隔室和血管通道。因此，研究人员能够在体内观察到的生理条件下共培养新生大鼠脑内皮细胞和大鼠星形胶质细胞。内皮细胞形成一个完整的管腔并表现出紧密的连接形成，在与星形胶质细胞的共培养下增加。发现芯片上血脑屏障中的小分子渗透性与体内观察结果非常一致。与 Transwell 模型相比，SynBBB 的屏障功能显着提高，并且非常接近体内 BBB 的渗透性。

SynBBB 和 Transwell BBB 在 ACM 存在下用新生儿 RBEC 构建。 SynBBB 中 40 kDa 葡聚糖的渗透率显着低于 transwell，但与新生大鼠体内 BBB 的渗透率没有显着差异。

星形胶质细胞和大鼠脑内皮细胞在血管通道和组织隔室之间的多孔界面处相互作用

SynVivo 平台用于开发片上血液肿瘤屏障

新型微流体血液肿瘤屏障模型的渗透性

作者：Tori B. Terrell-Hall、Amanda G. Ammer、Jessica IG Griffith 和 Paul R. Lockman

流体和 CNS 屏障(2017) 14:3

在这项研究中，Lockman 博士的团队采用 SynVivo BBB 模型来开发和表征 BTB 模型。研究结果表明，体外BTB 模型在渗透性和流出特性方面模拟了体内 BTB。此外，基于抑制剂的渗透性调节很容易量化，并与体内观察结果进行了很好的比较。根据 Lockman 博士的说法，“虽然一些体外模型具有流动成分，但该检测是有史以来第一个使用市售微流体模型开发的血肿瘤屏障，除了实时可视化外，该模型具有类似于体内观察到的剪切应力和定量。” 这种血肿瘤屏障模型为用于药物发现和了解中枢神经系统疾病的筛选试验奠定了基础。

在没有抑制剂 (a) 和抑制剂 (b) 的 BBB 模型中灌注 90 分钟后，罗丹明 123 染料在中央隔室中积累的代表性明场图像。在 BBB 和 BTB 芯片（c）中染料灌注 90 分钟后，Rho123 荧光染料积累到中央隔室的速率。灌注了 Rho123 ± P-gp 抑制剂（环孢素 A 或维拉帕米）的 BBB (d) 和 BTB (e) 芯片中荧光染料积累的速率。统计显着性使用单因素方差分析、Tukey 多重比较检验和学生 t 检验确定；*p < 0.05 示踪剂和无限制扩散 kin 之间的显着性，n = 3-4；+p < 0.05 BBB/BTB 模型与添加抑制剂之间的显着性，n = 3-6。所有数据代表平均值±SEM。白色矩形比例尺 500 μm。

芯片上SynBBB 血液肿瘤屏障促进了对跨血脑屏障的治疗转移的理解

乳腺癌脑转移体内和体外模型中的曲妥珠单抗分布
作者：Tori B. Terrell-Hall、Mohamed Ismail Nounou、Fatema El-Amrawy、Jessica IG Griffith 和 Paul R. Lockman
Oncotarget。2017；8:83734-83744

西弗吉尼亚大学的研究员 Paul Lockman 及其同事报告了使用芯片上 SynVivo 血脑屏障 (BBB) 监测和量化曲妥珠单抗 (Herceptin®) 穿过血脑屏障的运动的首批研究之一。曲妥珠单抗是一种单克隆抗体，广泛用于治疗 HER2+ 乳腺癌。在 Oncotarget 上发表的题为“曲妥珠单抗在乳腺癌脑转移体内和体外模型中的分布”的研究中， SynVivo 的 BBB 模型适用于开发血液肿瘤屏障 (BTB) 模型。该模型由 HER2+ 乳腺癌细胞组成，随后实时监测抗体曲妥珠单抗的组织分布。数据显示，体内曲妥珠单抗的渗透性从 BBB 增加到 BTB，与 SynVivo 模型中观察到的相似。

Lockman 博士表示，“开发能够预测 BBB 体内反应的体外模型对于推进我们对脑部疾病的理解和治疗策略至关重要”。SynVivo 的体内验证微流控 3D 组织模型为加强药物发现和交付的转化研究提供了宝贵的资源。

曲妥珠单抗运动的机制。t-Rho123 在体外 BBB 和 BTB 微流控芯片模型中的线性中央隔室积累。具有 TRITC 标记的 t-Rho123 模型的代表性图像流过外部隔室中的 HUVEC 细胞和中央隔室 (A) 中的星形胶质细胞或 JIMT-1 癌细胞。每个模型中 t-Rho123 运动的速率与不受限制的扩散 kin 作图；** P<0.0033 BBB 模型和无限制扩散 kin 之间的显着性，n=3；*** BTB 模型和无限制扩散 kin 之间的 p<0.0005 显着性，n=3。所有数据代表平均值 ± SEM 每个模型与 0 (p < 0.05) (B) 显着不同。BBB (C) 和 BTB 中 t-Rho123 积累率的代表性图表

应用案例

与内皮细胞和星形胶质细胞共培养

在 SynBBB 装置中共培养的原代大鼠脑内皮细胞和星形胶质细胞。 使用细胞阻抗分析仪测量的屏障上的欧姆电阻增加与 BBB 上的紧密连接形成有关。 与单培养的内皮细胞相比，与星形胶质细胞共培养的内皮细胞形成明显更紧密的细胞连接。

CD-31（绿色）染色的内皮细胞和 GFAP（红色）染色的星形胶质细胞。 所有细胞核都用 DAPI（蓝色）染色。

突出显示增加的 TEER 与内皮细胞和星形胶质细胞的共培养。

具有脑内皮细胞的单一培养模型

在 Transwell® 模型中无法实现的剪切诱导的内皮细胞紧密连接，在使用液体灌注的 SynBBB 测定中很容易实现。 使用 SynVivo 细胞阻抗分析仪的生化或电分析（评估电阻变化）可以测量紧密变化的形成。

原代内皮细胞在生理流体流动下在血管通道中培养。 细胞被染色以寻找紧密连接标记，突出显示与静态条件相比在流体流动下的增加。细胞阻抗分析仪系统用于测量与紧密连接形成相关的欧姆电阻 (TEER) 增加。

实时渗透性测定

与按从上到下的架构（即 Transwell）排列的 BBB 模型不同，由于其并排架构，可以在 SynBBB 系统中实时评估和量化小分子转运。 感兴趣的荧光标记药物分子以生理流速通过血管通道灌注。 获取并分析实时视频以计算进入组织腔的渗透率。 由于内皮细胞的紧密连接，在 BBB 上观察到不同的渗透率。

实时紧密联结调制

SynBBB 可用于模拟炎症反应。 一种促炎化合物，如 TNF-α，被添加到单培养的内皮细胞中以调节紧密连接，然后在灌注流下恢复一段时间。 电阻测量为紧密连接的实时监测提供了一种非侵入性方法。

SynBBB 模型中炎症反应的调节。 通过跨内皮细胞的电阻变化来测量 TNF-α 诱导的 BBB中渗漏。去除 TNF-α，然后在生理流动条件下进行培养基灌注，可以恢复紧密连接，从而增加紧密连接的形成。 由于缺乏紧密连接，静态电池保持恒定电阻。

使用 SynBBB 模型的应用程序和端点：

药物渗透性测定：评估整个 BBB 的实时渗透性。

神经毒性：分析化学、生物和物理制剂对 BBB 细胞的毒性作用。

神经保护：评估对 BBB 有保护作用的药物。

NeuroOncology：研究肿瘤细胞对 BBB 的影响。

NeuroInflammation：评估对 BBB 的炎症影响。

生物标志物分析：可视化和量化紧密连接或转运蛋白。

细胞迁移：可视化和量化免疫细胞的迁移。

组学变化：正常和功能失调 BBB 的基因组、蛋白质组和代谢分析。

示例端点

使用荧光标记分子进行渗透性测量，或者如果未标记，则使用来自收集的流出物的质谱/其他读数、TEER 电阻测量、活力、ROS、细胞变化的实时成像、生物标志物分析、收集处理过的细胞或流出物进行下游分析。

文献：

A Microfluidic Model of Human Brain (uHuB) for Assessment of Blood-Brain Barrier

Author(s): Tyler D. Brown, Maksymillian Nowak, Alexandra V. Bayles, Balabhaskar Prabhakarpandian, Pankaj Karande, Joerg Lahann, Matthew Helgeson, and Samir Mitragotri

Bioengineering and Translational Medicine. 15: 309 (2019; 4:e10126).

 

Protein kinase C-delta Inhibition Protects Blood-Brain Barrier from Sepsis-Induced Vascular Damage

Author(s): Yuan Tang, Fariborz Soroush, Shuang Sun, Elisabetta Liverani, Jordan C. Langston, Qingliang Yang, Laurie E. Kilpatrick, and Mohammad F. Kiani. J

Neuroinflammation. 15: 309 (2018).

 

Trastuzumab Distribution in an In-Vivo and In-Vitro Model of Brain Metastases of Breast Cancer 

Author(s): Tori B. Terrell-Hall, Mohamed Ismail Nounou, Fatema El-Amrawy, Jessica I.G. Griffith, and Paul R. Lockman

Oncotarget. 2017; 8:83734-83744

 

Permeability Across a Novel Microfluidic Blood‑Tumor Barrier Model

Author(s): Tori B. Terrell‑Hall, Amanda G. Ammer, Jessica I. G. Griffith, and Paul R. Lockman

Fluids and Barriers of the CNS (2017) 14:3

 

A Novel Dynamic Neonatal Blood-Brain Barrier on a Chip

Author(s): S. Deosarkar, B. Prabhakarpandian, B. Wang, J.B. Sheffield, B. Krynska, and M. Kiani

PLOS ONE, 2015

 

SyM-BBB: A Microfluidic Blood-Brain Barrier Model

Author(s): B. Prabhakarpandian, M.-C. Shen, J.B. Nichols, I.R. Mills, M.S.-Wegrzynowicz, M. Aschner, and K. Pant

Lab on a Chip, 2013, 13, 1093-1101