Автоматическая идентификация дендритных ветвей и их ориентация
Summary
Представлен вычислительный инструмент, позволяющий просто и напрямую автоматически измерять ориентации нейронных дендритных ветвей по 2D флуоресцентным изображениям.
Abstract
Структура нейронных дендритных деревьев играет ключевую роль в интеграции синаптических входов в нейроны. Поэтому характеристика морфологии дендритов необходима для лучшего понимания функции нейронов. Однако сложность дендритных деревьев, как при изоляции, так и особенно при расположении в нейронных сетях, не была полностью понята. Мы разработали новый вычислительный инструмент SOA (Segmentation and Orientation Analysis), который позволяет автоматически измерять ориентацию дендритных ветвей по флуоресцентным изображениям 2D нейронных культур. SOA, написанная на Python, использует сегментацию для отличия дендритных ветвей от фона изображения и аккумулирует базу данных о пространственном направлении каждой ветви. Затем база данных используется для расчета морфологических параметров, таких как направленное распределение дендритных ветвей в сети и распространенность параллельного роста дендритных ветвей. Полученные данные могут быть использованы для выявления структурных изменений дендритов в ответ на активность нейронов и на биологические и фармакологические раздражители.
Introduction
Дендритный морфогенез является центральным предметом в нейробиологии, так как структура дендритного дерева влияет на вычислительные свойства синаптической интеграции в нейронах1,2,3. Кроме того, морфологические аномалии и модификации в дендритных ветвях связаны с дегенеративными и нервно-психическими расстройствами развития4,5,6. В нейронных культурах, где дендритное разветвление может быть более легко визуализировано, взаимодействия между неродственными дендритными ветвями регулируют участки и степень синаптической кластеризации вдоль ветвей, поведение, которое может влиять на синаптическую коактивность и пластичность7,8,9. Поэтому характеристика морфологических параметров дендритного дерева с использованием двумерных (2D) нейрональных культур выгодна для понимания дендритного морфогенеза и функциональности одиночных и сетей нейронов. Тем не менее, это сложная задача, потому что дендритные ветви образуют сложную сетку даже в «упрощенных» 2D-нейронных культурах.
Было разработано несколько инструментов для автоматического отслеживания и анализа дендритных структур10,11,12,13. Однако большинство из этих инструментов предназначены для 3D-нейронных сетей и, естественно, слишком сложны для использования с 2D-сетями. Напротив, менее продвинутые инструменты морфологического анализа обычно включают значительный компонент ручного труда с помощью компьютера, который очень трудоемкий и восприимчивый к смещению оператора14. Существующие полуавтоматические инструменты, такие как ImageJ’15 (пакет обработки изображений с открытым исходным кодом NIH с обширной коллекцией разработанных сообществом инструментов анализа биологических изображений), в значительной степени сокращают ручной труд пользователя. Тем не менее, некоторые ручные вмешательства все еще необходимы во время обработки изображения, и качество сегментации может быть менее желательным.
В этой статье представлен SOA, простой автоматизированный инструмент, который позволяет напрямую сегментировать и анализировать ориентацию дендритных ветвей в 2D-нейронных сетях. SOA может обнаруживать различные линейно-подобные объекты на 2D-изображениях и характеризовать их морфологические свойства. Здесь мы использовали SOA для сегментации дендритных ветвей в 2D-флуоресцентных изображениях дендритных сетей в культуре. Программное обеспечение идентифицирует дендритные ветви и успешно выполняет измерения морфологических параметров, таких как параллелизм и пространственное распределение. SOA может быть легко адаптирована для анализа клеточных процессов других типов клеток и для изучения небиологических сетей.
Protocol
Representative Results
Discussion
Эффективные стратегии извлечения морфологической информации из 2D-изображений срочно необходимы, чтобы идти в ногу с данными биологической визуализации. Хотя данные визуализации могут быть сгенерированы за несколько часов, углубленный анализ изображений занимает много времени. В рез…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Авторы хотели бы поблагодарить доктора Орли Вайса за подготовку изображений культуры.
Materials
| Matplotlib | 2002 – 2012 John Hunter, Darren Dale, Eric Firing, Michael Droettboom and the Matplotlib development team; 2012 – 2021 The Matplotlib development team. | 3.4.2 | a Python 2D plotting library |
| matplotlib-scalebar | Philippe Pinard | 0.7.2 | artist for matplotlib to display a scale bar |
| NumPy | The NumPy community. | 1.20.3 | fundamental package for scientific computing library |
| OpenCV | OpenCV team | 4.5.2.54 | Open Source Computer Vision Library |
| PyCharm | JetBrains | 2020.3.1 (Community Edition) version | Build #PC-203.6682.86, built on December 18, 2020. Runtime version: 11.0.9.1+11-b1145.37 amd64. VM: OpenJDK 64-Bit Server VM by JetBrains s.r.o. Windows 10 10.0. Memory: 978M, Cores: 4 |
| PyQt5 | Riverbank Computing | 5.15.4 | manage the GUI |
| python | Python Software Foundation License | 3.9 version | |
| Qt Designer | The QT Company Ltd. | 5.11.1 version | |
| scipy | Community library project | 1.6.3 | Python-based ecosystem of open-source software for mathematics, science, and engineering |
| Seaborn | Michael Waskom. | 0.11.1 | Python's Statistical Data Visualization Library. |
| Windows 10 | Microsoft | ||
| Xlsxwriter | John McNamara | 1.4.3 | Python module for creating Excel XLSX files |
References
- Ferrante, M., Migliore, M., Ascoli, G. Functional impact of dendritic branch-point morphology. Journal of Neuroscience. 33 (5), 2156-2165 (2013).
- Spruston, N. Pyramidal neurons: dendritic structure and synaptic integration. Nature Reviews Neuroscience. 9 (3), 206-221 (2008).
- Chklovskii, D. Synaptic Connectivity and Neuronal Morphology: Two Sides of the Same Coin. Neuron. 43 (5), 609-617 (2004).
- Chapleau, C., Larimore, J., Theibert, A., Pozzo-Miller, L. Modulation of dendritic spine development and plasticity by BDNF and vesicular trafficking: fundamental roles in neurodevelopmental disorders associated with mental retardation and autism. Journal of Neurodevelopmental Disorders. 1 (3), 185-196 (2009).
- Irwin, S. Dendritic Spine Structural Anomalies in Fragile-X Mental Retardation Syndrome. Cerebral Cortex. 10 (10), 1038-1044 (2000).
- Kaufmann, W. Dendritic anomalies in disorders associated with mental retardation. Cerebral Cortex. 10 (10), 981-991 (2000).
- Pinchas, M., Baranes, D. Dendritic branch intersections are structurally regulated targets for efficient axonal wiring and synaptic clustering. PLoS ONE. 8 (12), 82083 (2013).
- Cove, J., Blinder, P., Baranes, D. Contacts among non-sister dendritic branches at bifurcations shape neighboring dendritic branches and pattern their synaptic inputs. Brain Research. 1251, 30-41 (2009).
- Blinder, P., Cove, J., Foox, M., Baranes, D. Convergence among non-sister dendritic branches: An activity-controlled mean to strengthen network connectivity. PLoS ONE. 3 (11), 3782 (2008).
- Glaser, J., Glaser, E. Neuron imaging with neurolucida – PC-based system for image combining microscopy. Computerized Medical Imaging and Graphics. 14 (5), 307-317 (1990).
- Scorcioni, R., Polavaram, S., Ascoli, G. L-Measure: a web-accessible tool for the analysis, comparison and search of digital reconstructions of neuronal morphologies. Nature Protocols. 3 (5), 866-876 (2008).
- Torben-Nielsen, B. An efficient and extendable python library to analyze neuronal morphologies. Neuroinformatics. 12 (4), 619-622 (2014).
- Parekh, R., Ascoli, G. Neuronal morphology goes digital: A research hub for cellular and system neuroscience. Neuron. 78 (1), 206 (2013).
- heng, J., Zhou, X., Sabatini, B. L., Wong, S. T. C. NeuronIQ: A novel computational approach for automatic dendrite SPINES detection and analysis. 2007 IEEE/NIH Life Science Systems and Applications Workshop. , 168-171 (2007).
- Image processing and analysis in Java. NIH. ImageJ Available from: https://imagej.nih.gov/ij (2021)
- Peretz, H., Talpalar, A. E., Vago, R., Baranes, D. Superior survival and durability of neurons and astrocytes on 3-dimensional aragonite biomatrices. Tissue Engineering. 13, 461-472 (2007).
- Morad, T. I., Hendler, R. M., Weiss, O. E., Canji, E. A., Merfeld, I., Dubinsky, Z., Minnes, R., Francis, Y. I., Baranes, D. Gliosis of astrocytes cultivated on coral skeleton is regulated by the matrix surface topography. Biomedical Materials. 14 (4), 045005 (2019).
