Presentert er et beregningsverktøy som tillater enkel og direkte automatisk måling av orienteringer av nevronal dendritiske grener fra 2D fluorescensbilder.
Strukturen av nevronale dendrittiske trær spiller en nøkkelrolle i integreringen av synaptiske innganger i nevroner. Derfor er karakterisering av morfologien til dendritter avgjørende for en bedre forståelse av nevronfunksjon. Imidlertid har kompleksiteten til dendrittiske trær, både når de er isolert og spesielt når de ligger i nevronnettverk, ikke blitt fullstendig forstått. Vi utviklet et nytt beregningsverktøy, SOA (Segmentation and Orientation Analysis), som tillater automatisk måling av orientering av dendritiske grener fra fluorescensbilder av 2D-nevronkulturer. SOA, skrevet i Python, bruker segmentering for å skille dendrittiske grener fra bildebakgrunnen og akkumulerer en database om den romlige retningen til hver gren. Databasen brukes deretter til å beregne morfologiske parametere som retningsfordeling av dendrittiske grener i et nettverk og utbredelsen av parallell dendrittisk grenvekst. De oppnådde dataene kan brukes til å oppdage strukturelle endringer i dendritter som respons på nevronaktivitet og til biologiske og farmakologiske stimuli.
Dendritisk morfogenese er et sentralt emne i nevrovitenskap, da strukturen til detdrittiske treet påvirker beregningsegenskapene til synaptisk integrasjon hos nevroner1,2,3. Videre er morfologiske abnormiteter og modifikasjoner i dendrittiske grener involvert i degenerative og nevroutviklingsforstyrrelser4,5,6. I nevronkulturer der dendrittisk konsekvenser lettere kan visualiseres, regulerer interaksjonene mellom ikke-søster dendrittiske grener stedene og omfanget av synaptisk klynge langs grenene, en oppførsel som kan påvirke synaptisk koaktivitet og plastisitet7,8,9. Derfor er karakterisering av de morfologiske parametrene til detdrittiske treet ved hjelp av todimensjonale (2D) nevronkulturer fordelaktig for å forstå dendritisk morfogenese og funksjonalitet av enkelt- og nettverk av nevroner. Likevel er dette en utfordrende oppgave fordi dendrittiske grener danner et komplekst nett selv i “forenklede” 2D-nevronkulturer.
Flere verktøy er utviklet for å automatisk spore og analysere dendritiske strukturer10,11,12,13. Imidlertid er de fleste av disse verktøyene designet for 3D-nevronnettverk og er naturligvis for komplekse å bruke med 2D-nettverk. I motsetning innebærer mindre avanserte morfologiske analyseverktøy vanligvis en betydelig komponent i dataassistert manuell arbeidskraft, som er svært tidkrevende og utsatt for operatørbias14. Eksisterende halvautomatiske verktøy, for eksempel ‘ImageJ’15 (en NIH åpen kildekode-bildebehandlingspakke med en enorm samling av samfunnsutviklede biologiske bildeanalyseverktøy), reduserer i stor grad brukerhåndbokarbeid. Noen manuelle inngrep er imidlertid fortsatt nødvendig under bildebehandling, og kvaliteten på segmenteringen kan være mindre enn ønskelig.
Dette dokumentet presenterer SOA, et enkelt automatisert verktøy som tillater direkte segmentering og orienteringsanalyse av dendritiske grener innen 2D-nevronnettverk. SOA kan oppdage ulike linjelignende objekter i 2D-bilder og karakterisere deres morfologiske egenskaper. Her brukte vi SOA for segmentering av dendrittiske grener i 2D-fluorescensbilder av dendritiske nettverk i kulturen. Programvaren identifiserer dendritiske grener og utfører vellykket målinger av morfologiske parametere som parallellisme og romlig distribusjon. SOA kan enkelt tilpasses for analyse av cellulære prosesser av andre celletyper og for å studere ikke-biologiske nettverk.
Effektive strategier for å trekke ut morfologisk informasjon fra 2D-bilder er presserende nødvendig for å holde tritt med biologiske bildedata. Selv om bildedata kan genereres i timer, tar grundig analyse av bildene lang tid. Som et resultat har bildebehandling tydeligvis blitt et stort hinder på mange felt. Dette skyldes delvis den høye kompleksiteten i dataene, spesielt når det gjelder biologiske prøver. Ettersom mange brukere mangler spesialiserte programmerings- og bildebehandlingsferdigheter, er det dessuten …
The authors have nothing to disclose.
Forfatterne vil takke Dr. Orly Weiss for utarbeidelsen av kulturbildene.
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 |