树枝状分支及其方向的自动识别
Summary
展示的是一种计算工具，允许从2D荧光图像中简单直接地自动测量神经元树突分支的方向。
Abstract
神经元树突树的结构在神经元中突触输入的整合中起着关键作用。因此，树突形态的表征对于更好地了解神经元功能至关重要。然而，树突树的复杂性，无论是孤立的还是位于神经元网络内时，都尚未完全理解。我们开发了一种新的计算工具 SOA （分割和定向分析），它允许从2D神经元培养物的荧光图像中自动测量树突分支的方向。用Python编写的SOA使用分割来区分树突分支和图像背景，并在每个分支的空间方向上积累一个数据库。然后，该数据库用于计算形态参数，例如网络中树突分支的方向分布和平行树突分支生长的流行率。获得的数据可用于检测树突的结构变化，以响应神经元活动以及生物和药理学刺激。
Introduction
树突形态发生是神经科学的核心主题，因为树突树的结构会影响神经元突触整合的计算特性1，2，3。此外，树突状支的形态异常和修饰与退行性和神经发育障碍有关4，5，6。在树突状分支更容易可视化的神经元培养物中，非姐妹树突状分支之间的相互作用调节沿分支突触聚集的部位和程度，这种行为可能会影响突触共性和可塑性7，8，9。因此，使用二维（2D）神经元培养物表征树突状树的形态参数有利于了解树突形态发生和单个神经元和神经网络的功能。然而，这是一项具有挑战性的任务，因为即使在”简化”的2D神经元培养物中，树突状分支也会形成复杂的网格。
已经开发了几种工具来自动跟踪和分析树突结构10，11，12，13。但是，这些工具中的大多数都是为3D神经元网络设计的，并且自然太复杂而无法与2D网络一起使用。相比之下，不太先进的形态分析工具通常涉及计算机辅助体力劳动的重要组成部分，这非常耗时且容易受到操作员偏差的影响14。现有的半自动工具，如’ImageJ’15 （NIH开源图像处理软件包，其中包含大量社区开发的生物图像分析工具），大大减少了用户的体力劳动。然而，在图像处理过程中仍然需要一些人工干预，并且分割的质量可能低于预期。
本文介绍了SOA，这是一个简单的自动化工具，允许对2D神经元网络中的树突分支进行直接分割和定向分析。SOA可以检测2D图像中的各种线状物体，并表征它们的形态特性。在这里，我们使用SOA对培养物中树突网络的2D荧光图像中的树突分支进行分段。该软件识别树突分支，并成功执行形态参数的测量，如平行度和空间分布。SOA可以很容易地用于分析其他细胞类型的细胞过程和研究非生物网络。
Protocol
Representative Results
Discussion
迫切需要从2D图像中提取形态信息的有效策略，以跟上生物成像数据。虽然成像数据可以在几小时内生成，但对图像的深入分析需要很长时间。因此，图像处理显然已成为许多领域的主要障碍。这部分是由于数据的高度复杂性，特别是在处理生物样本时。此外，由于许多用户缺乏专门的编程和图像处理技能，因此需要自动化工具，以便以简单和用户友好的方式完成图像处理。这就是为什么SOA有望?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
作者要感谢Orly Weiss博士准备的文化图像。
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).
