Summary
المقدمة هي أداة حسابية تسمح قياس تلقائي بسيط ومباشر للتوجهات الفروع التشجر العصبية من الصور الفلورية 2D.
Abstract
بنية الأشجار التشجر العصبي يلعب دورا رئيسيا في دمج المدخلات متشابك في الخلايا العصبية. لذلك ، فإن توصيف مورفولوجيا التشعبات أمر ضروري لفهم أفضل لوظيفة الخلايا العصبية. ومع ذلك ، فإن تعقيد الأشجار التشجرية ، سواء عندما تكون معزولة وخاصة عندما تقع داخل شبكات الخلايا العصبية ، لم يكن مفهوما تماما. طورنا أداة حسابية جديدة ، SOA (تحليل التقسيم والتوجيه) ، والتي تسمح للقياس التلقائي لتوجيه الفروع التشجرية من الصور الفلورية للثقافات العصبية ثنائية الأبعاد. SOA، مكتوبة في بيثون، ويستخدم تجزئة لتمييز الفروع dendritic من خلفية الصورة ويتراكم قاعدة بيانات عن الاتجاه المكاني لكل فرع. ثم يتم استخدام قاعدة البيانات لحساب المعلمات المورفولوجية مثل التوزيع الاتجاهي للفروع التشجرية في الشبكة وانتشار نمو الفرع المتوازي. ويمكن استخدام البيانات التي تم الحصول عليها للكشف عن التغيرات الهيكلية في التشعبات استجابة لنشاط الخلايا العصبية والمحفزات البيولوجية والصيدلانية.
Introduction
تكوين المورفوجين Dendritic هو موضوع مركزي في علم الأعصاب ، حيث يؤثر هيكل الشجرة التغصنية على الخصائص الحسابية للتكامل المتشابك في الخلايا العصبية1،2،3. وعلاوة على ذلك، فإن التشوهات المورفولوجية والتعديلات في الفروع التغصنية متورطة في اضطرابات تنكسية وعصبية النمو4,5,6. في الثقافات العصبية حيث يمكن تصور تشعبات التشجر بسهولة أكبر ، تنظم التفاعلات بين الفروع غير الشقيقة مواقع ومدى التجمع المتشابك على طول الفروع ، وهو سلوك قد يؤثر على التفاعل المتشابك واللدونة7،8،9. لذلك، توصيف المعلمات المورفولوجية للشجرة التغصنية باستخدام الثقافات العصبية ثنائية الأبعاد (2D) مفيد لفهم مورفوجينيسيس التغصني ووظائف واحدة وشبكات الخلايا العصبية. ومع ذلك ، هذه مهمة صعبة لأن الفروع التشجرية تشكل شبكة معقدة حتى في الثقافات العصبية ثنائية الأبعاد "المبسطة".
وقد تم تطوير العديد من الأدوات لتتبع وتحليل الهياكل التغصنية تلقائيا10,11,12,13. ومع ذلك، تم تصميم معظم هذه الأدوات لشبكات الخلايا العصبية ثلاثية الأبعاد وهي بطبيعة الحال معقدة للغاية لاستخدامها مع الشبكات ثنائية الأبعاد. وعلى النقيض من ذلك، تنطوي أدوات التحليل المورفولوجي الأقل تقدما عادة على مكون هام من العمل اليدوي بمساعدة الحاسوب، وهو يستغرق وقتا طويلا جدا وعرضة لتحيز المشغل14. الأدوات شبه التلقائية الحالية ، مثل "ImageJ'15 (حزمة معالجة الصور مفتوحة المصدر من NIH مع مجموعة واسعة من أدوات تحليل الصور البيولوجية المطورة من المجتمع) ، تقلل إلى حد كبير من العمل اليدوي للمستخدم. ومع ذلك، لا تزال هناك حاجة إلى بعض التدخلات اليدوية أثناء معالجة الصور، ويمكن أن تكون جودة التقسيم أقل من المرغوب فيه.
تقدم هذه الورقة SOA ، وهي أداة آلية بسيطة تسمح بتقسيم مباشر وتحليل اتجاه الفروع التغصنية داخل شبكات الخلايا العصبية ثنائية الأبعاد. يمكن للSA الكشف عن مختلف الأجسام الشبيهة بالخط في الصور 2D وتوصيف خصائصها المورفولوجية. هنا ، استخدمنا SOA لتقسيم الفروع التشجرية في صور مضانة 2D من الشبكات التشجرية في الثقافة. ويحدد البرنامج الفروع التشجرية وينجح في إجراء قياسات للمعلمات المورفولوجية مثل التوازي والتوزيع المكاني. ويمكن تكييف ال SOA بسهولة لتحليل العمليات الخلوية لأنواع الخلايا الأخرى ولدراسة الشبكات غير البيولوجية.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ملاحظة: وافقت وزارة الصحة الإسرائيلية على استخدام الفئران بموجب البروتوكول IL-218-01-21 للاستخدام الأخلاقي للحيوانات التجريبية. SOA متوافق فقط مع ويندوز 10 وبيثون 3.9. وهي متاحة كشفرة مفتوحة المصدر: https://github.com/inbar2748/DendriteProject. في هذا الارتباط، هناك أيضا README. DM يحتوي على توجيهات لتحميل البرنامج، وصلة إلى موقع البرنامج، وملف متطلبات تحتوي على معلومات عن الإصدارات المطلوبة من جميع الحزم. وقدمت أمثلة إضافية للتحليل الذي تم إجراؤه باستخدام البرنامج هناك أيضا.
الشكل 1: سير عمل ال SOA لتحليل التقسيم واتجاه النمو. تظهر خطوات معالجة الصور الفلورية للشبكات المتشعبة وتحليل البيانات. يتم تحميل الصورة ثنائية الأبعاد، وتجزئة (في خطوتين: يتم الكشف عن الفروع المتشعبة كخطوط، ومن ثم يتم دمج الخطوط ذات الصلة)، ويتم الحصول على المعلومات المكانية لكل فرع دندريتيك. يتم جمع البيانات لجميع الفروع dendritic في الصورة. وأخيرا، يتم تحليل البيانات لإعطاء المعلمات المورفولوجية المطلوبة. اختصار: SOA = تحليل التقسيم والتوجه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
1. افتح تطبيق SOA.
- فتح عنوان URL: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA، والعثور على المجلد SOA.zip مضغوط، وتحميل ملف ZIP بالنقر المزدوج.
- فك ضغط المجلد بالنقر بزر الماوس الأيمن على SOA.zip واختيار استخراج الملفات. مراقبة مسار الاستخراج والخيارات الإطار الذي يفتح مربع النص عنوان الوجهة الذي يعرض المسار للملفات المستخرجة. لاستخراج إلى موقع مختلف، انقر على أحد المجلدات في لوحة الإطار الأيمن لجعله المجلد الوجهة. انقر فوق موافق لاستخراج الملفات إلى هذا المجلد.
- افتح ملف SOA المستخرج وانقر نقرا مزدوجا فوق SOA.exe. انتظر حتى يتم فتح إطار أسود، وبعد ذلك سيظهر التطبيق.
الشكل 2: مثال لسير العمل باستخدام واجهة المستخدم الرسومية الخاصة ب SOA. العمود الأيسر: مقاطع GUI لسير العمل. العمود الأوسط: صورة لشبكة dendritic، تتم معالجتها أثناء سير العمل (شريط المقياس: 20 ميكرومتر). العمود الأيمن: تكبير المنطقة التي تم تمييزها ب مستطيل أحمر في صور العمود الأوسط (شريط المقياس: 4 ميكرومتر). الخطوة 1: تحديد صورة وتحميلها. الخطوة 2: المرحلة الأولى من التقسيم هي الكشف عن الخطوط التي تمثل الفروع التشجرية المحددة. الخطوة 3: المرحلة الثانية من التقسيم هي الاندماج القائم على القرب من بطانة القطاع في الفروع التشجرية الفردية. يمكن تعديل إعدادات كافة الخطوات. المختصرات: SOA = تحليل التقسيم والتوجيه؛ GUI = واجهة المستخدم الرسومية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
2. افتح صورة للتحليل.
- في شريط القائمة تحميل عارض SOA | حدد اختيار | الملف اختيار صورة من ملفات الكمبيوتر | انقر عليه (.png .jpg .tif .bmp الملفات فقط) | فتح | مراقبة مسار الملف | مقبل.
3. تحسين التقسيم
ملاحظة: في شريط القائمة خصائص عارض SOA تغيير قيم المعلمات المحددة لضبط إعدادات عملية التقسيم. ويرد وصف مفصل للمعلمات، مثل العتبة، في المواد التكميلية.
- في الحواف، اضبط عتبة العرض عن طريق تحديد العتبة وإدخال رقم.
ملاحظة: كلما انخفض عدد العتبة، كلما تم الكشف عن المزيد من الأسطر. العتبة هي رقم يتراوح من 0 إلى 255. تم تعيين القيمة الافتراضية إلى 0. - في خطوط دمج:
- اضبط الحد الأدنى للمسافة لدمجها للعرض عن طريق تحديد مسافة الحد الأدنى لدمجها وإدخال رقم.
ملاحظة: المسافة الحد الأدنى لدمج يتراوح من 0 إلى 30 بكسل. يتم تعيين القيمة الافتراضية إلى 20. - ضبط الحد الأدنى من زاوية لدمج للعرض عن طريق تحديد زاوية دقيقة لدمج وإدخال رقم.
ملاحظة: زاوية Min لدمج يتراوح من 0 إلى 30 درجة. يتم تعيين القيمة الافتراضية إلى 10.
- اضبط الحد الأدنى للمسافة لدمجها للعرض عن طريق تحديد مسافة الحد الأدنى لدمجها وإدخال رقم.
- انقر على إنشاء معاينة تجزئة الصورة.
ملاحظة: سيتم عرض صورة معاينة لنتائج التقسيم وفقا للقيم المحدثة. بالإضافة إلى ذلك، سيتم عرض عدد الأسطر قبل الدمج وعدد الأسطر بعد الدمج. - تغيير المعلمات لتحقيق أقصى تعريف للشرائح. إذا كانت هناك حاجة لتغيير خصائص، انقر على إغلاق النافذة زر واتبع الخطوات 3.1-3.4.
4. إنشاء ملفات الإخراج.
- اضغط موافق لتصور الصور تجزئة والرسوم البيانية تحليل. مراقبة الإطار الذي يظهر لتحديد موقع حيث سيتم حفظ الملف .xlsx.
- إدراج اسم ملف | اختر حفظ | انتظر حتى يتم إنشاء ملف .xlsx مع البيانات وحفظها.
ملاحظة: بالإضافة إلى الملف .xlsx، سيتم عرض الملفات التالية تلقائيا: ملف يعرض الصورة الأصلية، صورة التعرف على الأسطر، الصورة النهائية للتجزئة، وثلاثة رسوم بيانية للتحليل.
5. شريط أدوات التنقل
ملاحظة: يتم تضمين شريط أدوات التنقل في كافة إطارات الشكل ويمكن استخدامه للتنقل خلال مجموعة البيانات. يتم وصف كل زر من الأزرار الموجودة أسفل شريط الأدوات أدناه.
- للتنقل ذهابا وإيابا بين طرق العرض المعرفة مسبقا، استخدم الزرين للأمام والخلف.
ملاحظة: أزرار الصفحة الرئيسية وإلى الأمام والظهر مشابهة لعناصر التحكم الرئيسية وإلى الأمام والظهر على مستعرض ويب. يعود المنزل إلى الشاشة الافتراضية، الصورة الأصلية. - استخدم زر التكبير/التصغير لتكبير/تصغير. لتنشيط التحريك والتكبير، اضغط على زر التكبير/التصغير ، ثم حرك الماوس إلى موقع مرغوب فيه في الصورة.
- التحريك الشكل اضغط باستمرار على زر الماوس الأيسر أثناء سحبه إلى موضع جديد. حرر زر الماوس، وستظهر النقطة المحددة في الصورة في الموضع الجديد. أثناء تحريك المفاتيح، اضغط باستمرار على مفاتيح x أو y لتقييد الحركة إلى محاور x أو y ، على التوالي.
- للتكبير، اضغط باستمرار على زر الماوس الأيمن واسحبه إلى موقع جديد. تحرك لليمين لتكبير المحور x وتحرك يسارا للتصغير على المحور x. افعل الشيء نفسه بالنسبة لمحور ص وحركات لأعلى/لأسفل. عند التكبير، لاحظ أن النقطة الموجودة تحت الماوس تبقى ثابتة، مما يسمح بالتكبير أو التصغير حول تلك النقطة. استخدم مفاتيح التعديل x أو y أو CONTROL للحد من التكبير/التصغير إلى الحفاظ على نسبة العرض إلى الارتفاع x أو y أو العرض إلى الارتفاع على التوالي.
- لتنشيط وضع التكبير/التصغير إلى المستطيل، انقر فوق الزر تكبير/تصغير إلى مستطيل . ضع المؤشر فوق الصورة واضغط على زر الماوس الأيسر. اسحب الماوس إلى موقع جديد أثناء الضغط على الزر لتحديد منطقة مستطيلة.
ملاحظة: سيتم تكبير حدود عرض المحاور إلى المنطقة المعرفة عند الضغط على زر الماوس الأيسر. سيتم تكبير حدود عرض المحاور عند الضغط على زر الماوس الأيمن، ووضع المحاور الأصلية في المنطقة المحددة. - استخدم أداة تكوين Subplot لتكوين مظهر المؤامرة الفرعية.
ملاحظة: يمكن أن تمتد أو ضغط الجوانب اليسرى، اليمنى، العلوية والسفلية من المؤامرة الفرعية، وكذلك المسافة بين الصفوف والأعمدة. - لفتح مربع حوار حفظ ملف، انقر فوق الزر حفظ وحفظ الملف بالتنسيقات التالية: .png أو .ps أو .eps أو .svg أو .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
10- وقد أجريت دراسة تمثيلية لصور شبكات التشجر في الثقافة. تم استخراج الخلايا كما وصفها بارانس وآخرون. 16,17. لفترة وجيزة، تم استخراج خلايا فرس النهر من أدمغة الفئران بعد الولادة وزرعها على أغطية الزجاج 2D لمدة 1-2 أسابيع. ثم تم إصلاح الثقافات وملطخة من خلال الفلورة المناعية غير المباشرة باستخدام الأجسام المضادة ضد علامة البروتين التشجر ، البروتين المرتبط بالميكروتبول 2 (MAP2). وتم جمع صور الشبكات التشجرية باستخدام مجهر مضان، وعالجت 10 صور باستخدام ال SOA.
يظهر الشكل 1 سير عمل SOA نموذجي لتحليل شبكة dendritic. المدخل هو صورة المجهر الفلورية 2D. يتم تنفيذ تقسيم الصورة على مرحلتين: المرحلة الأولى هي تحديد الفروع التشجرية كخطوط، والمرحلة الثانية هي دمج الخطوط ذات الصلة وفقا لمعايير المسافة والاتجاه التي يحددها المستخدم. وبعد التقسيم، تجمع المعلومات المكانية لكل فرع من فروع التشجرات المحددة. ثم يتم استخراج المعلومات التالية من بيانات جميع الفروع dendritic في الصورة: تصنيف متوازي / غير متوازي، متوسط طول الفروع المتوازية مقابل غير المتوازية، والمسافة بين الفروع المتوازية، والتوزيع الزاوي.
يوضح الشكل 2 سير العمل المنصوص عليه في الشكل 1 المطبق على صورة تمثيلية ثلاثية الأبعاد لشبكة تغصنية تحمل بطاقة مضادة للفلورسنت MAP2. تم تطوير واجهة مستخدم رسومية (GUI) حيث يمكن للمستخدم تحديد صورة وتحميلها من مجموعة من الملفات (الخطوة 1). ثم، يمكن للمستخدم تعديل إعدادات الحواف (الخطوة 2) وإعدادات خطوط دمج (الخطوة 3). بعد ذلك، يتم الكشف عن الأسطر التي تمثل الفروع dendritic المعرفة (الخطوة 2) ثم دمجها، استنادا إلى قرب خطوط المقسمة والاختلافات الاتجاهية الخاصة بهم (الخطوة 3). واجهة المستخدم الرسومية تمكن مقارنة الصورة الأصلية إلى الصورة المقسمة (الخطوة 3) ويوفر رصد في الوقت الحقيقي لتأثير أي تغييرات على إعدادات التقسيم. ثم يتم تحليل المعلومات المكانية التي تم جمعها، ويتم عرض النتائج كرسم بياني أو جداول (الشكل 3 والشكل 4 والشكل 5 والشكل 6)
ويبين الشكل 3 كيف تصنف الفروع المتشعبة على أنها متوازية متنامية (الشكل 3A) وغير متوازية (الشكل 3B). جميع الشرائح المصنفة على أنها "غير متوازية" ليست موازية لأي جزء آخر. ولأن الفروع المتشعبة لا تمتد في الواقع في خطوط مستقيمة، كانت هناك حاجة إلى توفير درجة ما من الحرية لتعريف النمو الموازي. ولتحقيق ذلك، تم قياس اتجاه فرع معين، ثم سمح بمجموعة من الزوايا حول الاتجاه المقاس لالتوازي. يتم إصلاح هذا النطاق لكل صورة ويعتمد على عدد الأسطر التي تم اكتشافها؛ ومع ذلك، فإنه لا يمكن أن يتجاوز 10 درجة (يتم إعطاء وصف مفصل لعملية الفرز المتوازي في المواد التكميلية / التحليل، القسم 1). ثم تم فحص اللياقة البدنية للتوجه من جميع الفروع الأخرى إلى هذا النطاق زاوية. وبمجرد الانتهاء من التحليل، استخرج عدد الفروع المتوازية داخل النطاق المختبر ورسم في رسم بياني للتردد (الشكل 3C).
لفهم ما إذا كان مدى النمو الموازي بين الفروع التغصنية عشوائيا أو موجها ، تمت مقارنة نتائج الرسم البياني في الشكل 3C بتلك المستخرجة من محاكاة النمو العشوائي للخطوط التي لها نفس عدد خطوط الفروع التشجرية في الثقافات (الشكل 3D). ثم يقيس الهيئة المسافات بين الفروع المتوازية (الشكل 4) وكذلك أطوال الفروع المتوازية وغير المتوازية. يعرض الشكل 5 رسوم بيانية شريطية لأطوال الفروع غير المتوازية (الشكل 5A) والفروع المتوازية (الشكل 5B) ومتوسط أطوالها. لتحديد ما إذا كانت اتجاهات النمو التفضيلية موجودة، يعرض SOA رسما بيانيا للتوزيع لزوايا نمو الفروع المتشعبة (الشكل 6). ويتيح هذا العرض تقديمي التحديد السريع لاتجاهات النمو المفضلة وتحديد فروع محددة في كل مجموعة (حسب رقم الهوية) (الشكل 6 أ).
الشكل 3: تصنيف النمو المتوازي للفرع التشجر مقابل المحاكاة العشوائية. صنفت الفروع التشجرية للصورة في الشكل 2B التي حددتها SOA على أنها (A) متوازية و (B) غير متوازية. (ج) تم جمع عدد الفروع المتوازية المتشعبة في كل نطاق زاوية تم فحصها وتقسيمها إلى مجموعات من أزواج / ثلاثيات / رباعيات كما هو موضح في المواد التكميلية / التحليل ، القسم 1. يظهر تكرار تكرار كل مجموعة في الرسم البياني. (د) نتائج تجميع خطوط متوازية مستخرجة من محاكاة توزيع عشوائي للخط. اختصار: SOA = تحليل التقسيم والتوجه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: قياس ال SOA للمسافة بين الفروع المتوازية. يظهر مثال على كيفية عرض SOA للمسافة بين الفروع التي تزرع بالتوازي. يتلقى كل dendrite الكشف عن رقم فريد (رقم المعرف). يقيس SOA الحد الأدنى للمسافة بين كل زوج من التشعبات المتوازية. يمكن العثور على وصف مفصل في المواد التكميلية / التحليل ، القسم 1. أمثلة: 1. معرف الفرع Dendritic = 2 على مسافة 60 ميكرومتر من فرع آخر. 2. Dendrite ID = 17 له فرعان متوازيان على مسافات 60 ميكرومتر و 13.7 ميكرومتر. اختصار: SOA = تحليل التقسيم والتوجه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 5: عرض SOA لتوزيع طول الفروع المتوازية مقابل الفروع غير المتوازية. يظهر توزيع قطعة التردد لمقارنة SOA لأطوال (A) الفروع غير المتوازية و (B) المتوازية ، بالإضافة إلى متوسط الأطوال. اختصار: SOA = تحليل التقسيم والتوجه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 6: عرض SOA للتوزيع الزاوي للفروع التشجرات. (أ) تمثيل رسومي لكل خط محدد وفقا لزاوية نموه. (ب) عرض A يسمح بالتعرف السريع على اتجاهات النمو المفضلة. الجمع بين A و B، يمكن تخصيص كل فرع dendritic لفئة محددة اتجاه النمو. يسمح هذا الشكل من تمثيل توزيع اتجاهات النمو dendritic بتحديد اتجاهات النمو المفضلة بسرعة (B: كلما ارتفع العمود ، يكون اتجاه النمو هذا أكثر تفضيلا) والاتجاهات التي لا تنمو فيها التشعبات (B: في زاوية لا يوجد فيها عمود ، لا تنمو التشعبات في نفس الاتجاه). اختصار: SOA = تحليل التقسيم والتوجه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
المواد التكميلية. الرجاء الضغط هنا لتحميل هذا الملف.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
وهناك حاجة ماسة إلى استراتيجيات فعالة لاستخراج المعلومات المورفولوجية من الصور ثلاثية الأبعاد لمواكبة بيانات التصوير البيولوجي. على الرغم من أنه يمكن توليد بيانات التصوير في ساعات ، إلا أن التحليل المتعمق للصور يستغرق وقتا طويلا. ونتيجة لذلك، أصبح من الواضح أن معالجة الصور تشكل عقبة رئيسية في العديد من المجالات. ويرجع ذلك جزئيا إلى التعقيد الكبير للبيانات، لا سيما عند التعامل مع العينات البيولوجية. وعلاوة على ذلك، وبما أن العديد من المستخدمين يفتقرون إلى مهارات البرمجة ومعالجة الصور المتخصصة، فإن هناك حاجة إلى أدوات آلية تسمح بمعالجة الصور بطريقة سهلة وسهلة الاستخدام. ولهذا السبب من المتوقع أن تكون ال SOA مفيدة. تظهر النتائج التمثيلية التقسيم الآلي الذي يتيح تحديد الفروع التشجرية في الصورة في خطوات بسيطة قليلة ، على الرغم من تعقيد الشبكة التشجرات. عملية العمل بسيطة وبديهية، ويتم الحصول على المعلومات المكانية المتنوعة على الفور ودون جهد. واستخدمت عدة خوارزميات للكشف عن الفروع التشجرية الفردية في الصور الفلورية وإجراء تحليلات متعددة على النتائج. ويمكن الاطلاع على وصف مفصل للخوارزميات في المواد التكميلية ومعلومات عن متطلبات النظام. ستقدم هذه الورقة لفترة وجيزة الخوارزميات ودورها في البرنامج.
تجزئه
وكان التقسيم هو الجزء الأكثر تحديا في هذا المشروع. في التقسيم، يتم تحويل صورة رقمية إلى عدة أجزاء (كائنات الصور). الهدف من التقسيم هو تحديد الكائنات في الصورة وبالتالي جعلها أكثر قابلية للفهم ومتاحة. هنا، تم استخدام التقسيم لتحديد الفروع التشجرية وعزلها عن الخلفية. تم تقسيم عملية تقسيم الصور إلى مرحلتين: المرحلة الأولى شملت الكشف عن الفروع التشجرية كخطوط، والمرحلة الثانية شملت دمج الخطوط ذات الصلة على أساس معايير المسافة والاتجاه التي وضعها المستخدم.
معلومات وتحليلات دندريتيك
وتم جمع معلومات عن موقع كل خط تم اكتشافه وزاوية وطوله. يقوم البرنامج بإجراء التحليلات التالية على البيانات التي تم الحصول عليها من جميع الأسطر المحددة في الصورة: 1. تصنيف الفرع Dendritic (متوازي / غير متوازي) 2. تم قياس متوسط طول الفروع المتوازية مقابل الفروع غير المتوازية. 3. قياس التوزيع الزاوي وعرض 4. قياس المسافة بين الفروع المتوازية
تسمح واجهة المستخدم الخاصة ب SOA للمستخدمين بتحميل صورة من ملفات الكمبيوتر. كما يسمح بإجراء تعديلات على إعدادات التقسيم. لأن كل صورة شبكة dendritic فريدة من نوعها، نقترح "ترقيع" مع الإعدادات لتحقيق أفضل تجزئة ممكنة. واجهة المستخدم يسمح للمقارنة بين الصور الأصلية والمجزأة والرصد الفوري لتأثير أي تغيير في الإعدادات على تجزئة.
بعد تعديل كافة الإعدادات، تقوم SOA بإنشاء الشكل النهائي للتجزئة الذي يظهر كل فرع من الفروع dendritic المحددة. تقوم ال SOA بإنشاء رسوم بيانية للتحليلات التي أجريت وملف .xlsx مع جميع البيانات.
ويمكن استخدام ناتج المعدات السوا كنقطة انطلاق لإدخال أدوات لإجراء مزيد من التحليل. على سبيل المثال، نحن الآن تطوير البرمجيات التي تحسب متوسط قيمة التوازي لdendrites التي تلقت علاجات مختلفة باستخدام إخراج SOA على عدد كبير من الصور.
ملخص
SOA هي أداة آلية لتحديد وتجزئة واستخراج المعلومات المورفولوجية الهامة من صور شبكات الخط 2D المعقدة ولها واجهة سهلة الاستخدام وبديهية. وفي هذا العمل، أدخل استخدام ال SOA من خلال مثال لتحليل الشبكات التشجرية. يمكن استخدام SOA لتحليل أنواع أخرى من الشبكات الخلوية 2D ، مثل شبكات الخلايا العصبية وغير العصبية المختلفة ، والهياكل المعقدة داخل الخلايا مثل تلك التي تولدها الهيكل الخلوي والشبكات غير البيولوجية ، على سبيل المثال ، الأنابيب النانوية وأكثر من ذلك. وقد تم تطوير ال SOA لغرض محدد جدا، ومن المهم أن نعرف مزاياه وحدوده. وتشمل القيود المفروضة على ال SOA حقيقة أنها مناسبة فقط لتحليل الصور 2D وليس لتحليل الصور ثلاثية الأبعاد. لا يمكن استخدام SOA إلا لتحليل الصور مع الكائنات التي تشبه الخط. وعلاوة على ذلك، تقتصر المعلومات التي يتم الحصول عليها من البرنامج على المعلومات المكانية للمشعبات المحددة وعلى التحليلات المحددة الموصوفة هنا. ولا تقوم ال SOA بإجراء تحليلات إضافية. المزايا الرئيسية للبرنامج هي بساطته وسهولة الاستخدام. يسمح البرنامج بتحليل الصور المعقدة بسرعة وفي خطوات قليلة سهلة. وعلاوة على ذلك، فإن نظام ال SOA مرن وقابل للتعديل بسهولة؛ وبالتالي، يمكن توسيع قدرتها التحليلية إلى ما وراء علم المورفوميتريا وتكون مفيدة للتطبيقات الأخرى.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
ويعلن أصحاب البلاغ أنه ليس لديهم مصالح مالية متنافسة.
Acknowledgments
ويود المؤلفون أن يشكروا الدكتور أورلي فايس على إعداد الصور الثقافية.
Materials
| Name | Company | Catalog Number | Comments |
| 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).
