Summary
Præsenteret er et beregningsværktøj, der giver mulighed for enkel og direkte automatisk måling af orienteringer af neuronale dendritiske grene fra 2D fluorescensbilleder.
Abstract
Strukturen af neuronale dendritiske træer spiller en central rolle i integrationen af synaptiske input i neuroner. Derfor er karakterisering af dendritternes morfologi afgørende for en bedre forståelse af neuronal funktion. Men kompleksiteten af dendritiske træer, både når de isoleres og især når de befinder sig inden for neuronale netværk, er ikke blevet helt forstået. Vi udviklede et nyt beregningsværktøj, SOA (Segmentering og Orienteringsanalyse), som muliggør automatisk måling af orienteringen af dendritiske grene fra fluorescensbilleder af 2D neuronale kulturer. SOA, skrevet i Python, bruger segmentering til at skelne dendritiske grene fra billedbaggrunden og akkumulerer en database om den rumlige retning af hver gren. Databasen bruges derefter til at beregne morfologiske parametre såsom retningsbestemt fordeling af dendritiske grene i et netværk og forekomsten af parallel dendritisk grenvækst. De opnåede data kan bruges til at opdage strukturelle ændringer i dendritter som reaktion på neuronal aktivitet og biologiske og farmakologiske stimuli.
Introduction
Dendritisk morfogenese er et centralt emne i neurovidenskab, da strukturen af det dendritiske træ påvirker de beregningsmæssige egenskaber ved synaptisk integration i neuroner1,2,3. Desuden er morfologiske abnormiteter og modifikationer i dendritiske grene impliceret i degenerative og neuro-udviklingsforstyrrelser4,5,6. I neuronale kulturer, hvor dendritisk forgrening lettere kan visualiseres, regulerer samspillet mellem ikke-søster dendritiske grene stederne og omfanget af synaptisk klyngedannelse langs grenene, en adfærd, der kan påvirke synaptisk coaktivitet og plasticitet7,8,9. Derfor er karakterisering af det dendritiske træs morfologiske parametre ved hjælp af todimensionelle (2D) neuronale kulturer fordelagtig for at forstå dendritisk morfogenese og funktionaliteten af enkelt- og netværk af neuroner. Men dette er en udfordrende opgave, fordi dendritiske grene danner et komplekst mesh selv i "forenklede" 2D neuronale kulturer.
Flere værktøjer er blevet udviklet til automatisk at spore og analysere dendritiske strukturer10,11,12,13. Men, de fleste af disse værktøjer er designet til 3D neuronale netværk og er naturligvis for komplekse til at bruge med 2D-netværk. I modsætning hertil involverer mindre avancerede morfologiske analyseværktøjer typisk en betydelig komponent af computerassisteret manuelt arbejde, som er meget tidskrævende og modtageligt for operatør bias14. Eksisterende halvautomatiske værktøjer, såsom 'ImageJ'15 (en NIH open source-billedbehandlingspakke med en stor samling af fællesskabsudviklede biologiske billedanalyseværktøjer), reducerer i vid udstrækning brugervejledningen. Der er dog stadig behov for nogle manuelle indgreb under billedbehandling, og kvaliteten af segmentering kan være mindre end ønskelig.
Dette papir præsenterer SOA, et simpelt automatiseret værktøj, der tillader direkte segmentering og orienteringsanalyse af dendritiske grene inden for 2D neuronale netværk. SOA kan registrere forskellige linjelignende objekter i 2D-billeder og karakterisere deres morfologiske egenskaber. Her brugte vi SOA til segmentering af dendritiske grene i 2D fluorescensbilleder af dendritiske netværk i kultur. Softwaren identificerer de dendritiske grene og udfører med succes målinger af morfologiske parametre som parallelitet og rumlig fordeling. SOA kan let tilpasses til analyse af cellulære processer af andre celletyper og til at studere ikke-biologiske netværk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
BEMÆRK: Det israelske sundhedsministerium godkendte brugen af mus i henhold til protokol IL-218-01-21 til etisk brug af forsøgsdyr. SOA er kun kompatibel med Windows 10 og Python 3.9. Den er tilgængelig som en open source-kode: https://github.com/inbar2748/DendriteProject. På dette link er der også en README. DM-fil, der har anvisninger til download af softwaren, et link til softwarens hjemmeside, og en krav fil, der indeholder oplysninger om de nødvendige versioner af alle pakkerne. Yderligere eksempler på analyse udført ved hjælp af softwaren er blevet givet der også.
Figur 1: SOA-arbejdsgang for segmentering og analyse af vækstretninger. Vist er behandling trin af fluorescerende billeder af dendritiske netværk og dataanalyse. 2D-billedet uploades, segmenteres (i to trin: dendritiske grene registreres som linjer, og derefter flettes de relevante linjer), og de rumlige oplysninger om hver dendritisk gren opnås. Dataene indsamles for alle dendritiske grene i billedet. Endelig analyseres dataene for at give de ønskede morfologiske parametre. Forkortelse: SOA = segmentering og orienteringsanalyse. Klik her for at se en større version af dette tal.
1. Åbn SOA-applikationen.
- Åbn URL-adressen: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, find mappen SOA.zip zippet, og hent ZIP-filen ved at dobbeltklikke.
- Pak mappen ud ved at højreklikke på SOA.zip og vælg Udpak filer. Bemærk vinduet Udpakningssti og indstillinger , der åbnes, og tekstboksen Destinationsadresse , der viser stien til de udpakkede filer. Hvis du vil pakke ud til en anden placering, skal du klikke på en af mapperne i vinduets højre panel for at gøre den til destinationsmappen. Klik på OK for at pakke filerne ud i den pågældende mappe.
- Åbn den udpakkede SOA-fil, og dobbeltklik på SOA.exe. Vent på, at et sort vindue åbnes, hvorefter programmet vises.
Figur 2: Eksempel på en arbejdsproces ved hjælp af SOA'ens GUI. Venstre kolonne: GUI-dele af arbejdsprocessen. Midterste kolonne: billede af et dendritisk netværk, der behandles under arbejdsprocessen (skalalinje: 20 μm). Højre kolonne: Forstørrelse af det område, der er markeret med et rødt rektangel i billederne af den midterste kolonne (skalalinje: 4 μm). Trin 1: Markering og upload af et billede. Trin 2: Den første fase af segmentering er påvisning af linjer, der repræsenterer de identificerede dendritiske grene. Trin 3: Anden fase af segmentering er den nærhedsbaserede fusion af segmentforing i individuelle dendritiske grene. Indstillingerne for alle trin kan ændres. Forkortelser: SOA = segmentering og orienteringsanalyse; GUI = grafisk brugergrænseflade. Klik her for at se en større version af dette tal.
2. Åbn et billede for at analysere.
- Menulinjen | i menuen SOA Fremviseroverførsel vælg Vælg | vælge et billede fra de computerfiler, | Klik på det (kun .png .jpg .tif .bmp filer) | Åbn | observere stien til filen | Næste.
3. Optimering af segmentering
BEMÆRK: Rediger værdierne for de valgte parametre på menulinjen Egenskaber for SOA Viewer for at justere indstillingerne for segmenteringsprocessen. En detaljeret beskrivelse af parametrene, f.eks.
- Juster tærsklen for skærmen i Kanter ved at vælge tærskel og indtaste et tal.
BEMÆRK: Jo lavere tallet for tærsklen er, jo flere linjer registreres. Tærskel er et tal, der varierer fra 0 til 255. Standardværdien er angivet til 0. - I Flet linjer:
- Juster den mindste afstand, der skal flettes for skærmen, ved at vælge min afstand, der skal flettes , og indtaste et tal.
BEMÆRK: Min afstand til fletning varierer fra 0 til 30 pixels. Standardværdien er angivet til 20. - Juster den mindste vinkel, der skal flettes for visningen, ved at vælge min vinkel, der skal flettes , og indtaste et tal.
BEMÆRK: Min vinkel til fletning varierer fra 0 til 30°. Standardværdien er angivet til 10.
- Juster den mindste afstand, der skal flettes for skærmen, ved at vælge min afstand, der skal flettes , og indtaste et tal.
- Klik på Opret eksempelsegmenteringsbillede.
BEMÆRK: Et eksempelbillede af segmenteringsresultaterne vises i overensstemmelse med de opdaterede værdier. Desuden vises antallet af linjer før fletning og antallet af linjer efter fletningen. - Rediger parametrene for at opnå maksimal identifikation af segmenter. Hvis det er nødvendigt at ændre egenskaberne, skal du klikke på knappen Luk og følge trin 3.1-3.4.
4. Opret outputfilerne.
- Tryk på OK for at visualisere segmenteringsbillederne og de analyserende grafer. Overhold det vindue, der vises til valg af en placering, hvor .xlsx-filen gemmes.
- indsætte et filnavn | Vælg Gem | vent på, at den .xlsx fil med data, der skal oprettes og gemmes.
BEMÆRK: Ud over .xlsx-filen vises følgende filer automatisk: en fil, der præsenterer det oprindelige billede, billedet til linjegenkendelse, segmenteringens endelige billede og tre analysegrafer.
5. Værktøjslinjen Navigation
BEMÆRK: En navigationsværktøj er inkluderet i alle figurvinduer og kan bruges til at navigere gennem datasættet. Hver af knapperne nederst på værktøjslinjen er beskrevet nedenfor.
- Hvis du vil navigere frem og tilbage mellem tidligere definerede visninger, skal du bruge knapperne Frem og Tilbage .
BEMÆRK: Knapperne Hjem, Frem og Tilbage ligner kontrolelementerne Hjem, Fremad og Tilbage i en webbrowser. Home vender tilbage til standardskærmen, det oprindelige billede. - Brug zoomknappen til at panorere og zoome. Hvis du vil aktivere panorering og zoom, skal du trykke på zoomknappen og derefter flytte musen til en ønsket placering i billedet.
- Hvis du vil panorere figuren, skal du trykke på venstre museknap og holde den nede, mens du trækker den til en ny position. Slip museknappen, og det markerede punkt i billedet vises på den nye position. Når du panorerer, skal du holde x - eller y-tasterne nede for at begrænse bevægelsen til henholdsvis x - eller y-akserne .
- Hvis du vil zoome, skal du holde højre museknap nede og trække den til en ny placering. Flytte til højre for at zoome ind på x-aksen og flytte til venstre for at zoome ud på x-aksen. Gør det samme for y-aksen og op/ned bevægelser. Når du zoomer, skal du være opmærksom på, at punktet under musen forbliver stationært, så du kan zoome ind eller ud omkring dette punkt. Brug modifikatortasterne x, y eller CTRL til at begrænse zoomen til henholdsvis x, y eller højde-bredde-forholdet.
- Hvis du vil aktivere zoom-til-rektangeltilstand, skal du klikke på knappen Zoom-til-rektangel . Placer markøren over billedet, og tryk på venstre museknap. Træk musen til en ny placering, mens du holder knappen nede for at definere et rektangulært område.
BEMÆRK: Der zoomes grænserne for visning af akser til det definerede område, når der trykkes på venstre museknap. Aksevisningsgrænserne zoomes ud, når der trykkes på højre museknap, og de oprindelige akser placeres i det definerede område. - Brug værktøjet Subplot-configuration til at konfigurere underplottets udseende.
BEMÆRK: Venstre, højre, øverste og nederste side af underplottet samt afstanden mellem rækker og kolonner kan strækkes eller komprimeres. - Hvis du vil åbne dialogboksen Gem fil, skal du klikke på knappen Gem og gemme filen i følgende formater: .png, .ps, .eps, .svg eller .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En repræsentativ analyse blev udført på billeder af dendritiske netværk i kultur. Celler blev udvundet som beskrevet af Baranes et al. 16,17. Kort, hippocampal celler blev udvundet fra hjernen af postnatal rotter og dyrkes på 2D glas coverslips i 1-2 uger. Kulturerne blev derefter rettet og farves gennem indirekte immunofluorescence ved hjælp af et antistof mod dendritiske proteinmarkør, mikrotubule-associeret protein 2 (MAP2). Billeder af dendritiske netværk blev indsamlet ved hjælp af et fluorescensmikroskop, og 10 billeder blev behandlet ved hjælp af SOA.
Figur 1 viser en typisk SOA-arbejdsproces til analyse af et dendritisk netværk. Inputtet er et 2D-fluorescerende mikroskopbillede. Billedsegmentering udføres i to faser: Den første fase er identifikation af dendritiske grene som linjer, og den anden fase fusionerer relevante linjer i henhold til afstands- og retningskriterier, der bestemmes af brugeren. Efter segmentering indsamles rumlige oplysninger for hver identificeret dendritisk gren. Derefter udtrækkes følgende oplysninger fra dataene for alle dendritiske grene i billedet: Parallel/Ikke-parallel klassificering, gennemsnitlig længde af parallelle vs. ikke-parallelle dendritiske grene, afstanden mellem parallelle dendritiske grene og vinkelfordeling.
Figur 2 illustrerer den arbejdsgang, der er beskrevet i figur 1 , og som anvendes på et repræsentativt 2D-billede af et dendritisk netværk med et fluorescerende anti-MAP2-antistof. Der blev udviklet en grafisk brugergrænseflade (GUI), hvor brugeren kan vælge og uploade et billede ud af et sæt filer (trin 1). Derefter kan brugeren ændre indstillingerne Kanter (trin 2) og Flet linjer (trin 3). Derefter registreres linjer, der repræsenterer de identificerede dendritiske grene (trin 2) og derefter flettes, baseret på nærheden af de segmenterede linjer og deres retningsforskelle (trin 3). Gui gør det muligt at sammenligne det oprindelige billede med det segmenterede billede (trin 3) og giver realtidsovervågning af effekten af eventuelle ændringer i segmenteringsindstillingerne. De indsamlede rumlige oplysninger analyseres derefter, og resultaterne præsenteres som grafer eller tabeller (figur 3, figur 4, figur 5 og figur 6)
Figur 3 viser, hvordan dendritiske grene klassificeres som voksende parallelle (figur 3A) og ikke-parallelle (figur 3B). Alle segmenter, der er klassificeret som "ikke-parallelle", er ikke parallelle med noget andet segment. Da dendritiske grene faktisk ikke strækker sig i lige linjer, var der behov for at give en vis grad af frihed til definitionen af parallel vækst. For at opnå dette blev retningen af en bestemt gren målt, og derefter blev en række vinkler omkring den målte orientering tilladt for parallelitet. Dette område er fastgjort for hvert billede og afhænger af antallet af registrerede linjer. Den kan dog ikke overstige 10° (en detaljeret beskrivelse af parallelitetssorteringsprocessen er angivet i supplerende materiale/analyse, afsnit 1). Derefter blev egnetheden af orienteringen af alle andre grene til dette vinkelområde undersøgt. Når analysen var afsluttet, blev antallet af parallelle grene inden for det testede område udvundet og afbildet i en frekvensgraf (Figur 3C).
For at forstå, om omfanget af parallelvækst blandt dendritiske grene er tilfældigt eller rettet, blev resultaterne af grafen i figur 3C sammenlignet med dem, der blev udvundet ved simulering af tilfældig vækst af linjer af samme antal som for de dendritiske grene i kulturerne (figur 3D). SOA måler derefter afstandene mellem de parallelle grene (figur 4) samt længden af parallelle og ikke-parallelle dendritiske grene. Figur 5 viser søjlediagrammer over længden af de ikke-parallelle dendritiske grene (figur 5A) og parallelle dendritiske grene (figur 5B) og deres gennemsnitlige længder. For at afgøre, om der findes præferencevækstretninger, viser SOA et fordelings histogramme af vækstvinklerne i de dendritiske grene (figur 6). En sådan præsentation giver mulighed for hurtig identifikation af foretrukne vækstretninger og identifikation af specifikke dendritiske grene i hver gruppe (efter ID-nummer) (figur 6A).
Figur 3: Klassificering af dendritisk gren parallelvækst vs. tilfældig simulering. Dendritiske grene af billedet i figur 2B identificeret af SOA blev klassificeret som (A) parallelle og (B) ikke-parallelle. (C) Antallet af parallelle dendritiske grene i hvert kontrolleret vinkelområde blev indsamlet og opdelt i grupper af par/tripler/kvartetter som forklaret i supplerende materiale/analyse, afsnit 1. Forekomstfrekvensen for hver gruppe vises i grafen. (D) Resultaterne af gruppering af parallelle linjer udvundet fra en tilfældig linjefordelingssimulering. Forkortelse: SOA = segmentering og orienteringsanalyse. Klik her for at se en større version af dette tal.
Figur 4: SOA måling af afstanden mellem parallelle dendritiske grene. Vist er et eksempel på, hvordan SOA viser afstanden mellem grene dyrket parallelt. Hver dendrit, der registreres, modtager et entydigt nummer (id-nummer). SOA måler minimumsafstanden mellem hvert par parallelle dendritter. En detaljeret beskrivelse kan findes i supplerende materiale / analyse, afsnit 1. Eksempler: 1. Dendritisk gren ID=2 ligger i en afstand af 60 μm fra en anden gren. 2. Dendrit ID=17 har to parallelle grene i afstande på 60 μm og 13,7 μm. Forkortelse: SOA = segmentering og orienteringsanalyse. Klik her for at se en større version af dette tal.
Figur 5: SOA's visning af længdefordelingen af parallelle vs. ikke-parallelle dendritiske grene. Vist er en frekvens plot fordeling af SOA's sammenligning af længderne af (A) ikke-parallelle og (B) parallelle dendritiske grene, samt de gennemsnitlige længder. Forkortelse: SOA = segmentering og orienteringsanalyse. Klik her for at se en større version af dette tal.
Figur 6: SOA's visning af den kantede fordeling af dendritiske grene. (A) En grafisk repræsentation af hver identificeret linje i henhold til dens vækstvinkel. (B) En visning af A , der giver mulighed for hurtig anerkendelse af foretrukne vækstretninger. Ved at kombinere A og B kan hver dendritisk gren allokeres til en bestemt vækstretningskategori. Denne form for repræsentation af fordelingen af dendritiske vækstretninger giver mulighed for hurtig identifikation af foretrukne vækstretninger (B: jo højere kolonnen er, denne vækstretning er mere foretrukket) og retninger, hvor dendritter ikke vokser (B: i en vinkel, hvor der ikke er nogen kolonne, vokser dendritter ikke i samme retning). Forkortelse: SOA = segmentering og orienteringsanalyse. Klik her for at se en større version af dette tal.
Supplerende materiale. Klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Effektive strategier til udvinding af morfologiske oplysninger fra 2D-billeder er presserende nødvendige for at holde trit med biologiske billeddannelsesdata. Selvom billeddata kan genereres på få timer, tager en dybdegående analyse af billederne lang tid. Som følge heraf er billedbehandling helt klart blevet en stor hindring på mange områder. Dette skyldes til dels dataenes høje kompleksitet, især når der beskæftiger sig med biologiske prøver. Da mange brugere mangler specialiserede programmerings- og billedbehandlingsfærdigheder, er der desuden brug for automatiserede værktøjer, der gør det muligt at behandle billeder på en nem og brugervenlig måde. Derfor forventes SOA at være nyttig. De repræsentative resultater demonstrerer den automatiserede segmentering, der gør det muligt at identificere de dendritiske grene i billedet i et par enkle trin på trods af kompleksiteten af det dendritiske netværk. Arbejdsprocessen er enkel og intuitiv, og der opnås forskelligartet rumlig information med det samme og uden indsats. Flere algoritmer blev anvendt til at opdage individuelle dendritiske grene i fluorescensbillederne og foretage flere analyser af resultaterne. En detaljeret beskrivelse af algoritmerne kan findes i det supplerende materiale og oplysninger om systemkravene. Dette papir vil kort præsentere algoritmer og deres rolle i softwaren.
Segmentering
Segmentering var den mest udfordrende del af dette projekt. I segmentering konverteres et digitalt billede til flere segmenter (billedobjekter). Formålet med segmentering er at identificere objekter i billedet og dermed gøre dem mere forståelige og tilgængelige. Her blev segmentering brugt til at identificere dendritiske grene og isolere dem fra baggrunden. Billedsegmenteringsprocessen blev opdelt i to faser: Den første fase involverede påvisning af dendritiske grene som linjer, og anden fase involverede sammenlægning af relaterede linjer baseret på afstands- og retningskriterier, der er fastsat af brugeren.
Dendritisk information og analyse
Der blev indsamlet oplysninger om placeringen, vinklen og længden af hver registreret linje. Softwaren udfører følgende analyser af de data, der er indhentet fra alle de linjer, der er identificeret i billedet: 1. Dendritisk grenklassifikation (parallel/ikke-parallel) 2. Den gennemsnitlige længde af parallelle vs. ikke-parallelle dendritiske grene blev målt. 3. Vinkelfordelingsmåling og display 4. Afstandsmåling mellem parallelle dendritiske grene
SOA's brugergrænseflade giver brugerne mulighed for at uploade et billede fra computerens filer. Det giver også mulighed for justeringer af segmenteringsindstillinger. Da hvert dendritisk netværksbillede er unikt, foreslår vi "fifle" med indstillingerne for at opnå den bedst mulige segmentering. Brugergrænsefladen giver mulighed for sammenligning af de originale og segmenterede billeder og øjeblikkelig overvågning af effekten af enhver ændring i indstillingerne på segmentering.
Efter at have ændret alle indstillinger opretter SOA det endelige tal for segmentering, der viser hver af de identificerede dendritiske grene. SOA genererer grafer over de udførte analyser og en .xlsx fil med alle data.
Soa's output kan udnyttes som udgangspunkt for input af værktøjer til yderligere analyse. For eksempel udvikler vi nu software, der beregner den gennemsnitlige parallelitetsværdi for dendritter, der har modtaget forskellige behandlinger ved hjælp af SOA-output på et stort antal billeder.
Resumé
SOA er et automatiseret værktøj til identifikation, segmentering og udvinding af vigtige morfologiske oplysninger fra billeder af komplekse 2D-linjenetværk og har en brugervenlig og intuitiv grænseflade. I dette arbejde blev brugen af SOA indført gennem et eksempel på analyse af dendritiske netværk. SOA kan bruges til analyse af andre typer af 2D-cellulære netværk, såsom netværk af forskellige neurale og ikke-neurale celler, intracellulære komplekse strukturer som dem, der genereres af cytoskeleton og ikke-biologiske netværk, f.eks nanorør og meget mere. SOA blev udviklet til et meget specifikt formål, og det er vigtigt at kende dets fordele og begrænsninger. SOA's begrænsninger omfatter det faktum, at det kun er egnet til 2D-billedanalyse og ikke til 3D-billedanalyse. SOA kan kun bruges til at analysere billeder med objekter, der er linjelignende. Desuden er oplysningerne fra softwaren begrænset til de geografiske oplysninger om de identificerede dendritter og til de specifikke analyser, der er beskrevet her. Yderligere analyser udføres ikke af SOA. Softwarens vigtigste fordele er dens enkelhed og brugervenlighed. Softwaren gør det muligt at analysere komplekse billeder hurtigt og i et par nemme trin. Desuden er SOA fleksibel og let justerbar; derfor kan dens analytiske kapacitet udvides ud over morfometri og være gavnlig for andre applikationer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.
Acknowledgments
Forfatterne vil gerne takke Dr. Orly Weiss for udarbejdelsen af kulturbillederne.
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).
