Summary
Gepresenteerd is een computationele tool die eenvoudige en directe automatische meting van oriëntaties van neuronale dendritische takken van 2D-fluorescentiebeelden mogelijk maakt.
Abstract
De structuur van neuronale dendritische bomen speelt een sleutelrol bij de integratie van synaptische inputs in neuronen. Daarom is karakterisering van de morfologie van dendrieten essentieel voor een beter begrip van de neuronale functie. De complexiteit van dendritische bomen, zowel geïsoleerd als vooral wanneer ze zich binnen neuronale netwerken bevinden, is echter niet volledig begrepen. We ontwikkelden een nieuwe computationele tool, SOA (Segmentation and Orientation Analysis), waarmee automatisch de oriëntatie van dendritische takken kan worden gemeten op basis van fluorescentiebeelden van 2D-neuronale culturen. SOA, geschreven in Python, gebruikt segmentatie om dendritische takken te onderscheiden van de achtergrond van de afbeelding en verzamelt een database over de ruimtelijke richting van elke tak. De database wordt vervolgens gebruikt om morfologische parameters te berekenen, zoals de directionele verdeling van dendritische takken in een netwerk en de prevalentie van parallelle dendritische takgroei. De verkregen gegevens kunnen worden gebruikt om structurele veranderingen in dendrieten te detecteren als reactie op neuronale activiteit en op biologische en farmacologische stimuli.
Introduction
Dendritische morfogenese is een centraal onderwerp in de neurowetenschappen, omdat de structuur van de dendritische boom de computationele eigenschappen van synaptische integratie in neuronen beïnvloedt1,2,3. Bovendien zijn morfologische afwijkingen en modificaties in dendritische takken betrokken bij degeneratieve en neuro-ontwikkelingsstoornissen4,5,6. In neuronale culturen waar dendritische vertakking gemakkelijker kan worden gevisualiseerd, reguleren de interacties tussen niet-zuster dendritische takken de plaatsen en mate van synaptische clustering langs de takken, een gedrag dat synaptische coactiviteit en plasticiteit kan beïnvloeden7,8,9. Daarom is karakterisering van de morfologische parameters van de dendritische boom met behulp van tweedimensionale (2D) neuronale culturen voordelig voor het begrijpen van dendritische morfogenese en functionaliteit van enkele en netwerken van neuronen. Toch is dit een uitdagende taak omdat dendritische takken een complex gaas vormen, zelfs in "vereenvoudigde" 2D-neuronale culturen.
Er zijn verschillende tools ontwikkeld om dendritische structuren automatisch te traceren en te analyseren10,11,12,13. De meeste van deze tools zijn echter ontworpen voor 3D-neuronale netwerken en zijn van nature te complex om te gebruiken met 2D-netwerken. Daarentegen omvatten minder geavanceerde morfologische analysetools meestal een aanzienlijk onderdeel van computerondersteunde handmatige arbeid, die zeer tijdrovend is en vatbaar voor operatorbias14. Bestaande semi-automatische tools, zoals 'ImageJ'15 (een NIH open-source beeldverwerkingspakket met een uitgebreide verzameling door de gemeenschap ontwikkelde biologische beeldanalysetools), verminderen grotendeels de handmatige arbeid van gebruikers. Tijdens de beeldverwerking zijn echter nog enkele handmatige ingrepen nodig en kan de kwaliteit van de segmentatie minder dan wenselijk zijn.
Dit artikel presenteert de SOA, een eenvoudige geautomatiseerde tool die directe segmentatie en oriëntatieanalyse van dendritische takken binnen 2D-neuronale netwerken mogelijk maakt. De SOA kan verschillende lijnachtige objecten in 2D-afbeeldingen detecteren en hun morfologische eigenschappen karakteriseren. Hier gebruikten we de SOA voor het segmenteren van dendritische takken in 2D-fluorescentiebeelden van dendritische netwerken in cultuur. De software identificeert de dendritische takken en voert met succes metingen uit van morfologische parameters zoals parallellisme en ruimtelijke verdeling. De SOA kan eenvoudig worden aangepast voor de analyse van cellulaire processen van andere celtypen en voor het bestuderen van niet-biologische netwerken.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OPMERKING: Het Israëlische ministerie van Volksgezondheid heeft het gebruik van muizen goedgekeurd onder protocol IL-218-01-21 voor het ethisch gebruik van proefdieren. SOA is alleen compatibel met Windows 10 en Python 3.9. Het is beschikbaar als een open-source code: https://github.com/inbar2748/DendriteProject. Op deze link is er ook een README. DM-bestand met aanwijzingen voor het downloaden van de software, een koppeling naar de website van de software en een vereistenbestand met informatie over de vereiste versies van alle pakketten. Aanvullende voorbeelden van analyses die met behulp van de software zijn uitgevoerd, zijn daar ook verstrekt.
Figuur 1: SOA-workflow voor segmentatie en groeirichtinganalyse. Getoond worden de verwerkingsstappen van fluorescerende beelden van dendritische netwerken en data-analyse getoond. Het 2D-beeld wordt geüpload, gesegmenteerd (in twee stappen: dendritische takken worden gedetecteerd als lijnen en vervolgens worden de relevante lijnen samengevoegd) en de ruimtelijke informatie van elke dendritische tak wordt verkregen. De gegevens worden verzameld voor alle dendritische takken in het beeld. Ten slotte worden de gegevens geanalyseerd om de gewenste morfologische parameters te geven. Afkorting: SOA = segmentatie en oriëntatie analyse. Klik hier om een grotere versie van deze figuur te bekijken.
1. Open de SOA-applicatie.
- Open het URL-adres: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, zoek de map SOA.zip zip en download het ZIP-bestand door te dubbelklikken.
- Pak de map uit door met de rechtermuisknop op SOA.zip te klikken en bestanden uitpakken te kiezen. Bekijk het venster Extractiepad en opties dat wordt geopend en het tekstvak Doeladres waarin het pad voor de uitgepakte bestanden wordt weergegeven. Om uit te pakken naar een andere locatie, klikt u op een van de mappen in het rechterdeelvenster van het venster om er de doelmap van te maken. Klik op OK om de bestanden uit te pakken naar die map.
- Open het uitgepakte SOA-bestand en dubbelklik op SOA.exe. Wacht tot er een zwart venster wordt geopend, waarna de toepassing verschijnt.
Afbeelding 2: Voorbeeld van een workflow met de GUI van de SOA. Linkerkolom: GUI-secties van de workflow. Middelste kolom: afbeelding van een dendritisch netwerk, verwerkt tijdens de workflow (schaalbalk: 20 μm). Rechterkolom: vergroting van het gebied gemarkeerd door een rode rechthoek in de afbeeldingen van de middelste kolom (schaalbalk: 4 μm). Stap 1: Selectie en uploaden van een afbeelding. Stap 2: De eerste fase van segmentatie is de detectie van lijnen die de geïdentificeerde dendritische takken vertegenwoordigen. Stap 3: De tweede fase van segmentatie is de op nabijheid gebaseerde fusie van segmentvoering in individuele dendritische takken. De instellingen van alle stappen kunnen worden gewijzigd. Afkortingen: SOA = segmentatie en oriëntatie analyse; GUI = grafische gebruikersinterface. Klik hier om een grotere versie van deze figuur te bekijken.
2. Open een afbeelding om te analyseren.
- In de menubalk uploaden van SOA Viewer | selecteer Bestand kiezen | kies een afbeelding uit de computerbestanden | klik erop (alleen .png .jpg .tif .bmp bestanden) | | openen observeer het pad van het bestand | Volgend.
3. Segmentatie optimalisatie
OPMERKING: Wijzig in de menubalk Eigenschappen van de SOA-viewer de waarden van de geselecteerde parameters om de instellingen van het segmentatieproces aan te passen. Een gedetailleerde beschrijving van de parameters, zoals de drempel, wordt gegeven in het aanvullend materiaal.
- Pas in Randen de drempel voor de weergave aan door de drempelwaarde te selecteren en een getal in te voeren.
OPMERKING: Hoe lager het getal voor de drempel, hoe meer lijnen worden gedetecteerd. Drempel is een getal dat varieert van 0 tot 255. De standaardwaarde is ingesteld op 0. - In Regels samenvoegen:
- Pas de minimale afstand aan om samen te voegen voor het display door de minafstand te selecteren die u wilt samenvoegen en een getal in te voeren.
OPMERKING: De minimale afstand tot samenvoegen varieert van 0 tot 30 pixels. De standaardwaarde is ingesteld op 20. - Pas de minimale samenvoeghoek voor het scherm aan door de minhoek te selecteren die u wilt samenvoegen en een getal in te voeren.
OPMERKING: De minhoek om samen te voegen varieert van 0 tot 30°. De standaardwaarde is ingesteld op 10.
- Pas de minimale afstand aan om samen te voegen voor het display door de minafstand te selecteren die u wilt samenvoegen en een getal in te voeren.
- Klik op Voorbeeldsegmentatieafbeelding maken.
OPMERKING: Een voorbeeldafbeelding van de segmentatieresultaten wordt weergegeven op basis van de bijgewerkte waarden. Bovendien wordt het aantal regels vóór het samenvoegen en het aantal regels na het samenvoegen weergegeven. - Wijzig de parameters om maximale identificatie van segmenten te bereiken. Als het nodig is om de eigenschappen te wijzigen, klikt u op de knop Venster sluiten en volgt u de stappen 3.1-3.4.
4. Maak de uitvoerbestanden.
- Druk op OK om de segmentatieafbeeldingen en de analysegrafieken te visualiseren. Observeer het venster dat verschijnt voor het selecteren van een locatie waar het .xlsx bestand wordt opgeslagen.
- een | voor een bestandsnaam invoegen Kies Opslaan | wacht tot het .xlsx bestand met gegevens is gemaakt en opgeslagen.
OPMERKING: Naast het .xlsx bestand worden de volgende bestanden automatisch weergegeven: een bestand met de oorspronkelijke afbeelding, de lijnherkenningsafbeelding, de uiteindelijke afbeelding van de segmentatie en drie analysegrafieken.
5. Navigatie werkbalk
OPMERKING: Een navigatiewerkbalk is opgenomen in alle figuurvensters en kan worden gebruikt om door de gegevensset te navigeren. Elk van de knoppen onder aan de werkbalk wordt hieronder beschreven.
- Als u heen en weer wilt navigeren tussen eerder gedefinieerde weergaven, gebruikt u de knoppen Vooruit en Vorige .
OPMERKING: De knoppen Start, Vooruit en Vorige zijn vergelijkbaar met de besturingselementen Start, Vooruit en Terug in een webbrowser. Home keert terug naar het standaardscherm, de oorspronkelijke afbeelding. - Gebruik de zoomknop om te pannen en zoomen. Als u pannen en zoomen wilt activeren, drukt u op de zoomknop en beweegt u de muis naar een gewenste locatie in de afbeelding.
- Als u de figuur wilt pannen, houdt u de linkermuisknop ingedrukt terwijl u deze naar een nieuwe positie sleept. Laat de muisknop los en het geselecteerde punt in de afbeelding verschijnt in de nieuwe positie. Houd tijdens het pannen de x - of y-toetsen ingedrukt om de beweging te beperken tot respectievelijk de x - of y-as .
- Als u wilt zoomen, houdt u de rechtermuisknop ingedrukt en sleept u deze naar een nieuwe locatie. Ga naar rechts om in te zoomen op de x-as en ga naar links om uit te zoomen op de x-as. Doe hetzelfde voor de y-as en de bewegingen omhoog/omlaag. Houd er bij het zoomen rekening mee dat het punt onder de muis stil blijft staan, waardoor u rond dat punt kunt in- of uitzoomen. Gebruik de speciale toetsen x, y of CONTROL om de zoom te beperken tot respectievelijk de x-, y- of beeldverhouding.
- Als u de modus Zoomen op rechthoek wilt activeren, klikt u op de knop Zoomen op rechthoek . Plaats de cursor over de afbeelding en druk op de linkermuisknop. Sleep de muis naar een nieuwe locatie terwijl u de knop ingedrukt houdt om een rechthoekig gebied te definiëren.
OPMERKING: De weergavelimieten van de assen worden ingezoomd op het gedefinieerde gebied wanneer de linkermuisknop wordt ingedrukt. De weergavelimieten van de assen worden uitgezoomd wanneer de rechtermuisknop wordt ingedrukt, waardoor de oorspronkelijke assen in het gedefinieerde gebied worden geplaatst. - Gebruik het hulpprogramma Subplotconfiguratie om het uiterlijk van de subplot te configureren.
OPMERKING: De linker-, rechter-, boven- en onderkant van de subplot, evenals de ruimte tussen rijen en kolommen, kunnen worden uitgerekt of gecomprimeerd. - Als u een dialoogvenster voor het opslaan van bestanden wilt openen, klikt u op de knop Opslaan en slaat u het bestand op in de volgende indelingen: .png, .ps, .eps, .svg of .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Een representatieve analyse werd uitgevoerd op beelden van dendritische netwerken in cultuur. Cellen werden geëxtraheerd zoals beschreven door Baranes et al. 16,17. Kortom, hippocampuscellen werden geëxtraheerd uit de hersenen van postnatale ratten en gekweekt op 2D-glazen coverslips gedurende 1-2 weken. De culturen werden vervolgens gefixeerd en gekleurd door middel van indirecte immunofluorescentie met behulp van een antilichaam tegen de dendritische eiwitmarker, microtubule-geassocieerd eiwit 2 (MAP2). Beelden van dendritische netwerken werden verzameld met behulp van een fluorescentiemicroscoop en 10 beelden werden verwerkt met behulp van SOA.
Figuur 1 toont een typische SOA-workflow voor de analyse van een dendritisch netwerk. De ingang is een 2D fluorescerend microscoopbeeld. Beeldsegmentatie wordt in twee fasen uitgevoerd: de eerste fase is de identificatie van dendritische takken als lijnen en de tweede fase is het samenvoegen van relevante lijnen volgens afstands- en richtingscriteria die door de gebruiker zijn bepaald. Na segmentatie wordt ruimtelijke informatie verzameld voor elke geïdentificeerde dendritische tak. Vervolgens wordt de volgende informatie geëxtraheerd uit de gegevens van alle dendritische takken in de afbeelding: parallelle / niet-parallelle classificatie, gemiddelde lengte van parallelle versus niet-parallelle dendritische takken, afstand tussen parallelle dendritische takken en hoekverdeling.
Figuur 2 illustreert de workflow in figuur 1 toegepast op een representatief 2D-beeld van een dendritisch netwerk gelabeld met een fluorescerend anti-MAP2-antilichaam. Er is een Graphical User Interface (GUI) ontwikkeld waarin de gebruiker een afbeelding uit een set bestanden kan selecteren en uploaden (stap 1). Vervolgens kan de gebruiker de instellingen Edges (stap 2) en lijnen samenvoegen (stap 3) wijzigen. Daarna worden lijnen die de geïdentificeerde dendritische takken vertegenwoordigen gedetecteerd (stap 2) en vervolgens samengevoegd, op basis van de nabijheid van de gesegmenteerde lijnen en hun richtingsverschillen (stap 3). De GUI maakt het mogelijk om de originele afbeelding te vergelijken met de gesegmenteerde afbeelding (stap 3) en biedt real-time monitoring van het effect van eventuele wijzigingen in de segmentatie-instellingen. De verzamelde ruimtelijke informatie wordt vervolgens geanalyseerd en de resultaten worden gepresenteerd als grafieken of tabellen (figuur 3, figuur 4, figuur 5 en figuur 6)
Figuur 3 laat zien hoe dendritische takken worden geclassificeerd als groeiend parallel (figuur 3A) en niet-parallel (figuur 3B). Alle segmenten die als "niet-parallel" zijn geclassificeerd, lopen niet parallel aan een ander segment. Omdat dendritische takken zich eigenlijk niet in rechte lijnen uitstrekken, was er behoefte aan een zekere mate van vrijheid voor de definitie van parallelle groei. Om dat te bereiken, werd de oriëntatie van een bepaalde tak gemeten en vervolgens werd een reeks hoeken rond de gemeten oriëntatie toegestaan voor parallellisme. Dit bereik is vast voor elke afbeelding en is afhankelijk van het aantal gedetecteerde lijnen; het mag echter niet hoger zijn dan 10° (een gedetailleerde beschrijving van het parallellisme sorteerproces wordt gegeven in Aanvullend materiaal/analyse, sectie 1). Vervolgens werd de geschiktheid van de oriëntatie van alle andere takken op dit hoekbereik onderzocht. Nadat de analyse was voltooid, werd het aantal parallelle takken binnen het geteste bereik geëxtraheerd en uitgezet in een frequentiegrafiek (figuur 3C).
Om te begrijpen of de mate van parallelle groei tussen de dendritische takken willekeurig of gericht is, werden de resultaten van de grafiek in figuur 3C vergeleken met die geëxtraheerd uit simulatie van willekeurige groei van lijnen van hetzelfde aantal als die van de dendritische takken in de culturen (figuur 3D). SOA meet vervolgens de afstanden tussen de parallelle takken (figuur 4) en de lengtes van parallelle en niet-parallelle dendritische takken. Figuur 5 toont staafdiagrammen van de lengtes van de niet-parallelle dendritische takken (figuur 5A) en parallelle dendritische takken (figuur 5B) en hun gemiddelde lengtes. Om te bepalen of er preferentiële groeirichtingen bestaan, toont SOA een verdelingshitogram van de groeihoeken van de dendritische takken (figuur 6). Een dergelijke presentatie maakt een snelle identificatie van de gewenste groeirichtingen en identificatie van specifieke dendritische takken in elke groep mogelijk (op ID-nummer) (figuur 6A).
Figuur 3: Classificatie van dendritische tak parallelle groei vs. willekeurige simulatie. Dendritische takken van het beeld in figuur 2B geïdentificeerd door SOA werden geclassificeerd als (A) parallel en (B) niet-parallel. (C) Het aantal parallelle dendritische takken in elk gecontroleerd hoekbereik werd verzameld en verdeeld in groepen paren/triples/kwartetten zoals uitgelegd in Aanvullend materiaal/analyse, sectie 1. De frequentie van het voorkomen van elke groep wordt weergegeven in de grafiek. (D) De resultaten van het groeperen van parallelle lijnen die zijn geëxtraheerd uit een willekeurige lijnverdelingssimulatie. Afkorting: SOA = segmentatie en oriëntatie analyse. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: SOA-meting van de afstand tussen parallelle dendritische takken. Getoond wordt een voorbeeld van hoe SOA de afstand weergeeft tussen parallel gegroeide takken. Elke gedetecteerde dendriet krijgt een uniek nummer (ID-nummer). De SOA meet de minimale afstand tussen elk paar parallelle dendrieten. Een gedetailleerde beschrijving is te vinden in Aanvullend materiaal/analyse, sectie 1. Voorbeelden: 1. Dendritische tak ID=2 bevindt zich op een afstand van 60 μm van een andere tak. 2. Dendriet ID=17 heeft twee parallelle vertakkingen op afstanden van 60 μm en 13,7 μm. Afkorting: SOA = segmentatie en oriëntatie analyse. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: SOA's weergave van de lengteverdeling van parallelle versus niet-parallelle dendritische takken. Getoond wordt een frequentieplotverdeling getoond van SOA's vergelijking van de lengtes van (A) niet-parallelle en (B) parallelle dendritische takken, evenals de gemiddelde lengtes. Afkorting: SOA = segmentatie en oriëntatie analyse. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: SOA's weergave van de hoekverdeling van dendritische takken. (A) Een grafische weergave van elke geïdentificeerde lijn volgens de groeihoek. (B) Een weergave van A waarmee de gewenste groeirichtingen snel kunnen worden herkend. Door A en B te combineren, kan elke dendritische tak worden toegewezen aan een specifieke groeirichtingcategorie. Deze vorm van representatie van de verdeling van dendritische groeirichtingen maakt een snelle identificatie mogelijk van voorkeursgroeirichtingen (B: hoe hoger de kolom, deze groeirichting heeft meer de voorkeur) en richtingen waarin dendrieten niet groeien (B: onder een hoek waar geen kolom is, groeien dendrieten niet in dezelfde richting). Afkorting: SOA = segmentatie en oriëntatie analyse. Klik hier om een grotere versie van deze figuur te bekijken.
Aanvullend materiaal. Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Effectieve strategieën voor het extraheren van morfologische informatie uit 2D-beelden zijn dringend nodig om biologische beeldvormingsgegevens bij te houden. Hoewel beeldgegevens in uren kunnen worden gegenereerd, duurt een diepgaande analyse van de beelden lang. Hierdoor is beeldverwerking op veel terreinen duidelijk een groot obstakel geworden. Dit is deels te wijten aan de hoge complexiteit van de gegevens, vooral bij het omgaan met biologische monsters. Bovendien, omdat veel gebruikers geen gespecialiseerde programmeer- en beeldverwerkingsvaardigheden hebben, zijn geautomatiseerde tools nodig waarmee beeldverwerking op een eenvoudige en gebruiksvriendelijke manier kan worden uitgevoerd. Daarom wordt van SOA verwacht dat het nuttig is. De representatieve resultaten tonen de geautomatiseerde segmentatie die het mogelijk maakt om de dendritische takken in het beeld in een paar eenvoudige stappen te identificeren, ondanks de complexiteit van het dendritische netwerk. Het werkproces is eenvoudig en intuïtief en diverse ruimtelijke informatie wordt onmiddellijk en zonder moeite verkregen. Verschillende algoritmen werden gebruikt om individuele dendritische takken in de fluorescentiebeelden te detecteren en meerdere analyses op de resultaten uit te voeren. Een gedetailleerde beschrijving van de algoritmen is te vinden in het aanvullend materiaal en informatie over de systeemvereisten. Dit artikel zal kort de algoritmen en hun rol in de software presenteren.
Segmentatie
Segmentatie was het meest uitdagende onderdeel van dit project. Bij segmentatie wordt een digitaal beeld omgezet in verschillende segmenten (beeldobjecten). Het doel van segmentatie is om objecten in het beeld te identificeren en zo begrijpelijker en beschikbaarder te maken. Hier werd segmentatie gebruikt om dendritische takken te identificeren en te isoleren van de achtergrond. Het beeldsegmentatieproces werd opgesplitst in twee fasen: de eerste fase omvatte de detectie van dendritische takken als lijnen en de tweede fase omvatte het samenvoegen van gerelateerde lijnen op basis van afstands- en richtingscriteria die door de gebruiker waren vastgesteld.
Dendritische informatie en analyse
Informatie over de locatie, hoek en lengte van elke gedetecteerde lijn werd verzameld. De software voert de volgende analyses uit op de gegevens die zijn verkregen uit alle lijnen die in de afbeelding zijn geïdentificeerd: 1. Dendritische takclassificatie (parallel / niet-parallel) 2. De gemiddelde lengte van parallelle versus niet-parallelle dendritische takken werd gemeten. 3. Hoekverdelingsmeting en weergave 4. Afstandsmeting tussen parallelle dendritische takken
Met de gebruikersinterface van de SOA kunnen gebruikers een afbeelding uploaden vanuit de bestanden van de computer. Het maakt ook aanpassingen van segmentatie-instellingen mogelijk. Omdat elke dendritische netwerkafbeelding uniek is, raden we aan om aan de instellingen te "sleutelen" om de best mogelijke segmentatie te bereiken. De gebruikersinterface maakt het mogelijk om het origineel en de gesegmenteerde afbeeldingen te vergelijken en het effect van elke wijziging in de instellingen op de segmentatie onmiddellijk te volgen.
Nadat alle instellingen zijn gewijzigd, maakt SOA het laatste cijfer van de segmentatie dat elk van de geïdentificeerde dendritische takken weergeeft. De SOA genereert grafieken van de uitgevoerde analyses en een .xlsx bestand met alle gegevens.
De output van de SOA kan worden gebruikt als uitgangspunt voor de input van tools voor verdere analyse. We ontwikkelen nu bijvoorbeeld software die de gemiddelde parallellismewaarde berekent voor dendrieten die verschillende behandelingen hebben gekregen met behulp van SOA-uitvoer op een groot aantal afbeeldingen.
Samenvatting
SOA is een geautomatiseerde tool voor identificatie, segmentatie en extractie van belangrijke morfologische informatie uit afbeeldingen van complexe 2D-lijnnetwerken en heeft een gebruiksvriendelijke en intuïtieve interface. In dit werk werd het gebruik van SOA geïntroduceerd door een voorbeeld van analyse van dendritische netwerken. SOA kan worden gebruikt voor de analyse van andere soorten 2D-cellulaire netwerken, zoals netwerken van verschillende neurale en niet-neurale cellen, intracellulaire complexe structuren zoals die gegenereerd door het cytoskelet en niet-biologische netwerken, bijvoorbeeld nanobuizen en meer. SOA is ontwikkeld voor een zeer specifiek doel en het is belangrijk om de voordelen en beperkingen ervan te kennen. De beperkingen van SOA zijn onder meer het feit dat het alleen geschikt is voor 2D-beeldanalyse en niet voor 3D-beeldanalyse. SOA kan alleen worden gebruikt om afbeeldingen te analyseren met objecten die lijnachtig zijn. Bovendien is de informatie die uit de software wordt verkregen beperkt tot de ruimtelijke informatie van de geïdentificeerde dendrieten en tot de specifieke analyses die hier worden beschreven. Aanvullende analyses worden niet uitgevoerd door de SOA. De belangrijkste voordelen van de software zijn de eenvoud en gebruiksvriendelijkheid. Met de software kunnen complexe beelden snel en in een paar eenvoudige stappen worden geanalyseerd. Bovendien is SOA flexibel en gemakkelijk instelbaar; vandaar dat de analytische capaciteit verder kan worden uitgebreid dan morfometrie en gunstig kan zijn voor andere toepassingen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs verklaren dat zij geen concurrerende financiële belangen hebben.
Acknowledgments
De auteurs willen Dr. Orly Weiss bedanken voor het opstellen van de cultuurbeelden.
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).
