Summary
מוצג הוא כלי חישובי המאפשר מדידה אוטומטית פשוטה וישירה של כיוונים של ענפים דנדריטיים עצביים מתמונות פלואורסצנטיות 2D.
Abstract
המבנה של עצים דנדריטיים עצביים ממלא תפקיד מרכזי בשילוב של תשומות סינפטיות בנוירונים. לכן, אפיון המורפולוגיה של דנדריטים חיוני להבנה טובה יותר של תפקוד עצבי. עם זאת, המורכבות של עצים דנדריטיים, הן כאשר מבודדים ובמיוחד כאשר ממוקם בתוך רשתות עצביות, לא הובן לחלוטין. פיתחנו כלי חישובי חדש, SOA (פילוח וניתוח אוריינטציה), המאפשר מדידה אוטומטית של הכיוון של ענפים דנדריטיים מתמונות פלואורסצנטיות של תרביות עצביות דו-ממדיות. SOA, שנכתב בפייתון, משתמש בפילוח כדי להבחין בין ענפים דנדריטיים מרקע התמונה וצובר מסד נתונים בכיוון המרחבי של כל ענף. לאחר מכן משמש מסד הנתונים לחישוב פרמטרים מורפולוגיים כגון התפלגות כיוונית של ענפים דנדריטיים ברשת ושכיחות צמיחת הענף הדנדריטי המקביל. הנתונים המתקבלים יכולים לשמש כדי לזהות שינויים מבניים בדנדריטים בתגובה לפעילות עצבית ולגירויים ביולוגיים ופרמקולוגיים.
Introduction
מורפוגנזה דנדריטית היא נושא מרכזי במדעי המוח, שכן המבנה של העץ הדנדריטי משפיע על המאפיינים החישוביים של שילוב סינפטי בנוירונים1,2,3. יתר על כן, חריגות מורפולוגיות ושינויים בענפים דנדריטיים מעורבים בהפרעות ניווניות נוירו-התפתחותיות4,5,6. בתרבויות עצביות שבהן ניתן לדמיין בקלות רבה יותר את ההשלכות הדנדריטיות, האינטראקציות בין ענפים דנדריטיים שאינם אחות מווסתים את האתרים ואת היקף ההתקבצות הסינפטית לאורך הענפים, התנהגות שעשויה להשפיע על שיתוף פעולה סינפטי ופלסטיות7,8,9. לכן, אפיון הפרמטרים המורפולוגיים של העץ דנדריטי באמצעות תרביות עצביות דו מימדיות (2D) הוא יתרון להבנת מורפוגנזה דנדריטית ופונקציונליות של יחיד ורשתות של נוירונים. עם זאת, זוהי משימה מאתגרת מכיוון שענפים דנדריטיים יוצרים רשת מורכבת אפילו בתרבויות נוירונים "פשוטים" ודו-חמצניים.
מספר כלים פותחו כדי לעקוב ולנתח באופן אוטומטי מבנים דנדריטיים10,11,12,13. עם זאת, רוב הכלים האלה מיועדים לרשתות נוירונים תלת-ממדיות והם באופן טבעי מורכבים מדי לשימוש עם רשתות 2D. לעומת זאת, כלי ניתוח מורפולוגיים פחות מתקדמים כרוכים בדרך כלל ברכיב משמעותי של עבודת כפיים בסיוע מחשב, שהיא גוזלת זמן רב ורגיש להטיית מפעיל14. כלים חצי אוטומטיים קיימים, כגון 'ImageJ'15 (חבילת עיבוד תמונה בקוד פתוח של NIH עם אוסף עצום של כלי ניתוח תמונה ביולוגית שפותחו על ידי הקהילה), מפחיתים במידה רבה את עבודת היד הידנית של המשתמשים. עם זאת, עדיין יש צורך בהתערבויות ידניות מסוימות במהלך עיבוד התמונה, ואיכות הפילוח יכולה להיות פחות רצויה.
מאמר זה מציג את SOA, כלי אוטומטי פשוט המאפשר פילוח ישיר וניתוח כיוון של ענפים דנדריטיים בתוך רשתות נוירונים 2D. SOA יכול לזהות אובייקטים שונים דמויי קו בתמונות 2D ולאפיין את המאפיינים המורפולוגיים שלהם. כאן, השתמשנו ב- SOA לפיזור סניפים דנדריטיים בתמונות פלואורסצנטיות 2D של רשתות דנדריטיות בתרבות. התוכנה מזהה את הענפים הדנדריטיים ומבצעת בהצלחה מדידות של פרמטרים מורפולוגיים כגון מקביליות והפצה מרחבית. ניתן להתאים את SOA בקלות לניתוח תהליכים תאיים מסוגי תאים אחרים ולחקר רשתות לא ביולוגיות.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
הערה: משרד הבריאות הישראלי אישר שימוש בעכברים על פי פרוטוקול IL-218-01-21 לשימוש אתי בבעלי חיים ניסיוניים. SOA תואם רק ל- Windows 10 ול- Python 3.9. הוא זמין כקוד קוד פתוח: https://github.com/inbar2748/DendriteProject. בקישור זה, יש גם README. קובץ DM בעל הוראות להורדת התוכנה, קישור לאתר האינטרנט של התוכנה וקובץ דרישות המכיל מידע על הגירסאות הנדרשות של כל החבילות. דוגמאות נוספות לניתוח שבוצעו באמצעות התוכנה סופקו גם שם.
איור 1: זרימת עבודה של SOA עבור פילוח וניתוח כיוון צמיחה. מוצגים הם שלבי העיבוד של תמונות פלואורסצנטיות של רשתות דנדריטיות וניתוח נתונים. התמונה הדו-פעמית מועלית, מפולחת (בשני שלבים: ענפים דנדריטיים מזוהים כשורות, ואז הקווים הרלוונטיים ממוזגים), והמידע המרחבי של כל ענף דנדריטי מתקבל. הנתונים נאספים עבור כל הענפים הדנדריטיים בתמונה. לבסוף, הנתונים מנותחים כדי לתת את הפרמטרים המורפולוגיים הרצויים. קיצור: SOA = פילוח וניתוח כיוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
1. פתח את יישום SOA.
- פתח את כתובת כתובת ה- URL: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, מצא את התיקיה .zip SOA מכווצת והורד את קובץ ה- ZIP על-ידי לחיצה כפולה.
- בטל את הניצוי של התיקיה על-ידי לחיצה באמצעות לחצן העכבר הימני על SOA.zip ובחר Extract Files. שים לב לחלון נתיב החילוץ והאפשרויות שנפתח ובתיבת הטקסט כתובת יעד המציגה את הנתיב עבור הקבצים שחולצו. כדי לחלץ למיקום אחר, לחץ על אחת התיקיות בחלונית הימנית של החלון כדי להפוך אותו לתיקיית היעד. לחץ על אישור כדי לחלץ את הקבצים לתיקיה זו.
- פתח את קובץ SOA שחולץ ולחץ פעמיים על .EXE SOA. המתן לפתיחת חלון שחור ולאחר מכן יופיע היישום.
איור 2: דוגמה לזרימת עבודה המשתמשת ב- GUI של SOA. עמודה שמאלית: מקטעי GUI של זרימת העבודה. עמודה אמצעית: תמונה של רשת דנדריטית, מעובדת במהלך זרימת העבודה (סרגל קנה מידה: 20 מיקרומטר). עמודה ימנית: הגדלה של האזור המסומן במלבן אדום בתמונות של העמודה האמצעית (סרגל קנה מידה: 4 מיקרומטר). שלב 1: בחירה והעלאה של תמונה. שלב 2: השלב הראשון של הפילוח הוא איתור קווים המייצגים את הענפים הדנדריטיים המזוהים. שלב 3: השלב השני של הפילוח הוא מיזוג מבוסס קרבה של רירית פלח בענפים דנדריטיים בודדים. ניתן לשנות את ההגדרות של כל השלבים. קיצורים: SOA = פילוח וניתוח כיוון; GUI = ממשק משתמש גרפי. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
2. פתח תמונה לניתוח.
- בשורת התפריטים 'העלאת מציג SOA ' | בחר בחר | קבצים בחר תמונה מקבצי המחשב | לחץ על זה (קבצי .png .jpg .tif .bmp בלבד) | פתח | התבונן בנתיב הקובץ | הבא.
3. אופטימיזציה של פילוח
הערה: בשורת התפריטים מאפייני מציג SOA , שנה את הערכים של הפרמטרים שנבחרו כדי להתאים את הגדרות תהליך הפילוח. תיאור מפורט של הפרמטרים, כגון הסף, ניתן בחומר המשלים.
- בקצוות, התאם את הסף עבור התצוגה על-ידי בחירת הסף והזנת מספר.
הערה: ככל שהמספר עבור הסף נמוך יותר, כך מזוהים יותר שורות. הסף הוא מספר הנע בין 0 ל- 255. ערך ברירת המחדל הוגדר כ- 0. - בשורות מיזוג:
- התאם את המרחק המינימלי למיזוג עבור התצוגה על-ידי בחירת המרחק Min למיזוג והזנת מספר.
הערה: המרחק בין המינים למיזוג נע בין 0 ל- 30 פיקסלים. ערך ברירת המחדל מוגדר ל- 20. - התאם את הזווית המינימלית למיזוג עבור התצוגה על-ידי בחירת הזווית Min למיזוג והזנת מספר.
הערה: זווית ה-Min למיזוג נעה בין 0 ל- 30°. ערך ברירת המחדל מוגדר ל- 10.
- התאם את המרחק המינימלי למיזוג עבור התצוגה על-ידי בחירת המרחק Min למיזוג והזנת מספר.
- לחץ על יצירת תמונת פילוח תצוגה מקדימה.
הערה: תמונת תצוגה מקדימה של תוצאות הפילוח תוצג בהתאם לערכים המעודכנים. בנוסף, יוצגו מספר השורות לפני המיזוג ומספר השורות לאחר המיזוג. - שנה את הפרמטרים כדי להשיג זיהוי מרבי של מקטעים. אם יש צורך לשנות את המאפיינים, לחץ על לחצן סגור חלון ובצע את שלבים 3.1-3.4.
4. צור את קבצי הפלט.
- לחץ על אישור כדי להציג באופן חזותי את תמונות הפילוח ואת הגרפים המנתחים. שים לב לחלון שמופיע לבחירת מיקום שבו יישמר קובץ .xlsx.
- הוספת שם קובץ | בחר שמור | המתן לקובץ .xlsx עם נתונים שייווצר וישמרו.
הערה: בנוסף לקובץ .xlsx, הקבצים הבאים יוצגו באופן אוטומטי: קובץ המציג את התמונה המקורית, תמונת זיהוי הקו, התמונה הסופית של הפילוח ושלושה גרפי ניתוח.
5. סרגל הכלים לניווט
הערה: סרגל כלים לניווט כלול בכל חלונות האיור וניתן להשתמש בו כדי לנווט בערכת הנתונים. כל אחד מהלחצנים בתחתית סרגל הכלים מתואר להלן.
- כדי לנווט הלוך ושוב בין תצוגות שהוגדרו קודם לכן, השתמש בלחצנים קדימה ואחורה.
הערה: הלחצנים 'בית', 'קדימה' ו'הקודם' דומים לפקדים 'בית', 'קדימה' ו'הקודם' בדפדפן אינטרנט. הבית חוזר למסך ברירת המחדל, התמונה המקורית. - השתמש בלחצן זום כדי לגלול ולהגדיל את התצוגה. כדי להפעיל גלילה רציפה ושינוי גודל תצוגה, לחץ על לחצן זום ולאחר מכן הזז את העכבר למיקום הרצוי בתמונה.
- כדי לגלול את האיור, לחץ והחזק את לחצן העכבר השמאלי תוך כדי גרירתו למיקום חדש. שחרר את לחצן העכבר והנקודה שנבחרה בתמונה תופיע במיקום החדש. בעת גלילה רציפה, החזק את מקשי x או y ל לדחיית התנועה לצירים x או y , בהתאמה.
- כדי להגדיל את התצוגה, החזק את לחצן העכבר הימני לחוץ וגרור אותו למיקום חדש. זוז ימינה כדי להגדיל את ציר ה-x ולנוע שמאלה כדי להקטין את התצוגה בציר ה-x. עשה את אותו הדבר עבור ציר ה- y ותנועות למעלה/למטה. בעת שינוי גודל תצוגה, שים לב שהנקודה מתחת לעכבר נשארת נייחת, ומאפשרת הגדלה או הקטנה של נקודה זו. השתמש במקשי הצירוף x, y או CONTROL כדי להגביל את גודל התצוגה לשימור יחס x, y או רוחב-גובה, בהתאמה.
- כדי להפעיל את מצב מרחק מלבן למלבן, לחצו על הלחצן 'התקרבות למלבן '. מקם את הסמן מעל התמונה ולחץ על לחצן העכבר השמאלי. גרור את העכבר למיקום חדש בעת החזקת הלחצן כדי להגדיר אזור מלבני.
הערה: מגבלות תצוגת הצירים יוגדלו לאזור המוגדר בעת לחיצה על לחצן העכבר השמאלי. מגבלות תצוגת הצירים יוגדלו בעת לחיצה על לחצן העכבר הימני, תוך מיקום הצירים המקוריים באזור המוגדר. - השתמש בכלי תצורת תת-עלילה כדי לקבוע את תצורת המראה של עלילת המשנה.
הערה: ניתן למתוח או לדחוס את הצד השמאלי, הימני, העליון והתחתון של לוח המשנה, כמו גם את הרווח בין שורות ועמודות. - כדי לפתוח תיבת דו-שיח לשמירת קבצים, לחץ על לחצן שמור ושמור את הקובץ בתבניות הבאות: .png, .ps, .eps, .svg או .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ניתוח מייצג בוצע על תמונות של רשתות דנדריטיות בתרבות. תאים חולצו כמתואר על ידי Baranes ואח '. 16,17. בקצרה, תאי ההיפוקמפוס חולצו ממוחות של חולדות לאחר הולדות וטופחו על כיסויי זכוכית דו-פעמיים במשך שבוע-שבועיים. התרבויות תוקנו והוכתמו אז באמצעות אימונופלואורסצנטיות עקיפה באמצעות נוגדן נגד סמן החלבון הדנדריטי, חלבון הקשור למיקרוטובול 2 (MAP2). תמונות של רשתות דנדריטיות נאספו באמצעות מיקרוסקופ פלואורסצנטי, ו -10 תמונות עובדו באמצעות SOA.
איור 1 מציג זרימת עבודה טיפוסית של SOA לניתוח רשת דנדריטית. הקלט הוא תמונת מיקרוסקופ פלואורסצנטית 2D. פילוח התמונה מתבצע בשני שלבים: השלב הראשון הוא זיהוי ענפים דנדריטיים כשורות, והשלב השני הוא מיזוג קווים רלוונטיים בהתאם לקריטריון המרחק והכיוון שנקבע על ידי המשתמש. לאחר פילוח, מידע מרחבי נאסף עבור כל ענף דנדריטי מזוהה. לאחר מכן, המידע הבא מופק מנתוני כל הענפים הדנדריטיים בתמונה: סיווג מקביל/לא מקבילי, אורך ממוצע של ענפים דנדריטיים מקבילים לעומת מקבילים, מרחק בין ענפים דנדריטיים מקבילים וחלוקה זוויתית.
איור 2 ממחיש את זרימת העבודה שהוצבה באיור 1 החלה על תמונה תי-יומית מייצגת של רשת דנדריטית המסומנת בנוגדן פלואורסצנטי נגד MAP2. פותח ממשק משתמש גרפי (GUI) שבו המשתמש יכול לבחור ולהעלות תמונה מתוך ערכת קבצים (שלב 1). לאחר מכן, המשתמש יכול לשנות את הגדרות הקצוות (שלב 2) ומיזוג קווים (שלב 3). לאחר מכן, קווים המייצגים את הענפים הדנדריטיים המזוהים מזוהים (שלב 2) ולאחר מכן ממוזגים, בהתבסס על הקרבה של הקווים המפולחים וההבדלים הכיווניים שלהם (שלב 3). ה- GUI מאפשר את ההשוואה של התמונה המקורית לתמונה המפולחת (שלב 3) ומספק ניטור בזמן אמת של ההשפעה של כל שינוי בהגדרות הפילוח. לאחר מכן מנותח המידע המרחבי שנאסף, והתוצאות מוצגות כגרפים או כטבלאות (איור 3, איור 4, איור 5 ואיור 6)
איור 3 מדגים כיצד ענפים דנדריטיים מסווגים כמקבילים גדלים (איור 3A) ולא מקבילים (איור 3B). כל המקטעים המסווגים כ"לא מקביליים" אינם מקבילים לשום פלח אחר. מכיוון שענפים דנדריטיים אינם מתרחבים בפועל בקווים ישרים, היה צורך לספק מידה מסוימת של חופש להגדרת צמיחה מקבילה. כדי להשיג זאת, נמדדה הכיוון של ענף מסוים, ולאחר מכן הותר טווח זוויות סביב הכיוון הנמדד להקבלה. טווח זה קבוע עבור כל תמונה ותלוי במספר השורות שזוהו; עם זאת, הוא אינו יכול לחרוג מ- 10° (תיאור מפורט של תהליך מיון המקבילות ניתן בחומר /ניתוח משלים, סעיף 1). לאחר מכן נבחן הכושר של הכיוון של כל הענפים האחרים לטווח זווית זה. לאחר השלמת הניתוח, מספר הענפים המקבילים בטווח הנבדק חולץ והתוות בגרף תדרים (איור 3C).
כדי להבין אם היקף הצמיחה המקבילה בין הענפים הדנדריטיים הוא אקראי או מכוון, תוצאות הגרף באיור 3C הושוו לאלה שחולצו מסימולציה של צמיחה אקראית של קווים באותו מספר כמו אלה של הענפים הדנדריטיים בתרבויות (איור 3D). SOA מודדת את המרחקים בין הענפים המקבילים (איור 4) וכן את אורכי הענפים המקבילים והלא מקבילים. איור 5 מציג תרשימי עמודות של אורכי הענפים הדנדריטיים הלא-מקבילים (איור 5A) וענפים דנדריטיים מקבילים (איור 5B) ואורכיהם הממוצעים. כדי לקבוע אם קיימים כיווני צמיחה מועדפים, SOA מציגה היסטוגרמה של זוויות הצמיחה של הענפים הדנדריטיים (איור 6). מצגת כזו מאפשרת זיהוי מהיר של כיווני צמיחה מועדפים וזיהוי של ענפים דנדריטיים ספציפיים בכל קבוצה (לפי מספר תעודת זהות) (איור 6A).
איור 3: סיווג של צמיחה מקבילה בענף דנדריטי לעומת סימולציה אקראית. ענפים דנדריטיים של התמונה באיור 2B שזוהו על ידי SOA סווגו כ-(A) מקבילים ו-(B) לא מקבילים. (ג) מספר הענפים הדנדריטיים המקבילים בכל טווח זווית שנבדק נאסף וחולק לקבוצות של זוגות/משולשים/רביעיות כפי שמוסבר בחומר/ניתוח משלימים, סעיף 1. תדירות המופעים של כל קבוצה מוצגת בגרף. (ד) התוצאות של קיבוץ קווים מקבילים שחולצו מסימולציית הפצת קו אקראית. קיצור: SOA = פילוח וניתוח כיוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 4: מדידת SOA של המרחק בין ענפים דנדריטיים מקבילים. מוצגת דוגמה לאופן שבו SOA מציגה את המרחק בין ענפים הגדלים במקביל. כל דנדריט שזוהה מקבל מספר ייחודי (מספר מזהה). SOA מודד את המרחק המינימלי בין כל זוג דנדריטים מקבילים. תיאור מפורט ניתן למצוא חומר /ניתוח משלימים, סעיף 1. דוגמאות: 1. מזהה סניף דנדריטי = 2 נמצא במרחק של 60 מיקרומטר מענף אחר. 2. לדנדריט ID =17 יש שני ענפים מקבילים במרחקים של 60 מיקרומטר ו 13.7 מיקרומטר. קיצור: SOA = פילוח וניתוח כיוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 5: התצוגה של SOA של התפלגות האורך של ענפים דנדריטיים מקבילים לעומת מקבילים. מוצגת התפלגות התוויית תדרים של השוואת SOA לאורכים של (A) ענפים דנדריטיים מקבילים ו- (B) מקבילים, כמו גם את האורכים הממוצעים. קיצור: SOA = פילוח וניתוח כיוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
איור 6: התצוגה של SOA של ההתפלגות הזוויתית של ענפים דנדריטיים. (א) ייצוג גרפי של כל קו מזוהה בהתאם לזווית הצמיחה שלו. (ב) תצוגה של A המאפשרת זיהוי מהיר של כיווני צמיחה מועדפים. שילוב A ו - B, ניתן להקצות כל ענף דנדריטי לקטגוריית כיוון צמיחה ספציפית. צורה זו של ייצוג של התפלגות כיווני הצמיחה הדנדריטיים מאפשרת זיהוי מהיר של כיווני צמיחה מועדפים (B: ככל שהעמודה גבוהה יותר, כיוון צמיחה זה מועדף יותר) וכיוונים שבהם דנדריטים אינם גדלים (B: בזווית שבה אין עמודה, דנדריטים אינם גדלים באותו כיוון). קיצור: SOA = פילוח וניתוח כיוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.
חומר משלים. נא לחץ כאן כדי להוריד קובץ זה.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
אסטרטגיות יעילות לחילוץ מידע מורפולוגי מתמונות 2D נדרשות בדחיפות כדי לעמוד בקצב של נתוני הדמיה ביולוגיים. למרות שניתן להפיק נתוני הדמיה בשעות, ניתוח מעמיק של התמונות אורך זמן רב. כתוצאה מכך, עיבוד תמונה הפך בבירור למכשול מרכזי בתחומים רבים. זאת, בין היתר, בשל המורכבות הגבוהה של הנתונים, במיוחד כאשר מתמודדים עם דגימות ביולוגיות. יתר על כן, כמו משתמשים רבים חסרים מיומנויות תכנות ועיבוד תמונה מיוחדות, כלים אוטומטיים המאפשרים עיבוד תמונה להיעשות בצורה קלה וידידותית למשתמש נדרשים. לכן SOA צפוי להיות שימושי. התוצאות הייצוגיות ממחישות את הפילוח האוטומטי המאפשר זיהוי של הענפים הדנדריטיים בתמונה בכמה שלבים פשוטים, למרות המורכבות של הרשת הדנדריטית. תהליך העבודה הוא פשוט ואינטואיטיבי, ומידע מרחבי מגוון מתקבל באופן מיידי וללא מאמץ. מספר אלגוריתמים שימשו כדי לזהות ענפים דנדריטיים בודדים בתמונות הפלואורסצנטיות ולבצע ניתוחים מרובים על התוצאות. תיאור מפורט של האלגוריתמים ניתן למצוא בחומר המשלים ומידע על דרישות המערכת. מאמר זה יציג בקצרה את האלגוריתמים ואת תפקידם בתוכנה.
פילוח
פילוח היה החלק המאתגר ביותר בפרויקט זה. בפילוח, תמונה דיגיטלית מומרת למספר מקטעים (אובייקטי תמונה). מטרת הפילוח היא לזהות אובייקטים בתמונה ובכך להפוך אותם ליותר מובנים וזמינים. כאן נעשה שימוש בפילוח כדי לזהות ענפים דנדריטיים ולבודד אותם מהרקע. תהליך פילוח התמונה פוצל לשני שלבים: השלב הראשון כלל איתור ענפים דנדריטיים כשורות, והשלב השני כלל מיזוג קווים קשורים בהתבסס על קריטריוני מרחק וכיוון שנקבעו על ידי המשתמש.
מידע וניתוח דנדריטי
נאסף מידע על המיקום, הזווית והאורך של כל קו שזוהה. התוכנה מבצעת את הניתוחים הבאים על הנתונים המתקבלים מכל הקווים שזוהו בתמונה: 1. סיווג ענף דנדריטי (מקביל/לא מקביל) 2. נמדד האורך הממוצע של ענפים דנדריטיים מקבילים לעומת ענפים לא מקבילים. 3. מדידת הפצה זוויתית ותצוגה 4. מדידת מרחק בין ענפים דנדריטיים מקבילים
ממשק המשתמש של SOA מאפשר למשתמשים להעלות תמונה מקבצי המחשב. הוא גם מאפשר התאמות של הגדרות פילוח. מכיוון שכל תמונת רשת דנדריטית היא ייחודית, אנו מציעים "התעסקות" עם ההגדרות כדי להשיג את הפילוח הטוב ביותר האפשרי. ממשק המשתמש מאפשר השוואה של התמונות המקוריות והמפולחות וניטור מיידי של ההשפעה של כל שינוי בהגדרות על הפילוח.
לאחר שינוי כל ההגדרות, SOA יוצר את האיור הסופי של הפילוח המציג כל אחד מהענפים הדנדריטיים המזוהים. SOA מייצר גרפים של הניתוחים שבוצעו וקובץ .xlsx עם כל הנתונים.
הפלט של SOA יכול לשמש כנקודת התחלה עבור קלט של כלים לניתוח נוסף. לדוגמה, אנו מפתחים כעת תוכנה המחשבת את ערך ההקבלה הממוצע עבור דנדריטים שקיבלו טיפולים שונים באמצעות פלט SOA על מספר רב של תמונות.
תקציר
SOA הוא כלי אוטומטי לזיהוי, פילוח והפקת מידע מורפולוגי חשוב מתמונות של רשתות קו 2D מורכבות ויש לו ממשק ידידותי ולאינטואיטיבי למשתמש. בעבודה זו, השימוש ב- SOA הוצג באמצעות דוגמה של ניתוח של רשתות דנדריטיות. SOA יכול לשמש לניתוח של סוגים אחרים של רשתות סלולריות 2D, כגון רשתות של תאים עצביים ולא עצביים שונים, מבנים מורכבים תאיים כגון אלה שנוצרו על ידי cytoskeleton ורשתות לא ביולוגיות, למשל, צינורות ועוד. SOA פותחה למטרה ספציפית מאוד, וחשוב לדעת את היתרונות והמגבלות שלה. המגבלות של SOA כוללות את העובדה שהוא מתאים רק לניתוח תמונה 2D ולא לניתוח תמונה תלת-ממדית. ניתן להשתמש ב- SOA רק כדי לנתח תמונות עם אובייקטים דמויי קו. יתר על כן, המידע המתקבל מהתוכנה מוגבל למידע המרחבי של הדנדריטים המזוהים ולניתחוים הספציפיים המתוארים כאן. ניתוחים נוספים אינם מבוצעים על ידי SOA. היתרונות העיקריים של התוכנה הם הפשטות שלה וידידותיות למשתמש. התוכנה מאפשרת ניתוח מהיר של תמונות מורכבות ובכמה שלבים פשוטים. יתר על כן, SOA הוא גמיש וניתן לכוונון בקלות; לפיכך, היכולת האנליטית שלה ניתן להרחיב מעבר morphometry ולהיות מועיל עבור יישומים אחרים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
המחברים מצהירים כי אין להם אינטרסים כלכליים מתחרים.
Acknowledgments
המחברים מבקשים להודות לד"ר אורלי וייס על הכנת תמונות התרבות.
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).
