Summary
Presentato è uno strumento computazionale che consente la misurazione automatica semplice e diretta degli orientamenti dei rami dendritici neuronali da immagini di fluorescenza 2D.
Abstract
La struttura degli alberi dendritici neuronali svolge un ruolo chiave nell'integrazione degli input sinaptici nei neuroni. Pertanto, la caratterizzazione della morfologia dei dendriti è essenziale per una migliore comprensione della funzione neuronale. Tuttavia, la complessità degli alberi dendritici, sia quando isolati che soprattutto quando si trovano all'interno di reti neuronali, non è stata completamente compresa. Abbiamo sviluppato un nuovo strumento computazionale, SOA (Segmentation and Orientation Analysis), che consente la misurazione automatica dell'orientamento dei rami dendritici da immagini a fluorescenza di colture neuronali 2D. SOA, scritto in Python, utilizza la segmentazione per distinguere i rami dendritici dallo sfondo dell'immagine e accumula un database sulla direzione spaziale di ciascun ramo. Il database viene quindi utilizzato per calcolare parametri morfologici come la distribuzione direzionale dei rami dendritici in una rete e la prevalenza della crescita parallela dei rami dendritici. I dati ottenuti possono essere utilizzati per rilevare cambiamenti strutturali nei dendriti in risposta all'attività neuronale e agli stimoli biologici e farmacologici.
Introduction
La morfogenesi dendritica è un argomento centrale nelle neuroscienze, poiché la struttura dell'albero dendritico influenza le proprietà computazionali dell'integrazione sinaptica nei neuroni1,2,3. Inoltre, anomalie morfologiche e modificazioni nei rami dendritici sono implicate in disturbi degenerativi e dello sviluppo neurologico4,5,6. Nelle colture neuronali in cui la ramificazione dendritica può essere visualizzata più facilmente, le interazioni tra rami dendritici non fratelli regolano i siti e l'estensione del clustering sinaptico lungo i rami, un comportamento che può influenzare la coattività sinaptica e la plasticità7,8,9. Pertanto, la caratterizzazione dei parametri morfologici dell'albero dendritico utilizzando colture neuronali bidimensionali (2D) è vantaggiosa per comprendere la morfogenesi dendritica e la funzionalità di singoli e reti di neuroni. Tuttavia, questo è un compito impegnativo perché i rami dendritici formano una rete complessa anche in colture neuronali 2D "semplificate".
Sono stati sviluppati diversi strumenti per tracciare e analizzare automaticamente le strutture dendritiche10,11,12,13. Tuttavia, la maggior parte di questi strumenti sono progettati per le reti neuronali 3D e sono naturalmente troppo complessi per essere utilizzati con le reti 2D. Al contrario, gli strumenti di analisi morfologica meno avanzati coinvolgono in genere una componente significativa del lavoro manuale assistito da computer, che richiede molto tempo e suscettibile alla distorsione dell'operatore14. Gli strumenti semi-automatici esistenti, come "ImageJ"15 (un pacchetto di elaborazione delle immagini open source NIH con una vasta collezione di strumenti di analisi delle immagini biologiche sviluppati dalla comunità), riducono in gran parte il lavoro manuale dell'utente. Tuttavia, alcuni interventi manuali sono ancora necessari durante l'elaborazione delle immagini e la qualità della segmentazione può essere inferiore a quella desiderabile.
Questo documento presenta la SOA, un semplice strumento automatizzato che consente la segmentazione diretta e l'analisi dell'orientamento dei rami dendritici all'interno di reti neuronali 2D. La SOA è in grado di rilevare vari oggetti simili a linee in immagini 2D e caratterizzarne le proprietà morfologiche. Qui, abbiamo usato la SOA per segmentare i rami dendritici in immagini di fluorescenza 2D di reti dendritiche in coltura. Il software identifica i rami dendritici ed esegue con successo misurazioni di parametri morfologici come il parallelismo e la distribuzione spaziale. La SOA può essere facilmente adattata per l'analisi di processi cellulari di altri tipi cellulari e per lo studio di reti non biologiche.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Il Ministero della Salute israeliano ha approvato l'uso di topi secondo il protocollo IL-218-01-21 per l'uso etico di animali da esperimento. SOA è compatibile solo con Windows 10 e Python 3.9. È disponibile come codice open source: https://github.com/inbar2748/DendriteProject. A questo link, c'è anche un README. DM che contiene le istruzioni per il download del software, un collegamento al sito Web del software e un file dei requisiti contenente informazioni sulle versioni richieste di tutti i pacchetti. Ulteriori esempi di analisi eseguite utilizzando il software sono stati forniti anche lì.
Figura 1: Flusso di lavoro SOA per la segmentazione e l'analisi della direzione di crescita. Sono mostrate le fasi di elaborazione delle immagini fluorescenti delle reti dendritiche e l'analisi dei dati. L'immagine 2D viene caricata, segmentata (in due passaggi: i rami dendritici vengono rilevati come linee e quindi le linee pertinenti vengono unite) e si ottengono le informazioni spaziali di ciascun ramo dendritico. I dati vengono raccolti per tutti i rami dendritici nell'immagine. Infine, i dati vengono analizzati per fornire i parametri morfologici desiderati. Abbreviazione: SOA = analisi di segmentazione e orientamento. Fare clic qui per visualizzare una versione più grande di questa figura.
1. Aprire l'applicazione SOA.
- Apri l'indirizzo URL: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, trova la cartella compressa SOA.zip e scarica il file ZIP facendo doppio clic.
- Decomprimi la cartella facendo clic con il pulsante destro del mouse su SOA.zip e scegli Estrai file. Osservare la finestra Percorso di estrazione e opzioni visualizzata e la casella di testo Indirizzo di destinazione che visualizza il percorso dei file estratti. Per estrarre in una posizione diversa, fare clic su una delle cartelle nel pannello di destra della finestra per renderla la cartella di destinazione. Fare clic su OK per estrarre i file in tale cartella.
- Aprire il file SOA estratto e fare doppio clic su SOA.exe. Attendi che si apra una finestra nera, dopodiché apparirà l'applicazione.
Figura 2: Esempio di flusso di lavoro che utilizza la GUI della SOA. Colonna di sinistra: sezioni GUI del flusso di lavoro. Colonna centrale: immagine di una rete dendritica, elaborata durante il flusso di lavoro (barra di scala: 20 μm). Colonna di destra: ingrandimento dell'area contrassegnata da un rettangolo rosso nelle immagini della colonna centrale (barra della scala: 4 μm). Passo 1: Selezione e caricamento di un'immagine. Fase 2: La prima fase della segmentazione è il rilevamento di linee che rappresentano i rami dendritici identificati. Fase 3: La seconda fase della segmentazione è la fusione basata sulla prossimità del rivestimento del segmento nei singoli rami dendritici. Le impostazioni di tutti i passaggi possono essere modificate. Abbreviazioni: SOA = analisi di segmentazione e orientamento; GUI = interfaccia utente grafica. Fare clic qui per visualizzare una versione più grande di questa figura.
2. Apri un'immagine da analizzare.
- Nella barra dei menu Caricamento visualizzatore SOA | seleziona Scegli file | Scegliere un'immagine dai file del computer | cliccaci sopra (solo .png .jpg .tif .bmp file) | Apri | Osservare il percorso del file | Prossimo.
3. Ottimizzazione della segmentazione
NOTA: nella barra dei menu Proprietà del visualizzatore SOA , modificare i valori dei parametri selezionati per regolare le impostazioni del processo di segmentazione. Una descrizione dettagliata dei parametri, come la Soglia, è fornita nel Materiale supplementare.
- In Bordi,regolate la soglia per la visualizzazione selezionando la soglia e immettendo un numero.
NOTA: più basso è il numero per la soglia, più righe vengono rilevate. Soglia è un numero che varia da 0 a 255. Il valore predefinito è stato impostato su 0. - In Unisci righe:
- Regolate la distanza minima da unire per la visualizzazione selezionando la distanza minima da unire e immettendo un numero.
NOTA: la distanza minima da unire varia da 0 a 30 pixel. Il valore predefinito è impostato su 20. - Regolate l'angolo minimo da unire per la visualizzazione selezionando l'angolo minimo da unire e immettendo un numero.
NOTA: l'angolo minimo di unione varia da 0 a 30°. Il valore predefinito è impostato su 10.
- Regolate la distanza minima da unire per la visualizzazione selezionando la distanza minima da unire e immettendo un numero.
- Fare clic su Crea immagine di segmentazione di anteprima.
NOTA: verrà visualizzata un'immagine di anteprima dei risultati della segmentazione in base ai valori aggiornati. Inoltre, verranno visualizzati il numero di righe prima dell'unione e il numero di righe dopo l'unione. - Modificare i parametri per ottenere la massima identificazione dei segmenti. Se è necessario modificare le Proprietà, fare clic sul pulsante Chiudi finestra e seguire i passaggi 3.1-3.4.
4. Creare i file di output.
- Premere OK per visualizzare le immagini di segmentazione e i grafici di analisi. Osservare la finestra visualizzata per selezionare una posizione in cui verrà salvato il file .xlsx.
- Inserire un nome file | Scegli Salva | attendere che il file .xlsx con i dati venga creato e salvato.
NOTA: oltre al file .xlsx, verranno visualizzati automaticamente i seguenti file: un file che presenta l'immagine originale, l'immagine di riconoscimento delle linee, l'immagine finale della segmentazione e tre grafici di analisi.
5. Barra degli strumenti di navigazione
NOTA: una barra degli strumenti di navigazione è inclusa in tutte le finestre delle figure e può essere utilizzata per spostarsi all'interno del set di dati. Ciascuno dei pulsanti nella parte inferiore della barra degli strumenti è descritto di seguito.
- Per spostarsi avanti e indietro tra le viste definite in precedenza, utilizzare i pulsanti Avanti e Indietro .
NOTA: i pulsanti Home, Avanti e Indietro sono simili ai controlli Home, Avanti e Indietro di un browser Web. Home ritorna alla schermata predefinita, l'immagine originale. - Utilizzare il pulsante Zoom per eseguire la panoramica e lo zoom. Per attivare la panoramica e lo zoom, premere il pulsante Zoom , quindi spostare il mouse nella posizione desiderata nell'immagine.
- Per eseguire una panoramica della figura, tenere premuto il pulsante sinistro del mouse mentre lo si trascina in una nuova posizione. Rilascia il pulsante del mouse e il punto selezionato nell'immagine apparirà nella nuova posizione. Durante la panoramica, tenete premuti i tasti x o y per limitare il movimento rispettivamente agli assi x o y.
- Per ingrandire, tieni premuto il pulsante destro del mouse e trascinalo in una nuova posizione. Spostarsi a destra per ingrandire l'asse x e spostarsi a sinistra per ridurre lo zoom sull'asse x. Fate lo stesso per i movimenti dell'asse y e su/giù. Quando si esegue lo zoom, si noti che il punto sotto il mouse rimane fermo, consentendo di ingrandire o rimpicciolire quel punto. Utilizzate i tasti modificatori x, y o CTRL per limitare lo zoom rispettivamente alla conservazione delle proporzioni x, y o delle proporzioni.
- Per attivare la modalità Zoom su rettangolo, fare clic sul pulsante Zoom su rettangolo . Posizionare il cursore sull'immagine e premere il pulsante sinistro del mouse. Trascinare il mouse in una nuova posizione tenendo premuto il pulsante per definire un'area rettangolare.
NOTA: i limiti di visualizzazione degli assi verranno ingranditi nell'area definita quando si preme il pulsante sinistro del mouse. I limiti di visualizzazione degli assi verranno ridotti quando si preme il pulsante destro del mouse, posizionando gli assi originali nell'area definita. - Utilizzare lo strumento di configurazione del sottotrame per configurare l'aspetto della sottotrama.
NOTA: i lati sinistro, destro, superiore e inferiore della sottotrama, nonché lo spazio tra righe e colonne, possono essere allungati o compressi. - Per aprire una finestra di dialogo di salvataggio file, fare clic sul pulsante Salva e salvare il file nei seguenti formati: .png, ps, .eps, .svg o .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Un'analisi rappresentativa è stata eseguita su immagini di reti dendritiche in coltura. Le cellule sono state estratte come descritto da Baranes et al. 16,17. In breve, le cellule dell'ippocampo sono state estratte dal cervello dei ratti postnatali e coltivate su coperture di vetro 2D per 1-2 settimane. Le colture sono state poi fissate e colorate attraverso immunofluorescenza indiretta utilizzando un anticorpo contro il marcatore proteico dendritico, la proteina 2 associata ai microtubuli (MAP2). Le immagini delle reti dendritiche sono state raccolte utilizzando un microscopio a fluorescenza e 10 immagini sono state elaborate utilizzando SOA.
La Figura 1 mostra un tipico flusso di lavoro SOA per l'analisi di una rete dendritica. L'input è un'immagine al microscopio fluorescente 2D. La segmentazione dell'immagine viene eseguita in due fasi: la prima fase è l'identificazione dei rami dendritici come linee e la seconda fase è la fusione delle linee rilevanti in base ai criteri di distanza e direzione determinati dall'utente. Dopo la segmentazione, le informazioni spaziali vengono raccolte per ciascun ramo dendritico identificato. Quindi, le seguenti informazioni vengono estratte dai dati di tutti i rami dendritici nell'immagine: Classificazione parallela / non parallela, lunghezza media dei rami dendritici paralleli rispetto a quelli non paralleli, distanza tra rami dendritici paralleli e distribuzione angolare.
La Figura 2 illustra il flusso di lavoro descritto nella Figura 1 applicato a un'immagine 2D rappresentativa di una rete dendritica etichettata con un anticorpo fluorescente anti-MAP2. È stata sviluppata un'interfaccia utente grafica (GUI) in cui l'utente può selezionare e caricare un'immagine da un insieme di file (passaggio 1). Quindi, l'utente può modificare le impostazioni Bordi (Passaggio 2) e Unisci linee (Passaggio 3). Successivamente, le linee che rappresentano i rami dendritici identificati vengono rilevate (Fase 2) e quindi unite, in base alla vicinanza delle linee segmentate e alle loro differenze direzionali (Fase 3). La GUI consente il confronto dell'immagine originale con l'immagine segmentata (Passaggio 3) e fornisce il monitoraggio in tempo reale dell'effetto di eventuali modifiche alle impostazioni di segmentazione. Le informazioni spaziali raccolte vengono quindi analizzate e i risultati vengono presentati come grafici o tabelle (Figura 3, Figura 4, Figura 5 e Figura 6)
La Figura 3 mostra come i rami dendritici sono classificati come in crescita paralleli (Figura 3A) e non paralleli (Figura 3B). Tutti i segmenti classificati come "non paralleli" non sono paralleli a nessun altro segmento. Poiché i rami dendritici non si estendono effettivamente in linea retta, era necessario fornire un certo grado di libertà per la definizione di crescita parallela. Per raggiungere questo obiettivo, è stato misurato l'orientamento di un particolare ramo, e quindi è stata consentita una gamma di angoli attorno all'orientamento misurato per il parallelismo. Questo intervallo è fisso per ogni immagine e dipende dal numero di linee rilevate; tuttavia, non può superare i 10° (una descrizione dettagliata del processo di smistamento del parallelismo è fornita in Materiale supplementare/Analisi, sezione 1). Quindi, è stata esaminata l'idoneità dell'orientamento di tutti gli altri rami a questo intervallo di angoli. Una volta completata l'analisi, il numero di rami paralleli all'interno dell'intervallo testato è stato estratto e tracciato in un grafico di frequenza (Figura 3C).
Per capire se l'estensione della crescita parallela tra i rami dendritici è casuale o diretta, i risultati del grafico in Figura 3C sono stati confrontati con quelli estratti dalla simulazione di crescita casuale di linee dello stesso numero di quelle dei rami dendritici nelle colture (Figura 3D). SOA misura quindi le distanze tra i rami paralleli (Figura 4) e le lunghezze dei rami dendritici paralleli e non paralleli. La Figura 5 mostra i grafici a barre delle lunghezze dei rami dendritici non paralleli (Figura 5A) e dei rami dendritici paralleli (Figura 5B) e le loro lunghezze medie. Per determinare se esistono direzioni di crescita preferenziali, SOA visualizza un istogramma di distribuzione degli angoli di crescita dei rami dendritici (Figura 6). Tale presentazione consente una rapida identificazione delle direzioni di crescita preferite e l'identificazione di specifici rami dendritici in ciascun gruppo (per numero ID) (Figura 6A).
Figura 3: Classificazione della crescita parallela del ramo dendritico rispetto alla simulazione casuale. I rami dendritici dell'immagine nella Figura 2B identificati dalla SOA sono stati classificati come (A) paralleli e (B) non paralleli. (C) Il numero di rami dendritici paralleli in ciascun intervallo di angoli controllati è stato raccolto e diviso in gruppi di coppie/triple/quartetti, come spiegato in Materiale supplementare/Analisi, sezione 1. La frequenza di occorrenza di ciascun gruppo è mostrata nel grafico. (D) I risultati del raggruppamento di linee parallele estratte da una simulazione di distribuzione casuale di linee. Abbreviazione: SOA = analisi di segmentazione e orientamento. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 4: Misurazione SOA della distanza tra rami dendritici paralleli. Viene mostrato un esempio di come SOA visualizza la distanza tra i rami cresciuti in parallelo. Ogni dendrite rilevato riceve un numero univoco (numero ID). La SOA misura la distanza minima tra ogni coppia di dendriti paralleli. Una descrizione dettagliata è disponibile in Materiale supplementare/Analisi, sezione 1. Esempi: 1. Il ramo dendritico ID=2 si trova ad una distanza di 60 μm da un altro ramo. 2. Dendrite ID=17 ha due rami paralleli a distanze di 60 μm e 13,7 μm. Abbreviazione: SOA = analisi di segmentazione e orientamento. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 5: Visualizzazione da parte della SOA della distribuzione della lunghezza dei rami dendritici paralleli e non paralleli. Viene mostrata una distribuzione del grafico di frequenza del confronto SOA delle lunghezze dei rami dendritici (A) non paralleli e (B) paralleli, nonché delle lunghezze medie. Abbreviazione: SOA = analisi di segmentazione e orientamento. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 6: Visualizzazione da parte della SOA della distribuzione angolare dei rami dendritici. (A) Una rappresentazione grafica di ogni linea identificata in base al suo angolo di crescita. (B) Una visualizzazione di A che consente un rapido riconoscimento delle direzioni di crescita preferite. Combinando A e B, ogni ramo dendritico può essere assegnato a una specifica categoria di direzione di crescita. Questa forma di rappresentazione della distribuzione delle direzioni di crescita dendritica consente una rapida identificazione delle direzioni di crescita preferite (B: più alta è la colonna, questa direzione di crescita è più preferita) e delle direzioni in cui i dendriti non crescono (B: ad un angolo dove non c'è colonna, i dendriti non crescono nella stessa direzione). Abbreviazione: SOA = analisi di segmentazione e orientamento. Fare clic qui per visualizzare una versione più grande di questa figura.
Materiale supplementare. Fare clic qui per scaricare questo file.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Sono urgentemente necessarie strategie efficaci per estrarre informazioni morfologiche da immagini 2D per tenere il passo con i dati di imaging biologico. Sebbene i dati di imaging possano essere generati in poche ore, l'analisi approfondita delle immagini richiede molto tempo. Di conseguenza, l'elaborazione delle immagini è chiaramente diventata un grosso ostacolo in molti campi. Ciò è dovuto in parte all'elevata complessità dei dati, soprattutto quando si tratta di campioni biologici. Inoltre, poiché molti utenti non dispongono di competenze specializzate nella programmazione e nell'elaborazione delle immagini, sono necessari strumenti automatizzati che consentano di eseguire l'elaborazione delle immagini in modo semplice e intuitivo. Ecco perché ci si aspetta che la SOA sia utile. I risultati rappresentativi dimostrano la segmentazione automatizzata che consente l'identificazione dei rami dendritici nell'immagine in pochi semplici passaggi, nonostante la complessità della rete dendritica. Il processo di lavoro è semplice e intuitivo e si ottengono immediatamente e senza sforzo diverse informazioni spaziali. Sono stati impiegati diversi algoritmi per rilevare singoli rami dendritici nelle immagini di fluorescenza e condurre analisi multiple sui risultati. Una descrizione dettagliata degli algoritmi è disponibile nel Materiale supplementare e informazioni sui requisiti di sistema. Questo documento presenterà brevemente gli algoritmi e il loro ruolo nel software.
Segmentazione
La segmentazione è stata la parte più impegnativa di questo progetto. Nella segmentazione, un'immagine digitale viene convertita in diversi segmenti (oggetti immagine). Lo scopo della segmentazione è identificare gli oggetti nell'immagine e quindi renderli più comprensibili e disponibili. Qui, la segmentazione è stata utilizzata per identificare i rami dendritici e isolarli dallo sfondo. Il processo di segmentazione delle immagini è stato diviso in due fasi: la prima fase ha comportato il rilevamento di rami dendritici come linee e la seconda fase ha comportato la fusione di linee correlate in base ai criteri di distanza e direzione stabiliti dall'utente.
Informazioni e analisi dendritiche
Sono state raccolte informazioni sulla posizione, l'angolo e la lunghezza di ogni linea rilevata. Il software esegue le seguenti analisi sui dati ottenuti da tutte le linee identificate nell'immagine: 1. Classificazione dei rami dendritici (parallela/non parallela) 2. È stata misurata la lunghezza media dei rami dendritici paralleli rispetto a quelli non paralleli. 3. Misurazione della distribuzione angolare e visualizzazione 4. Misurazione della distanza tra rami dendritici paralleli
L'interfaccia utente della SOA consente agli utenti di caricare un'immagine dai file del computer. Consente inoltre di regolare le impostazioni di segmentazione. Poiché ogni immagine di rete dendritica è unica, suggeriamo di "armeggiare" con le impostazioni per ottenere la migliore segmentazione possibile. L'interfaccia utente consente il confronto tra le immagini originali e segmentate e il monitoraggio immediato dell'effetto di qualsiasi modifica delle impostazioni sulla segmentazione.
Dopo aver modificato tutte le impostazioni, SOA crea la figura finale della segmentazione che mostra ciascuno dei rami dendritici identificati. La SOA genera grafici delle analisi eseguite e un file .xlsx con tutti i dati.
L'output della SOA può essere utilizzato come punto di partenza per l'input di strumenti per ulteriori analisi. Ad esempio, ora stiamo sviluppando un software che calcola il valore medio di parallelismo per i dendriti che hanno ricevuto vari trattamenti utilizzando l'output SOA su un gran numero di immagini.
Sommario
SOA è uno strumento automatizzato per l'identificazione, la segmentazione e l'estrazione di importanti informazioni morfologiche da immagini di complesse reti di linee 2D e ha un'interfaccia intuitiva e intuitiva. In questo lavoro, l'uso della SOA è stato introdotto attraverso un esempio di analisi delle reti dendritiche. La SOA può essere utilizzata per l'analisi di altri tipi di reti cellulari 2D, come reti di diverse cellule neurali e non neurali, strutture complesse intracellulari come quelle generate dal citoscheletro e reti non biologiche, ad esempio nanotubi e altro ancora. SOA è stato sviluppato per uno scopo molto specifico ed è importante conoscerne i vantaggi e i limiti. I limiti di SOA includono il fatto che è adatto solo per l'analisi di immagini 2D e non per l'analisi di immagini 3D. SOA può essere utilizzato solo per analizzare immagini con oggetti simili a linee. Inoltre, le informazioni ottenute dal software sono limitate alle informazioni spaziali dei dendriti identificati e alle analisi specifiche qui descritte. Ulteriori analisi non vengono eseguite dalla SOA. I principali vantaggi del software sono la sua semplicità e facilità d'uso. Il software consente di analizzare immagini complesse in modo rapido e semplice. Inoltre, SOA è flessibile e facilmente regolabile; quindi, la sua capacità analitica può essere espansa oltre la morfometria ed essere utile per altre applicazioni.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori dichiarano di non avere interessi finanziari concorrenti.
Acknowledgments
Gli autori desiderano ringraziare il Dr. Orly Weiss per la preparazione delle immagini della cultura.
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).
