Summary
제시된 것은 2D 형광 심상에서 신경 수지상 분기의 방향을 간단하고 직접 자동적으로 측정할 수 있는 계산 도구입니다.
Abstract
신경 수 지상 나무의 구조는 뉴런에서 시 냅 스 입력의 통합에 중요 한 역할을. 따라서, 원점의 형태의 특성화는 신경 기능의 더 나은 이해를 위해 필수적이다. 그러나, 수지상 나무의 복잡성, 고립 될 때 특히 신경 네트워크 내에 있을 때, 완전히 이해 되지 않았습니다. 우리는 2D 신경 배양의 형광 심상에서 수지상 분기의 방향을 자동 측정할 수 있는 새로운 계산 도구인 SOA (세분화 및 방향 분석)를 개발했습니다. Python으로 작성된 SOA는 세분화를 사용하여 수지상 분기를 이미지 배경과 구별하고 각 분기의 공간 방향에 데이터베이스를 축적합니다. 그런 다음 데이터베이스는 네트워크에서 수지상 분기의 방향 분포 및 병렬 수지상 분기 성장의 보급과 같은 형태학적 매개 변수를 계산하는 데 사용됩니다. 얻어진 데이터는 뉴런 활동 및 생물학 및 약리학 자극에 응하여 원달의 구조적 변화를 검출하기 위하여 이용될 수 있습니다.
Introduction
수지상 형태 발생은 수지상 나무의 구조가 뉴런1,2,3에서 시냅스 통합의 전산 특성에 영향을 미치기 때문에 신경 과학의 중심 주제입니다. 더욱이, 수지상 분지의 형태학적 이상 및 수정은 퇴행성 및 신경 발달 장애4,5,6에 연루됩니다. 수지상 파급 효과가 더 쉽게 시각화 될 수있는 신경 배양에서, 비 자매 수지상 분기 사이의 상호 작용은 분기를 따라 시냅스 클러스터링의 사이트와 정도를 조절, 시냅스 호형성 및 가소성에 영향을 미칠 수있는 행동7,8,9. 따라서, 2차원(2D) 뉴런 배양을 이용한 수지상 나무의 형태학적 파라미터의 특성화는 뉴런의 단일 및 네트워크의 수지상 형태 발생 및 기능을 이해하는 데 유리하다. 그러나 수지상 분기는 "단순화된" 2D 신경 배양에서도 복잡한 메시를 형성하기 때문에 어려운 작업입니다.
수지상 구조물을 자동으로 추적하고 분석하기 위해 여러 가지 도구가 개발되었습니다10,11,12,13. 그러나 이러한 도구의 대부분은 3D 뉴런 네트워크를 위해 설계되었으며 2D 네트워크와 함께 사용하기에는 자연적으로 너무 복잡합니다. 반면, 덜 진보된 형태학적 분석 도구는 일반적으로 컴퓨터 지원 수동 노동의 중요한 구성 요소를 포함하며, 이는 매우 시간이 많이 걸리고 작업자 바이어스14에 취약합니다. 'ImageJ'15'(커뮤니티에서 개발한 생물학적 이미지 분석 도구의 방대한 컬렉션을 갖춘 NIH 오픈 소스 이미지 처리 패키지)와 같은 기존 반자동 도구는 사용자 수동 노동을 크게 줄입니다. 그러나 이미지 처리 중에 일부 수동 개입이 여전히 필요하며 세분화의 품질은 바람직하지 않을 수 있습니다.
이 백서는 2D 뉴런 네트워크 내의 수지상 분기의 직접 세분화 및 방향 분석을 허용하는 간단한 자동화 된 도구 인 SOA를 제공합니다. SOA는 2D 이미지에서 다양한 라인과 같은 물체를 감지하고 형태학적 특성을 특성화할 수 있습니다. 여기에서 는 SOA를 사용하여 수지상 의 2D 형광 이미지에서 수지상 분기를 배양했습니다. 이 소프트웨어는 수지상 분기를 식별하고 병렬 및 공간 분포와 같은 형태학적 매개 변수의 측정을 성공적으로 수행합니다. SOA는 다른 세포 모형의 세포 프로세스의 분석 및 비 생물학 네트워크를 공부하기 위한 쉽게 적응될 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고 : 이스라엘 보건부는 실험 동물의 윤리적 사용을 위해 프로토콜 IL-218-01-21에 따라 마우스의 사용을 승인했다. SOA는 윈도우와 호환 10 파이썬 3.9. 오픈 소스 코드로 사용할 수 있습니다: https://github.com/inbar2748/DendriteProject. 이 링크에는 README도 있습니다. 소프트웨어를 다운로드하기 위한 길찾기가 있는 DM 파일, 소프트웨어 웹 사이트에 대한 링크 및 모든 패키지의 필수 버전에 대한 정보가 포함된 요구 사항 파일입니다. 소프트웨어를 사용하여 수행된 분석의 추가 예도 이곳에 제공되었습니다.
그림 1: 세분화 및 성장 방향 분석을 위한 SOA 워크플로우입니다. 다음은 수지상 네트워크 및 데이터 분석의 형광 이미지의 처리 단계입니다. 2D 이미지는 업로드되고 세분화되어 있습니다(두 단계로 수지상 분기가 선으로 감지된 다음 관련 선이 병합됨) 각 수지상 분기의 공간 정보를 얻습니다. 데이터는 이미지의 모든 수지상 분기에 대해 수집됩니다. 마지막으로, 데이터는 원하는 형태학적 매개 변수를 제공하기 위해 분석된다. 약어: SOA = 세분화 및 방향 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
1. SOA 응용 프로그램을 엽니 다.
- URL 주소 열기: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, SOA.zip 지퍼 폴더를 찾아, 두 번 클릭하여 ZIP 파일을 다운로드합니다.
- SOA.zip 마우스 오른쪽 단추로 클릭하여 폴더의 압축을 풀고 파일 추출을 선택합니다. 열리는 추출 경로 및 옵션 창과 추출된 파일에 대한 경로를 표시하는 대상 주소 텍스트 상자를 관찰합니다. 다른 위치로 추출하려면 창 오른쪽 패널의 폴더 중 하나를 클릭하여 대상 폴더로 만듭니다. 확인을 클릭하여 해당 폴더로 파일을 추출합니다.
- 추출된 SOA 파일을 열고 SOA.exe 두 번 클릭합니다. 검은 색 창이 열리기를 기다린 후 응용 프로그램이 나타납니다.
그림 2: SOA의 GUI를 사용하는 워크플로의 예입니다. 왼쪽 열: 워크플로의 GUI 섹션입니다. 중간 열: 워크플로 중에 처리된 수지상 네트워크의 이미지(배율 막대: 20 μm). 오른쪽 열: 중간 열 이미지에서 빨간색 사각형으로 표시된 영역의 배율(배율 막대: 4 μm). 1단계: 이미지 선택 및 업로드. 2단계: 세분화의 첫 번째 단계는 식별된 수지상 분기를 나타내는 선의 검출입니다. 3단계: 세분화의 두 번째 단계는 개별 수지상 분기에 있는 세그먼트 라이닝의 근접 기반 합병입니다. 모든 단계의 설정을 수정할 수 있습니다. 약어: SOA = 세분화 및 방향 분석; GUI = 그래픽 사용자 인터페이스. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
2. 분석할 이미지를 엽니다.
- SOA 뷰어 업로드 메뉴 표시줄| 파일 | 선택 컴퓨터 파일에서 이미지를 선택| .png .jpg .tif .bmp | 오픈 | 파일의 경로를 | 다음.
3. 세분화 최적화
참고: SOA 뷰어 속성 메뉴 모음에서 선택한 매개 변수의 값을 변경하여 세분화 프로세스 설정을 조정합니다. 임계값과 같은 매개 변수에 대한 자세한 설명은 보충 재질에 제공됩니다.
- Edge에서 임계값을 선택하고 숫자를 입력하여 디스플레이의 임계값을 조정합니다.
참고: 임계값의 수가 낮을수록 더 많은 선이 감지됩니다. 임계값은 0에서 255까지의 숫자입니다. 기본 값이 0으로 설정되었습니다. - 병합 선:
- 병합할 최소 거리를 선택하고 숫자를 입력 하는 Min 거리를 선택하여 디스플레이에 병합할 최소 거리를 조정합니다.
참고: 병합할 최소 거리는 0~30픽셀입니다. 기본 값은 20으로 설정됩니다. - 병합할 최소 각도를 선택하고 숫자를 입력 하는 Min 각도를 선택하여 디스플레이에 병합할 수 있습니다.
참고: 병합할 최소 각도 는 0~30°입니다. 기본 값은 10으로 설정됩니다.
- 병합할 최소 거리를 선택하고 숫자를 입력 하는 Min 거리를 선택하여 디스플레이에 병합할 최소 거리를 조정합니다.
- 미리 보기 세분화 이미지 만들기를 클릭합니다.
참고: 분할 결과의 미리 보기 이미지가 업데이트된 값에 따라 표시됩니다. 또한 병합 하기 전에 선 수와 병합 후 줄의 수가 표시됩니다. - 세그먼트의 최대 식별을 위해 매개 변수를 변경합니다. 속성을 변경해야 하는 경우 창 닫기 버튼을 클릭하고 3.1-3.4 단계를 따릅니다.
4. 출력 파일을 만듭니다.
- 확인을 눌러 세분화 이미지와 분석 그래프를 시각화합니다. .xlsx 파일이 저장되는 위치를 선택하기 위해 나타나는 창을 관찰합니다.
- 파일 이름 | 삽입 저장 | 선택 데이터가 있는 .xlsx 파일을 만들고 저장할 때까지 기다립니다.
참고: .xlsx 파일 외에도 원본 이미지를 표시하는 파일, 선 인식 이미지, 분할의 최종 이미지 및 세 가지 분석 그래프를 표시하는 파일이 자동으로 표시됩니다.
5. 탐색 도구 모음
참고: 탐색 도구 모음은 모든 그림 창에 포함되어 있으며 데이터 집합을 탐색하는 데 사용할 수 있습니다. 도구 모음 하단의 각 단추는 아래에 설명되어 있습니다.
- 이전에 정의된 뷰 사이를 앞뒤로 이동하려면 앞으로 및 뒤로 단추를 사용합니다.
참고: 홈, 포워드 및 뒤로 단추는 웹 브라우저의 홈, 포워드 및 백 컨트롤과 유사합니다. 홈 은 기본 화면인 원본 이미지로 돌아갑니다. - 확대/축소 버튼을 사용하여 이동 및 확대/축소합니다. 패닝 및 확대/축소를 활성화하려면 줌 버튼을 누릅니다.
- 그림을 이동하려면 왼쪽 마우스 버튼을 길게 누릅니다. 마우스 버튼을 놓고 이미지의 선택한 점이 새 위치에 나타납니다. 패닝하는 동안 x 또는 y 키를 길게 누르면 모션을 x 또는 y 축으로 제한합니다.
- 확대/축소하려면 오른쪽 마우스 버튼을 길게 누르고 새 위치로 드래그합니다. 오른쪽으로 이동하여 x축을 확대하고 왼쪽으로 이동하여 x축을 축소합니다. y축 및 위/아래 모션에서도 동일한 작업을 수행합니다. 확대/축소할 때 마우스 아래의 점이 고정되어 있어 해당 점을 확대하거나 축소할 수 있습니다. 수정자 키 x, y 또는 CONTROL 을 사용하여 줌을 각각 x, y 또는 종횡비 보존으로 제한합니다.
- 확대/축소-사각형 모드를 활성화하려면 확대/축소-사각형 단추를 클릭합니다 . 커서를 이미지 위에 놓고 왼쪽 마우스 버튼을 누릅니다. 단추를 들고 마우스를 새 위치로 드래그하여 직사각형 영역을 정의합니다.
참고: 왼쪽 마우스 버튼을 누르면 축 보기 제한이 정의된 영역으로 확대됩니다. 오른쪽 마우스 버튼을 누르면 축 보기 제한이 축소되어 정의된 영역에 원래 축을 배치합니다. - 서브플롯 구성 도구를 사용하여 하위 플롯의 모양을 구성합니다.
참고: 서브플롯의 왼쪽, 오른쪽, 위쪽 및 아래쪽 측면과 행과 열 사이의 공백은 연장하거나 압축할 수 있습니다. - 파일 저장 대화 상자를 열려면 저장 단추를 클릭하고 파일을 .png. .ps, .eps, .svg 또는 .pdf 다음 형식으로 저장합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
문화에서 수지상 네트워크의 이미지에 대한 대표적인 분석이 수행되었습니다. 세포는 바란 외에 의해 설명된 바와 같이 추출되었다. 16,17. 간략하게, 해마 세포는 산후 쥐의 두뇌에서 추출되고 1-2 주 동안 2D 유리 덮개에 경작되었습니다. 배양은 수지상 단백질 마커, 마이크로튜드 관련 단백질 2(MAP2)에 대한 항체를 사용하여 간접면역형광을 통해 고정및 염색하였다. 수지상 네트워크의 이미지는 형광 현미경을 사용하여 수집되었고, 10개의 이미지는 SOA를 사용하여 처리되었다.
도 1 은 수지상 네트워크 분석을 위한 일반적인 SOA 워크플로우를 보여 주며. 입력은 2D 형광 현미경 이미지입니다. 이미지 세분화는 두 단계로 수행됩니다: 첫 번째 단계는 수지상 분기를 선으로 식별하고, 두 번째 단계는 사용자가 결정한 거리 및 방향 기준에 따라 관련 라인의 병합이다. 세분화 후 식별된 각 수지상 분기에 대해 공간 정보가 수집됩니다. 그런 다음, 다음 정보는 이미지내의 모든 수지상 분기의 데이터에서 추출됩니다: 병렬/비병렬 분류, 평행 대 비병렬 수지상 분기의 평균 길이, 병렬 수지상 분기 사이의 거리 및 각 분포.
도 2 는 형광 방지 MAP2 항체로 표지된 수지상 네트워크의 대표적인 2D 이미지에 적용된 도 1 에 배치된 워크플로우를 도시한다. 그래픽 사용자 인터페이스(GUI)는 사용자가 파일 집합(1단계)에서 이미지를 선택하고 업로드할 수 있는 그래픽 사용자 인터페이스를 개발했습니다. 그런 다음 사용자는 가장자리 설정(2단계)과 병합 선 설정(3단계)을 수정할 수 있습니다. 이어서, 확인된 수지상 분기를 나타내는 선이 검출(2단계) 세그먼트된 선의 근접성과 방향 차이(3단계)에 따라 병합된다. GUI를 사용하면 원본 이미지를 분할된 이미지(3단계)에 비교할 수 있으며 세분화 설정에 대한 변경 사항이 미치는 영향을 실시간으로 모니터링할 수 있습니다. 수집된 공간 정보를 분석한 다음 결과는 그래프 또는 테이블로 표시됩니다(그림 3, 그림 4, 그림 5 및 그림 6)
그림 3 은 수지상 분기가 병렬(그림 3A) 및 비병렬(그림 3B)으로 분류되는 방법을 보여 줍니다. "비병렬"으로 분류된 모든 세그먼트는 다른 세그먼트와 평행하지 않습니다. 수지상 분기는 실제로 직선으로 확장되지 않기 때문에 병렬 성장의 정의를 위해 어느 정도의 자유를 제공해야 했습니다. 이를 달성하기 위해 특정 분기의 방향을 측정한 다음 측정된 방향 주위의 각도 범위가 병렬화될 수 있도록 허용되었습니다. 이 범위는 각 이미지에 대해 고정되며 검색된 선 수에 따라 달라집니다. 그러나 10°를 초과할 수 없습니다(병렬 정렬 프로세스에 대한 자세한 설명은 보충 재료/분석, 섹션 1에서 제공됩니다). 이어서, 이 각도 범위로 다른 모든 가지의 방향의 적합성을 검사했다. 분석이 완료되면 테스트된 범위 내의 병렬 분기 수를 추출하여 주파수 그래프로 플로팅했습니다(그림 3C).
수지상 분지 들 간의 병렬 성장 정도가 무작위인지 또는 지시하는지 여부를 이해하기 위해 도 3C 의 그래프 결과는 배양에서 수지상 분기와 동일한 수의 선의 무작위 성장 시뮬레이션에서 추출된 것과 비교하였다(도 3D). 그런 다음 SOA는 병렬 분기(그림 4) 간의 거리뿐만 아니라 병렬 및 비병렬 수지상 분기의 길이를 측정합니다. 그림 5 는 비병렬 수지상 분기(그림 5A) 및 병렬 수지상 분기(그림 5B) 및 평균 길이의 막대 그래프를 표시합니다. 우선성장 방향이 존재하는지 여부를 결정하기 위해 SOA는 수지상 분기의 성장 각도분포히스토그램을 표시한다(그림 6). 이러한 프리젠 테이션을 통해 선호하는 성장 방향의 신속한 식별 및 각 그룹의 특정 수지상 지점식별(ID 번호)(그림 6A)을 사용할 수 있습니다.
그림 3: 수지상 분기 병렬 성장 대 무작위 시뮬레이션의 분류. SOA에 의해 확인된 도 2B 에서 이미지의 수지상 분기는 (A) 병렬 및 (B) 비병렬로 분류되었다. (C) 각 각도 범위의 병렬 수지상 분기 수를 검사하여 보충 재료/분석, 섹션 1에 설명된 바와 같이 쌍/삼중주/사중주 그룹으로 채취및 분할하였다. 각 그룹의 발생 빈도가 그래프에 표시됩니다. (D) 임의선 분포 시뮬레이션에서 추출된 병렬 선을 그룹화한 결과입니다. 약어: SOA = 세분화 및 방향 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 병렬 수지상 분기 간의 거리의 SOA 측정. 표시된 것은 SOA가 병렬로 성장한 분기 간의 거리를 표시하는 방법의 예입니다. 감지된 각 원더라이트는 고유 번호(ID 번호)를 받습니다. SOA는 각 병렬 원더라이트 쌍 사이의 최소 거리를 측정합니다. 자세한 설명은 보충 재료/분석 섹션 1에서 찾을 수 있습니다. 예: 1. 수지상 분기 ID=2는 다른 분기에서 60 μm의 거리에 있습니다. 2. Dendrite ID =17은 60 μm 및 13.7 μm의 거리에 두 개의 평행 분기가 있습니다. 약어: SOA = 세분화 및 방향 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: SOA가 병렬 및 비병렬 수지상 분기의 길이 분포를 표시합니다. 표시된 표시된 주파수 플롯 분포는 (A) 비병렬 및 (B) 병렬 수지상 분기의 길이와 평균 길이의 SOA의 비교를 비교한 것입니다. 약어: SOA = 세분화 및 방향 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: SOA가 수지상 가지의 각 분포를 표시합니다. (A) 성장 각도에 따라 식별된 각 선의 그래픽 표현입니다. (B) 선호하는 성장 방향을 빠르게 인식할 수 있는 A 의 디스플레이. A 와 B를 결합하면 각 수지상 분기를 특정 성장 방향 범주에 할당할 수 있습니다. 이러한 형태의 수지상 성장 방향의 분포를 나타내는 이러한 형태는 바람직한 성장 방향(B: 컬럼이 높을수록 이 성장 방향이 더 선호되는) 및 원점이 증가하지 않는 방향을 신속하게 식별할 수 있게 합니다(B: 기둥이 없는 각도에서, 원더라이트는 같은 방향으로 자라지 않습니다). 약어: SOA = 세분화 및 방향 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
보충 재료. 이 파일을 다운로드하려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
2D 심상에서 형태학적 정보를 추출하기 위한 효과적인 전략은 생물학적 이미징 데이터를 따라잡기 위해 시급히 필요합니다. 이미징 데이터는 몇 시간 안에 생성될 수 있지만 이미지에 대한 심층 분석은 시간이 오래 걸립니다. 그 결과, 이미지 처리는 분명히 많은 분야에서 주요 장애물이되었다. 이것은 특히 생물학적 샘플을 다룰 때 데이터의 복잡성이 높기 때문입니다. 또한 많은 사용자가 특수 프로그래밍 및 이미지 처리 기술이 부족하기 때문에 쉽고 사용자 친화적인 방식으로 이미지 처리를 수행할 수 있는 자동화된 도구가 필요합니다. SOA가 유용할 것으로 예상되는 이유입니다. 대표적인 결과는 수지상 네트워크의 복잡성에도 불구하고 몇 가지 간단한 단계로 이미지의 수지상 분기를 식별할 수 있는 자동화된 세분화를 보여 줍니다. 작업 과정은 간단하고 직관적이며, 다양한 공간 정보는 즉시 노력없이 얻을 수 있습니다. 여러 알고리즘이 사용되어 형광 이미지의 개별 수지상 분기를 감지하고 결과에 대한 여러 분석을 수행했습니다. 알고리즘에 대한 자세한 설명은 보충 자료 및 시스템 요구 사항에 대한 정보에서 찾을 수 있습니다. 이 백서에서는 소프트웨어에서 알고리즘과 해당 역할을 간략하게 제시합니다.
세분화
세분화는 이 프로젝트에서 가장 어려운 부분이었습니다. 세분화에서 디지털 이미지가 여러 세그먼트(이미지 개체)로 변환됩니다. 세분화의 목적은 이미지의 개체를 식별하고 따라서 더 이해하기 쉽게 사용할 수 있도록하는 것입니다. 여기서 세분화는 수지상 가지를 식별하고 배경에서 격리하는 데 사용되었습니다. 이미지 세분화 프로세스는 두 단계로 나뉘었습니다: 첫 번째 단계는 수지상 분기를 선으로 감지하는 것을 포함했으며, 두 번째 단계는 사용자가 설정한 거리 및 방향 기준에 따라 관련 선을 병합하는 것을 포함했습니다.
수지상 정보 및 분석
감지된 각 선의 위치, 각도 및 길이에 대한 정보가 수집되었습니다. 이 소프트웨어는 이미지에서 식별된 모든 선에서 얻은 데이터에 대한 다음 분석을 수행합니다: 1. 수지상 분기 분류(병렬/비병렬) 2. 병렬 및 비병렬 수지상 분기의 평균 길이를 측정했습니다. 3. 각 분포 측정 및 디스플레이 4. 병렬 수지상 분기 간의 거리 측정
SOA의 사용자 인터페이스를 사용하면 사용자가 컴퓨터 파일에서 이미지를 업로드할 수 있습니다. 또한 세분화 설정을 조정할 수도 있습니다. 각 수지상 네트워크 이미지가 고유하기 때문에 최상의 세분화를 달성하기 위해 설정을 "땜질"하는 것이 좋습니다. 사용자 인터페이스를 사용하면 원본 및 분할된 이미지를 비교하고 세분화에 대한 설정의 변경 에 미치는 영향을 즉시 모니터링할 수 있습니다.
모든 설정을 수정한 후 SOA는 식별된 각 수지상 분기를 표시하는 분할의 최종 그림을 만듭니다. SOA는 수행된 분석의 그래프와 모든 데이터가 있는 .xlsx 파일을 생성합니다.
SOA의 출력은 추가 분석을 위한 도구 입력의 출발점으로 활용할 수 있다. 예를 들어, 우리는 지금 많은 수의 이미지에 SOA 출력을 사용하여 다양한 치료를받은 수상자의 평균 병렬 값계산 소프트웨어를 개발하고 있습니다.
요약
SOA는 복잡한 2D 라인 네트워크의 이미지에서 중요한 형태학적 정보를 식별, 세분화 및 추출하기 위한 자동화된 도구이며 사용자 친화적이고 직관적인 인터페이스를 가지고 있습니다. 이 작품에서는 수지상 네트워크 분석의 예를 통해 SOA의 사용이 도입되었습니다. SOA는 상이한 신경 세포 및 비신경 세포의 네트워크와 같은 다른 유형의 2D 세포 네트워크의 분석에 사용될 수 있으며, 세포 골격 및 비 생물학적 네트워크( 예를 들어, 나노튜브 등에 의해 생성된 것과 같은 세포내 복합 구조). SOA는 매우 구체적인 목적을 위해 개발되었으며, 그 장점과 한계를 아는 것이 중요합니다. SOA의 제한 사항에는 3D 이미지 분석이 아닌 2D 이미지 분석에만 적합하다는 사실이 포함됩니다. SOA는 줄과 같은 개체로 이미지를 분석하는 데만 사용할 수 있습니다. 더욱이, 소프트웨어로부터 얻은 정보는 식별된 원점의 공간 정보 및 여기에 기재된 특정 분석으로 제한된다. 추가 분석은 SOA에 의해 수행되지 않습니다. 이 소프트웨어의 주요 장점은 단순성과 사용자 친화성입니다. 이 소프트웨어는 복잡한 이미지를 몇 가지 쉬운 단계로 빠르고 쉽게 분석 할 수 있습니다. 또한 SOA는 유연하고 쉽게 조정할 수 있습니다. 따라서 분석 용량을 morphometry 이상으로 확장하고 다른 응용 프로그램에 도움이 될 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 경쟁적인 재정적 이익이 없다고 선언합니다.
Acknowledgments
저자는 문화 이미지의 준비에 대한 박사 Orly Weiss에게 감사드립니다.
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).
