Summary
Presentert er et beregningsverktøy som tillater enkel og direkte automatisk måling av orienteringer av nevronal dendritiske grener fra 2D fluorescensbilder.
Abstract
Strukturen av nevronale dendrittiske trær spiller en nøkkelrolle i integreringen av synaptiske innganger i nevroner. Derfor er karakterisering av morfologien til dendritter avgjørende for en bedre forståelse av nevronfunksjon. Imidlertid har kompleksiteten til dendrittiske trær, både når de er isolert og spesielt når de ligger i nevronnettverk, ikke blitt fullstendig forstått. Vi utviklet et nytt beregningsverktøy, SOA (Segmentation and Orientation Analysis), som tillater automatisk måling av orientering av dendritiske grener fra fluorescensbilder av 2D-nevronkulturer. SOA, skrevet i Python, bruker segmentering for å skille dendrittiske grener fra bildebakgrunnen og akkumulerer en database om den romlige retningen til hver gren. Databasen brukes deretter til å beregne morfologiske parametere som retningsfordeling av dendrittiske grener i et nettverk og utbredelsen av parallell dendrittisk grenvekst. De oppnådde dataene kan brukes til å oppdage strukturelle endringer i dendritter som respons på nevronaktivitet og til biologiske og farmakologiske stimuli.
Introduction
Dendritisk morfogenese er et sentralt emne i nevrovitenskap, da strukturen til detdrittiske treet påvirker beregningsegenskapene til synaptisk integrasjon hos nevroner1,2,3. Videre er morfologiske abnormiteter og modifikasjoner i dendrittiske grener involvert i degenerative og nevroutviklingsforstyrrelser4,5,6. I nevronkulturer der dendrittisk konsekvenser lettere kan visualiseres, regulerer interaksjonene mellom ikke-søster dendrittiske grener stedene og omfanget av synaptisk klynge langs grenene, en oppførsel som kan påvirke synaptisk koaktivitet og plastisitet7,8,9. Derfor er karakterisering av de morfologiske parametrene til detdrittiske treet ved hjelp av todimensjonale (2D) nevronkulturer fordelaktig for å forstå dendritisk morfogenese og funksjonalitet av enkelt- og nettverk av nevroner. Likevel er dette en utfordrende oppgave fordi dendrittiske grener danner et komplekst nett selv i "forenklede" 2D-nevronkulturer.
Flere verktøy er utviklet for å automatisk spore og analysere dendritiske strukturer10,11,12,13. Imidlertid er de fleste av disse verktøyene designet for 3D-nevronnettverk og er naturligvis for komplekse å bruke med 2D-nettverk. I motsetning innebærer mindre avanserte morfologiske analyseverktøy vanligvis en betydelig komponent i dataassistert manuell arbeidskraft, som er svært tidkrevende og utsatt for operatørbias14. Eksisterende halvautomatiske verktøy, for eksempel 'ImageJ'15 (en NIH åpen kildekode-bildebehandlingspakke med en enorm samling av samfunnsutviklede biologiske bildeanalyseverktøy), reduserer i stor grad brukerhåndbokarbeid. Noen manuelle inngrep er imidlertid fortsatt nødvendig under bildebehandling, og kvaliteten på segmenteringen kan være mindre enn ønskelig.
Dette dokumentet presenterer SOA, et enkelt automatisert verktøy som tillater direkte segmentering og orienteringsanalyse av dendritiske grener innen 2D-nevronnettverk. SOA kan oppdage ulike linjelignende objekter i 2D-bilder og karakterisere deres morfologiske egenskaper. Her brukte vi SOA for segmentering av dendrittiske grener i 2D-fluorescensbilder av dendritiske nettverk i kulturen. Programvaren identifiserer dendritiske grener og utfører vellykket målinger av morfologiske parametere som parallellisme og romlig distribusjon. SOA kan enkelt tilpasses for analyse av cellulære prosesser av andre celletyper og for å studere ikke-biologiske nettverk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MERK: Det israelske helsedepartementet godkjente bruk av mus i henhold til protokoll IL-218-01-21 for etisk bruk av eksperimentelle dyr. SOA er bare kompatibel med Windows 10 og Python 3.9. Den er tilgjengelig som en åpen kildekode: https://github.com/inbar2748/DendriteProject. På denne lenken er det også en README. DM-fil som har veibeskrivelse for nedlasting av programvaren, en lenke til programvarens nettsted og en kravfil som inneholder informasjon om de nødvendige versjonene av alle pakkene. Ytterligere eksempler på analyse utført ved hjelp av programvaren har også blitt gitt der.
Figur 1: SOA-arbeidsflyt for segmentering og vekstretningsanalyse. Vist er behandlingstrinnene til fluorescerende bilder av dendritiske nettverk og dataanalyse. 2D-bildet lastes opp, segmenteres (i to trinn: dendrittiske grener oppdages som linjer, og deretter slås de relevante linjene sammen), og den romlige informasjonen for hver dendrittiske gren oppnås. Dataene samles inn for alle dendrittiske grener i bildet. Til slutt analyseres dataene for å gi de ønskede morfologiske parametrene. Forkortelse: SOA = segmentering og orienteringsanalyse. Klikk her for å se en større versjon av denne figuren.
1. Åpne SOA-applikasjonen.
- Åpne URL-adressen: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, finn mappen SOA.zip zippet og last ned ZIP-filen ved å dobbeltklikke.
- Pakk ut mappen ved å høyreklikke på SOA.zip og velg Pakk ut filer. Legg merke til vinduet Uttrekk bane og alternativer som åpnes, og tekstboksen Måladresse som viser banen til de utpakkede filene. For å trekke ut til et annet sted, klikk på en av mappene i vinduets høyre panel for å gjøre den til destinasjonsmappen. Klikk OK for å pakke ut filene i denne mappen.
- Åpne den utpakkede SOA-filen og dobbeltklikk på SOA.exe. Vent til et svart vindu åpnes, hvoretter programmet vises.
Figur 2: Eksempel på en arbeidsflyt som bruker SOAs GUI. Venstre kolonne: GUI-deler av arbeidsflyten. Midtre kolonne: bilde av et dendritisk nettverk, behandlet under arbeidsflyten (Skalalinje: 20 μm). Høyre kolonne: forstørrelse av området merket med et rødt rektangel i bildene av den midterste kolonnen (skalalinje: 4 μm). Trinn 1: Valg og opplasting av et bilde. Trinn 2: Den første fasen av segmentering er deteksjon av linjer som representerer de identifiserte dendritiske grenene. Trinn 3: Den andre fasen av segmentering er den nærhetsbaserte fusjonen av segmentfôr i individuelle dendrittiske grener. Innstillingene for alle trinnene kan endres. Forkortelser: SOA = segmentering og orienteringsanalyse; GUI = grafisk brukergrensesnitt. Klikk her for å se en større versjon av denne figuren.
2. Åpne et bilde som skal analyseres.
- På menylinjen for opplasting av SOA Viewer | velg Velg fil | velg et bilde fra datafilene | klikk på den (bare .png .jpg .tif .bmp filer) | Åpne | observere banen til filen | Neste.
3. Optimalisering av segmentering
MERK: Endre verdiene for de valgte parameterne på menylinjen Egenskaper for SOA-visningsprogram for å justere innstillingene for segmenteringsprosessen. En detaljert beskrivelse av parameterne, for eksempel terskelverdien, er angitt i tilleggsmaterialet.
- I Kanter justerer du terskelen for visningen ved å velge Terskelverdi og skrive inn et tall.
MERK: Jo lavere tall for terskelen, jo flere linjer oppdages. Terskelverdi er et tall mellom 0 og 255. Standardverdien er satt til 0. - I flettelinjer:
- Juster minimumsavstanden for å slå sammen for visningen ved å velge Min-avstanden for å slå sammen og skrive inn et tall.
MERK: Min-avstanden for sammenslåing varierer fra 0 til 30 piksler. Standardverdien er satt til 20. - Juster minimumsvinkelen som skal slås sammen for visningen, ved å velge Min-vinkelen for å slå sammen og skrive inn et tall.
MERK: Min-vinkelen som skal slås sammen , varierer fra 0 til 30°. Standardverdien er satt til 10.
- Juster minimumsavstanden for å slå sammen for visningen ved å velge Min-avstanden for å slå sammen og skrive inn et tall.
- Klikk på Opprett forhåndsvisning segmenteringsbilde.
MERK: Et forhåndsvisningsbilde av segmenteringsresultatene vises i henhold til de oppdaterte verdiene. I tillegg vises antall linjer før fletting og antall linjer etter fletting. - Endre parameterne for å oppnå maksimal identifikasjon av segmenter. Hvis det er behov for å endre egenskapene, klikker du på Lukk vindu-knappen og følger trinn 3.1-3.4.
4. Opprett utdatafilene.
- Trykk OK for å visualisere segmenteringsbildene og analysegrafene. Legg merke til vinduet som vises når du skal velge en plassering der .xlsx filen skal lagres.
- sette inn et filnavn | Velg Lagre | vent til .xlsx fil med data som skal opprettes og lagres.
MERK: I tillegg til den .xlsx filen, vises følgende filer automatisk: en fil som presenterer det opprinnelige bildet, linjegjenkjenningsbildet, det endelige bildet av segmenteringen og tre analysegrafer.
5. Navigasjonsverktøylinje
MERK: En navigasjonsverktøylinje er inkludert i alle figurvinduer og kan brukes til å navigere gjennom datasettet. Hver av knappene nederst på verktøylinjen er beskrevet nedenfor.
- Hvis du vil navigere frem og tilbake mellom tidligere definerte visninger, bruker du Frem- og Tilbake-knappene .
MERK: Knappene Hjem, Frem og Tilbake ligner på kontrollene Hjem, Frem og Tilbake i en nettleser. Hjem går tilbake til standardskjermen, det opprinnelige bildet. - Bruk Zoom-knappen til å panorere og zoome. Hvis du vil aktivere panorering og zooming, trykker du Zoom-knappen og flytter musen til ønsket sted i bildet.
- Hvis du vil panorere figuren, trykker og holder du nede venstre museknapp mens du drar den til en ny plassering. Slipp museknappen, og det valgte punktet i bildet vises i den nye plasseringen. Hold nede x- eller y-tastene mens du panorerer for å begrense bevegelsen til henholdsvis x- eller y-aksene.
- Hvis du vil zoome, holder du nede høyre museknapp og drar den til en ny plassering. Flytt til høyre for å zoome inn på x-aksen, og flytt til venstre for å zoome ut på x-aksen. Gjør det samme for y-aksen og opp/ned-bevegelsene. Når du zoomer, må du være oppmerksom på at punktet under musen forblir stasjonært, slik at du kan zoome inn eller ut rundt det punktet. Bruk endringstastene x, y eller CONTROL til å begrense zoomen til henholdsvis x-, y- eller størrelsesforholdet.
- Hvis du vil aktivere zoom-til-rektangel-modus, klikker du Zoom-til-rektangel-knappen . Plasser markøren over bildet, og trykk på venstre museknapp. Dra musen til en ny plassering mens du holder knappen nede for å definere et rektangulært område.
MERK: Aksenes visningsgrenser zoomes til det definerte området når du trykker venstre museknapp. Aksenes visningsgrenser zoomes ut når høyre museknapp trykkes ned, og de opprinnelige aksene plasseres i det definerte området. - Bruk verktøyet Subplot-configuration til å konfigurere utseendet til delplottet.
MERK: Venstre, høyre, øvre og nedre side av delplottet, samt avstanden mellom rader og kolonner, kan strekkes eller komprimeres. - Hvis du vil åpne en dialogboks for lagring av filer, klikker du Lagre -knappen og lagrer filen i følgende formater: .png, PS, .eps, .svg eller .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En representativ analyse ble utført på bilder av dendritiske nettverk i kulturen. Celler ble ekstrahert som beskrevet av Baranes et al. 16,17. Kort sagt ble hippocampalceller ekstrahert fra hjernen til postnatalrotter og dyrket på 2D-glassdeksler i 1-2 uker. Kulturene ble deretter fikset og farget gjennom indirekte immunfluorescens ved hjelp av et antistoff mot dendritisk proteinmarkør, mikrotubule-assosiert protein 2 (MAP2). Bilder av dendrittiske nettverk ble samlet inn ved hjelp av et fluorescensmikroskop, og 10 bilder ble behandlet ved hjelp av SOA.
Figur 1 viser en typisk SOA-arbeidsflyt for analyse av et dendrittisk nettverk. Inngangen er et 2D fluorescerende mikroskopbilde. Bildesegmentering utføres i to trinn: den første fasen er identifikasjonen av dendritiske grener som linjer, og den andre fasen slår sammen relevante linjer i henhold til avstands- og retningskriterier bestemt av brukeren. Etter segmentering samles romlig informasjon inn for hver identifiserte dendrittiske gren. Deretter trekkes følgende informasjon ut fra dataene til alle dendrittiske grener i bildet: Parallell /ikke-parallell klassifisering, gjennomsnittlig lengde på parallelle kontra ikke-parallelle dendrittiske grener, avstand mellom parallelle dendrittiske grener og vinkelfordeling.
Figur 2 illustrerer arbeidsflyten som er angitt i figur 1 , brukt på et representativt 2D-bilde av et dendrittisk nettverk merket med et fluorescerende anti-MAP2-antistoff. Et grafisk brukergrensesnitt (GUI) ble utviklet der brukeren kan velge og laste opp et bilde ut av et sett med filer (trinn 1). Deretter kan brukeren endre innstillingene for Kanter (trinn 2) og Slå sammen linjer (trinn 3). Deretter oppdages linjer som representerer de identifiserte dendrittiske grenene (trinn 2), og deretter slås sammen, basert på nærheten til de segmenterte linjene og deres retningsforskjeller (trinn 3). GUI gjør det mulig å sammenligne det opprinnelige bildet med det segmenterte bildet (trinn 3) og gir sanntidsovervåking av effekten av eventuelle endringer i segmenteringsinnstillingene. Den romlige informasjonen som samles inn, analyseres deretter, og resultatene presenteres som grafer eller tabeller (figur 3, figur 4, figur 5 og figur 6)
Figur 3 viser hvordan dendrittiske grener klassifiseres som voksende parallelle (figur 3A) og ikke-parallelle (figur 3B). Alle segmenter klassifisert som "ikke-parallelle" er ikke parallelle med noe annet segment. Fordi dendrittiske grener faktisk ikke strekker seg i rette linjer, var det behov for å gi en viss grad av frihet for definisjonen av parallell vekst. For å oppnå det ble orienteringen av en bestemt gren målt, og deretter ble en rekke vinkler rundt den målte orienteringen tillatt for parallellisme. Dette området er fast for hvert bilde og avhenger av antall linjer som oppdages. Den kan imidlertid ikke overstige 10° (en detaljert beskrivelse av parallellitetssorteringsprosessen er gitt i Supplerende materiale/analyse, avsnitt 1). Deretter ble kondisjonen til orienteringen av alle andre grener til dette vinkelområdet undersøkt. Når analysen var fullført, ble antall parallelle grener innenfor det testede området trukket ut og plottet inn i en frekvensgraf (figur 3C).
For å forstå om omfanget av parallell vekst blant de dendrittiske grenene er tilfeldig eller rettet, ble resultatene av grafen i figur 3C sammenlignet med de som ble hentet ut fra simulering av tilfeldig vekst av linjer av samme antall som for de dendrittiske grenene i kulturene (figur 3D). SOA måler deretter avstandene mellom parallellgrenene (figur 4) samt lengdene på parallelle og ikke-parallelle dendrittiske grener. Figur 5 viser stolpediagrammer over lengdene på de ikke-parallelle dendrittiske grenene (figur 5A) og parallelle dendrittiske grener (figur 5B) og deres gjennomsnittlige lengder. For å finne ut om det finnes fortrinnsrett til vekstretninger, viser SOA et fordelingsmokk av vekstvinklene til de dendrittiske grenene (figur 6). En slik presentasjon muliggjør rask identifisering av foretrukne vekstretninger og identifisering av spesifikke dendrittiske grener i hver gruppe (etter ID-nummer) (figur 6A).
Figur 3: Klassifisering av dendrittisk parallell vekst i gren kontra tilfeldig simulering. Dendrittiske grener av bildet i figur 2B identifisert av SOA ble klassifisert som (A) parallelle og (B) ikke-parallelle. (C) Antall parallelle dendrittiske grener i hvert vinkelområde som kontrolleres ble samlet inn og delt inn i grupper av par/trippel/kvartetter som forklart i Tilleggsmateriale/Analyse, avsnitt 1. Forekomstfrekvensen for hver gruppe vises i diagrammet. (D) Resultatene av gruppering av parallelle linjer hentet fra en tilfeldig linjedistribusjonssimulering. Forkortelse: SOA = segmentering og orienteringsanalyse. Klikk her for å se en større versjon av denne figuren.
Figur 4: SOA-måling av avstanden mellom parallelle dendrittiske grener. Vist er et eksempel på hvordan SOA viser avstanden mellom grener som vokser parallelt. Hver dendrite som oppdages, mottar et unikt nummer (ID-nummer). SOA måler minimumsavstanden mellom hvert par parallelle dendritter. En detaljert beskrivelse finner du i Tilleggsmateriale/analyse, avsnitt 1. Eksempler: 1. Dendritisk gren-ID=2 er i en avstand på 60 μm fra en annen gren. 2. Dendrite ID = 17 har to parallelle grener i avstander på 60 μm og 13,7 μm. Forkortelse: SOA = segmentering og orienteringsanalyse. Klikk her for å se en større versjon av denne figuren.
Figur 5: SOAs visning av lengdefordelingen av parallelle kontra ikke-parallelle dendrittiske grener. Vist er en frekvensplottfordeling av SOAs sammenligning av lengdene på (A) ikke-parallelle og (B) parallelle dendrittiske grener, samt gjennomsnittlige lengder. Forkortelse: SOA = segmentering og orienteringsanalyse. Klikk her for å se en større versjon av denne figuren.
Figur 6: SOAs visning av vinkelfordelingen av dendrittiske grener. (A) En grafisk fremstilling av hver identifiserte linje i henhold til vekstvinkelen. (B) En visning av A som gir rask gjenkjennelse av foretrukne vekstretninger. Ved å kombinere A og B kan hver dendrittiske gren tildeles en bestemt vekstretningskategori. Denne form for representasjon av fordelingen av dendrittiske vekstretninger tillater rask identifisering av foretrukne vekstretninger (B: jo høyere kolonnen er, denne vekstretningen er mer foretrukket) og retninger der dendritter ikke vokser (B: i en vinkel der det ikke er kolonne, vokser dendritter ikke i samme retning). Forkortelse: SOA = segmentering og orienteringsanalyse. Klikk her for å se en større versjon av denne figuren.
Tilleggsmateriale. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Effektive strategier for å trekke ut morfologisk informasjon fra 2D-bilder er presserende nødvendig for å holde tritt med biologiske bildedata. Selv om bildedata kan genereres i timer, tar grundig analyse av bildene lang tid. Som et resultat har bildebehandling tydeligvis blitt et stort hinder på mange felt. Dette skyldes delvis den høye kompleksiteten i dataene, spesielt når det gjelder biologiske prøver. Ettersom mange brukere mangler spesialiserte programmerings- og bildebehandlingsferdigheter, er det dessuten nødvendig med automatiserte verktøy som gjør det mulig å behandle bilder på en enkel og brukervennlig måte. Derfor forventes SOA å være nyttig. De representative resultatene demonstrerer den automatiserte segmenteringen som muliggjør identifisering av de dendrittiske grenene i bildet i noen få enkle trinn, til tross for kompleksiteten i det dendrittiske nettverket. Arbeidsprosessen er enkel og intuitiv, og mangfoldig romlig informasjon innhentes umiddelbart og uten anstrengelse. Flere algoritmer ble brukt til å oppdage individuelle dendrittiske grener i fluorescensbildene og gjennomføre flere analyser av resultatene. En detaljert beskrivelse av algoritmene finnes i tilleggsmaterialet og informasjon om systemkravene. Dette dokumentet vil kort presentere algoritmene og deres rolle i programvaren.
Segmentering
Segmentering var den mest utfordrende delen av dette prosjektet. I segmentering konverteres et digitalt bilde til flere segmenter (bildeobjekter). Målet med segmentering er å identifisere objekter i bildet og dermed gjøre dem mer forståelige og tilgjengelige. Her ble segmentering brukt til å identifisere dendritiske grener og isolere dem fra bakgrunnen. Bildesegmenteringsprosessen ble delt inn i to trinn: den første fasen involverte deteksjon av dendritiske grener som linjer, og den andre fasen involverte sammenslåing av relaterte linjer basert på avstands- og retningskriterier angitt av brukeren.
Dendritisk informasjon og analyse
Informasjon om plasseringen, vinkelen og lengden på hver linje som ble oppdaget, ble samlet inn. Programvaren utfører følgende analyser av dataene hentet fra alle linjene som er identifisert i bildet: 1. Dendritic Branch Classification (Parallel / Non-Parallel) 2. Gjennomsnittlig lengde på parallelle kontra ikke-parallelle dendrittiske grener ble målt. 3. Måling av vinkelfordeling og visning 4. Avstandsmåling mellom parallelle dendrittiske grener
SOAs brukergrensesnitt lar brukerne laste opp et bilde fra datamaskinens filer. Det tillater også justeringer av segmenteringsinnstillinger. Fordi hvert dendrittiske nettverksbilde er unikt, foreslår vi "tinkering" med innstillingene for å oppnå best mulig segmentering. Brukergrensesnittet gjør det mulig å sammenligne originalen og de segmenterte bildene og umiddelbar overvåking av effekten av enhver endring i innstillingene på segmenteringen.
Etter å ha endret alle innstillingene, oppretter SOA den endelige figuren av segmenteringen som viser hver av de identifiserte dendritiske grenene. SOA genererer grafer over analysene som er utført og en .xlsx fil med alle dataene.
Utgangen av SOA kan benyttes som utgangspunkt for innspill av verktøy for videre analyse. For eksempel utvikler vi nå programvare som beregner den gjennomsnittlige parallellismeverdien for dendritter som har fått ulike behandlinger ved hjelp av SOA-utdata på et stort antall bilder.
Sammendrag
SOA er et automatisert verktøy for identifisering, segmentering og utvinning av viktig morfologisk informasjon fra bilder av komplekse 2D-linjenettverk og har et brukervennlig og intuitivt grensesnitt. I dette arbeidet ble bruken av SOA introdusert gjennom et eksempel på analyse av dendritiske nettverk. SOA kan brukes til analyse av andre typer 2D-mobilnettverk, for eksempel nettverk av forskjellige nevrale og ikke-nevrale celler, intracellulære komplekse strukturer som de som genereres av cytoskjelett og ikke-biologiske nettverk, for eksempel nanorør og mer. SOA ble utviklet for et veldig spesifikt formål, og det er viktig å kjenne sine fordeler og begrensninger. SOAs begrensninger inkluderer det faktum at det bare er egnet for 2D-bildeanalyse og ikke for 3D-bildeanalyse. SOA kan bare brukes til å analysere bilder med objekter som er linjelignende. Videre er informasjonen hentet fra programvaren begrenset til romlig informasjon om de identifiserte dendrittene og til de spesifikke analysene som er beskrevet her. Ytterligere analyser utføres ikke av SOA. Programvarens viktigste fordeler er dens enkelhet og brukervennlighet. Programvaren gjør at komplekse bilder kan analyseres raskt og i noen få enkle trinn. Videre er SOA fleksibel og lett justerbar; Derfor kan den analytiske kapasiteten utvides utover morfometri og være gunstig for andre applikasjoner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer at de ikke har konkurrerende økonomiske interesser.
Acknowledgments
Forfatterne vil takke Dr. Orly Weiss for utarbeidelsen av kulturbildene.
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).
