Summary
Представлен вычислительный инструмент, позволяющий просто и напрямую автоматически измерять ориентации нейронных дендритных ветвей по 2D флуоресцентным изображениям.
Abstract
Структура нейронных дендритных деревьев играет ключевую роль в интеграции синаптических входов в нейроны. Поэтому характеристика морфологии дендритов необходима для лучшего понимания функции нейронов. Однако сложность дендритных деревьев, как при изоляции, так и особенно при расположении в нейронных сетях, не была полностью понята. Мы разработали новый вычислительный инструмент SOA (Segmentation and Orientation Analysis), который позволяет автоматически измерять ориентацию дендритных ветвей по флуоресцентным изображениям 2D нейронных культур. SOA, написанная на Python, использует сегментацию для отличия дендритных ветвей от фона изображения и аккумулирует базу данных о пространственном направлении каждой ветви. Затем база данных используется для расчета морфологических параметров, таких как направленное распределение дендритных ветвей в сети и распространенность параллельного роста дендритных ветвей. Полученные данные могут быть использованы для выявления структурных изменений дендритов в ответ на активность нейронов и на биологические и фармакологические раздражители.
Introduction
Дендритный морфогенез является центральным предметом в нейробиологии, так как структура дендритного дерева влияет на вычислительные свойства синаптической интеграции в нейронах1,2,3. Кроме того, морфологические аномалии и модификации в дендритных ветвях связаны с дегенеративными и нервно-психическими расстройствами развития4,5,6. В нейронных культурах, где дендритное разветвление может быть более легко визуализировано, взаимодействия между неродственными дендритными ветвями регулируют участки и степень синаптической кластеризации вдоль ветвей, поведение, которое может влиять на синаптическую коактивность и пластичность7,8,9. Поэтому характеристика морфологических параметров дендритного дерева с использованием двумерных (2D) нейрональных культур выгодна для понимания дендритного морфогенеза и функциональности одиночных и сетей нейронов. Тем не менее, это сложная задача, потому что дендритные ветви образуют сложную сетку даже в «упрощенных» 2D-нейронных культурах.
Было разработано несколько инструментов для автоматического отслеживания и анализа дендритных структур10,11,12,13. Однако большинство из этих инструментов предназначены для 3D-нейронных сетей и, естественно, слишком сложны для использования с 2D-сетями. Напротив, менее продвинутые инструменты морфологического анализа обычно включают значительный компонент ручного труда с помощью компьютера, который очень трудоемкий и восприимчивый к смещению оператора14. Существующие полуавтоматические инструменты, такие как ImageJ'15 (пакет обработки изображений с открытым исходным кодом NIH с обширной коллекцией разработанных сообществом инструментов анализа биологических изображений), в значительной степени сокращают ручной труд пользователя. Тем не менее, некоторые ручные вмешательства все еще необходимы во время обработки изображения, и качество сегментации может быть менее желательным.
В этой статье представлен SOA, простой автоматизированный инструмент, который позволяет напрямую сегментировать и анализировать ориентацию дендритных ветвей в 2D-нейронных сетях. SOA может обнаруживать различные линейно-подобные объекты на 2D-изображениях и характеризовать их морфологические свойства. Здесь мы использовали SOA для сегментации дендритных ветвей в 2D-флуоресцентных изображениях дендритных сетей в культуре. Программное обеспечение идентифицирует дендритные ветви и успешно выполняет измерения морфологических параметров, таких как параллелизм и пространственное распределение. SOA может быть легко адаптирована для анализа клеточных процессов других типов клеток и для изучения небиологических сетей.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ПРИМЕЧАНИЕ: Министерство здравоохранения Израиля одобрило использование мышей по протоколу IL-218-01-21 для этического использования подопытными животными. SOA совместима только с Windows 10 и Python 3.9. Он доступен в виде открытого исходного кода: https://github.com/inbar2748/DendriteProject. По этой ссылке также есть файл README. DM-файл, содержащий инструкции по загрузке программного обеспечения, ссылку на веб-сайт программного обеспечения и файл требований, содержащий информацию о требуемых версиях всех пакетов. Там же были приведены дополнительные примеры анализа, выполненного с использованием программного обеспечения.
Рисунок 1: Рабочий процесс SOA для сегментации и анализа направлений роста. Показаны этапы обработки флуоресцентных изображений дендритных сетей и анализа данных. 2D-изображение загружается, сегментируется (в два этапа: дендритные ветви обнаруживаются как линии, а затем соответствующие линии объединяются), и получается пространственная информация каждой дендритной ветви. Данные собираются для всех дендритных ветвей на изображении. Наконец, данные анализируются для получения желаемых морфологических параметров. Аббревиатура: SOA = сегментация и ориентационный анализ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
1. Откройте SOA-приложение.
- Откройте URL-адрес: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, найдите сжатую папку SOA.zip и загрузите ZIP-файл двойным щелчком мыши.
- Распакуйте папку, щелкнув правой кнопкой мыши по SOA.zip и выберите «Извлечь файлы». Обратите внимание на открывающееся окно «Путь и параметры извлечения» и текстовое поле «Адрес назначения », в котором отображается путь к извлеченным файлам. Чтобы выполнить извлечение в другое место, нажмите на одну из папок на правой панели окна, чтобы сделать ее папкой назначения. Нажмите кнопку ОК, чтобы извлечь файлы в эту папку.
- Откройте извлеченный SOA-файл и дважды щелкните на SOA.exe. Дождитесь открытия черного окна, после чего появится приложение.
Рисунок 2: Пример рабочего процесса, использующего графический интерфейс SOA. Левый столбец: разделы рабочего процесса с графическим интерфейсом. Средняя колонка: изображение дендритной сети, обработанной во время рабочего процесса (шкала: 20 мкм). Правый столбец: увеличение области, отмеченной красным прямоугольником на изображениях среднего столбца (шкала: 4 мкм). Шаг 1: Выбор и загрузка изображения. Шаг 2: Первым этапом сегментации является обнаружение линий, которые представляют идентифицированные дендритные ветви. Шаг 3: Вторым этапом сегментации является слияние сегментной футеровки в отдельных дендритных ветвях на основе близости. Настройки всех шагов могут быть изменены. Сокращения: SOA = сегментация и ориентационный анализ; GUI = графический интерфейс пользователя. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
2. Откройте изображение для анализа.
- В строке меню ЗАГРУЗКА SOA Viewer | выберите Выбрать файл | Выберите изображение из файлов компьютера, | нажмите на него (только .png .jpg .tif .bmp файлы) | Открыть | обратите внимание на путь к файлу | Следующий.
3. Оптимизация сегментации
ПРИМЕЧАНИЕ: В строке меню Свойства SOA Viewer измените значения выбранных параметров, чтобы настроить параметры процесса сегментации. Подробное описание параметров, таких как Пороговое значение, приведено в Дополнительном материале.
- В окне Edges настройте пороговое значение для дисплея, выбрав Пороговое значение и введя число.
ПРИМЕЧАНИЕ: Чем меньше число порогового значения, тем больше строк обнаруживается. Пороговое значение — это число, которое находится в диапазоне от 0 до 255. Значение по умолчанию установлено равным 0. - В разделе Слияние строк:
- Отрегулируйте минимальное расстояние для слияния для отображения, выбрав Минимальное расстояние для слияния и введя число.
ПРИМЕЧАНИЕ: Минимальное расстояние для слияния колеблется от 0 до 30 пикселей. Значение по умолчанию равно 20. - Отрегулируйте минимальный угол слияния для отображения, выбрав Минимальный угол для слияния и введя число.
ПРИМЕЧАНИЕ: Минимальный угол слияния колеблется от 0 до 30°. Значение по умолчанию равно 10.
- Отрегулируйте минимальное расстояние для слияния для отображения, выбрав Минимальное расстояние для слияния и введя число.
- Нажмите «Создать изображение сегментации предварительного просмотра».
ПРИМЕЧАНИЕ: Предварительное изображение результатов сегментации будет отображаться в соответствии с обновленными значениями. Кроме того, будет отображаться количество строк перед слиянием и количество строк после слияния. - Измените параметры для достижения максимальной идентификации сегментов. Если есть необходимость изменить Свойства, нажмите на кнопку Закрыть окно и выполните шаги 3.1-3.4.
4. Создайте выходные файлы.
- Нажмите OK , чтобы визуализировать изображения сегментации и анализирующие графики. Обратите внимание на появившееся окно для выбора места, в котором будет сохранен .xlsx файл.
- Вставьте имя файла | Выберите Сохранить | дождитесь создания и сохранения файла .xlsx с данными.
ПРИМЕЧАНИЕ: В дополнение к файлу .xlsx автоматически будут отображаться следующие файлы: файл, в котором представлено исходное изображение, изображение распознавания строк, окончательное изображение сегментации и три графика анализа.
5. Навигационная панель инструментов
ПРИМЕЧАНИЕ: Навигационная панель инструментов включена во все окна рисунков и может использоваться для навигации по набору данных. Каждая из кнопок в нижней части панели инструментов описана ниже.
- Для перемещения вперед и назад между ранее определенными представлениями используйте кнопки Вперед и Назад .
ПРИМЕЧАНИЕ: Кнопки «Домой», «Вперед» и «Назад» аналогичны элементам управления «Домой», «Вперед» и «Назад» в веб-браузере. Главная возвращается к экрану по умолчанию, исходному изображению. - Используйте кнопку «Масштаб» для панорамирования и масштабирования. Чтобы активировать сдвиг и масштабирование, нажмите кнопку «Масштаб», затем переместите мышь в нужное место на изображении.
- Чтобы сдвинуть фигуру, нажмите и удерживайте левую кнопку мыши, перетаскивая ее в новое положение. Отпустите кнопку мыши, и выбранная точка на изображении появится в новом положении. Во время сдвига удерживайте клавиши x или y , чтобы ограничить движение осями x или y соответственно.
- Чтобы увеличить масштаб, удерживайте правую кнопку мыши и перетащите ее в новое место. Переместите вправо, чтобы увеличить масштаб по оси X, и влево, чтобы уменьшить масштаб по оси X. Проделайте то же самое для движений по оси Y и вверх/вниз. При масштабировании обратите внимание, что точка под мышью остается неподвижной, что позволяет увеличивать или уменьшать масштаб вокруг этой точки. Используйте клавиши-модификаторы x, y или CONTROL , чтобы ограничить масштаб сохранением x, y или пропорций соответственно.
- Чтобы активировать режим масштабирования в прямоугольник, нажмите кнопку Масштабировать в прямоугольник . Наведите курсор на изображение и нажмите левую кнопку мыши. Перетащите мышь в новое место, удерживая кнопку, чтобы определить прямоугольную область.
ПРИМЕЧАНИЕ: Ограничения представления осей будут увеличены до определенной области при нажатии левой кнопки мыши. Ограничения представления осей будут уменьшены при нажатии правой кнопки мыши, помещая исходные оси в определенную область. - Используйте средство настройки подсюжета для настройки внешнего вида подсюжета.
ПРИМЕЧАНИЕ: Левая, правая, верхняя и нижняя стороны подсюжета, а также пространство между строками и столбцами могут быть растянуты или сжаты. - Чтобы открыть диалоговое окно сохранения файла, нажмите кнопку Сохранить и сохраните файл в следующих форматах: .png, PS, .eps, .svg или .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Был проведен репрезентативный анализ изображений дендритных сетей в культуре. Клетки были извлечены, как описано Baranes et al. 16,17. Вкратце, клетки гиппокампа были извлечены из мозга постнатальных крыс и культивированы на 2D стеклянных крышках в течение 1-2 недель. Затем культуры фиксировали и окрашивали с помощью непрямой иммунофлуоресценции с использованием антитела против маркера дендритного белка, микротрубочки-ассоциированного белка 2 (MAP2). Изображения дендритных сетей были собраны с помощью флуоресцентного микроскопа, а 10 изображений были обработаны с использованием SOA.
На рисунке 1 показан типичный рабочий процесс SOA для анализа дендритной сети. Вход представляет собой 2D-изображение флуоресцентного микроскопа. Сегментация изображения выполняется в два этапа: первый этап - идентификация дендритных ветвей как линий, а второй этап - слияние соответствующих линий в соответствии с критериями расстояния и направления, определенными пользователем. После сегментации собирается пространственная информация для каждой идентифицированной дендритной ветви. Затем из данных всех дендритных ветвей на изображении извлекается следующая информация: параллельная/непараллельная классификация, средняя длина параллельных и непараллельных дендритных ветвей, расстояние между параллельными дендритными ветвями и угловое распределение.
Фиг.2 иллюстрирует рабочий процесс, изложенный на рисунке 1 , примененный к репрезентативному 2D-изображению дендритной сети, помеченной флуоресцентным анти-MAP2 антителом. Был разработан графический интерфейс пользователя (GUI), в котором пользователь может выбрать и загрузить изображение из набора файлов (шаг 1). Затем пользователь может изменить параметры Edges (шаг 2) и параметры merge lines (шаг 3). После этого обнаруживаются линии, представляющие идентифицированные дендритные ветви (шаг 2), а затем объединяются на основе близости сегментированных линий и их направленных различий (шаг 3). Графический интерфейс позволяет сравнивать исходное изображение с сегментированным изображением (шаг 3) и обеспечивает мониторинг в режиме реального времени влияния любых изменений на настройки сегментации. Собранная пространственная информация затем анализируется, и результаты представляются в виде графиков или таблиц (рисунок 3, рисунок 4, рисунок 5 и рисунок 6).
На рисунке 3 показано, как дендритные ветви классифицируются как растущие параллельные (рисунок 3A) и непараллельные (рисунок 3B). Все сегменты, классифицируемые как «непараллельные», не параллельны ни одному другому сегменту. Поскольку дендритные ветви фактически не простираются по прямым линиям, возникла необходимость обеспечить некоторую степень свободы для определения параллельного роста. Чтобы достичь этого, измеряли ориентацию конкретной ветви, а затем разрешали диапазон углов вокруг измеренной ориентации для параллелизма. Этот диапазон фиксирован для каждого изображения и зависит от количества обнаруженных линий; однако он не может превышать 10° (подробное описание процесса сортировки параллелизма приведено в разделе 1 «Дополнительный материал/анализ»). Затем исследовали приспособленность ориентации всех остальных ветвей к этому угловому диапазону. Как только анализ был завершен, количество параллельных ветвей в пределах тестируемого диапазона извлекалось и отображалось в частотном графике (рисунок 3C).
Чтобы понять, является ли степень параллельного роста среди дендритных ветвей случайной или направленной, результаты графика на рисунке 3C сравнивали с результатами, извлеченными из моделирования случайного роста линий того же числа, что и у дендритных ветвей в культурах (рисунок 3D). Затем SOA измеряет расстояния между параллельными ветвями (рисунок 4), а также длины параллельных и непараллельных дендритных ветвей. На рисунке 5 показаны гистограммы длин непараллельных дендритных ветвей (рисунок 5A) и параллельных дендритных ветвей (рисунок 5B) и их средние длины. Чтобы определить, существуют ли предпочтительные направления роста, SOA отображает гистограмму распределения углов роста дендритных ветвей (рисунок 6). Такое представление позволяет быстро определить предпочтительные направления роста и идентифицировать конкретные дендритные ветви в каждой группе (по идентификационному номеру) (рисунок 6А).
Рисунок 3: Классификация параллельного роста дендритных ветвей в сравнении со случайным моделированием. Дендритные ветви изображения на рисунке 2B , идентифицированные SOA, были классифицированы как (A) параллельные и (B) непараллельные. (C) Количество параллельных дендритных ветвей в каждом проверяемом диапазоне углов было собрано и разделено на группы пар/троек/квартетов, как поясняется в разделе 1 «Дополнительный материал/анализ». Частота встречаемости каждой группы показана на графике. (D) Результаты группировки параллельных линий, извлеченных из моделирования распределения случайных линий. Аббревиатура: SOA = сегментация и ориентационный анализ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 4: SOA-измерение расстояния между параллельными дендритными ветвями. Показан пример того, как SOA отображает расстояние между ветвями, выращенными параллельно. Каждый обнаруженный дендрит получает уникальный номер (идентификационный номер). SOA измеряет минимальное расстояние между каждой парой параллельных дендритов. Подробное описание можно найти в разделе Дополнительные материалы/анализ, раздел 1. Примеры: 1. Дендритная ветвь ID=2 находится на расстоянии 60 мкм от другой ветви. 2. Dendrite ID=17 имеет две параллельные ветви на расстояниях 60 мкм и 13,7 мкм. Аббревиатура: SOA = сегментация и ориентационный анализ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 5: Отображение SOA распределения длин параллельных и непараллельных дендритных ветвей. Показан частотный график распределения сравнения SOA длин (A) непараллельных и (B) параллельных дендритных ветвей, а также средних длин. Аббревиатура: SOA = сегментация и ориентационный анализ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 6: Отображение SOA углового распределения дендритных ветвей. (A) Графическое представление каждой идентифицированной линии в соответствии с ее углом роста. (B) Отображение A , позволяющее быстро распознавать предпочтительные направления роста. Комбинируя А и В, каждая дендритная ветвь может быть отнесена к определенной категории направления роста. Такая форма представления распределения дендритных направлений роста позволяет быстро идентифицировать предпочтительные направления роста (В: чем выше колонка, тем предпочтительнее это направление роста) и направления, в которых дендриты не растут (В: под углом, где нет колонки, дендриты не растут в том же направлении). Аббревиатура: SOA = сегментация и ориентационный анализ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Дополнительный материал. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Эффективные стратегии извлечения морфологической информации из 2D-изображений срочно необходимы, чтобы идти в ногу с данными биологической визуализации. Хотя данные визуализации могут быть сгенерированы за несколько часов, углубленный анализ изображений занимает много времени. В результате обработка изображений явно стала серьезным препятствием во многих областях. Отчасти это связано с высокой сложностью данных, особенно при работе с биологическими образцами. Кроме того, поскольку многим пользователям не хватает специализированных навыков программирования и обработки изображений, необходимы автоматизированные инструменты, которые позволяют обрабатывать изображения простым и удобным для пользователя способом. Вот почему SOA, как ожидается, будет полезна. Репрезентативные результаты демонстрируют автоматизированную сегментацию, которая позволяет идентифицировать дендритные ветви на изображении в несколько простых шагов, несмотря на сложность дендритной сети. Процесс работы прост и интуитивно понятен, а разнообразная пространственная информация получается сразу и без усилий. Несколько алгоритмов были использованы для обнаружения отдельных дендритных ветвей на флуоресцентных изображениях и проведения нескольких анализов результатов. Подробное описание алгоритмов можно найти в Дополнительном материале и информацию о системных требованиях. В этом документе будут кратко представлены алгоритмы и их роль в программном обеспечении.
Сегментация
Сегментация была самой сложной частью этого проекта. При сегментации цифровое изображение преобразуется в несколько сегментов (объектов изображения). Целью сегментации является идентификация объектов на изображении и, таким образом, сделать их более понятными и доступными. Здесь сегментация использовалась для идентификации дендритных ветвей и изоляции их от фона. Процесс сегментации изображения был разделен на два этапа: первый этап включал обнаружение дендритных ветвей в виде линий, а второй этап включал слияние связанных линий на основе критериев расстояния и направления, заданных пользователем.
Дендритная информация и анализ
Была собрана информация о местоположении, углу и длине каждой обнаруженной линии. Программное обеспечение выполняет следующие анализы данных, полученных из всех линий, идентифицированных на изображении: 1. Классификация дендритных ветвей (параллельных/непараллельных) 2. Измерена средняя длина параллельных и непараллельных дендритных ветвей. 3. Измерение углового распределения и отображение 4. Измерение расстояния между параллельными дендритными ветвями
Пользовательский интерфейс SOA позволяет пользователям загружать изображения из файлов компьютера. Он также позволяет настраивать параметры сегментации. Поскольку каждое дендритное сетевое изображение уникально, мы предлагаем «повозиться» с настройками для достижения наилучшей сегментации. Пользовательский интерфейс позволяет сравнивать исходные и сегментированные изображения и мгновенно отслеживать влияние любого изменения настроек на сегментацию.
После изменения всех настроек SOA создает окончательную цифру сегментации, которая показывает каждую из идентифицированных дендритных ветвей. SOA генерирует графики выполненных анализов и .xlsx файл со всеми данными.
Выходные данные SOA могут быть использованы в качестве отправной точки для ввода инструментов для дальнейшего анализа. Например, сейчас мы разрабатываем программное обеспечение, которое вычисляет среднее значение параллелизма для дендритов, получивших различные обработки, используя вывод SOA на большом количестве изображений.
Сводка
SOA является автоматизированным инструментом для идентификации, сегментации и извлечения важной морфологической информации из изображений сложных 2D-линейных сетей и имеет удобный и интуитивно понятный интерфейс. В этой работе использование SOA было введено на примере анализа дендритных сетей. SOA может быть использована для анализа других типов 2D-клеточных сетей, таких как сети различных нейронных и ненейронных клеток, внутриклеточные сложные структуры, такие как те, которые генерируются цитоскелетом, и небиологические сети, например, нанотрубки и многое другое. SOA была разработана для очень конкретной цели, и важно знать ее преимущества и ограничения. Ограничения SOA включают в себя тот факт, что он подходит только для анализа 2D-изображений, а не для анализа 3D-изображений. SOA можно использовать только для анализа изображений с объектами, похожими на линии. Кроме того, информация, полученная из программного обеспечения, ограничена пространственной информацией идентифицированных дендритов и конкретными анализами, описанными здесь. Дополнительные анализы SOA не выполняются. Ключевыми преимуществами программного обеспечения являются его простота и удобство для пользователя. Программа позволяет анализировать сложные изображения быстро и в несколько простых шагов. Кроме того, SOA является гибкой и легко регулируемой; следовательно, его аналитический потенциал может быть расширен за пределы морфометрии и полезен для других применений.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторы заявляют, что у них нет конкурирующих финансовых интересов.
Acknowledgments
Авторы хотели бы поблагодарить доктора Орли Вайса за подготовку изображений культуры.
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).
