Summary
Presenteras är ett beräkningsverktyg som möjliggör enkel och direkt automatisk mätning av orienteringar av neuronala dendritiska grenar från 2D fluorescensbilder.
Abstract
Strukturen av neuronal dendritiska träd spelar en nyckelroll i integrationen av synaptiska ingångar i nervceller. Därför är karakterisering av morfologin av dendriter avgörande för en bättre förståelse av neuronal funktion. Komplexiteten hos dendritiska träd, både när de är isolerade och särskilt när de ligger inom neuronala nätverk, har dock inte helt förståtts. Vi utvecklade ett nytt beräkningsverktyg, SOA (Segmentation and Orientation Analysis), som möjliggör automatisk mätning av orienteringen av dendritiska grenar från fluorescensbilder av 2D-neuronala kulturer. SOA, skrivet i Python, använder segmentering för att skilja dendritiska grenar från bildbakgrunden och ackumulerar en databas på den rumsliga riktningen för varje gren. Databasen används sedan för att beräkna morfologiska parametrar såsom riktningsfördelning av dendritiska grenar i ett nätverk och prevalensen av parallell dendritisk grentillväxt. De data som erhålls kan användas för att upptäcka strukturella förändringar i dendriter som svar på neuronal aktivitet och på biologiska och farmakologiska stimuli.
Introduction
Dendritisk morfogenes är ett centralt ämne inom neurovetenskap, eftersom strukturen hos det dendritiska trädet påverkar beräkningsegenskaperna för synaptisk integration i nervceller1,2,3. Dessutom är morfologiska avvikelser och modifieringar i dendritiska grenar inblandade i degenerativa och neuro-utvecklingsmässiga störningar4,5,6. I neuronala kulturer där dendritiska förgreningar lättare kan visualiseras reglerar interaktionerna mellan icke-syster dendritiska grenar platserna och omfattningen av synaptisk klustring längs grenarna, ett beteende som kan påverka synaptisk coaktivitet och plasticitet7,8,9. Därför är karakterisering av de morfologiska parametrarna för dendritiska trädet med hjälp av tvådimensionella (2D) neuronala kulturer fördelaktigt för att förstå dendritisk morfogenes och funktionalitet hos enstaka och nätverk av nervceller. Ändå är detta en utmanande uppgift eftersom dendritiska grenar bildar ett komplext nät även i "förenklade" 2D-neuronala kulturer.
Flera verktyg har utvecklats för att automatiskt spåra och analysera dendritiska strukturer10,11,12,13. De flesta av dessa verktyg är dock utformade för 3D-neuronala nätverk och är naturligtvis för komplexa att använda med 2D-nätverk. Däremot involverar mindre avancerade morfologiska analysverktyg vanligtvis en betydande komponent i datorstödd manuell arbetskraft, vilket är mycket tidskrävande och mottagligt för operatörsbias14. Befintliga halvautomatiska verktyg, till exempel 'ImageJ'15 (ett NIH-bildbehandlingspaket med öppen källkod med en stor samling samhällsutvecklade biologiska bildanalysverktyg), minskar till stor del användarhandboksarbetet. Vissa manuella ingrepp behövs dock fortfarande under bildbehandlingen, och kvaliteten på segmenteringen kan vara mindre än önskvärd.
Detta dokument presenterar SOA, ett enkelt automatiserat verktyg som möjliggör direkt segmentering och orienteringsanalys av dendritiska grenar inom 2D neuronala nätverk. SOA kan upptäcka olika linjeliknande objekt i 2D-bilder och karakterisera deras morfologiska egenskaper. Här använde vi SOA för segmentering av dendritiska grenar i 2D-fluorescensbilder av dendritiska nätverk i kulturen. Programvaran identifierar dendritiska grenar och utför framgångsrikt mätningar av morfologiska parametrar som parallellism och rumslig fördelning. SOA kan enkelt anpassas för analys av cellulära processer av andra celltyper och för att studera icke-biologiska nätverk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OBS: Israels hälsoministerium godkände användningen av möss enligt protokoll IL-218-01-21 för etisk användning av försöksdjur. SOA är endast kompatibelt med Windows 10 och Python 3.9. Det finns som en öppen källkod: https://github.com/inbar2748/DendriteProject. På denna länk finns också en README. DM-fil som har vägbeskrivningar för att ladda ner programvaran, en länk till programvarans webbplats och en kravfil som innehåller information om de nödvändiga versionerna av alla paket. Ytterligare exempel på analyser som utförts med hjälp av programvaran har också tillhandahållits där.
Bild 1: SOA-arbetsflöde för segmentering och tillväxtriktningsanalys. Visas är bearbetningsstegen för fluorescerande bilder av dendritiska nätverk och dataanalys. 2D-bilden laddas upp, segmenteras (i två steg: dendritiska grenar identifieras som linjer och sedan slås de relevanta raderna samman) och den rumsliga informationen för varje dendritisk gren erhålls. Data samlas in för alla dendritiska grenar i bilden. Slutligen analyseras data för att ge önskade morfologiska parametrar. Förkortning: SOA = segmenterings- och orienteringsanalys. Klicka här för att se en större version av den här figuren.
1. Öppna SOA-ansökan.
- Öppna URL-adressen: https://mega.nz/folder/bKZhmY4I#4WAaec4biiGt4_1lJlL4WA, hitta mappen SOA.zip zippade och ladda ned ZIP-filen genom att dubbelklicka.
- Packa upp mappen genom att högerklicka på SOA.zip och välj Extrahera filer. Observera fönstret Extraheringssökväg och alternativ som öppnas och textrutan Måladress som visar sökvägen för de extraherade filerna. Om du vill extrahera till en annan plats klickar du på en av mapparna på fönstrets högra panel för att göra den till målmappen. Klicka på OK om du vill extrahera filerna till den mappen.
- Öppna den extraherade SOA-filen och dubbelklicka på SOA.exe. Vänta tills ett svart fönster öppnas, varefter programmet visas.
Bild 2: Exempel på ett arbetsflöde som använder SOA:s gui. Vänster kolumn: GUI-avsnitt i arbetsflödet. Mittenkolumn: bild av ett dendritiskt nätverk som bearbetas under arbetsflödet (Skalningsfält: 20 μm). Höger kolumn: förstoring av det område som markeras med en röd rektangel i bilderna av mittenkolonnen (Skalstreck: 4 μm). Steg 1: Val och uppladdning av en bild. Steg 2: Det första steget i segmenteringen är detektion av linjer som representerar de identifierade dendritiska grenarna. Steg 3: Den andra etappen av segmenteringen är den närhetsbaserade sammanslagningen av segmentfoder i enskilda dendritiska filialer. Inställningarna för alla steg kan ändras. Förkortningar: SOA = segmenterings- och orienteringsanalys; GUI = grafiskt användargränssnitt. Klicka här för att se en större version av den här figuren.
2. Öppna en bild för att analysera.
- I menyraden SOA Viewer Upload | välj Välj | välj en bild från datorfilerna | klicka på den (endast .png .jpg .tif .bmp filer) | Öppna | observera filens sökväg | Nästa.
3. Optimering av segmentering
I menyraden Egenskaper för SOA-visningsvyer ändrar du värdena för de valda parametrarna för att justera inställningarna för segmenteringsprocessen. En detaljerad beskrivning av parametrarna, t.ex. tröskelvärdet, ges i det kompletterande materialet.
- Justera tröskelvärdet för visningen i Kanter genom att välja Tröskelvärdet och ange ett tal.
Ju lägre tal för tröskelvärdet är, desto fler rader identifieras. Tröskelvärde är ett tal som sträcker sig från 0 till 255. Standardvärdet har angetts till 0. - I kopplingsrader:
- Justera det minsta avståndet som ska sammanfogas för displayen genom att välja minavståndet för att sammanfoga och ange ett nummer.
Obs: Min-avståndet för sammanslagning sträcker sig från 0 till 30 pixlar. Standardvärdet är inställt på 20. - Justera den minsta vinkel som ska sammanfogas för displayen genom att välja minvinkeln för att sammanfoga och ange ett tal.
OBS: Min vinkeln för sammanslagning sträcker sig från 0 till 30°. Standardvärdet är inställt på 10.
- Justera det minsta avståndet som ska sammanfogas för displayen genom att välja minavståndet för att sammanfoga och ange ett nummer.
- Klicka på Skapa förhandsgranskningssegmenteringsbild.
EN förhandsgranskningsbild av segmenteringsresultaten visas enligt de uppdaterade värdena. Dessutom visas antalet rader före sammanslagning och antalet rader efter sammanslagning. - Ändra parametrarna för att uppnå maximal identifiering av segment. Om det finns behov av att ändra egenskaperna klickar du på knappen Stäng fönster och följer steg 3.1-3.4.
4. Skapa utdatafilerna.
- Tryck på OK för att visualisera segmenteringsbilderna och analysdiagrammen. Observera fönstret som visas för att välja en plats där .xlsx fil ska sparas.
- infoga ett filnamn | Välj Spara | vänta tills .xlsx filen med data ska skapas och sparas.
Förutom den .xlsx filen visas följande filer automatiskt: en fil som visar originalbilden, linjeigenkänningsbilden, den slutliga bilden av segmenteringen och tre analysdiagram.
5. Navigering verktygsfält
ETT navigeringsverktygsfält ingår i alla figurfönster och kan användas för att navigera genom datauppsättningen. Var och en av knapparna längst ned i verktygsfältet beskrivs nedan.
- Om du vill navigera fram och tillbaka mellan tidigare definierade vyer använder du knapparna Framåt och Bakåt .
Knapparna Hem, Framåt och Bakåt liknar kontrollerna Hem, Framåt och Bakåt i en webbläsare. Hemmet återgår till standardskärmen, den ursprungliga bilden. - Använd knappen Zooma för att panorera och zooma. Om du vill aktivera panorering och zoomning trycker du på knappen Zoom och flyttar sedan musen till önskad plats i bilden.
- Om du vill panorera figuren trycker du på och håller ned den vänstra musknappen medan du drar den till en ny position. Släpp musknappen så visas den markerade punkten i bilden i den nya positionen. Håll ned x - eller y-tangenterna under panorering för att begränsa rörelsen till x - respektive y-axlarna .
- Om du vill zooma håller du ned den högra musknappen och drar den till en ny plats. Flytta åt höger för att zooma in på x-axeln och flytta åt vänster för att zooma ut på x-axeln. Gör samma sak för y-axeln och uppåt/ner rörelserna. När du zoomar bör du notera att punkten under musen förblir stillastående, så att du kan zooma in eller ut runt den punkten. Använd modifierartangenterna x, y eller CONTROL för att begränsa zoomen till x-, y- eller bildförhållandet.
- Om du vill aktivera zoom-till-rektangel-läget klickar du på knappen Zooma mot rektangel . Placera markören över bilden och tryck på vänster musknapp. Dra musen till en ny plats medan du håller ned knappen för att definiera ett rektangulärt område.
Observera: Gränserna för axlarnas vy zoomas till det definierade området när den vänstra musknappen trycks in. Yxvyns gränser zoomas ut när höger musknapp trycks in och de ursprungliga axlarna placeras i det definierade området. - Använd verktyget Subplot-konfiguration för att konfigurera underplotens utseende.
OBS: Underplotens vänstra, högra, övre och nedre sidor, liksom utrymmet mellan rader och kolumner, kan sträckas ut eller komprimeras. - Om du vill öppna dialogrutan Spara en fil klickar du på knappen Spara och sparar filen i följande format: .png, PS, .eps, .svg eller .pdf.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En representativ analys utfördes på bilder av dendritiska nätverk i kultur. Celler extraherades enligt beskrivningen av Baranes et al. 16,17. Kortfattat extraherades hippocampal celler från hjärnan hos postnatala råttor och odlades på 2D glas coverslips i 1-2 veckor. Kulturerna fixerades sedan och färgades genom indirekt immunofluorescens med hjälp av en antikropp mot den dendritiska proteinmarkören, mikrotubuleassocierat protein 2 (MAP2). Bilder av dendritiska nätverk samlades in med hjälp av en fluorescens mikroskop, och 10 bilder bearbetades med hjälp av SOA.
Bild 1 visar ett typiskt SOA-arbetsflöde för analys av ett dendritiskt nätverk. Ingången är en 2D-fluorescerande mikroskopbild. Bildsegmentering utförs i två steg: det första steget är identifiering av dendritiska grenar som linjer, och det andra steget är sammanslagning av relevanta linjer enligt avstånds- och riktningskriterier som bestäms av användaren. Efter segmentering samlas rumslig information in för varje identifierad dendritisk gren. Därefter extraheras följande information från data från alla dendritiska grenar i bilden: Parallell/Icke-parallell klassificering, genomsnittlig längd av parallella kontra icke-parallella dendritiska grenar, avstånd mellan parallella dendritiska grenar och vinkelfördelning.
Figur 2 illustrerar det arbetsflöde som anges i figur 1 som tillämpas på en representativ 2D-bild av ett dendritiskt nätverk märkt med en fluorescerande anti-MAP2-antikropp. Ett grafiskt användargränssnitt (GUI) utvecklades där användaren kan välja och ladda upp en bild ur en uppsättning filer (steg 1). Sedan kan användaren ändra inställningarna för kanter (steg 2) och sammanfoga linjer (steg 3). Därefter identifieras rader som representerar de identifierade dendritiska grenarna (steg 2) och slås sedan samman, baserat på närheten till de segmenterade linjerna och deras riktningsskillnader (steg 3). Det grafiska gränssnittet gör det möjligt att jämföra den ursprungliga bilden med den segmenterade bilden (steg 3) och ger realtidsövervakning av effekten av eventuella ändringar i segmenteringsinställningarna. Den rumsliga information som samlas in analyseras sedan och resultaten presenteras som diagram eller tabeller (figur 3, figur 4, figur 5 och figur 6)
Figur 3 visar hur dendritiska grenar klassificeras som växande parallella (figur 3A) och icke-parallella (figur 3B). Alla segment som klassificeras som "icke-parallella" är inte parallella med något annat segment. Eftersom dendritiska grenar faktiskt inte sträcker sig i raka linjer, fanns det ett behov av att ge en viss grad av frihet för definitionen av parallell tillväxt. För att uppnå detta mättes orienteringen av en viss gren, och sedan tilläts en rad vinklar runt den uppmätta orienteringen för parallellitet. Det här intervallet är fast för varje bild och beror på antalet linjer som identifieras. Den får dock inte överstiga 10° (en detaljerad beskrivning av parallelliseringsprocessen ges i Kompletterande material/analys, avsnitt 1). Därefter undersöktes lämpligheten av orienteringen av alla andra grenar till detta vinkelområde. När analysen var klar extraherades och ritades antalet parallella grenar inom det testade intervallet i ett frekvensdiagram (figur 3C).
För att förstå om omfattningen av parallell tillväxt bland dendritiska grenar är slumpmässig eller riktad, jämfördes resultaten av diagrammet i figur 3C med de som extraherades från simulering av slumpmässig tillväxt av linjer med samma antal som de dendritiska grenarna i kulturerna (figur 3D). SOA mäter sedan avstånden mellan de parallella grenarna (figur 4) samt längden på parallella och icke-parallella dendritiska grenar. I figur 5 visas stapeldiagram över längden på de icke-parallella dendritiska grenarna (figur 5A) och parallella dendritiska grenar (figur 5B) och deras genomsnittliga längder. För att avgöra om det finns förmånliga tillväxtriktningar visar SOA ett fördelnings histogram av tillväxtvinklarna för dendritiska grenar (figur 6). En sådan presentation möjliggör en snabb identifiering av önskade tillväxtriktningar och identifiering av specifika dendritiska filialer i varje grupp (efter ID-nummer) (figur 6A).
Figur 3: Klassificering av dendritisk gren parallell tillväxt kontra slumpmässig simulering. Dendritiska grenar av bilden i figur 2B som identifierats av SOA klassificerades som (A) parallella och (B) icke-parallella. C) Antalet parallella dendritiska grenar i varje kontrollerat vinkelområde samlades in och delades in i grupper av par/tripplar/kvartetter enligt kompletterande material/analys, avsnitt 1. Förekomstfrekvensen för varje grupp visas i diagrammet. D) Resultaten av gruppering av parallella linjer som extraherats från en simulering av slumpmässig linjefördelning. Förkortning: SOA = segmenterings- och orienteringsanalys. Klicka här för att se en större version av den här figuren.
Figur 4: SOA-mätning av avståndet mellan parallella dendritiska grenar. Visas är ett exempel på hur SOA visar avståndet mellan grenar som odlas parallellt. Varje dendrit som identifieras tar emot ett unikt nummer (ID-nummer). Soa mäter minimiavståndet mellan varje par parallella dendriter. En detaljerad beskrivning finns i Kompletterande material/analys, avsnitt 1. Exempel: 1. Dendritisk gren ID=2 är på ett avstånd av 60 μm från en annan gren. 2. Dendrite ID=17 har två parallella grenar på avstånd av 60 μm och 13,7 μm. Förkortning: SOA = segmenterings- och orienteringsanalys. Klicka här för att se en större version av den här figuren.
Figur 5: SOA:s visning av längdfördelningen av parallella kontra icke-parallella dendritiska grenar. Visas är en frekvensdiagramfördelning av SOA: s jämförelse av längden på (A) icke-parallella och (B) parallella dendritiska grenar, liksom de genomsnittliga längderna. Förkortning: SOA = segmenterings- och orienteringsanalys. Klicka här för att se en större version av den här figuren.
Figur 6: SOA:s visning av vinkelfördelningen av dendritiska grenar. A) En grafisk representation av varje identifierad linje i enlighet med dess tillväxtvinkel. (B) En visning av A som möjliggör snabb igenkänning av önskade tillväxtriktningar. Genom att kombinera A och B kan varje dendritisk gren allokeras till en specifik tillväxtriktningskategori. Denna form av representation av fördelningen av dendritiska tillväxtriktningar möjliggör snabb identifiering av föredragna tillväxtriktningar (B: ju högre kolonnen, denna tillväxtriktning är mer föredragen) och riktningar där dendriter inte växer (B: i en vinkel där det inte finns någon kolumn växer dendriter inte i samma riktning). Förkortning: SOA = segmenterings- och orienteringsanalys. Klicka här för att se en större version av den här figuren.
Kompletterande material. Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Effektiva strategier för att extrahera morfologisk information från 2D-bilder krävs omgående för att hålla jämna steg med biologiska bilddata. Även om bilddata kan genereras i timmar, tar djupgående analys av bilderna lång tid. Som ett resultat har bildbehandling helt klart blivit ett stort hinder inom många områden. Detta beror delvis på datans höga komplexitet, särskilt när det gäller biologiska prover. Dessutom, eftersom många användare saknar specialiserade programmerings- och bildbehandlingsfärdigheter, behövs automatiserade verktyg som gör det möjligt att göra bildbehandling på ett enkelt och användarvänligt sätt. Därför förväntas SOA vara användbart. De representativa resultaten visar den automatiserade segmenteringen som möjliggör identifiering av dendritiska grenar i bilden i några enkla steg, trots komplexiteten i det dendritiska nätverket. Arbetsprocessen är enkel och intuitiv, och mångsidig rumslig information erhålls omedelbart och utan ansträngning. Flera algoritmer användes för att upptäcka enskilda dendritiska grenar i fluorescensbilderna och genomföra flera analyser av resultaten. En detaljerad beskrivning av algoritmerna finns i supplementalmaterialet och information om systemkraven. Detta dokument kommer kortfattat att presentera algoritmerna och deras roll i programvaran.
Segmentering
Segmentering var den mest utmanande delen av detta projekt. Vid segmentering konverteras en digital bild till flera segment (bildobjekt). Syftet med segmentering är att identifiera objekt i bilden och därmed göra dem mer begripliga och tillgängliga. Här användes segmentering för att identifiera dendritiska grenar och isolera dem från bakgrunden. Bildsegmenteringsprocessen delades upp i två steg: det första steget omfattade detektering av dendritiska grenar som linjer, och det andra steget innebar sammanslagning av relaterade linjer baserat på avstånds- och riktningskriterier som fastställts av användaren.
Dendritisk information och analys
Information om platsen, vinkeln och längden på varje rad som upptäcktes samlades in. Programvaran utför följande analyser på data som erhållits från alla linjer som identifierats i bilden: 1. Dendritisk grenklassificering (parallell/icke-parallell) 2. Den genomsnittliga längden på parallella kontra icke-parallella dendritiska grenar mättes. 3. Vinkelfördelningsmätning och display 4. Avståndsmätning mellan parallella dendritiska grenar
SOA: s användargränssnitt gör det möjligt för användare att ladda upp en bild från datorns filer. Det möjliggör också justeringar av segmenteringsinställningar. Eftersom varje dendritisk nätverksbild är unik föreslår vi att du "mixtrar" med inställningarna för att uppnå bästa möjliga segmentering. Användargränssnittet möjliggör jämförelse av de ursprungliga och segmenterade bilderna och omedelbar övervakning av effekten av eventuella ändringar i inställningarna på segmenteringen.
När du har ändrat alla inställningar skapar SOA den slutliga figuren för segmenteringen som visar var och en av de identifierade dendritiska grenarna. SOA genererar grafer över utförda analyser och en .xlsx fil med alla data.
Soa-systemets utdata kan användas som utgångspunkt för inmatning av verktyg för vidare analys. Till exempel utvecklar vi nu programvara som beräknar det genomsnittliga parallellitetsvärdet för dendriter som har fått olika behandlingar med SOA-utdata på ett stort antal bilder.
Sammanfattning
SOA är ett automatiserat verktyg för identifiering, segmentering och extraktion av viktig morfologisk information från bilder av komplexa 2D-linjenätverk och har ett användarvänligt och intuitivt gränssnitt. I detta arbete infördes användningen av SOA genom ett exempel på analys av dendritiska nätverk. SOA kan användas för analys av andra typer av 2D-cellulära nätverk, såsom nätverk av olika neurala och icke-neurala celler, intracellulära komplexa strukturer som de som genereras av cytoskeletonen och icke-biologiska nätverk, t.ex. nanorör och mer. SOA utvecklades för ett mycket specifikt syfte, och det är viktigt att känna till dess fördelar och begränsningar. SOA: s begränsningar inkluderar det faktum att det endast är lämpligt för 2D-bildanalys och inte för 3D-bildanalys. SOA kan bara användas för att analysera bilder med objekt som är linjeliknande. Dessutom är den information som erhålls från programvaran begränsad till rumslig information om de identifierade dendriterna och till de specifika analyser som beskrivs här. Ytterligare analyser utförs inte av SOA. Programvarans främsta fördelar är dess enkelhet och användarvänlighet. Programvaran gör det möjligt att analysera komplexa bilder snabbt och i några enkla steg. Dessutom är SOA flexibelt och lätt justerbart. Därför kan dess analytiska kapacitet utökas utöver morfometri och vara till nytta för andra applikationer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.
Acknowledgments
Författarna vill tacka Dr. Orly Weiss för förberedelsen av kulturbilderna.
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).
