Automatische identificatie van dendritische takken en hun oriëntatie
概要
Gepresenteerd is een computationele tool die eenvoudige en directe automatische meting van oriëntaties van neuronale dendritische takken van 2D-fluorescentiebeelden mogelijk maakt.
Abstract
De structuur van neuronale dendritische bomen speelt een sleutelrol bij de integratie van synaptische inputs in neuronen. Daarom is karakterisering van de morfologie van dendrieten essentieel voor een beter begrip van de neuronale functie. De complexiteit van dendritische bomen, zowel geïsoleerd als vooral wanneer ze zich binnen neuronale netwerken bevinden, is echter niet volledig begrepen. We ontwikkelden een nieuwe computationele tool, SOA (Segmentation and Orientation Analysis), waarmee automatisch de oriëntatie van dendritische takken kan worden gemeten op basis van fluorescentiebeelden van 2D-neuronale culturen. SOA, geschreven in Python, gebruikt segmentatie om dendritische takken te onderscheiden van de achtergrond van de afbeelding en verzamelt een database over de ruimtelijke richting van elke tak. De database wordt vervolgens gebruikt om morfologische parameters te berekenen, zoals de directionele verdeling van dendritische takken in een netwerk en de prevalentie van parallelle dendritische takgroei. De verkregen gegevens kunnen worden gebruikt om structurele veranderingen in dendrieten te detecteren als reactie op neuronale activiteit en op biologische en farmacologische stimuli.
Introduction
Dendritische morfogenese is een centraal onderwerp in de neurowetenschappen, omdat de structuur van de dendritische boom de computationele eigenschappen van synaptische integratie in neuronen beïnvloedt1,2,3. Bovendien zijn morfologische afwijkingen en modificaties in dendritische takken betrokken bij degeneratieve en neuro-ontwikkelingsstoornissen4,5,6. In neuronale culturen waar dendritische vertakking gemakkelijker kan worden gevisualiseerd, reguleren de interacties tussen niet-zuster dendritische takken de plaatsen en mate van synaptische clustering langs de takken, een gedrag dat synaptische coactiviteit en plasticiteit kan beïnvloeden7,8,9. Daarom is karakterisering van de morfologische parameters van de dendritische boom met behulp van tweedimensionale (2D) neuronale culturen voordelig voor het begrijpen van dendritische morfogenese en functionaliteit van enkele en netwerken van neuronen. Toch is dit een uitdagende taak omdat dendritische takken een complex gaas vormen, zelfs in “vereenvoudigde” 2D-neuronale culturen.
Er zijn verschillende tools ontwikkeld om dendritische structuren automatisch te traceren en te analyseren10,11,12,13. De meeste van deze tools zijn echter ontworpen voor 3D-neuronale netwerken en zijn van nature te complex om te gebruiken met 2D-netwerken. Daarentegen omvatten minder geavanceerde morfologische analysetools meestal een aanzienlijk onderdeel van computerondersteunde handmatige arbeid, die zeer tijdrovend is en vatbaar voor operatorbias14. Bestaande semi-automatische tools, zoals ‘ImageJ’15 (een NIH open-source beeldverwerkingspakket met een uitgebreide verzameling door de gemeenschap ontwikkelde biologische beeldanalysetools), verminderen grotendeels de handmatige arbeid van gebruikers. Tijdens de beeldverwerking zijn echter nog enkele handmatige ingrepen nodig en kan de kwaliteit van de segmentatie minder dan wenselijk zijn.
Dit artikel presenteert de SOA, een eenvoudige geautomatiseerde tool die directe segmentatie en oriëntatieanalyse van dendritische takken binnen 2D-neuronale netwerken mogelijk maakt. De SOA kan verschillende lijnachtige objecten in 2D-afbeeldingen detecteren en hun morfologische eigenschappen karakteriseren. Hier gebruikten we de SOA voor het segmenteren van dendritische takken in 2D-fluorescentiebeelden van dendritische netwerken in cultuur. De software identificeert de dendritische takken en voert met succes metingen uit van morfologische parameters zoals parallellisme en ruimtelijke verdeling. De SOA kan eenvoudig worden aangepast voor de analyse van cellulaire processen van andere celtypen en voor het bestuderen van niet-biologische netwerken.
Protocol
Representative Results
Discussion
Effectieve strategieën voor het extraheren van morfologische informatie uit 2D-beelden zijn dringend nodig om biologische beeldvormingsgegevens bij te houden. Hoewel beeldgegevens in uren kunnen worden gegenereerd, duurt een diepgaande analyse van de beelden lang. Hierdoor is beeldverwerking op veel terreinen duidelijk een groot obstakel geworden. Dit is deels te wijten aan de hoge complexiteit van de gegevens, vooral bij het omgaan met biologische monsters. Bovendien, omdat veel gebruikers geen gespecialiseerde program…
開示
The authors have nothing to disclose.
Acknowledgements
De auteurs willen Dr. Orly Weiss bedanken voor het opstellen van de cultuurbeelden.
Materials
| 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 |
参考文献
- 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).
