זיהוי אוטומטי של ענפים דנדריטיים והתמצאותם
概要
מוצג הוא כלי חישובי המאפשר מדידה אוטומטית פשוטה וישירה של כיוונים של ענפים דנדריטיים עצביים מתמונות פלואורסצנטיות 2D.
Abstract
המבנה של עצים דנדריטיים עצביים ממלא תפקיד מרכזי בשילוב של תשומות סינפטיות בנוירונים. לכן, אפיון המורפולוגיה של דנדריטים חיוני להבנה טובה יותר של תפקוד עצבי. עם זאת, המורכבות של עצים דנדריטיים, הן כאשר מבודדים ובמיוחד כאשר ממוקם בתוך רשתות עצביות, לא הובן לחלוטין. פיתחנו כלי חישובי חדש, SOA (פילוח וניתוח אוריינטציה), המאפשר מדידה אוטומטית של הכיוון של ענפים דנדריטיים מתמונות פלואורסצנטיות של תרביות עצביות דו-ממדיות. SOA, שנכתב בפייתון, משתמש בפילוח כדי להבחין בין ענפים דנדריטיים מרקע התמונה וצובר מסד נתונים בכיוון המרחבי של כל ענף. לאחר מכן משמש מסד הנתונים לחישוב פרמטרים מורפולוגיים כגון התפלגות כיוונית של ענפים דנדריטיים ברשת ושכיחות צמיחת הענף הדנדריטי המקביל. הנתונים המתקבלים יכולים לשמש כדי לזהות שינויים מבניים בדנדריטים בתגובה לפעילות עצבית ולגירויים ביולוגיים ופרמקולוגיים.
Introduction
מורפוגנזה דנדריטית היא נושא מרכזי במדעי המוח, שכן המבנה של העץ הדנדריטי משפיע על המאפיינים החישוביים של שילוב סינפטי בנוירונים1,2,3. יתר על כן, חריגות מורפולוגיות ושינויים בענפים דנדריטיים מעורבים בהפרעות ניווניות נוירו-התפתחותיות4,5,6. בתרבויות עצביות שבהן ניתן לדמיין בקלות רבה יותר את ההשלכות הדנדריטיות, האינטראקציות בין ענפים דנדריטיים שאינם אחות מווסתים את האתרים ואת היקף ההתקבצות הסינפטית לאורך הענפים, התנהגות שעשויה להשפיע על שיתוף פעולה סינפטי ופלסטיות7,8,9. לכן, אפיון הפרמטרים המורפולוגיים של העץ דנדריטי באמצעות תרביות עצביות דו מימדיות (2D) הוא יתרון להבנת מורפוגנזה דנדריטית ופונקציונליות של יחיד ורשתות של נוירונים. עם זאת, זוהי משימה מאתגרת מכיוון שענפים דנדריטיים יוצרים רשת מורכבת אפילו בתרבויות נוירונים “פשוטים” ודו-חמצניים.
מספר כלים פותחו כדי לעקוב ולנתח באופן אוטומטי מבנים דנדריטיים10,11,12,13. עם זאת, רוב הכלים האלה מיועדים לרשתות נוירונים תלת-ממדיות והם באופן טבעי מורכבים מדי לשימוש עם רשתות 2D. לעומת זאת, כלי ניתוח מורפולוגיים פחות מתקדמים כרוכים בדרך כלל ברכיב משמעותי של עבודת כפיים בסיוע מחשב, שהיא גוזלת זמן רב ורגיש להטיית מפעיל14. כלים חצי אוטומטיים קיימים, כגון ‘ImageJ’15 (חבילת עיבוד תמונה בקוד פתוח של NIH עם אוסף עצום של כלי ניתוח תמונה ביולוגית שפותחו על ידי הקהילה), מפחיתים במידה רבה את עבודת היד הידנית של המשתמשים. עם זאת, עדיין יש צורך בהתערבויות ידניות מסוימות במהלך עיבוד התמונה, ואיכות הפילוח יכולה להיות פחות רצויה.
מאמר זה מציג את SOA, כלי אוטומטי פשוט המאפשר פילוח ישיר וניתוח כיוון של ענפים דנדריטיים בתוך רשתות נוירונים 2D. SOA יכול לזהות אובייקטים שונים דמויי קו בתמונות 2D ולאפיין את המאפיינים המורפולוגיים שלהם. כאן, השתמשנו ב- SOA לפיזור סניפים דנדריטיים בתמונות פלואורסצנטיות 2D של רשתות דנדריטיות בתרבות. התוכנה מזהה את הענפים הדנדריטיים ומבצעת בהצלחה מדידות של פרמטרים מורפולוגיים כגון מקביליות והפצה מרחבית. ניתן להתאים את SOA בקלות לניתוח תהליכים תאיים מסוגי תאים אחרים ולחקר רשתות לא ביולוגיות.
Protocol
Representative Results
Discussion
אסטרטגיות יעילות לחילוץ מידע מורפולוגי מתמונות 2D נדרשות בדחיפות כדי לעמוד בקצב של נתוני הדמיה ביולוגיים. למרות שניתן להפיק נתוני הדמיה בשעות, ניתוח מעמיק של התמונות אורך זמן רב. כתוצאה מכך, עיבוד תמונה הפך בבירור למכשול מרכזי בתחומים רבים. זאת, בין היתר, בשל המורכבות הגבוהה של הנתונים, במי?…
開示
The authors have nothing to disclose.
Acknowledgements
המחברים מבקשים להודות לד”ר אורלי וייס על הכנת תמונות התרבות.
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).
