Apresentado é uma ferramenta computacional que permite a medição automática simples e direta das orientações de ramos dendríticas neuronais a partir de imagens de fluorescência 2D.
A estrutura das árvores dendríticas neuronais desempenha um papel fundamental na integração de insumos sinápticos nos neurônios. Portanto, a caracterização da morfologia dos dendritos é essencial para uma melhor compreensão da função neuronal. No entanto, a complexidade das árvores dendríticas, tanto quando isoladas quanto especialmente quando localizadas dentro das redes neuronais, não foi completamente compreendida. Desenvolvemos uma nova ferramenta computacional, SOA (Segmentação e Análise de Orientação), que permite a medição automática da orientação de ramos dendríticos a partir de imagens de fluorescência de culturas neuronais 2D. SOA, escrito em Python, usa segmentação para distinguir ramos dendríticos do fundo da imagem e acumula um banco de dados na direção espacial de cada ramo. O banco de dados é então utilizado para calcular parâmetros morfológicos, como a distribuição direcional de ramos dendráticos em uma rede e a prevalência de crescimento dendrático paralelo do ramo. Os dados obtidos podem ser usados para detectar alterações estruturais nos dendritos em resposta à atividade neuronal e a estímulos biológicos e farmacológicos.
A morfogênese dendrítica é um assunto central na neurociência, pois a estrutura da árvore dendrítica afeta as propriedades computacionais da integração sináptica nos neurônios1,2,3. Além disso, anormalidades morfológicas e modificações em ramos dendráticos estão implicadas em distúrbios degenerativos e neurodesenvolvimento4,5,6. Nas culturas neuronais onde a ramificação dendrítica pode ser mais facilmente visualizada, as interações entre ramos dendráticos não-irmãos regulam os locais e a extensão do agrupamento sináptico ao longo dos ramos, comportamento que pode afetar a coatividade sináptica e a plasticidade7,8,9. Portanto, a caracterização dos parâmetros morfológicos da árvore dendrítica utilizando culturas neuronais bidimensionais (2D) é vantajosa para a compreensão da morfogênese dendrítica e funcionalidade de redes únicas e de neurônios. No entanto, esta é uma tarefa desafiadora porque os ramos dendráticos formam uma malha complexa mesmo em culturas neuronais 2D “simplificadas”.
Várias ferramentas foram desenvolvidas para rastrear e analisar automaticamente estruturas dendríticas10,11,12,13. No entanto, a maioria dessas ferramentas são projetadas para redes neuronais 3D e são naturalmente muito complexas para usar com redes 2D. Em contraste, ferramentas de análise morfológica menos avançadas normalmente envolvem um componente significativo do trabalho manual assistido por computador, que é muito demorado e suscetível ao viés do operador14. Ferramentas semiautomáticas existentes, como o ‘ImageJ’15 (um pacote de processamento de imagem de código aberto do NIH com uma vasta coleção de ferramentas de análise biológica desenvolvidas pela comunidade), reduzem em grande parte o trabalho manual do usuário. No entanto, algumas intervenções manuais ainda são necessárias durante o processamento da imagem, e a qualidade da segmentação pode ser menor do que desejável.
Este artigo apresenta o SOA, uma ferramenta automatizada simples que permite a segmentação direta e a análise de orientação de ramos dendríticos dentro de redes neuronais 2D. O SOA pode detectar vários objetos semelhantes a linhas em imagens 2D e caracterizar suas propriedades morfológicas. Aqui, utilizamos o SOA para segmentar ramos dendríticos em imagens de fluorescência 2D de redes dendríticas na cultura. O software identifica os ramos dendráticos e realiza com sucesso medições de parâmetros morfológicos, como paralelismo e distribuição espacial. O SOA pode ser facilmente adaptado para a análise de processos celulares de outros tipos celulares e para o estudo de redes não biológicas.
Estratégias eficazes para extrair informações morfológicas de imagens 2D são urgentemente necessárias para acompanhar os dados biológicos de imagem. Embora os dados de imagem possam ser gerados em horas, a análise aprofundada das imagens leva muito tempo. Como resultado, o processamento de imagens tornou-se claramente um grande obstáculo em muitos campos. Isso se deve, em parte, à alta complexidade dos dados, especialmente quando se trata de amostras biológicas. Além disso, como muitos usuários não possuem …
The authors have nothing to disclose.
Os autores gostariam de agradecer ao Dr. Orly Weiss pela preparação das imagens culturais.
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 |