Les dendrites sont des compartiments neuronaux spécialisés qui reçoivent et traitent l’entrée sensorielle et synaptique. La structure complexe et stéréotypée des arborescences dendritiques fait l’objet d’une intense enquête depuis leur découverte. Un certain nombre de systèmes modèles, y compris les neurones tecattiques optiques Xenopus, les cellules ganglionnaires rétiniennes de poussins et les neurones d’arborescence dendritique (da) dans le système Drosophila, ont été mis en place pour étudier le développement, le remodelage et la plasticité des dendrites neuronales^1,2,3,4. Les neurones latéraux ventral de Drosophila (LNvs) sont un groupe de neurones de projection visuelle initialement identifiés pour leurs fonctions importantes dans la régulation circadienne des comportements de mouche^5. Des études ont également révélé le rôle des LNv larvaires comme cible postsynaptique directe des photorécepteurs larvaires (PR)^6,7. Il est important de noter que la culture de larves en développement dans différents régimes de lumière affecte fortement la taille des arborescences dendritiques de LNvs, démontrant l’adéquation des LNvs en tant que nouveau modèle pour l’étude de la plasticité dendritique⁷. Les travaux récents de notre groupe indiquent en outre que la taille de la dendrite LNv et le comportement dynamique des branches dendritiques affichent l’expérience-dépendance plasticité^8,9. Dans le cadre de ces travaux, nous avons mis au point un nouveau protocole d’imagerie et de quantification en direct pour effectuer des analyses sur la dynamique dendrite des LNv à partir de 2^nd ou 3^rd instar larves.

La nature transparente du cerveau larvaire Drosophila le rend idéal pour l’imagerie en direct. Cependant, les arborescences dendritiques des LNv sont situées dans le neuropil optique larvaire densément innervé (LON) au centre du lobe du cerveau larvaire⁶. Pour capturer des images de branches fines de dendrite et de filopodia dans le tissu cérébral intact, nous utilisons la microscopie à deux photons, qui augmente la profondeur de pénétration de la lumière et réduit la phototoxicité lors d’expériences d’imagerie en direct¹⁰. En utilisant cette configuration, nous avons effectué avec succès des expériences d’imagerie en direct sur les LNv pendant plus de 30 min sans observer la détérioration morphologique évidente du neurone. En outre, les manipulations génétiques utilisant la technique Flip-out nous ont permis d’étiqueter les LNvs individuels avec une membrane marquée GFP, qui est également critique pour surveiller les mouvements des branches individuelles^11,12,13 .

Pour capturer le comportement dynamique de toutes les branches de l’arborescence dendritique LNv avec une résolution optique optimale, nous avons effectué l’imagerie 3D time-lapse sur des explants de cerveau larvaire fraîchement disséqués avec une haute résolution spatiale à 1 min par cadre pendant 10 à 30 min. Développer LNvv. Les dendrites sont très dynamiques, avec un grand pourcentage des branches affichant des changements observables dans la fenêtre de 10 min. Cela conduit à l’un des principaux défis techniques dans l’étude de la dynamique des dendrites, quantifiant le comportement des branches à partir des ensembles de données d’image 4D. Les méthodes précédemment établies ont diverses limitations, y compris le manque d’exactitude et l’exigence excessive de temps. Par conséquent, nous avons développé une méthode semi-automatique qui combine le post-traitement d’image, le marquage manuel des terminaux de branche, et le traçage 4D automatique de tache utilisant un logiciel d’annotation d’image. Nous calculons les mouvements des terminaux de branche à différents points de temps en fonction des coordonnées 3D des taches. Les données sont ensuite exportées et analysées pour produire des mesures quantitatives de la dynamique des branches. Cette méthode évalue avec précision la durée et l’étendue des événements d’extension et de rétraction des branches existantes, ainsi que la formation de nouvelles branches, ce qui nous permet de surveiller la dynamique des dendrites dans un grand nombre de neurones.