Identification automatique des branches dendritiques et de leur orientation
Summary
Présenté est un outil de calcul qui permet une mesure automatique simple et directe des orientations des branches dendritiques neuronales à partir d’images de fluorescence 2D.
Abstract
La structure des arbres dendritiques neuronaux joue un rôle clé dans l’intégration des entrées synaptiques dans les neurones. Par conséquent, la caractérisation de la morphologie des dendrites est essentielle pour une meilleure compréhension de la fonction neuronale. Cependant, la complexité des arbres dendritiques, à la fois lorsqu’ils sont isolés et surtout lorsqu’ils sont situés dans des réseaux neuronaux, n’a pas été complètement comprise. Nous avons développé un nouvel outil de calcul, SOA (Segmentation and Orientation Analysis), qui permet de mesurer automatiquement l’orientation des branches dendritiques à partir d’images de fluorescence de cultures neuronales 2D. SOA, écrit en Python, utilise la segmentation pour distinguer les branches dendritiques de l’arrière-plan de l’image et accumule une base de données sur la direction spatiale de chaque branche. La base de données est ensuite utilisée pour calculer des paramètres morphologiques tels que la distribution directionnelle des branches dendritiques dans un réseau et la prévalence de la croissance des branches dendritiques parallèles. Les données obtenues peuvent être utilisées pour détecter des changements structurels dans les dendrites en réponse à l’activité neuronale et aux stimuli biologiques et pharmacologiques.
Introduction
La morphogenèse dendritique est un sujet central en neurosciences, car la structure de l’arbre dendritique affecte les propriétés computationnelles de l’intégration synaptique dans les neurones1,2,3. De plus, des anomalies morphologiques et des modifications dans les branches dendritiques sont impliquées dans les troubles dégénératifs et neuro-développementaux4,5,6. Dans les cultures neuronales où la ramification dendritique peut être plus facilement visualisée, les interactions entre les branches dendritiques non sœurs régulent les sites et l’étendue du regroupement synaptique le long des branches, un comportement qui peut affecter la coactivité synaptique et la plasticité7,8,9. Par conséquent, la caractérisation des paramètres morphologiques de l’arbre dendritique à l’aide de cultures neuronales bidimensionnelles (2D) est avantageuse pour comprendre la morphogenèse dendritique et la fonctionnalité des neurones uniques et des réseaux de neurones. Pourtant, c’est une tâche difficile car les branches dendritiques forment un maillage complexe, même dans les cultures neuronales 2D « simplifiées ».
Plusieurs outils ont été développés pour tracer et analyser automatiquement les structures dendritiques10,11,12,13. Cependant, la plupart de ces outils sont conçus pour les réseaux neuronaux 3D et sont naturellement trop complexes pour être utilisés avec des réseaux 2D. En revanche, les outils d’analyse morphologique moins avancés impliquent généralement une composante importante du travail manuel assisté par ordinateur, qui prend beaucoup de temps et est sensible au biais de l’opérateur14. Les outils semi-automatiques existants, tels que « ImageJ»15 (un package de traitement d’image open source des NIH avec une vaste collection d’outils d’analyse d’images biologiques développés par la communauté), réduisent considérablement le travail manuel de l’utilisateur. Cependant, certaines interventions manuelles sont encore nécessaires pendant le traitement de l’image, et la qualité de la segmentation peut être moins que souhaitable.
Cet article présente le SOA, un outil automatisé simple qui permet la segmentation directe et l’analyse d’orientation des branches dendritiques au sein des réseaux neuronaux 2D. La SOA peut détecter divers objets ressemblant à des lignes dans des images 2D et caractériser leurs propriétés morphologiques. Ici, nous avons utilisé la SOA pour segmenter les branches dendritiques dans des images de fluorescence 2D de réseaux dendritiques en culture. Le logiciel identifie les branches dendritiques et effectue avec succès des mesures de paramètres morphologiques tels que le parallélisme et la distribution spatiale. La SOA peut être facilement adaptée pour l’analyse des processus cellulaires d’autres types de cellules et pour l’étude des réseaux non biologiques.
Protocol
Representative Results
Discussion
Des stratégies efficaces pour extraire des informations morphologiques à partir d’images 2D sont nécessaires de toute urgence pour suivre le rythme des données d’imagerie biologique. Bien que les données d’imagerie puissent être générées en quelques heures, l’analyse approfondie des images prend beaucoup de temps. En conséquence, le traitement de l’image est clairement devenu un obstacle majeur dans de nombreux domaines. Cela est dû en partie à la grande complexité des données, en particulier lors…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Les auteurs tiennent à remercier le Dr Orly Weiss pour la préparation des images de culture.
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 |
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).
