Identificazione automatica dei rami dendritici e loro orientamento
Summary
Presentato è uno strumento computazionale che consente la misurazione automatica semplice e diretta degli orientamenti dei rami dendritici neuronali da immagini di fluorescenza 2D.
Abstract
La struttura degli alberi dendritici neuronali svolge un ruolo chiave nell’integrazione degli input sinaptici nei neuroni. Pertanto, la caratterizzazione della morfologia dei dendriti è essenziale per una migliore comprensione della funzione neuronale. Tuttavia, la complessità degli alberi dendritici, sia quando isolati che soprattutto quando si trovano all’interno di reti neuronali, non è stata completamente compresa. Abbiamo sviluppato un nuovo strumento computazionale, SOA (Segmentation and Orientation Analysis), che consente la misurazione automatica dell’orientamento dei rami dendritici da immagini a fluorescenza di colture neuronali 2D. SOA, scritto in Python, utilizza la segmentazione per distinguere i rami dendritici dallo sfondo dell’immagine e accumula un database sulla direzione spaziale di ciascun ramo. Il database viene quindi utilizzato per calcolare parametri morfologici come la distribuzione direzionale dei rami dendritici in una rete e la prevalenza della crescita parallela dei rami dendritici. I dati ottenuti possono essere utilizzati per rilevare cambiamenti strutturali nei dendriti in risposta all’attività neuronale e agli stimoli biologici e farmacologici.
Introduction
La morfogenesi dendritica è un argomento centrale nelle neuroscienze, poiché la struttura dell’albero dendritico influenza le proprietà computazionali dell’integrazione sinaptica nei neuroni1,2,3. Inoltre, anomalie morfologiche e modificazioni nei rami dendritici sono implicate in disturbi degenerativi e dello sviluppo neurologico4,5,6. Nelle colture neuronali in cui la ramificazione dendritica può essere visualizzata più facilmente, le interazioni tra rami dendritici non fratelli regolano i siti e l’estensione del clustering sinaptico lungo i rami, un comportamento che può influenzare la coattività sinaptica e la plasticità7,8,9. Pertanto, la caratterizzazione dei parametri morfologici dell’albero dendritico utilizzando colture neuronali bidimensionali (2D) è vantaggiosa per comprendere la morfogenesi dendritica e la funzionalità di singoli e reti di neuroni. Tuttavia, questo è un compito impegnativo perché i rami dendritici formano una rete complessa anche in colture neuronali 2D “semplificate”.
Sono stati sviluppati diversi strumenti per tracciare e analizzare automaticamente le strutture dendritiche10,11,12,13. Tuttavia, la maggior parte di questi strumenti sono progettati per le reti neuronali 3D e sono naturalmente troppo complessi per essere utilizzati con le reti 2D. Al contrario, gli strumenti di analisi morfologica meno avanzati coinvolgono in genere una componente significativa del lavoro manuale assistito da computer, che richiede molto tempo e suscettibile alla distorsione dell’operatore14. Gli strumenti semi-automatici esistenti, come “ImageJ”15 (un pacchetto di elaborazione delle immagini open source NIH con una vasta collezione di strumenti di analisi delle immagini biologiche sviluppati dalla comunità), riducono in gran parte il lavoro manuale dell’utente. Tuttavia, alcuni interventi manuali sono ancora necessari durante l’elaborazione delle immagini e la qualità della segmentazione può essere inferiore a quella desiderabile.
Questo documento presenta la SOA, un semplice strumento automatizzato che consente la segmentazione diretta e l’analisi dell’orientamento dei rami dendritici all’interno di reti neuronali 2D. La SOA è in grado di rilevare vari oggetti simili a linee in immagini 2D e caratterizzarne le proprietà morfologiche. Qui, abbiamo usato la SOA per segmentare i rami dendritici in immagini di fluorescenza 2D di reti dendritiche in coltura. Il software identifica i rami dendritici ed esegue con successo misurazioni di parametri morfologici come il parallelismo e la distribuzione spaziale. La SOA può essere facilmente adattata per l’analisi di processi cellulari di altri tipi cellulari e per lo studio di reti non biologiche.
Protocol
Representative Results
Discussion
Sono urgentemente necessarie strategie efficaci per estrarre informazioni morfologiche da immagini 2D per tenere il passo con i dati di imaging biologico. Sebbene i dati di imaging possano essere generati in poche ore, l’analisi approfondita delle immagini richiede molto tempo. Di conseguenza, l’elaborazione delle immagini è chiaramente diventata un grosso ostacolo in molti campi. Ciò è dovuto in parte all’elevata complessità dei dati, soprattutto quando si tratta di campioni biologici. Inoltre, poiché molti utenti …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Gli autori desiderano ringraziare il Dr. Orly Weiss per la preparazione delle immagini della cultura.
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).
