Identificación automática de ramas dendríticas y su orientación
Summary
Presented es una herramienta computacional que permite la medición automática simple y directa de las orientaciones de las ramas dendríticas neuronales a partir de imágenes de fluorescencia 2D.
Abstract
La estructura de los árboles dendríticos neuronales juega un papel clave en la integración de las entradas sinápticas en las neuronas. Por lo tanto, la caracterización de la morfología de las dendritas es esencial para una mejor comprensión de la función neuronal. Sin embargo, la complejidad de los árboles dendríticos, tanto cuando están aislados como especialmente cuando se encuentran dentro de las redes neuronales, no se ha entendido completamente. Desarrollamos una nueva herramienta computacional, SOA (Segmentation and Orientation Analysis), que permite la medición automática de la orientación de ramas dendríticas a partir de imágenes de fluorescencia de cultivos neuronales 2D. SOA, escrito en Python, utiliza la segmentación para distinguir las ramas dendríticas del fondo de la imagen y acumula una base de datos sobre la dirección espacial de cada rama. La base de datos se utiliza para calcular parámetros morfológicos como la distribución direccional de las ramas dendríticas en una red y la prevalencia del crecimiento paralelo de ramas dendríticas. Los datos obtenidos pueden utilizarse para detectar cambios estructurales en las dendritas en respuesta a la actividad neuronal y a estímulos biológicos y farmacológicos.
Introduction
La morfogénesis dendrítica es un tema central en neurociencia, ya que la estructura del árbol dendrítico afecta a las propiedades computacionales de la integración sináptica en las neuronas1,2,3. Además, las anomalías morfológicas y las modificaciones en las ramas dendríticas están implicadas en trastornos degenerativos y del desarrollo neurológico4,5,6. En cultivos neuronales donde la ramificación dendrítica se puede visualizar más fácilmente, las interacciones entre ramas dendríticas no hermanas regulan los sitios y la extensión de la agrupación sináptica a lo largo de las ramas, un comportamiento que puede afectar la coactividad sináptica y la plasticidad7,8,9. Por lo tanto, la caracterización de los parámetros morfológicos del árbol dendrítico utilizando cultivos neuronales bidimensionales (2D) es ventajosa para comprender la morfogénesis dendrítica y la funcionalidad de neuronas individuales y redes de neuronas. Sin embargo, esta es una tarea desafiante porque las ramas dendríticas forman una malla compleja incluso en cultivos neuronales 2D “simplificados”.
Se han desarrollado varias herramientas para rastrear y analizar automáticamente las estructuras dendríticas10,11,12,13. Sin embargo, la mayoría de estas herramientas están diseñadas para redes neuronales 3D y son naturalmente demasiado complejas para usarlas con redes 2D. Por el contrario, las herramientas de análisis morfológico menos avanzadas suelen implicar un componente significativo del trabajo manual asistido por ordenador, que consume mucho tiempo y es susceptible al sesgo del operador14. Las herramientas semiautomáticas existentes, como ‘ImageJ’15 (un paquete de procesamiento de imágenes de código abierto de los NIH con una vasta colección de herramientas de análisis de imágenes biológicas desarrolladas por la comunidad), reducen en gran medida el trabajo manual del usuario. Sin embargo, todavía se necesitan algunas intervenciones manuales durante el procesamiento de imágenes, y la calidad de la segmentación puede ser menos que deseable.
En este trabajo se presenta el SOA, una sencilla herramienta automatizada que permite la segmentación directa y el análisis de orientación de ramas dendríticas dentro de redes neuronales 2D. El SOA puede detectar varios objetos en forma de línea en imágenes 2D y caracterizar sus propiedades morfológicas. Aquí, utilizamos el SOA para segmentar ramas dendríticas en imágenes de fluorescencia 2D de redes dendríticas en cultivo. El software identifica las ramas dendríticas y realiza con éxito mediciones de parámetros morfológicos como el paralelismo y la distribución espacial. El SOA se puede adaptar fácilmente para el análisis de procesos celulares de otros tipos de células y para el estudio de redes no biológicas.
Protocol
Representative Results
Discussion
Se requieren urgentemente estrategias efectivas para extraer información morfológica de imágenes 2D para mantenerse al día con los datos de imágenes biológicas. Aunque los datos de imágenes se pueden generar en horas, el análisis en profundidad de las imágenes lleva mucho tiempo. Como resultado, el procesamiento de imágenes se ha convertido claramente en un obstáculo importante en muchos campos. Esto se debe en parte a la alta complejidad de los datos, especialmente cuando se trata de muestras biológicas. Ade…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Los autores desean agradecer al Dr. Orly Weiss por la preparación de las imágenes culturales.
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).
