Revelación de redes cerebrales complejas con mapeo neuronal 3D automatizado
Figura 1. Diseño de AMaSiNe para superar los límites del análisis de datos de imágenes cerebrales de ratones convencionales. Crédito: Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST)
Los investigadores de KAIST desarrollaron un nuevo algoritmo para el análisis de datos de imágenes cerebrales que permite el mapeo preciso y cuantitativo de circuitos neuronales complejos en un atlas de referencia tridimensional estandarizado.
El análisis de datos de imágenes cerebrales es indispensable en los estudios de neurociencia. Sin embargo, el análisis de los datos de imágenes cerebrales obtenidos ha dependido en gran medida del procesamiento manual, lo que no puede garantizar la precisión, consistencia y confiabilidad de los resultados.
El análisis de datos de imágenes cerebrales convencionales generalmente comienza con la búsqueda de un 2-D imagen del atlas del cerebro que es visualmente similar a la imagen del cerebro obtenida experimentalmente. Luego, la región de interés (ROI) de la imagen del atlas se compara manualmente con la imagen obtenida y se cuenta el número de neuronas etiquetadas en el ROI.
Este proceso de coincidencia visual entre las obtenidas experimentalmente Las imágenes cerebrales y las imágenes de atlas cerebrales en 2-D ha sido una de las principales fuentes de error en el análisis de datos de imágenes cerebrales, ya que el proceso es altamente subjetivo, específico de la muestra y susceptible al error humano. Los procesos de análisis manual de imágenes cerebrales también son laboriosos y, por lo tanto, estudiar la organización neuronal tridimensional completa a escala de todo el cerebro es una tarea formidable.
Para abordar estos problemas, un equipo de investigación de KAIST dirigido por el profesor Se-Bum Paik, del Departamento de Bioingeniería y Cerebro, desarrolló un nuevo software de análisis de datos de imágenes cerebrales llamado ‘AMaSiNe (Mapeo 3D automatizado de neuronas individuales)’, y presentó el algoritmo en la edición del 26 de mayo de Cell Reports.
Figura 2. Localización de imágenes de cortes cerebrales en el Standard Brain Atlas
AMaSiNe detecta automáticamente las posiciones de neuronas individuales a partir de múltiples imágenes cerebrales y mapea con precisión todos los datos en un espacio de referencia 3D estándar común. El algoritmo permite la comparación directa de datos cerebrales de diferentes animales al hacer coincidir automáticamente características similares de las imágenes y calcular la puntuación de similitud de la imagen.
Esta tecnología de comparación cuantitativa de imagen a imagen basada en características mejora la precisión , consistencia y confiabilidad de los resultados del análisis utilizando solo una pequeña cantidad de muestras de imágenes de cortes cerebrales, y ayuda a estandarizar los análisis de datos de imágenes cerebrales.
A diferencia de otros métodos de análisis de datos de imágenes cerebrales existentes, AMaSiNe también puede encontrar automáticamente la alineación condiciones a partir de imágenes cerebrales distorsionadas y desalineadas, y dibujar un ROI preciso, sin ningún proceso de validación manual engorroso.
Se ha demostrado además que AMaSiNe produce resultados consistentes con imágenes de cortes cerebrales teñidas utilizando varios métodos, incluidos DAPI, Nissl, y autofluorescencia.
Los dos coautores principales de este estudio, Jun Ho Song y Woochul Choi, explotaron estos beneficios de AMaSiNe para investigar la topografía o Organización de neuronas que se proyectan al área visual primaria (VISp) en varias ROI, como el núcleo geniculado lateral dorsal (LGd), que difícilmente podría abordarse sin la calibración y estandarización adecuadas de las muestras de imágenes de cortes de cerebro.
Estandarizado Cerebro de ratón tridimensional. Crédito: Se-Bum Paik, KAIST
En colaboración con el grupo del Departamento de Ciencias Biológicas del profesor Seung-Hee Lee, los investigadores observaron con éxito las proyecciones neuronales topográficas en 3D al VISp de LGd, y también demostraron que estas proyecciones no se pudo observar cuando el ángulo de corte no fue correctamente corregido por AMaSiNe. Los resultados sugieren que la corrección precisa de un ángulo de corte es esencial para la investigación de estructuras cerebrales complejas e importantes.
AMaSiNe es ampliamente aplicable en los estudios de varias regiones del cerebro y otras condiciones experimentales. Por ejemplo, en el estudio anterior del equipo de investigación realizado conjuntamente con el grupo del profesor Yang Dan en UC Berkeley, el algoritmo permitió el análisis preciso de los subconjuntos neuronales en la sustancia negra y sus proyecciones a todo el cerebro. Sus hallazgos se publicaron en Science el 24 de enero.
AMaSiNe es de gran interés para muchos neurocientíficos en Corea y en el extranjero, y está siendo utilizado activamente por otros grupos de investigación en KAIST, MIT, Harvard, Caltech , y UC San Diego.
El profesor Paik dijo: «Nuestro nuevo algoritmo permite encontrar la organización espacial de circuitos neuronales complejos en un atlas de referencia tridimensional estandarizado en una escala de todo el cerebro. Esto traerá análisis de datos de imágenes cerebrales a un nuevo nivel».
Continuó: «Se pueden lograr conocimientos más profundos para comprender la función de los circuitos cerebrales al facilitar un análisis más confiable y estandarizado de la organización espacial de los circuitos neuronales en varias regiones del cerebro».
Explore más
La crisis de reproducibilidad podría estar en su software Más información: Jun Ho Song et al. El mapeo preciso de neuronas individuales mediante la reconstrucción 3D calibrada de cortes de cerebro revela una proyección topográfica en la corteza visual del ratón, Cell Reports (2020). DOI: 10.1016/j.celrep.2020.107682 Información de la revista: Science , Cell Reports
Proporcionado por el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) Cita: Unraveling redes cerebrales complejas con mapeo neuronal tridimensional automatizado (8 de junio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-unravelling-complex-brain-networks-automated.html Este documento está sujeto a los derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.