Figura 1. Dise\u00f1o de AMaSiNe para superar los l\u00edmites del an\u00e1lisis de datos de im\u00e1genes cerebrales de ratones convencionales. Cr\u00e9dito: Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea (KAIST) <\/p>\n
Los investigadores de KAIST desarrollaron un nuevo algoritmo para el an\u00e1lisis de datos de im\u00e1genes cerebrales que permite el mapeo preciso y cuantitativo de circuitos neuronales complejos en un atlas de referencia tridimensional estandarizado. <\/p>\n
El an\u00e1lisis de datos de im\u00e1genes cerebrales es indispensable en los estudios de neurociencia. Sin embargo, el an\u00e1lisis de los datos de im\u00e1genes cerebrales obtenidos ha dependido en gran medida del procesamiento manual, lo que no puede garantizar la precisi\u00f3n, consistencia y confiabilidad de los resultados.<\/p>\n
El an\u00e1lisis de datos de im\u00e1genes cerebrales convencionales generalmente comienza con la b\u00fasqueda de un 2-D imagen del atlas del cerebro que es visualmente similar a la imagen del cerebro obtenida experimentalmente. Luego, la regi\u00f3n de inter\u00e9s (ROI) de la imagen del atlas se compara manualmente con la imagen obtenida y se cuenta el n\u00famero de neuronas etiquetadas en el ROI.<\/p>\n
Este proceso de coincidencia visual entre las obtenidas experimentalmente Las im\u00e1genes cerebrales y las im\u00e1genes de atlas cerebrales en 2-D ha sido una de las principales fuentes de error en el an\u00e1lisis de datos de im\u00e1genes cerebrales, ya que el proceso es altamente subjetivo, espec\u00edfico de la muestra y susceptible al error humano. Los procesos de an\u00e1lisis manual de im\u00e1genes cerebrales tambi\u00e9n son laboriosos y, por lo tanto, estudiar la organizaci\u00f3n neuronal tridimensional completa a escala de todo el cerebro es una tarea formidable.<\/p>\n
Para abordar estos problemas, un equipo de investigaci\u00f3n de KAIST dirigido por el profesor Se-Bum Paik, del Departamento de Bioingenier\u00eda y Cerebro, desarroll\u00f3 un nuevo software de an\u00e1lisis de datos de im\u00e1genes cerebrales llamado ‘AMaSiNe (Mapeo 3D automatizado de neuronas individuales)’, y present\u00f3 el algoritmo en la edici\u00f3n del 26 de mayo de Cell Reports.<\/p>\n
Figura 2. Localizaci\u00f3n de im\u00e1genes de cortes cerebrales en el Standard Brain Atlas <\/p>\n
AMaSiNe detecta autom\u00e1ticamente las posiciones de neuronas individuales a partir de m\u00faltiples im\u00e1genes cerebrales y mapea con precisi\u00f3n todos los datos en un espacio de referencia 3D est\u00e1ndar com\u00fan. El algoritmo permite la comparaci\u00f3n directa de datos cerebrales de diferentes animales al hacer coincidir autom\u00e1ticamente caracter\u00edsticas similares de las im\u00e1genes y calcular la puntuaci\u00f3n de similitud de la imagen.<\/p>\n
Esta tecnolog\u00eda de comparaci\u00f3n cuantitativa de imagen a imagen basada en caracter\u00edsticas mejora la precisi\u00f3n , consistencia y confiabilidad de los resultados del an\u00e1lisis utilizando solo una peque\u00f1a cantidad de muestras de im\u00e1genes de cortes cerebrales, y ayuda a estandarizar los an\u00e1lisis de datos de im\u00e1genes cerebrales.<\/p>\n
A diferencia de otros m\u00e9todos de an\u00e1lisis de datos de im\u00e1genes cerebrales existentes, AMaSiNe tambi\u00e9n puede encontrar autom\u00e1ticamente la alineaci\u00f3n condiciones a partir de im\u00e1genes cerebrales distorsionadas y desalineadas, y dibujar un ROI preciso, sin ning\u00fan proceso de validaci\u00f3n manual engorroso.<\/p>\n
Se ha demostrado adem\u00e1s que AMaSiNe produce resultados consistentes con im\u00e1genes de cortes cerebrales te\u00f1idas utilizando varios m\u00e9todos, incluidos DAPI, Nissl, y autofluorescencia.<\/p>\n
Los dos coautores principales de este estudio, Jun Ho Song y Woochul Choi, explotaron estos beneficios de AMaSiNe para investigar la topograf\u00eda o Organizaci\u00f3n de neuronas que se proyectan al \u00e1rea visual primaria (VISp) en varias ROI, como el n\u00facleo geniculado lateral dorsal (LGd), que dif\u00edcilmente podr\u00eda abordarse sin la calibraci\u00f3n y estandarizaci\u00f3n adecuadas de las muestras de im\u00e1genes de cortes de cerebro.<\/p>\n
Estandarizado Cerebro de rat\u00f3n tridimensional. Cr\u00e9dito: Se-Bum Paik, KAIST <\/p>\n
En colaboraci\u00f3n con el grupo del Departamento de Ciencias Biol\u00f3gicas del profesor Seung-Hee Lee, los investigadores observaron con \u00e9xito las proyecciones neuronales topogr\u00e1ficas en 3D al VISp de LGd, y tambi\u00e9n demostraron que estas proyecciones no se pudo observar cuando el \u00e1ngulo de corte no fue correctamente corregido por AMaSiNe. Los resultados sugieren que la correcci\u00f3n precisa de un \u00e1ngulo de corte es esencial para la investigaci\u00f3n de estructuras cerebrales complejas e importantes.<\/p>\n
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 investigaci\u00f3n realizado conjuntamente con el grupo del profesor Yang Dan en UC Berkeley, el algoritmo permiti\u00f3 el an\u00e1lisis 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.<\/p>\n
AMaSiNe es de gran inter\u00e9s para muchos neurocient\u00edficos en Corea y en el extranjero, y est\u00e1 siendo utilizado activamente por otros grupos de investigaci\u00f3n en KAIST, MIT, Harvard, Caltech , y UC San Diego.<\/p>\n
El profesor Paik dijo: \u00abNuestro nuevo algoritmo permite encontrar la organizaci\u00f3n espacial de circuitos neuronales complejos en un atlas de referencia tridimensional estandarizado en una escala de todo el cerebro. Esto traer\u00e1 an\u00e1lisis de datos de im\u00e1genes cerebrales a un nuevo nivel\u00bb.<\/p>\n
Continu\u00f3: \u00abSe pueden lograr conocimientos m\u00e1s profundos para comprender la funci\u00f3n de los circuitos cerebrales al facilitar un an\u00e1lisis m\u00e1s confiable y estandarizado de la organizaci\u00f3n espacial de los circuitos neuronales en varias regiones del cerebro\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
La crisis de reproducibilidad podr\u00eda estar en su software M\u00e1s informaci\u00f3n:<\/strong> Jun Ho Song et al. El mapeo preciso de neuronas individuales mediante la reconstrucci\u00f3n 3D calibrada de cortes de cerebro revela una proyecci\u00f3n topogr\u00e1fica en la corteza visual del rat\u00f3n, Cell Reports (2020). DOI: 10.1016\/j.celrep.2020.107682 Informaci\u00f3n de la revista:<\/strong> Science , Cell Reports <\/p>\n Proporcionado por el Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea (KAIST) Cita<\/strong>: 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 est\u00e1 sujeto a los derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Figura 1. Dise\u00f1o de AMaSiNe para superar los l\u00edmites del an\u00e1lisis de datos de im\u00e1genes cerebrales de ratones convencionales. Cr\u00e9dito: Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea (KAIST) Los investigadores de KAIST desarrollaron un nuevo algoritmo para el an\u00e1lisis de datos de im\u00e1genes cerebrales que permite el mapeo preciso y cuantitativo de circuitos neuronales … Continuar leyendo \u00abRevelaci\u00f3n de redes cerebrales complejas con mapeo neuronal 3D automatizado\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-30159","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/30159","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=30159"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/30159\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=30159"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=30159"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=30159"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}