El rastreo neuronal , o reconstrucción neuronal, es una técnica utilizada en neurociencia para determinar la vía de las neuritas o procesos neuronales, los axones y dendritas , de una neurona . Desde el punto de vista de la preparación de la muestra, puede referirse a algunas de las siguientes técnicas, así como a otras técnicas de etiquetado genético de neuronas:
- Trazado anterógrado , para marcar desde el cuerpo celular hasta la sinapsis;
- Rastreo retrógrado , para etiquetar desde la sinapsis hasta el cuerpo celular;
- Rastreo neuronal viral , para una técnica que se puede utilizar para marcar en cualquier dirección;
- Seguimiento manual de imágenes neuronales.
En un sentido amplio, el rastreo de neuronas se relaciona más a menudo con la reconstrucción digital de la morfología de una neurona a partir de los datos de imágenes de las muestras anteriores.
Reconstrucción neuronal digital y rastreo neuronal
La reconstrucción digital o el rastreo de la morfología neuronal es una tarea fundamental en la neurociencia computacional. [1] [2] [3] También es fundamental para mapear circuitos neuronales basados en imágenes microscópicas avanzadas, generalmente basadas en microscopía óptica (por ejemplo, microscopía de barrido láser, imágenes de campo brillante) o microscopía electrónica u otros métodos. Debido a la alta complejidad de la morfología de las neuronas y a la presencia de mucho ruido en estas imágenes, así como a la enorme cantidad de datos de imagen que se encuentran típicamente, se ha considerado una de las tareas computacionales más desafiantes para la neurociencia computacional. Se han propuesto muchos métodos basados en análisis de imágenes para rastrear la morfología de las neuronas, generalmente en 3D, de forma manual, semiautomática o completamente automática. Normalmente hay dos pasos de procesamiento: generación y edición de prueba de una reconstrucción. [4] [5]
Historia
La necesidad de describir o reconstruir la morfología de una neurona probablemente comenzó en los primeros días de la neurociencia, cuando las neuronas se etiquetaban o visualizaban utilizando los métodos de Golgi . Muchos de los tipos de neuronas conocidos, como las neuronas piramidales y las células Chandelier , se describieron en función de su caracterización morfológica.
El primer sistema de reconstrucción de neuronas asistido por computadora, ahora conocido como Neurolucida , fue desarrollado por el Dr. Edmund Glaser y el Dr. Hendrik Van der Loos en la década de 1960. [6]
Los enfoques modernos para rastrear una neurona comenzaron cuando se adquirieron imágenes digitalizadas de neuronas utilizando microscopios. Inicialmente esto se hizo en 2D. Poco después de las imágenes 3D avanzadas, especialmente las imágenes de fluorescencia y las imágenes de microscopio electrónico , hubo una gran demanda de rastrear la morfología de las neuronas a partir de estos datos de imágenes.
Métodos
Las neuronas a menudo se pueden rastrear manualmente en 2D o 3D. Para hacerlo, se puede pintar directamente la trayectoria de los procesos neuronales en secciones 2D individuales de un volumen de imagen 3D y lograr conectarlas, o usar la pintura de dedos virtual 3D que convierte directamente cualquier trayectoria pintada en 2D en una imagen de proyección en 3D real. Procesos neuronales. La principal limitación del rastreo manual de neuronas es la enorme cantidad de trabajo en el trabajo.
Las reconstrucciones automatizadas de neuronas se pueden hacer usando modelos (por ejemplo, esferas o tubos) ajustados y marchando, [7] poda de sobre-reconstrucción, [8] conexión de costo mínimo de puntos clave, explosión de rayos y muchos otros. [9] La esqueletización es un paso crítico en la reconstrucción neuronal automatizada, pero en el caso de la poda total y sus variantes [10] se combina con la estimación de los parámetros del modelo (por ejemplo, diámetros de tubos). La principal limitación del rastreo automático es la falta de precisión, especialmente cuando la morfología de la neurona es complicada o la imagen tiene una cantidad sustancial de ruido.
El rastreo de neuronas semiautomatizado a menudo depende de dos estrategias. Una es ejecutar el rastreo de neuronas completamente automatizado seguido de la curación manual de tales reconstrucciones. La forma alternativa es producir algún conocimiento previo, como las ubicaciones de los terminales de una neurona, con el que una neurona se puede rastrear más fácilmente de forma automática. A menudo se piensa que el rastreo semiautomático es una solución equilibrada que tiene un costo de tiempo aceptable y una precisión de reconstrucción razonablemente buena. El software de código abierto Vaa3D -Neuron, Neurolucida 360 , Imaris Filament Tracer y Aivia proporcionan ambas categorías de métodos.
Se cree que el rastreo de imágenes de microscopía electrónica es más desafiante que el rastreo de imágenes de microscopía óptica, mientras que este último sigue siendo bastante difícil, según la competencia DIADEM . [11] Para rastrear datos de microscopía electrónica, el rastreo manual se utiliza con más frecuencia que los métodos alternativos automatizados o semiautomatizados. [12] Para rastrear datos de microscopía óptica, se utilizan más veces los métodos automatizados o semiautomatizados.
Dado que el rastreo de imágenes de microscopía electrónica lleva una cantidad considerable de tiempo, el software colaborativo de rastreo manual es útil. El crowdsourcing es una forma alternativa de recopilar de manera eficaz los resultados de la reconstrucción manual colaborativa para tales conjuntos de datos de imágenes. [13]
Herramientas y software
Se encuentran disponibles varias herramientas de rastreo de neuronas, especialmente paquetes de software. Un paquete completo de software de código abierto que contiene la implementación de una serie de métodos de rastreo de neuronas desarrollados en diferentes grupos de investigación, así como muchas funciones de utilidades neuronales, como medición cuantitativa, análisis sintáctico, comparación, es Vaa3D y sus módulos Vaa3D-Neuron . Algunas otras herramientas gratuitas como NeuronStudio también proporcionan una función de rastreo basada en métodos específicos. Los neurocientíficos también utilizan herramientas comerciales como Neurolucida , Neurolucida 360 , Aivia , Amira, etc. para rastrear y analizar neuronas. Estudios recientes muestran que Neurolucida se cita más de 7 veces más que todos los demás programas de rastreo de neuronas disponibles combinados, [14] y también es el sistema más utilizado y versátil para producir reconstrucción neuronal. [15] El proyecto BigNeuron (https://alleninstitute.org/bigneuron/about/) [16] es un esfuerzo de colaboración internacional sustancial reciente para integrar la mayoría de las herramientas conocidas de rastreo de neuronas en una plataforma común para facilitar el código abierto, de fácil acceso de varias herramientas en un solo lugar. Gracias a este esfuerzo, se han producido nuevas y potentes herramientas como UltraTracer [17], que pueden rastrear un volumen de imagen arbitrariamente grande.
Formatos y bases de datos de neuronas
Las reconstrucciones de neuronas individuales se pueden almacenar en varios formatos. Esto depende en gran medida del software que se haya utilizado para rastrear dichas neuronas. El formato SWC, que consta de varios compartimentos estructurales conectados topológicamente (por ejemplo, un solo tubo o esfera), se utiliza a menudo para almacenar neuronas trazadas digitalmente, especialmente cuando la morfología carece o no necesita modelos de forma 3D detallados para compartimentos individuales. Otros formatos de neuronas más sofisticados tienen modelos geométricos separados del cuerpo celular de la neurona y los procesos neuronales utilizando Neurolucida [18] [19] [20] entre otros.
Hay algunas bases de datos comunes de reconstrucción de neuronas únicas. Una base de datos ampliamente utilizada es http://NeuroMorpho.Org [21], que contiene más de 86.000 morfología neuronal de más de 40 especies aportadas en todo el mundo por varios laboratorios de investigación. El Instituto Allen de Ciencias del Cerebro , el Campus de Investigación Janelia del HHMI y otros institutos también están generando bases de datos de neuronas individuales a gran escala. También existen muchas bases de datos de datos de neuronas relacionadas a diferentes escalas .
Referencias
- ^ Peng, Hanchuan; Roysam, Badri; Ascoli, Giorgio (2013). "La computación de imágenes automatizada reforma la neurociencia computacional" . BMC Bioinformática . 14 : 293. doi : 10.1186 / 1471-2105-14-293 . PMC 3853071 . PMID 24090217 .
- ^ Meijering, Erik (2010). "Seguimiento de neuronas en perspectiva". Citometría de la Parte A . 77 (7): 693–704. CiteSeerX 10.1.1.623.3000 . doi : 10.1002 / cyto.a.20895 . PMID 20583273 . S2CID 14047936 .
- ^ Schwartz E (1990). Neurociencia computacional . Cambridge, Mass: MIT Press. ISBN 978-0-262-19291-0.
- ^ Peng, H., Long, F., Zhao, T. y Myers, EW (2011). "La corrección de pruebas es el cuello de botella de la reconstrucción de neuronas 3D: el problema y las soluciones". Neuroinformática . 9 (2-3): 103-105. doi : 10.1007 / s12021-010-9090-x . PMID 21170608 . S2CID 4995280 .
- ^ Peng, H., Tang, J., Xiao, H., Bria, A .; et al. (2014). "El dedo virtual aumenta la obtención de imágenes tridimensionales y la microcirugía, así como la visualización y el análisis de imágenes de volumen de terabytes" . Comunicaciones de la naturaleza . 5 : 4342. doi : 10.1038 / ncomms5342 . PMC 4104457 . PMID 25014658 .
- ^ Glaser, EM; Vanderloos, H. (1 de enero de 1965). "Un microscopio informático semiautomático para el análisis de la morfología neuronal". Transacciones IEEE sobre Ingeniería Biomédica . 12 : 22–31. doi : 10.1109 / TBME.1965.4502337 . ISSN 0018-9294 . PMID 14291539 .
- ^ Al-Kofahi, KA; et al. (2002). "Rastreo tridimensional automatizado rápido de neuronas a partir de pilas de imágenes confocales". IEEE Trans. Inf. Technol. Biomed . 6 (2): 171–187. CiteSeerX 10.1.1.57.9339 . doi : 10.1109 / titb.2002.1006304 . PMID 12075671 . S2CID 12413677 .
- ^ Peng, H .; et al. (2011). "Seguimiento automático de neuronas en 3D mediante poda total" . Bioinformática . 27 (13): i239 – i247. doi : 10.1093 / bioinformatics / btr237 . PMC 3117353 . PMID 21685076 .
- ^ Rodríguez, A .; et al. (2009). "Rastreo de neuronas tridimensionales por voxel scooping" . J. Neurosci. Métodos . 184 (1): 169-175. doi : 10.1016 / j.jneumeth.2009.07.021 . PMC 2753723 . PMID 19632273 .
- ^ Xiao, H; et al. (2013). "APP2: seguimiento automático de la morfología de neuronas 3D basado en la poda jerárquica de árboles de distancia de imágenes ponderadas en gris" . Bioinformática . 29 (11): 1448-1454. doi : 10.1093 / bioinformatics / btt170 . PMC 3661058 . PMID 23603332 .
- ^ Liu, Y (2011). "La DIADEM y más allá" . Neuroinformática . 9 (2-3): 99-102. doi : 10.1007 / s12021-011-9102-5 . PMID 21431331 .
- ^ Helmstaedter M, Briggman KL, Denk W (2011). "Reconstrucción de neuritas de alta precisión para neuroanatomía de alto rendimiento" . Nat Neurosci . 14 (8): 1081–1088. doi : 10.1038 / nn.2868 . PMID 21743472 . S2CID 17795934 .
- ^ Kim; et al. (2014). "La especificidad del cableado espacio-temporal apoya la selectividad de dirección en la retina" . Naturaleza . 509 (7500): 331–336. doi : 10.1038 / nature13240 . PMC 4074887 . PMID 24805243 .
- ^ Halavi, Maryam; Hamilton, Kelly A .; Parekh, Ruchi; Ascoli, Giorgio A. (1 de enero de 2012). "Reconstrucciones digitales de morfología neuronal: tres décadas de tendencias de investigación" . Fronteras en neurociencia . 6 : 49. doi : 10.3389 / fnins.2012.00049 . ISSN 1662-453X . PMC 3332236 . PMID 22536169 .
- ^ Aguiar, Paulo; Sousa, Mafalda; Szucs, Peter (14 de junio de 2013). "Visualización y análisis morfométrico versátil de la estructura tridimensional de las neuronas". Neuroinformática . 11 (4): 393–403. doi : 10.1007 / s12021-013-9188-z . ISSN 1539-2791 . PMID 23765606 . S2CID 16591493 .
- ^ Peng, Hanchuan; Hawrylycz, Michael; Roskams, Jane (15 de julio de 2015). "BigNeuron: reconstrucción de neuronas 3D a gran escala a partir de imágenes de microscopía óptica" . Neurona . 87 (2): 252-256. doi : 10.1016 / j.neuron.2015.06.036 . PMC 4725298 . PMID 26182412 .
- ^ Peng, Hanchuan; Zhou, Zhi; Meijering, Erik (2016). "Seguimiento automático de ultravolumen de imágenes neuronales". bioRxiv 10.1101 / 087726 .
- ^ Bianchi, Serena; Stimpson, Cheryl D .; Bauernfeind, Amy L .; Schapiro, Steven J .; Baze, Wallace B .; McArthur, Mark J .; Bronson, Ellen; Hopkins, William D .; Semendeferi, Katerina (1 de octubre de 2013). "Morfología dendrítica de las neuronas piramidales en el neocórtex del chimpancé: especializaciones regionales y comparación con los humanos" . Corteza cerebral . 23 (10): 2429–2436. doi : 10.1093 / cercor / bhs239 . ISSN 1047-3211 . PMC 3767963 . PMID 22875862 .
- ^ Silberberg, Gilad; Markram, Henry (1 de marzo de 2007). "Inhibición disináptica entre células piramidales neocorticales mediada por células de Martinotti" . Neurona . 53 (5): 735–746. doi : 10.1016 / j.neuron.2007.02.012 . ISSN 0896-6273 . PMID 17329212 . S2CID 15624023 .
- ^ Bianchi, Serena; Bauernfeind, Amy L .; Gupta, Kanika; Stimpson, Cheryl D .; Spocter, Muhammad A .; Bonar, Christopher J .; Manger, Paul R .; Hof, Patrick R .; Jacobs, Bob (1 de abril de 2011). "Morfología de la neurona neocortical en Afrotheria: comparando el hyrax de roca con el elefante africano". Anales de la Academia de Ciencias de Nueva York . 1225 : 37–46. doi : 10.1111 / j.1749-6632.2011.05991.x . ISSN 1749-6632 . PMID 21534991 . S2CID 18281955 .
- ^ Ascoli GA, Donohue DE, Halavi M (2007). "NeuroMorpho.Org - un recurso central para morfologías neuronales" . J Neurosci . 27 (35): 9247–9251. doi : 10.1523 / jneurosci.2055-07.2007 . PMC 6673130 . PMID 17728438 .