Entwirren komplexe Gehirn-Netzwerke mit automatisierten 3-D-mapping neural

KAIST-Forscher entwickelten einen neuen Algorithmus für das brain-imaging-Daten-Analyse ermöglicht die genaue und quantitative Zuordnung der komplexen neuronalen schaltkreise auf eine standardisierte 3-D-Referenz-atlas.

Brain imaging-Daten-Analyse ist unverzichtbar in den Studien der Neurowissenschaften. Jedoch, Analyse der ermittelten bildgebenden Daten ist stark abhängig von der manuellen Verarbeitung, die keine Garantie für die Genauigkeit, Konsistenz und Zuverlässigkeit der Ergebnisse.

Konventionellen bildgebenden Daten-Analyse beginnt in der Regel mit der Suche nach einem 2-D-Gehirn-atlas Bild, das visuell ähnlich zu dem experimentell erhaltenen Gehirn Bild. Dann ist der region-of-interest (ROI) des atlas-Bild verglichen wird manuell mit dem erhaltenen Bild, und die Anzahl von Neuronen gekennzeichnet, die in der ROI gezählt.

Eine solche visuelle matching-Prozess zwischen experimentell gewonnenen Gehirn Bilder und 2-D-Gehirn-atlas-Bilder wurde eine der wichtigsten Fehlerquellen in brain imaging-Daten-Analyse, wie der Prozess ist höchst subjektiv, sample-spezifisch, und anfällig für menschliche Fehler ist. Die manuelle Analyse von Prozessen ist für das Gehirn auch die Bilder sind aufwändig, und damit das Studium der kompletten 3-D neuronalen Organisation auf eine ganz-Hirn-Skala ist eine gewaltige Aufgabe.

Um diese Probleme anzugehen, eine KAIST research-team unter Leitung von Professor Se-Bum Paik von der Abteilung “ Bio “ und “ Brain Engineering entwickelt neue brain-imaging-Daten-Analyse-software mit dem Namen ‚AMaSiNe (Automatisierte 3-D-Mapping von Einzelnen Neuronen)‘, und führte den Algorithmus in der Mai-26-Ausgabe von Cell Reports.

AMaSiNe erkennt automatisch die Positionen der einzelnen Neuronen aus mehreren Gehirn Bilder und präzise Karten alle Daten auf einen gemeinsamen standard 3-D Referenz-Raum. Der Algorithmus erlaubt den direkten Vergleich von Gehirn-Daten aus verschiedenen Tieren, indem Sie automatisch passende ähnliche Funktionen aus den Bildern, und die Rechenleistung image similarity score.

Dieses feature-basierte quantitative Bild-zu-Bild-Vergleich-Technologie verbessert die Genauigkeit, Konsistenz und Zuverlässigkeit von Analyse-Ergebnissen mit nur einer kleinen Anzahl von Hirn-Scheibe Bild-Beispiele und hilft standardisieren brain imaging-Daten-Analysen.

Im Gegensatz zu anderen bestehenden brain-imaging-Daten-Analyse-Methoden, AMaSiNe können auch automatisch die ausrichtungsbedingungen von falsch und verzerrt Gehirn Bilder, und zeichnen Sie eine genaue ROI, ohne mühsame manuelle Validierung.

AMaSiNe wurde weiter erwiesen sich als um konsistente Ergebnisse zu produzieren mit brain slice images gefärbt unter Verwendung der verschiedenen Methoden einschließlich DAPI -, Nissl-und Autofluoreszenz.

Die zwei co-lead-Autoren der Studie, Jun-Ho Song und Woochul Choi, nutzen diese Vorteile AMaSiNe zu untersuchen, die topographische Organisation von Neuronen, die das Projekt zum primären visuellen AREAL (VISp) in verschiedenen ROIs, wie die dorsalen seitlichen gekniet Kern (LGd), die kaum angesprochen werden, ohne die korrekte Kalibrierung und Standardisierung des Gehirns slice-Bild-Beispiele.

In Zusammenarbeit mit Professor Seung-Hee Lee-Gruppe der Abteilung der Biologischen Wissenschaft, die Forscher erfolgreich beobachtet die 3-D topografische neuronalen Projektionen der VISp von LGd, und auch gezeigt, dass diese Prognosen konnten nicht beobachtet werden, wenn die schneiden der Winkel war nicht richtig, korrigiert durch AMaSiNe. Die Ergebnisse deuten darauf hin, dass die genaue Korrektur des schneiden-Winkel ist unerlässlich für die Untersuchung von komplexen und wichtigen Hirnstrukturen.

AMaSiNe ist allgemein anwendbar in den Studien der verschiedenen Gehirn-Regionen und anderen experimentellen Bedingungen. Zum Beispiel, in dem research-team der früheren Studie gemeinsam durchgeführt mit Professor Yang Dan ‚ s Gruppe an der UC Berkeley, der Algorithmus ermöglichte die genaue Analyse der neuronalen Teilmengen in der substantia nigra und Ihre Projektionen auf das ganze Gehirn. Ihre Ergebnisse wurden veröffentlicht in der Wissenschaft am Januar 24.

AMaSiNe ist von großem Interesse für viele Neurowissenschaftler in Korea und im Ausland, und wird aktiv von einer Reihe von anderen Forschungsgruppen an der KAIST, MIT, Harvard, Caltech, und UC San Diego.

Professor Paik sagte: „Unser neuer Algorithmus ermöglicht es, die räumliche Organisation von komplexen neuronalen Schaltkreisen zu finden, in einem standardisierten 3-D Referenz-atlas auf eine ganz-Hirn-Skala. Das bringt brain imaging-Daten-Analyse, um eine neue Ebene.“