Methodenartikel

TACI: Ein ImageJ-Plugin für die 3D-Calcium-Imaging-Analyse

DOI:

10.3791/64953

⸱

16. Dezember 2022

 ,  ,  ,  ,  , 
1School of Neuroscience, Virginia Polytechnic Institute and State University, 2CMU-Pitt Joint Computational Biology, School of Medicine, University of Pittsburgh, 3Eastern Virginia Medical School, 4Department of Physics, University of Miami

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

TrackMate Analysis of Calcium Imaging (TACI) ist ein Open-Source-ImageJ-Plugin für die 3D-Calcium-Imaging-Analyse, das die Bewegung auf der z-Achse untersucht und den Maximalwert jedes Z-Stapels identifiziert, um die Intensität einer Zelle zum entsprechenden Zeitpunkt darzustellen. Es kann Neuronen trennen, die sich in lateraler (x / y) Richtung, aber auf verschiedenen Z-Ebenen überlappen.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Forschung in den Neurowissenschaften hat sich dahingehend entwickelt, dass komplexe Bildgebungs- und Berechnungswerkzeuge verwendet werden, um umfassende Informationen aus Datensätzen zu extrahieren. Die Kalziumbildgebung ist eine weit verbreitete Technik, die eine ausgeklügelte Software erfordert, um zuverlässige Ergebnisse zu erhalten, aber viele Labore haben Schwierigkeiten, Berechnungsmethoden anzuwenden, wenn sie Protokolle aktualisieren, um modernen Standards zu entsprechen. Schwierigkeiten entstehen durch mangelnde Programmierkenntnisse und Paywalls für Software. Darüber hinaus zeigen die interessierenden Zellen während der Kalziumbildgebung Bewegungen in alle Richtungen. Es wurden viele Ansätze entwickelt, um die Bewegung in lateraler (x/y) Richtung zu korrigieren.

In diesem Artikel wird ein Workflow beschrieben, bei dem ein neues ImageJ-Plugin, TrackMate Analysis of Calcium Imaging (TACI), verwendet wird, um Bewegungen auf der z-Achse in der 3D-Calcium-Bildgebung zu untersuchen. Diese Software identifiziert den maximalen Fluoreszenzwert aus allen Z-Positionen, in denen ein Neuron erscheint, und verwendet ihn, um die Intensität des Neurons an der entsprechenden T-Position darzustellen. Daher kann dieses Werkzeug Neuronen trennen, die sich in lateraler (x/y) Richtung überlappen, aber auf unterschiedlichen z-Ebenen erscheinen. Als ImageJ-Plugin ist TACI ein benutzerfreundliches Open-Source-Berechnungswerkzeug für die 3D-Kalzium-Bildgebungsanalyse. Wir validierten diesen Workflow mit thermosensitiven Neuronen von Fliegenlarven, die Bewegungen in alle Richtungen während der Temperaturschwankung zeigten, und einem 3D-Kalzium-Bildgebungsdatensatz, der aus dem Fliegengehirn aufgenommen wurde.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Der intrazelluläre Calciumspiegel ist ein präziser Marker für die neuronale Erregbarkeit. Die Calcium-Bildgebung misst die Veränderungen des intrazellulären Calciums, um die neuronale Aktivität zu verstehen1. Studien in den Neurowissenschaften haben diese Methode aufgrund der Entwicklung von Techniken zur Messung der intrazellulären Kalziumkonzentration, einschließlich genetisch kodierter Kalziumindikatoren (GECIs), wie GCaMP2,3, die durch genetische Ansätze nichtinvasiv in bestimmten Gruppen von Neuronen exprimiert werden können, zunehmend verwendet. Die geringeren Kosten für Laser und Mikroskopkomponenten haben auch den Einsatz von Calcium-Bildgebungerhöht 4. Wichtig ist, dass die Kalzium-Bildgebung es ermöglicht, sowohl einzelne Neuronen als auch große Neuronenpopulationen gleichzeitig in frei beweglichen Tieren aufzuzeichnen und zu untersuchen5.

Nichtsdestotrotz ist die Analyse von Kalzium-Bildgebungsdaten eine Herausforderung, da (1) die Fluoreszenzänderungen einzelner Zellen im Laufe der Zeit verfolgt werden, (2) das Fluoreszenzsignal intermittierend verschwindet oder mit neuronalen Reaktionen wieder auftaucht und (3) sich die Neuronen in alle Richtungen bewegen können, insbesondere in und aus einer Fokusebene oder auf mehreren Ebenen 4, 6. Preise Die manuelle Analyse ist zeitaufwändig und wird mit zunehmender Länge der Aufzeichnungen und der Anzahl der Neuronen unpraktisch. Es wurden verschiedene Softwareprogramme entwickelt, um den Prozess der Analyse der Kalziumbildgebung zu beschleunigen. Bisher wurde Software in einem begrenzten experimentellen Kontext entwickelt, was es für andere Labore schwierig machte, sie zu übernehmen. Jüngste Bemühungen, moderne Standards für die gemeinsame Nutzung von Software zu erfüllen, haben zur Entwicklung mehrerer Tools geführt, die Kalzium-Bildgebungsdaten über verschiedene Gruppen hinweg konsistent analysieren können 7,8,9,10,11,12,13,14,15,16,17,18,19 . Die meisten dieser Tools erfordern jedoch Programmierkenntnisse und/oder sind auf kommerzielle Software angewiesen. Mangelnde Programmierkenntnisse und Software-Paywalls halten Forscher davon ab, diese Methoden anzuwenden. Darüber hinaus konzentrieren sich viele dieser Werkzeuge auf die Korrektur der x/y-Bewegung, obwohl auch die Bewegung auf der z-Achse explizit diagnostiziert und korrigiert werden muss6. Es besteht ein Bedarf an einem Berechnungswerkzeug zur Analyse der 3D-Kalziumbildgebung, das sich auf Neuronen konzentriert, die eine Z-Drift aufweisen und auf mehreren Z-Ebenen auftreten. Idealerweise sollte dieses Tool Open-Source-Software verwenden und keine Programmierkenntnisse erfordern, damit andere Labore es problemlos übernehmen können.

Hier haben wir ein neues ImageJ-Plugin, TACI, entwickelt, um 3D-Kalzium-Bildgebungsdaten zu analysieren. Zunächst benennt die Software die 3D-Kalzium-Bildgebungsdaten bei Bedarf um und organisiert sie nach Z-Positionen. Die interessierenden Zellen werden in jeder z-Position verfolgt, und ihre Fluoreszenzintensitäten werden mit TrackMate oder anderen Berechnungswerkzeugen extrahiert. TACI wird dann angewendet, um die Bewegung auf der z-Achse zu untersuchen. Es identifiziert den Maximalwert eines Z-Stapels und verwendet ihn, um die Intensität einer Zelle zum entsprechenden Zeitpunkt darzustellen. Dieser Workflow eignet sich für die Analyse der 3D-Kalziumbildgebung mit Bewegung in alle Richtungen und/oder mit Neuronen, die sich in lateraler (x/y) Richtung überlappen, aber in verschiedenen Z-Positionen auftreten. Um diesen Workflow zu validieren, wurden 3D-Kalzium-Bildgebungsdatensätze von thermosensitiven Neuronen der Fliegenlarven und Pilzneuronen im Gehirn verwendet. Bemerkenswert ist, dass TACI ein Open-Source-ImageJ-Plugin ist und keine Programmierkenntnisse erfordert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Kalzium-Bildgebung

  1. Vorbereitung der Fliegenlarven
    HINWEIS: Fliegen und Larven werden bei 25 °C unter einem Hell-Dunkel-Zyklus von 12 h:12 h gehalten.
    1. Betäuben Sie die Fliegen mit CO2. Sortieren Sie 20-45 Männchen und 20-45 Weibchen in jedes Fliegenfläschchen und geben Sie ihnen mindestens 24 bis 48 Stunden Zeit, um sich von der CO2 -Exposition zu erholen.
      HINWEIS: Die Exposition der Fliegen gegenüber CO2 sollte so kurz wie möglich anhalten.
    2. Um das Alter der Larven zu synchronisieren, klopfen Sie die Fliegen in neue Fläschchen mit Hefegranulat und lassen Sie sie 4-8 Stunden Eier legen. Entfernen Sie die Fliegen, indem Sie sie in neue Fläschchen drehen.
    3. Sammeln Sie die Larven nach 72 h mit 10 ml 20%iger Saccharoselösung.
  2. Aufbau des Mikroskops und der Temperaturregelung
    1. Führen Sie die Bildgebung an einem konfokalen Mikroskop (siehe Materialtabelle) und einem Piezotisch der Z-Achse mit einem Tischeinsatz mit den folgenden Einstellungen durch: Laser, Argon; Scan-Modus, Rahmen; Bildgröße: 512 x 512; Geschwindigkeit, Maximum; Kanäle/Bittiefe, 1/8 Bit; Zoom, 1,5; Z-Stapel, Slice = 15, Keep = Slice; Fokusgeräte und Strategie, Definitiver Fokus; Fokus, Definitiver Fokus auf.
    2. Befestigen Sie ein Peltier-Kühlmodul an einem Kühlkörper mit der Wärmeübertragungsmasse, um einen thermoelektrischen Kühler zu bauen. Der Peltier wird von einem 2 A Netzteil gespeist.
    3. Schließen Sie eine Thermoelement-Mikrosonde an ein Datenerfassungsgerät an, um die Temperatur aufzuzeichnen.
  3. Calcium-Bildgebung
    1. Spülen Sie die Larven 3x in 1x phosphatgepufferter Kochsalzlösung (PBS) aus.
    2. Pipettieren Sie 75 μl 1x PBS in die Mitte eines Objektträgers.
    3. Legen Sie ein oder zwei Larven in 1x PBS und platzieren Sie die Thermoelement-Mikrosonde in der Nähe der Larven.
      HINWEIS: Der Abstand zwischen den Larven und der Mikrosonde sollte ~5 mm betragen. Die Larven können sich bewegen, wenn die Mikrosonde zu nahe an ihnen positioniert ist. Eine große Entfernung kann zu ungenauen Temperaturmessungen führen.
    4. Decken Sie die Larven und die Thermoelement-Mikrosonde mit einem Glasdeckglas ab. Versiegeln Sie das Deckglas mit Nagellack.
    5. Legen Sie den Objektträger auf den Mikroskoptisch, finden Sie den Fokus mit einem 25-fachen Objektiv und platzieren Sie den thermoelektrischen Kühler auf dem Objektträger.
      HINWEIS: Das Peltier wird direkt auf den Objektträger gelegt, wo die Larven die Temperaturreize abgeben sollen.
    6. Konzentrieren Sie sich in konfokaler Software auf die interessierenden fluoreszierenden Zellen. Passen Sie die Laserleistung an, um eine Übersättigung zu vermeiden. Legen Sie die erste und letzte Slice-Position in der Z-Stack-Einstellung fest.
      HINWEIS: Verwenden Sie vor der Aufnahme die niedrigstmögliche Laserleistung, um ein Ausbleichen zu vermeiden.
    7. Starten Sie gleichzeitig den Z-Stack-Scan und die Temperaturaufzeichnung.
    8. Steuern Sie das Netzteil, das den Peltier mit Strom versorgt, um die Oberflächentemperatur des Peltiers zu ändern. Schalten Sie das Netzteil ein, um die Temperatur zu senken, und schalten Sie es aus, um die Temperatur zu erhöhen.
    9. Stoppen Sie das Scannen des Z-Stapels und die Temperaturaufzeichnung.

2. Analyse der 3D-Calcium-Imaging-Daten

  1. Exportieren Sie die Calcium-Bildgebungsdaten in TIFF-Dateien und speichern Sie sie in einem Ordner mit demselben Namen wie der Basisname der darin enthaltenen TIFF-Dateien.
    HINWEIS: Der Dateiname darf keine Kommas enthalten.
    1. Verwenden Sie die folgenden Parameter, um die Calcium-Bildgebungsdaten aus ZEN (schwarze Ausgabe) zu exportieren: Dateityp, TIFF; Komprimierung, LZW; Kanäle, 2; Z-Position, alle; Zeit, alles; Phase, 1; Region, voll.
  2. Installation
    1. Laden Sie TACI-Calcium_Imaging.jar von Github (https://github.com/niflylab/TACI_CalciumImagingPlugin/releases) herunter.
    2. Installieren Sie das Plugin in FIDSCHI, indem Sie in der Menüleiste auf Plugins klicken und dann im Dropdown-Menü auf Installieren klicken (Plugins | Installieren). Starten Sie dann FIDSCHI neu.
      HINWEIS: Verwenden Sie KEINE Plugins | Installieren Sie das Plugin.
    3. Führen Sie das Plugin aus, indem Sie auf Plugins klicken und dann TACI-Calcium Imaging auswählen (Plugins | TACI-Calcium-Bildgebung).
  3. Verwenden Sie die Funktion RENAME , um die TIFF-Dateinamen in die gewünschte Struktur zu konvertieren.
    HINWEIS: Das Tool verwendet filename_h#t#z#c#.tif als Standardstruktur (h# und c# sind optional; #: eine positive ganze Zahl). Wenn die Bilddateinamen nicht in der Standardstruktur enthalten sind, muss die RENAME-Funktion ausgeführt werden.
    1. Wählen Sie den Ordner aus, in dem die TIFF-Bilder umbenannt werden sollen, indem Sie auf Ordner durchsuchen klicken.
    2. Geben Sie die Parameterinformationen ein. Es werden fünf Parameter aufgelistet, darunter Dateiname, Phase, Maximale T-Position, Maximale Z-Position und Kanal. Jeder Parameter hat drei Werte: Vorhergehender Text, Parameterwert und Reihenfolge.
      HINWEIS: Bei den Informationen wird zwischen Groß- und Kleinschreibung unterschieden. Wenn die Bilddateinamen eine Phrase vor einem Parameter enthalten, geben Sie die Phrase als vorangehenden Text des entsprechenden Parameters ein. Wenn die Bilddateinamen nach allen Parametern eine Phrase enthalten, geben Sie die Phrase als Beitragstext ein.
      1. Stellen Sie sicher, dass Sie Dateiname, Maximale T-Position und Maximale Z-Position eingeben und dass die Parameterwerte für Maximale T-Position und Maximale Z-Position alle Ziffern enthalten.
      2. Warten Sie, bis der Dateiname automatisch mit dem Ordnernamen gefüllt wird.
      3. Wenn die TIFF-Dateinamen die Phase und den Kanal nicht enthalten, lassen Sie den entsprechenden Parameterwert leer, und wählen Sie Na in der Reihenfolge aus.
    3. Klicken Sie auf Umbenennen , um einen Ordner mit demselben Namen und derselben _r zu erstellen. Beachten Sie, dass die TIFF-Dateinamen im Ordner so umstrukturiert wurden, dass sie mit der ORGANIS-Funktion kompatibel sind.
      HINWEIS: _r wurde zu den Dateinamen der TIFF-Bilder hinzugefügt.
  4. Verwenden Sie die ORGANISIEREN-Funktion , um die TIFF-Bilder von derselben Z-Position in einem Ordner zu speichern.
    HINWEIS: Der Ordnername muss den gleichen Namen wie der Basisname der darin enthaltenen TIFF-Dateien haben und darf KEINE Kommas enthalten.
    1. Wählen Sie den Ordner aus, in dem die TIFF-Bilder organisiert werden sollen, indem Sie auf Ordner durchsuchen klicken.
    2. Wenn die Parameter-CSV-Datei (param.csv) vorhanden ist, warten Sie, bis die Parameterwerte automatisch ausgefüllt wurden.
      Hinweis: Die Datei param.csv hat ein erforderliches Format. Die Parameter, einschließlich Dateiname, Phase, position_t, position_z, Kanal und is_gray, müssen in Zeile 1 von links nach rechts ab Spalte A ausgefüllt werden.
    3. Wenn die Parameter-CSV-Datei (param.csv) nicht vorhanden ist, geben Sie die Parameterwerte manuell ein. Stellen Sie sicher, dass die Parameterwerte von Phase und Kanal Buchstaben enthalten, während die Parameterwerte von T-Position und Z-Position die größten Zahlen der t- und z-Positionen sein sollten. Wenn die Bilddateinamen die Phase oder den Kanal nicht enthalten, geben Sie Na ein.
    4. Erstellen Sie bei Bedarf Graustufen-TIFF-Bilder. Lassen Sie das Kontrollkästchen Sind Bilder grau? deaktiviert, um die Bilder in Graustufen zu stufen.
    5. Klicken Sie auf Organisieren , um einen Ordner mit demselben Namen und derselben _gray_stacks zu erstellen und Ordner mit demselben Namen und _# (#: z-Positionen) im Ordner zu generieren. Beachten Sie, dass die TIFF-Dateien nach Z-Positionen in entsprechende Ordner sortiert sind und dass eine Datei mit dem Namen param.csv generiert wird, in der die Parameter und ihre Werte zu finden sind.
  5. Verwenden Sie TrackMate in FIDSCHI, um die Fluoreszenzintensitäten der interessierenden Zellen aus jeder Z-Position zu extrahieren.
    HINWEIS: Dieser Schritt kann auch mit anderer Bildbearbeitungssoftware durchgeführt werden.
    1. Öffnen Sie die TIFF-Bilder in einem Ordner mit Z-Position von FIJI.
    2. Führen Sie TrackMate aus, indem Sie auf Plugins | Sendungsverfolgung | TrackMate und passen Sie bei Bedarf die folgenden Parameter an.
      1. Verwenden Sie DoG- oder LoG-Detektoren.
      2. Ändern Sie den Blobdurchmesser, den Schwellenwert und den Medianfilter. Stellen Sie den Blobdurchmesser so ein, dass er dem Durchmesser der Zellen ähnelt. Wenn die Zellen oval sind, passen Sie den Blobdurchmesser so an, dass er der Nebenachse ähnelt.
        HINWEIS: Durch Erhöhen des Schwellenwerts wird vermieden, dass Hintergrundgeräusche als Signale aufgenommen werden, ohne die Signalintensität zu beeinträchtigen (Ergänzende Abbildung 1). Bei einer Erhöhung des Schwellenwerts können jedoch echte Signale übersehen werden (Ergänzende Abbildung 1). Wenn die Signale stark sind, verwenden Sie den Medianfilter , um das Salz- und Pfefferrauschen zu verringern.
      3. Stellen Sie die Filter so ein, dass einige, wenn nicht sogar alle irrelevanten Signale entfernt werden. Die Filter X und Y sind räumliche Filter. Verwenden Sie die Filter X und Y , um die irrelevanten Signale zu entfernen, die von den realen Signalen entfernt sind.
        HINWEIS: Wenn Filter auf ein Bild gesetzt sind, ist es wichtig, alle anderen Bilder zu überprüfen, um sicherzustellen, dass die echten Signale nicht entfernt werden.
      4. Legen Sie den maximalen Verbindungsabstand, den maximalen Abstand zum Schließen des Spalts und den maximalen Rahmenabstand zum Schließen des Spalts fest. Stellen Sie den maximalen Verbindungsabstand und den maximalen Abstand zum Schließen des Spalts auf das 3-fache bis 5-fache des Blob-Durchmessers ein, insbesondere wenn sich die Proben im Laufe der Zeit erheblich bewegen, um die Anzahl der Spuren zu verringern. Legen Sie den maximalen Frame-Abstand zum Schließen des Spalts auf die Anzahl der Bilder im Stapel fest.
      5. Exportieren Sie die Fluoreszenzintensitäten der interessierenden Regionen (ROIs) in eine CSV-Datei. Wenn eine alte TrackMate-Version verwendet wird, wählen Sie im Fenster Aktion auswählen die Option Alle Spots-Statistiken exportieren. Wenn die TrackMate-Version 7.6.1 oder höher ist, wählen Sie die Spots im Fenster Anzeigeoptionen. Exportieren oder speichern Sie die interaktiven Dateien in CSV-Dateien.
        HINWEIS: Beide Dateien sind mit dem Bildfenster interaktiv. Wenn Sie einen ROI hervorheben, wird der entsprechende ROI im Bildfenster angezeigt. Diese Dateien enthalten die mittleren Intensitäten (MEAN_INTENSITY oder MEAN_INTENSITY_CH1) der interessierenden Zellen zu entsprechenden Zeitpunkten (POSITION_T). Dieselben TRACK_IDs sollten zu unterschiedlichen Zeitpunkten die gleichen ROIs darstellen. Dies ist jedoch nicht immer der Fall und muss bei Bedarf möglicherweise manuell korrigiert werden. Wenn TrackMate die ROIs zu bestimmten Zeitpunkten nicht erkennt, werden diese Zeitpunkte nicht angezeigt.
  6. Extrahieren Sie die Hintergrundfluoreszenzintensität und erstellen Sie die Background_list.csv Datei.
    HINWEIS: In dieser Studie wurde die Hintergrundintensität für jede z-Position unter Verwendung des Durchschnittswerts von drei bis fünf benachbarten Blobs gleicher Größe geschätzt, die keine Fluoreszenzsignale enthielten und zu unterschiedlichen Zeitpunkten stammten.
    1. Die Background_list.csv Datei hat ein erforderliches Format: Jede Spalte enthält die Informationen eines Neurons, beginnend mit Neuron 0. Geben Sie die Neuronennummern, z. B. Neuron 0, in Zeile 1 ein. Geben Sie dann die Hintergrundintensität für jede analysierte Z-Position an - wenn fünf Z-Positionen für Neuron 0 analysiert werden, geben Sie fünf Hintergrundintensitätswerte unter Neuron 0 ein.
      HINWEIS: Die Background_list.csv-Datei ist für die TACI EXTRACT-Funktion erforderlich. Wenn der Hintergrund vernachlässigbar ist, muss der Background_list.csv mit der Hintergrundintensität von Null jedes Neurons angegeben werden.
  7. Verwenden Sie die EXTRACT-Funktion , um die maximalen Fluoreszenzintensitäten an jeder t-Position zu ermitteln und ΔF/F0 wie in Gleichung (1) gezeigt zu berechnen.
    figure-protocol-1Bewertungen (1)
    1. Erstellen Sie einen Ordner und benennen Sie ihn mit der Neuronennummer, beginnend mit Neuron 0. Speichern Sie die CSV-Dateien mit den Fluoreszenzinformationen des entsprechenden Neurons im Ordner. Jede CSV-Datei enthält die Informationen einer Z-Position, sodass die Anzahl der CSV-Dateien der Anzahl der analysierten Z-Positionen entspricht. Benennen Sie die CSV-Dateien als Mean_Intensity#.csv (# steht für die Z-Position), und jede CSV-Datei enthält mindestens zwei Spalten: POSITION_T und MEAN_INTENSITY oder MEAN_INTENSITY_CH1.
      HINWEIS: Erstellen Sie einen Ordner für jede Zelle von Interesse.
    2. Speichern Sie die Background_list.csv Datei und Ordner, die in Schritt 2.7.1 erstellt wurden, in einem Ordner. Wählen Sie diesen Ordner aus, indem Sie auf Dateien durchsuchen klicken.
      HINWEIS: Die Anzahl der Hintergrundwerte in der Background_list.csv-Datei muss mit der Anzahl der Mean_Intensity#.csv-Dateien für jedes Neuron übereinstimmen.
    3. Die Hintergrunddatei wird automatisch ausgefüllt. Füllen Sie die größte Anzahl von t-Positionen für die Anzahl der T-Positionen aus.
    4. Klicken Sie auf Extrahieren , um einen Ergebnisordner zu erstellen, der die CSV-Dateien und Diagramme für jedes Neuron enthält. Die CSV-Dateien enthalten Informationen über die maximale Fluoreszenzintensität und ΔF/F0 an jeder t-Position. Die Diagramme sind Liniendiagramme von ΔF/F0 über t-Positionen.
      ANMERKUNG: In dieser Studie wurde ΔF/F0 mit Gleichung (1) berechnet. Der erste Wert jeder z-Position wurde als F0 verwendet. Wenn dieses F0 nicht geeignet ist20, stellt das Plugin Dateien mit Rohdaten für jedes Neuron im python_files Ordner bereit.
  8. Verwenden Sie die MERGE-Funktion, um die ΔF/F 0 jedes Neurons zu mitteln, das REM zu berechnen und den Durchschnitt ΔF/F0 über t-Positionen aufzuzeichnen.
    1. Wählen Sie den von der EXTRACT-Funktion erstellten Ergebnisordner aus, indem Sie auf Dateien durchsuchen klicken.
    2. Füllen Sie die Anzahl der T-Positionen mit der größten Anzahl von T-Positionen aus.
    3. Klicken Sie auf Zusammenführen , um einen merged_data Ordner zu erstellen, der eine merged_data.csv Datei und ein Average_dF_F0.png Diagramm enthält. Die CSV-Datei enthält die Informationen über den Mittelwert und SEM ΔF/F0 an jeder t-Position. Das Diagramm ist ein Liniendiagramm des durchschnittlichen ΔF/F0 über t-Positionen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Arbeitsablauf der 3D-Calcium-Imaging-Analyse
In dieser Studie entwickelten wir ein neues ImageJ-Plugin, TACI, und beschrieben einen Workflow zur Verfolgung der Z-Drift und zur Analyse der 3D-Kalzium-Bildgebung, die die Reaktionen einzelner Zellen in mehreren Z-Positionen lokalisiert (Abbildung 1). Dieses Tool verfügt über vier Funktionen: UMBENENNEN, ORGANISIEREN, EXTRAHIEREN und ZUSAMMENFÜHREN. Erstens, ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie wurde ein neues ImageJ-Plugin, TACI, entwickelt und ein Workflow zur Analyse der 3D-Kalziumbildgebung beschrieben. Viele derzeit verfügbare Werkzeuge konzentrieren sich auf die Korrektur der x/y-Bewegung, obwohl auch die Bewegung auf der z-Achse explizit diagnostiziert oder korrigiert werden muss6. Während der Bildaufnahme in einem lebenden Organismus ist eine Bewegung auf der z-Achse unvermeidlich, selbst wenn der Organismus immobilisiert ist, und einige Reize, wie z. B. Temperat...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte offenzulegen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ein Zeiss LSM 880 im Fralin Imaging Center wurde verwendet, um die Kalzium-Bildgebungsdaten zu sammeln. Wir danken Dr. Michelle L. Olsen und Yuhang Pan für ihre Unterstützung bei der IMARIS-Software. Wir danken Dr. Lenwood S. Heath für konstruktive Kommentare zum Manuskript und Steven Giavasis für Kommentare zur GitHub README-Datei. Diese Arbeit wurde von NIH R21MH122987 (https://www.nimh.nih.gov/index.shtml) und NIH R01GM140130 (https://www.nigms.nih.gov/) an L.N. Die Geldgeber spielten keine Rolle beim Studiendesign, der Datenerhebung und -analyse, der Entscheidung zur Veröffentlichung oder der Vorbereitung des Manuskripts.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Blunt Fill NeedelBD303129
Calciumchlorid-DihydratFisher Scientific 10035-04-8Fliege Lebensmittelzutat
KohlendioxidAirgasUN1013Größe 200 Hochdruck-Stahlzylinder
CO2 Bubbler-KitGenesee59-180
Konfokalmikroskop LSM880Zeiss4109002107876000Ein inverser Axio Observer Z1, ausgestattet mit 5 Lasern, 2 Standard-PMT-Detektoren, 32-Kanal-GaAsP-Detektoren, einem Airyscan-Detektor und Definite Schwerpunkt.2.
DAQami-SoftwareMeasurement Computing
DextroseGenesee62-113Fliegen-Lebensmittelzutat
Drosophila-AgarGenesee66-111Fliegen-Lebensmittelzutat
EthanolDecon Labs, Inc.64-17-5Fliegenfutterzutat
Fliegenschnur: Ir21a-Gal4Dr. Paul Garrity labEin freundliches Geschenk
Fliegenschnur: Ir21a-Gal80Dr. Lina Ni lab
Fliegenschnur: Ir68a-Gal4Dr. Aravinthan DT Samuel labEin freundliches Geschenk
Fliegenschnur: Ir93a-Gal4Dr. Paul Garrity labEin nettes Geschenk
Fliegenschnur: UAS-GCaMP6Bloomington Drosophila Stock Center42750
FlypadGenesee59-114
Allzweck-Atemregler aus geschmiedetem MessingGentecG152
Gibco PBS pH 7,4 (1x)Thermo Fisher Scientific10010-031
Green Drosophila SchlauchGenesee59-124
WärmeleitpasteMG Chemicals860-60G
KühlkörperDigi-Key ElectronicsATS2193-NDVerkleinerung auf 12,9 x 5,5 cm
IlluminatorAmScopeLED-6W
Inaktive TrockenhefeGenesee62-108für Lebensmittelzutaten
PervicalDR-41VLHell: Dunkelzyklus: 12h:12h; Temperatur: 25 &°; C; Luftfeuchtigkeit: 40-50% RH.
Methyl-4-hydroxybenzoatThermo Scientific126965000Fliegenfutter Zutaten
Mikro-AbdeckglasVWR  48382-12622 x 40 mm
ObjektträgerFisher Scientific 12-544-225 x 75 x 1,0 mm
NagellackKleancolor
Narrow Drosophila FläschchenGenesee32-113RL
Objektiv Zeiss420852-9871-000LD LCI Plan-Apochromat 25x/0.8 Imm Corr DIC M27
Peltier KühlmodulTE TechnologyTE-127-1.0-0.830 x 30 mm
SteckerGenesee49-102
NetzteilCircuit SpecialistsCSI1802X10 Volt DC 2,0 Ampere lineares Tischnetzteil
Princeton Artist Brush NepturePrinceton Artist Brush Co.Serie 4750, Größe 2
Natrium-Kalium-L-Tartrat-TetrahydratThermo Scientific033241-36Fliegenfutterzutat
Tischeinsatz Wienecke and Sinske432339-9030-000
StereomikroskopOlympusSZ61Jedes Stereomikroskop funktioniert
T-FittingGenesee59-123
Thermoelement DatenerfassungsgerätMeasurement ComputingUSB-2001-TC
PhysitempIT-24P 
Gelbes MaismehlGenesee62-101Fliege Lebensmittelzutat
Z-Achse PiezotischWienecke und Sinske432339-9000-000
Inkubator Einkanal-Thermoelement-Mikrosonde

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Grienberger, C., Konnerth, A. Imaging calcium in neurons. Neuron. 73 (5), 862-885 (2012).
  2. Nakai, J., Ohkura, M., Imoto, K. A high signal-to-noise Ca(2+) probe composed of a single green fluorescent protein. Nature Biotechnology. 19 (2), 137-141 (2001).
  3. Zhang, Y., et al. jGCaMP8 fast genetically encoded calcium indicators. Janelia Research Campus. , (2020).
  4. Robbins, M., Christensen, C. N., Kaminski, C. F., Zlatic, M. Calcium imaging analysis - How far have we come. F1000Research. 10, 258(2021).
  5. Oh, J., Lee, C., Kaang, B. K. Imaging and analysis of genetically encoded calcium indicators linking neural circuits and behaviors. The Korean Journal of Physiology & Pharmacology. 23 (4), 237-249 (2019).
  6. Stringer, C., Pachitariu, M. Computational processing of neural recordings from calcium imaging data. Current Opinion in Neurobiology. 55, 22-31 (2019).
  7. Pnevmatikakis, E. A., Giovannucci, A. NoRMCorre: An online algorithm for piecewise rigid motion correction of calcium imaging data. Journal of Neuroscience Methods. 291, 83-94 (2017).
  8. Nguyen, J. P., Linder, A. N., Plummer, G. S., Shaevitz, J. W., Leifer, A. M. Automatically tracking neurons in a moving and deforming brain. PLoS Computational Biology. 13 (5), 1005517(2017).
  9. Lagache, T., Hanson, A., Pérez-Ortega, J. E., Fairhall, A., Yuste, R. EMC2: A versatile algorithm for robust tracking of calcium dynamics from individual neurons in behaving animals. bioRxiv. , (2021).
  10. Giovannucci, A., et al. CaImAn an open source tool for scalable calcium imaging data analysis. Elife. 8, 38173(2019).
  11. Delestro, F., et al. In vivo large-scale analysis of Drosophila neuronal calcium traces by automated tracking of single somata. Scientific Reports. 10, 7153(2020).
  12. Cantu, D. A., et al. EZcalcium: Open-source toolbox for analysis of calcium imaging data. Frontiers in Neural Circuits. 14, 25(2020).
  13. Eglen, S. J., et al. Toward standard practices for sharing computer code and programs in neuroscience. Nature Neuroscience. 20 (6), 770-773 (2017).
  14. Pachitariu, M., et al. Suite2p: Beyond 10,000 neurons with standard two-photon microscopy. bioRxiv. , (2017).
  15. Corder, G., et al. An amygdalar neural ensemble that encodes the unpleasantness of pain. Science. 363 (6424), 276-281 (2019).
  16. Lagache, T., Hanson, A., Pérez-Ortega, J. E., Fairhall, A., Yuste, R. Tracking calcium dynamics from individual neurons in behaving animals. PLoS Computational Biology. 17 (10), 1009432(2021).
  17. Kolar, K., Dondorp, D., Zwiggelaar, J. C., Høyer, J., Chatzigeorgiou, M. Mesmerize is a dynamically adaptable user-friendly analysis platform for 2D and 3D calcium imaging data. Nature Communications. 12, 6569(2021).
  18. Moein, M., et al. CaSiAn: A Calcium Signaling Analyzer tool. Bioinformatics. 34 (17), 3052-3054 (2018).
  19. Zhou, P., et al. Efficient and accurate extraction of in vivo calcium signals from microendoscopic video data. Elife. 7, 28728(2018).
  20. Neugornet, A., O'Donovan, B., Ortinski, P. I. Comparative effects of event detection methods on the analysis and interpretation of Ca(2+) imaging data. Frontiers in Neuroscience. 15, 620869(2021).
  21. Tinevez, J. Y., et al. TrackMate: An open and extensible platform for single-particle tracking. Methods. 115, 80-90 (2017).
  22. Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  23. Fazeli, E., et al. Automated cell tracking using StarDist and TrackMate. F1000Research. 9, 1279(2020).
  24. Chen, T. W., et al. Ultrasensitive fluorescent proteins for imaging neuronal activity. Nature. 499 (7458), 295-300 (2013).
  25. Ni, L., et al. The ionotropic receptors IR21a and IR25a mediate cool sensing in Drosophila. Elife. 5, 13254(2016).
  26. Omelchenko, A. A., et al. Cool and warm ionotropic receptors control multiple thermotaxes in Drosophila larvae. Frontiers in Molecular Neuroscience. , (2022).
  27. Sanchez-Alcaniz, J. A., et al. An expression atlas of variant ionotropic glutamate receptors identifies a molecular basis of carbonation sensing. Nature Communications. 9 (1), 4252(2018).
  28. Hernandez-Nunez, L., et al. Synchronous and opponent thermosensors use flexible cross-inhibition to orchestrate thermal homeostasis. Science Advances. 7 (35), (2021).
  29. Klein, M., et al. Sensory determinants of behavioral dynamics in Drosophila thermotaxis. Proceedings of the National Academy of Sciences of the United States of America. 112 (2), 220-229 (2015).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

3D Calcium ImagingZ Achsen BewegungExtraktion der Fluoreszenzintensit tTrackMate AnalyseNeuronen von FliegenlarvenKonfokalmikroskopieTIFF BildverarbeitungOpen Source Imaging

Verwandte Artikel