Summary
Hier zeigen wir , wie dendritische Routing von Drosophila Medulla Neuronen in Spalten und Schichten zu analysieren. Der Workflow enthält einen Dual-View-Imaging-Technik, um die Bildqualität und Computational Tools für das Aufspüren, Registrierung dendritischen Dorne auf die Referenzspaltenanordnung und für die Analyse der dendritischen Strukturen in 3D-Raum zu verbessern.
Abstract
In vielen Regionen des zentralen Nervensystems, wie beispielsweise die Fliegen optic Lappen und der wirbel cortex werden in Schichten und Säulen synaptischen Schaltungen organisiert Gehirn Verdrahtung während der Entwicklung und der Informationsverarbeitung in den entwickelten Tieren erleichtern. Postsynaptischen Neuronen aufwendige Dendriten in typspezifische Muster in bestimmten Schichten mit entsprechenden präsynaptischen zu Synapse. Die Fliege medulla Neuropil besteht aus 10 Schichten und 750 Spalten; jede Spalte von Dendriten von mehr als 38 Arten von Medulla Neuronen innervated, die mit den axonalen Terminals einiger 7 Arten von Afferenzen in einem typspezifischen Art und Weise entsprechen. Dieser Bericht beschreibt die Verfahren zur Abbildung und Dendriten der Medulla Neuronen zu analysieren. Der Workflow besteht aus drei Abschnitten: (i) die Dual-View-Abbildungsabschnitt verbindet zwei konfokale Bildstapel in orthogonalen Richtungen in eine hochauflösende 3D-Bild von Dendriten gesammelt; (Ii) die Dendriten Verfolgung und Registrierung Abschnitt Spuren dendritischenDorne in 3D und registriert auf die Referenzspaltenanordnung dendritischen Spuren; (Iii) die dendritische Analyseabschnitt analysiert dendritische Muster in Bezug auf Spalten und Schichten, einschließlich der schichtspezifischen Termination und planar Projektionsrichtung dendritischer Dorne und leitet Schätzungen von dendritischen Verzweigungs und Termination Frequenzen. Die Protokolle verwenden benutzerdefinierte Plugins gebaut auf der Open-Source-MIPAV (Medical Imaging Verarbeitung, Analyse und Visualisierung) Plattform und benutzerdefinierte Toolboxen in der Matrix Laborsprache. Zusammen bieten diese Protokolle einen vollständigen Arbeitsablauf die dendritische Routing von Drosophila medulla Neuronen in Schichten und Säulen zur Analyse, Zelltypen zu identifizieren, und Defekte in Mutanten zu bestimmen.
Introduction
Während der Entwicklung Neuronen aufwendige Dendriten in komplexen, aber klischee verzweigten Muster Synapsen mit ihren präsynaptischen Partnern zu bilden. Dendritische Verzweigungsmuster korrelieren mit neuronalen Identität und Funktionen. Die Standorte der dendritischen Dorne bestimmen die Art der präsynaptischen Eingänge sie erhalten, während die dendritischen Komplexität und Feldverzweigungsgrößen die Eingangsnummer regeln. Somit sind dendritische morphologischen Eigenschaften kritische Determinanten für die synaptische Verbindungen und neuronale Berechnung. In vielen Regionen der komplexen Gehirnen, wie beispielsweise die Fliegen optic Lappen und der wirbel Retina sind in Spalten und Schichten synaptischen Schaltungen organisiert Informationsverarbeitungs 1, 2 zu erleichtern. In einer solchen Spalte und Schicht Organisation, präsynaptischen Neuronen einer deutlichen Modalität Projekt Axone zu einer bestimmten Schicht zu beenden (sog Schicht-spezifisches Targeting) und eine geordnete zweidimensionale Anordnung zu bilden (so called topographische Karte), während postsynaptischen Neuronen Dendriten von geeigneter Größe in bestimmten Schichten erweitern präsynaptischen Eingänge der richtigen Typen und Zahlen zu erhalten. Während axonalen zu Schichten und Spalten Targeting gut 3 untersucht wurde, 4, ist viel weniger bekannt , wie Dendriten auf bestimmte Schichten geleitet werden und erweitern geeigneter Größe rezeptiven Felder 5 synaptischen Verbindungen mit den richtigen präsynaptischen Partnern zu bilden. Die Schwierigkeit der Bildgebung und Quantifizierung von dendritischen zu Schichten und Spalten Targeting hat die Studie von dendritischen Entwicklung in säulen und laminierten Hirnstrukturen behindert.
Drosophila Medulla Neuronen sind ein ideales Modell für dendritische Routing und Schaltungsanordnung in Spalten und Schichten zu studieren. Die Fliege Medulla neuropil wird als 3D-Gitter aus 10 Schichten organisiert und etwa 750 Spalten. Jede Spalte ist durch einen Satz von Afferenzen innervated, einschließlich photoreceptors R7 / R8 und Lamina Neuronen L1 - L5, deren axonalen Terminals bilden topographische Karten in einem schichtspezifisch 6. Über 38 Arten von Medulla Neuronen sind in jedem Medulla Spalte und aufwendige Dendriten in bestimmten Schichten und mit entsprechenden Feldgrößen Eingänge aus diesen afferents 7 zu erhalten. Die synaptischen Schaltungen in der Medulla wurden bei der elektronenmikroskopischen Ebene rekonstruiert; Somit werden die synaptischen Partnerschaften gut 7 etabliert, 8. Darüber hinaus genetische Werkzeuge für verschiedene Arten von Medulla Neuronen Kennzeichnung sind vorhanden 9, 10, 11. Durch die Untersuchung drei Arten von transmedulla (Tm) Neuronen (Tm2, TM9 und TM20) haben wir bisher zwei identifizierten Zelltyp-spezifischen dendritischen Eigenschaften: (i) Tm Neuronen Dendriten in entweder der vorderen oder hinteren Richtung projizieren (planar projection Richtung) in Abhängigkeit von den Zelltypen und (ii) Dendriten der Medulla Neuronen enden in spezifischen medulla Schichten in einer zelltypspezifischen Weise (Schicht spezifische Terminierung) 12. Planar Projektionsrichtung und schichtspezifische Terminierung sind ausreichend, um diese drei Arten von Tm Neuronen zu differenzieren, während Mutationen, die Tm Antworten auf Schicht und Spalten Cues beeinflussen verschiedene Aspekte dieser Attribute stören.
Hier präsentieren wir einen kompletten Workflow für die Prüfung des dendritischen Strukturierung von Drosophila Medulla Neuronen in Spalten und Schichten (Abbildung 1). Zuerst zeigen wir ein Dual-View-Bildgebungsverfahren, die kundenspezifische Software verwendet zwei konfokalen Bild zu kombinieren, stapelt hochwertige isotropen Bilder zu erzeugen. Diese Methode erfordert nur konventionelle konfokale Mikroskopie qualitativ hochwertige Bilder zu erzeugen, die für die zuverlässige Verfolgung von dendritischen Verzweigungen erlauben, ohne Mikroskopie mit Superauflösung zurückgreifen, wie eins STED (Stimulated Emission Depletion) oder strukturelle Beleuchtung. Zweitens stellen wir ein Verfahren zur dendritischen Dorne Tracing und zu einer Referenzspaltenanordnung der resultierenden Neuriten Spuren Registrierung. Drittens zeigen wir die Berechnungsmethoden für die Informationen auf der ebenen Projektionsrichtung und schichtspezifische Beendigung von Dendriten Extraktion sowie für Schätzungen für dendritischen Verzweigungen und Beendigung Frequenzen abzuleiten. Zusammen ermöglichen diese Verfahren für die Charakterisierung von dendritischen Muster in 3D, die Klassifizierung der Zelltypen auf dendritischen Morphologien basiert, und die Identifizierung von möglichen Defekten in Mutanten.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Hinweis: Das Protokoll enthält drei Abschnitte: Dual-View - Bildgebung (Abschnitte 1 - 3), dendritische Verfolgung und Registrierung (Abschnitte 4 - 6) und dendritischen Analyse (Abschnitte 7-9) (Bild 1). Die Codes und Beispieldateien sind in Tabelle der Materialien / Ausrüstung zur Verfügung gestellt.
1. Dual Image Acquisition
HINWEIS: Dieser Schritt ist so konzipiert, in zwei orthogonalen (horizontal und frontal) Orientierungen zwei Bildstapeln des Neurons von Interesse zu erwerben.
- Bereiten Sie Fliege Gehirne , die spärlich markiert enthalten Medulla Neuronen (~ 10 Zellen / Hirnlappen) mit einer Membran GFP - Marker (mCD8GFP), wie zuvor beschrieben 12. Beflecken das Gehirn mit Kaninchen-Anti-GFP (für medulla Neuron Dendriten) und Maus mAb24B10 (für Photorezeptor Axone), primären Antikörpern und fluoreszierend sekundären Antikörper (Alexa 488-anti-Kaninchen und Alexa 568-Anti-Maus-Antikörper), wie zuvor beschrieben,13. Deaktivieren Sie das Gehirn in 70% Glycerin in 1x PBS.
- Um das Gehirn in der horizontalen Ausrichtung montieren (2A, B), übertragen Sie die Glycerin abgefertigt Fliegenhirn zu einer 20 & mgr; l Tropfen Antifade Eindeckmedium in der Mitte einer Folie.
- Bringen Sie kleine Flecken aus Ton an den vier Ecken des Deckglases während der Montage des Deckglases aus Zerkleinern der Hirnprobe zu verhindern.
HINWEIS: Die Ton-Patches Dämpfung bieten das Deckglas aus Zerkleinern der Probe zu verhindern. Jeder Ton Pflaster sollte etwa 1 mm im Durchmesser sein. - Unter einem Binokular, positionieren Sie die Gehirne in der ventralen-up-Position und legen Sie das Deckglas auf das Gehirn zu sichern. Verwenden Sie die konvexe dorsale Oberfläche des Gehirns als Wahrzeichen der Ausrichtung des Hirnprobe (2A) zu identifizieren.
- Rufen Sie das erste Bildstapel (horizontale Ansicht) mit einem konfokalen Mikroskop. Verwenden eines Hoch NA Objektivlinse (wie beispielsweise ein 63X 1,3 NA Glycerin oder Ölkapselung objective-Objektiv) und 2,5X Digitalzoom (die Pixelgröße ist 0,105 & mgr; m pro Pixel; Mittelungszahl ist 2). Erwerben mehr als 180 optische Abschnitte (512 x 512 Pixel), die Medulla Neuropil mit einer Schrittweite von 0,2 & mgr; m abzudecken.
- Montieren Sie das Gehirn, wie beschrieben in Schritten von 1,3 bis 1,4, aber auszurichten das Gehirn in der anterior-up-Position (Vorderansicht).
- Erwerben Sie den zweiten Bildstapel (von vorne gesehen) des gleichen Neuron, wie in Schritt 1.5 beschrieben.
HINWEIS: Um die gleiche Neuron zu finden, könnte eine Herausforderung sein, wenn es in den optischen Loben markiert zahlreiche Neuronen sind. Um die gleichen Neuronen aus beiden Orientierungen, niedrigere Vergrößerung Bildstapel aus beiden Ansichten identifizieren erforderlich sein könnten (beispielsweise verwenden, um einen Zoom von 0,7 und eine Schrittgröße von 0,45 & mgr; m mit niedriger Auflösung Bildstapel zu erwerben). Wenn das Bild größer als 512 x 512, sollte das Bild auf 512 x 512 vor der Bildkombination abgeschnitten werden, und die Pixelgröße bei 0,105 & mgr; m pro Pixel behalten sollte, während die große Feldabbildung. Signalverlustist ein potenzielles Problem für tiefe Gewebe. Wenn das Signal schwach ist, Bild die ventrale Hälfte des Gehirns. Zur Reduzierung der Photobleichens während des Scannens, verwenden Sie eine so niedrige Laserleistung wie möglich. Verwenden Sie die Bereichsanzeige für Überbelichtung zu überprüfen, bevor Bildstapel zu erwerben. Wenn möglich, verwenden Sie ein konfokales Mikroskop mit GaAsP Detektoren ausgestattet. - Identifizieren und die Position des Neurons von Interesse in Bezug auf die Medulla Neuropil (rechts / links [R / L] und dorsal / ventral [D / V]) aufzeichnen. Überprüfen Sie, ob die Probe durch die Untersuchung der Bildstapel während der Bildaufnahme bewegt.
HINWEIS: Beispielbewegungs unsachgemäße Montage häufig zurückzuführen ist. Wenn Probenbewegung auftritt, kann der Bildstapel nicht für die Registrierung verwendet werden und muss entsorgt werden. Re-Montage der Probe und Bildstapel aus demselben Neuron erwerben.
2. Bilddekonvolution
HINWEIS: Der Entfaltungsschritt verwendet Bilddekonvolution Software, um die aufgenommenen Bilder wiederherzustellen, die abgebaut werden, durch Verwischenund Rauschen. Während dieser Schritt ist optional, es verbessert die Bildqualität signifikant. Es wird empfohlen, in Abschnitt 3 entfalteten Bildstapel für Bildregistrierung und Kombination zu verwenden.
- Starten Sie die Entfaltungsprogramm im interaktiven Modus. Legen Sie das Bildstapel (in lsm oder spezifische mikroskopische Format), indem Sie Menü: Datei / Öffnen (oder Ctrl-o) im Hauptfenster.
- Klicken Sie auf das geladene Bild Stapel zu wählen, und wählen Sie Menü: Ops das Bild Betriebsfenster zu öffnen. Verwenden Sie den Standard Klassische Maximum Likelihood Estimation (CMLE) Algorithmus.
- Im Bild Betrieb Fenster auf die Registerkarte "Parameter". Geben Sie die entsprechenden Parameter für die Linse Immersionsmedium, Einbettungsmittel, und die numerische Apertur (zB Öl, Glycerin, etc.) (ZB Sionsöl, etc.) (NA; hier wurden 1,3) verwendet. Überprüfen Sie die übrigen Parameter, um sicherzustellen, dass sie korrekt die Abbildungsbedingungen zu reflektieren. Klicken Sie auf die "alle überprüften Stellen" Registerkarte finalize die Parametereinstellungen.
- Im Bild Betrieb Fenster auf die "Operation" Registerkarte. Zuweisen einer Ausgabeziel (z, c). Geben Sie die entsprechenden Zahlen in "Signal / Rausch - pro - Kanal" (zB "12 12 12 12" ist ein guter Ausgangspunkt, während die Standardeinstellung ist "20 20 20 20"). Verwenden Sie die Standardeinstellungen für die restlichen Parameter.
- Klicken Sie auf den "Run Command" Registerkarte zum Starten der Bildstapel Entfalten; dieser Vorgang bis zu zehn Minuten dauern kann, zu vervollständigen, auf dem Computer ab.
- Im Hauptfenster klicken und den entfalteten Bildstapel aus. Wählen Sie Menü: Speichern unter den entfalteten Bild in der ICS-Bilddateiformat (.ics und .ids) zu speichern.
HINWEIS: Jeder Bildstapel hat zwei Dateien: die ics-Datei enthält die Header-Informationen und die Iden-Datei enthält die Raw-Bildinformationen.- Benennen Sie die Bildstapel Dateien entsprechend der Abbildungs Orientierung (zB Name der horizontale Betrachtungsbild sStifte H.ids und H.ics und der frontalen Ansicht Bildstapel F.ids und F.ics).
3. Dual-View Bildkombination
Hinweis: Dieser Schritt verbindet zwei Bildstapeln hochauflösende 3D-Bilder mit der MIPAV Software zu erzeugen.
- Generieren von Matrizen für Bildkombination.
- Starten Sie das Programm MIPAV. Laden Sie die H und F-Bildstapeln unter Menü: Datei / Bild öffnen (A) von der Festplatte (oder Ctrl-f) /H.ids und F.ids; das Fenster zwei Bilder zeigen.
- Wählen Sie das H Bild durch Klick auf das Bild und wählen Menü: Utilities / Conversion Tools / RGB / Grays; Das Fenster zeigt GrayG, GrayB und GrayR Bilder.
- Schließen GrayR und GrayB, halten nur GrayG auf dem Fenster.
- Wählen Sie das F-Bild durch das Bild klicken und wählen Menü: Utilities / Conversion Tools / RGB / Grays. Das Fenster zeigt GrayG1, GrayB1 und GrayR1 Bilder.
- Schließen GrayR1 und GrayB1 und nur GrayG1 auf dem Fenster zu halten. Bei diesem Schritt nur GrAyg und GrayG1 sind auf dem Fenster.
- Wählen Sie das GrayG (markieren) Wählen Sie Menü: Algorithmen / Registrierung / Optimierte automatische Bildregistrierung; die "Optimierte automatische Bildregistrierung 3D" wird im Dialogfeld eingeblendet.
- In den Eingabeoptionen, ändern Sie die "Freiheitsgrade" von default "Affine-12" bis "Spezifische rescale-9". In "Verdrehungen" Schlüssel in -105 bis 105 in der "Drehwinkel Sampling-Bereich" (Standard: -30 bis 30 Grad), 10 in der "Coarse Winkelinkrement" (Standard: 15 Grad) und 3 im "Fein Winkelinkrement "(Standard: 6 Grad).
- OK klicken; die erste Matrix "GrayG_To_GrayG1.mtx" im Bild-Ordner erstellt und gespeichert werden. Schließen Sie alle Bildfenster und gehen Sie zum nächsten Schritt; Dieser Schritt wird mindestens 15 Minuten dauern.
- Laden Sie die H und F-Bildstapeln unter Menü: Datei / Bild öffnen (A) von der Festplatte (oder Ctrl-f) /H.ids und F.ids, wie in Schritt 3.1.1.
- Wählen Sie das H Bild durch Klick auf das Bild und wählen Menü: Utilities / Conversion Tools / RGB / Grau; die "RGB-> Gray" wird im Dialogfeld eingeblendet. OK klicken; das Fenster "HGray" Bilder zeigen. Halten Sie HGray und das H Bild zu schließen.
- Wiederholen Sie Schritt 3.1.9 für das F-Bild; die "FGray" Bilder werden auf dem Fenster angezeigt. Halten Sie FGray und schließen Sie das F-Bild; nur HGray und FGray wird auf dem Fenster belassen werden.
- Wählen Sie das HGray Bild (markieren) und gehen Sie zu Menü: Algorithmen / Transformation Tools / Transformation. Die "Transform / Bild neu berechnen" Dialogfeld erscheint. Klicken Sie auf die "Resampling" Registerkarte und ändern Sie das Resampling der Größe von "HGray" auf "FGray". Als nächstes klicken Sie auf den "Transform" Tab und Last "GrayG_To_GrayG1.mtx" durch die Auswahl von "Read-Matrix aus einer Datei." OK klicken; das Fenster wird das HGray_transform Bild zeigen. Schließen Sie das HGray Bild so nur HGray_transform und FGray sind auf dem Fenster links.
- Wählen Sie den "HGray_transform & #34; Bild (markieren) und gehen Sie zu Menü: Algorithmen / Registrierung / Optimierte automatische Bildregistrierung. Die "Optimierte automatische Bildregistrierung 3D" Dialogfeld erscheint. In "Verdrehungen" Schlüssel -5 bis 5 in der "Drehwinkel Sampling-Bereich" (Standard: -30 bis 30 Grad), 3 in der "Coarse Winkelinkrement" (Standard: 15 Grad) und 1 im "Fein Winkelinkrement "(Standard: 6 Grad). OK klicken.
HINWEIS: Die Affine Matrix (HGray_transform_To_FGray.mtx) im Bildordner und dem "HGray_Transform_register" Bild erzeugt und gespeichert werden auf dem Fenster angezeigt. Dieser Schritt wird mindestens 40 Minuten dauern. - Schließen Sie das "HGray_transform" Bild; nur "HGray_Transform_register" und "FGray" sollte auf das Fenster verlassen werden.
- Wählen Sie den "HGray_Transform_register" Bild (markieren) und gehen Sie zu Menü: Algorithmen / Registrierung / B-Spline Automatische Registrierung 2D / 3D. Die "B-Spline Automatische Registration-3D-Intensität "wird im Dialogfeld eingeblendet. Wählen Sie" Least Squares "in der Kostenfunktion (die Standardeinstellung ist Correlation Ratio).
- Klicken Sie auf "Perform zwei Pass Registrierung". Im Pass 1 Abschnitt Schlüssel in 2 in "Gradient Descent Minimieren Schrittgröße (Probeneinheiten)" (Standard ist 1) und Schlüssel in 10 in die "maximale Anzahl von Iterationen:" (die Standardeinstellung ist 10). Im Pass 2 Abschnitt, Schlüssel in 1 in "Gradient Descent Minimieren Schrittgröße (Probeneinheiten)" (die Standardeinstellung ist 0.5) und Schlüssel in 2 in die "maximale Anzahl von Iterationen:" (die Standardeinstellung ist 10).
HINWEIS: Die NLT Matrix "HGray_transform_register.nlt", wird in dem Bildordner und die "HGray_transform_register_registered" Bild auf dem Fenster angezeigt gespeichert werden. Dieser Schritt wird mindestens 5 Minuten dauern.
- Klicken Sie auf "Perform zwei Pass Registrierung". Im Pass 1 Abschnitt Schlüssel in 2 in "Gradient Descent Minimieren Schrittgröße (Probeneinheiten)" (Standard ist 1) und Schlüssel in 10 in die "maximale Anzahl von Iterationen:" (die Standardeinstellung ist 10). Im Pass 2 Abschnitt, Schlüssel in 1 in "Gradient Descent Minimieren Schrittgröße (Probeneinheiten)" (die Standardeinstellung ist 0.5) und Schlüssel in 2 in die "maximale Anzahl von Iterationen:" (die Standardeinstellung ist 10).
- Schließen Sie alle Bilder auf dem Fenster.
- Die Erzeugung des Referenzbild für Bildkombination.
Hinweis: dieser Schritt wird, soll generaß eine registrierte horizontale Bild für die Kombination.- Laden H und F-Bildstapeln unter Menü: Datei / Bild öffnen (A) von der Festplatte (oder Ctrl-f) /H.ids und F.ids; zwei Bilder werden auf dem Fenster angezeigt.
- Wählen Sie das H Bild (markieren) und gehen Sie zu Menü: Algorithmen / Transformation Tools / Transform; die "Transform / Bild neu berechnen" im Dialogfeld öffnet sich. Klicken Sie auf die "Resampling" Registerkarte und ändern Sie das Resampling von einer Größe von "H" auf "F." Als nächstes klicken Sie auf den "Transform" Tab und Last "GrayG_To_GrayG1.mtx" durch Auswahl von "Read-Matrix aus einer Datei." OK klicken; das H_transform Bild wird auf dem Fenster angezeigt. Schließen Sie das H Bild aber halten H_transform und F im Fenster.
- Wählen Sie den "H_transform" Bild (markieren) und gehen Sie zu Menü: Algorithmen / Transformation Tools / Transform; die "Transform / Bild neu berechnen" im Dialogfeld öffnet sich. Klicken Sie auf die "Resampling" Registerkarte und ändern Sie das Resampling von einer Größe von "H_transform" bis "F. & #34; Als nächstes klicken Sie auf den "Transform" Tab und Last "HGray_transform_To_FGray.mtx" durch Auswahl von "Read-Matrix aus einer Datei." OK klicken; die "H_transform_transform" Bild wird auf dem Fenster angezeigt. Schließen Sie das H_transform Bild; an diesem Punkt wird nur H_transform_transform und F auf dem Fenster belassen werden.
- Wählen Sie den "H_transform_transform" Bild (markieren) und gehen Sie zu Menü: Algorithmen / Transformation Tools / Transnichtlineare; die "Nonlinear B-Spline-Transformation" Dialogfeld erscheint. Als nächstes load "HGray_transform_register.nlt" und klicken Sie auf OK; die "H_transform_transform_registered" Bild wird auf dem Fenster angezeigt. Speichern Sie das Bild als ics-Datei. Schließen Sie alle Bilder auf dem Fenster.
- Die Kombination von Bildstapeln
HINWEIS: Dieser Schritt ist zwei Bildstapel in orthogonalen Richtungen erworben zu kombinieren (horizontal und frontal) in einen hochauflösenden Stack.- Gehen Sie zum Menü: Plugins / Generic / Drosophila Retinal Registrationl; die "Drosophila Retinal Registrierung v2.9" Dialogfeld erscheint. Upload "H.ics" in Bild H "H_transform_transform_registered" von Schritt 3.2.4 in Bild H-registrierter, "F.ics" in Bild F "GrayG_To_GrayG1.mtx" von Schritt 3.1.7 in Transformation 1-Grün (optional ), "HGray_transform_To_FGray.mtx" von Schritt 3.1.12 in Transformation 2-Affine und "HGray_transform_register.nlt" von Schritt 3.1.14 in Transformation 3-Nonlinear (optional).
- Wählen Sie sqrt (Intensity-H x Intensity-F) und No rescale in "Rescale H F." Behalten Sie die Standardoptionen für die restlichen Parameter. OK klicken; Dieser Schritt dauert ca. 3 Minuten dauern.
HINWEIS: Nach der Verarbeitung, 3 Sätze von Bildern generiert: combinedImage_sqrRt_trilinear_norescale_ignoreBG.ids (die endgültige rekombiniert Bild), greenChannelsImage-Gxreg-Gy-Gcomp.IDS (grünen Kanal für H, F, und die endgültige rekombiniert Bild) und redChannelsImage- Rxreg-Ry-Rcomp.ids (roter Kanal foR H, F, und das endgültige Bild rekombiniert); alle Ausgabedateien werden auf 512 x 512 x 512 Größe verändert werden.
- Wählen Sie sqrt (Intensity-H x Intensity-F) und No rescale in "Rescale H F." Behalten Sie die Standardoptionen für die restlichen Parameter. OK klicken; Dieser Schritt dauert ca. 3 Minuten dauern.
- Open "combinedImage_sqrRt_trilinear_norescale_ignoreBG.ids" unter dem Bild Visualisierungssoftware. Speichern Sie die Bildstapel im ims Format und benennen Sie die Datei; diese rekombiniert Bilddatei wird für Neuriten Tracing und Anmeldung verwendet werden.
- Gehen Sie zum Menü: Plugins / Generic / Drosophila Retinal Registrationl; die "Drosophila Retinal Registrierung v2.9" Dialogfeld erscheint. Upload "H.ics" in Bild H "H_transform_transform_registered" von Schritt 3.2.4 in Bild H-registrierter, "F.ics" in Bild F "GrayG_To_GrayG1.mtx" von Schritt 3.1.7 in Transformation 1-Grün (optional ), "HGray_transform_To_FGray.mtx" von Schritt 3.1.12 in Transformation 2-Affine und "HGray_transform_register.nlt" von Schritt 3.1.14 in Transformation 3-Nonlinear (optional).
4. Neuriten Tracing und Referenzpunktbelegung
Hinweis: Dieser Schritt ist Neuriten (4.1) und zuweisen Referenzpunkte für die Registrierung (4.2) unter Verwendung der Bildvisualisierungssoftware zu verfolgen.
- Tracing Neuriten
- Starten Sie die Bildvisualisierungssoftware. Öffnen Sie die rekombiniert Bilddatei. Zum Menü: Bearbeiten / Show Anzeige Einstellung und schalten Sie den Photorezeptorkanal (rot) ab.
- Visualisieren Sie das Bild in "Surpass" -Modus. Schalten Sie "Stereo" und verwenden Sie den "Quad Buffer" Modus von 3D-Bildern sichtbar zu machen, wenn der Computer equipped mit einem Stereobild-System.
- Zum Menü: Surpass / Filaments zu neuen Fäden hinzuzufügen. Klicken Sie auf die "automatische Erstellung überspringen, manuell bearbeiten" aus.
- Klicken Sie auf die "Draw" und wählen Sie "AutoDepth."
- Wählen Sie "Einstellungen" und klicken Sie auf "Linie" und Schlüssel in einer entsprechenden Pixelzahl zur besseren Visualisierung (4-Pixel-Linie wird in diesem Protokoll verwendet). Überprüfen Sie "Show Dendriten", "Anfangspunkt" und "Branching-Punkte". Stellen Sie "Render-Qualität" auf 100%.
- Wählen Sie die "Draw" Tab und starten Neuriten Tracing. Beginnen Sie mit dem Axon und dann an den Dendriten (2D) zu bewegen. Das Axon und Dendriten von transmedulla Neuronen sind leicht zu unterscheiden.
HINWEIS: Ein Tm Neuron erweitert seine Axon vom Zellkörper und projiziert den ganzen Weg zu den höheren visuellen Verarbeitungszentrum, das Lobula. Das System wird den ersten langen Filament als ein Axon und die verbleibenden kurzen Fäden automatisch definierenDendriten. Halten Sie den Ausgangspunkt zu Beginn des Filaments (Axon) während der Verfolgung und stellen Sie sicher, dass die zurückverfolgt Neuriten verbunden sind. Untersuchen Sie die Verzweigungspunkte und den Anfangspunkt. Wenn die Dendriten nicht verbunden sind, wird ein neuer Anfang Punkt, an dem nicht verbundenen Faden definiert werden. - Nach dem Aufspüren, um zurück zu gehen "Einstellungen" und deaktivieren Sie "Anfangspunkt" und "Branching Point," und zum Menü gehen: Surpass / Export ausgewählten Objekte ../. Speichern Sie den Faden als Erfinder-Datei (* .IV).
- Zuordnen von Referenzpunkten
- Wählen Sie "Show Display Einstellung" und schalten Sie beide Abbildungskanäle. In diesem Beispiel Kanal 1 ist der Photorezeptor-Färbung und Kanal 2 ist der TM20 Neuron (GFP).
- Zum Menü: Surpass / Mess. Wählen Sie die Registerkarte "Bearbeiten" und aktivieren Sie "spezifischen Channel:" (Anwahl des Photorezeptor-Kanal [rot]).
- Bezugspunkte für die obere Schicht zuordnen. Zum Menü: / Surpass / Mess Points neue Messpunkte zu schaffen. Markieren Sie den Beginn der M1-Schicht als oberste Schicht. Die Reihenfolge der Punkte ist wie folgt: äquatorialen, anterior-äquatorialen, vordere, anterior-ventralen, ventralen, posterior-ventralen, posterior, posterior-äquatorialen und in der Mitte (Abbildung 3F); definieren den Mittelpunkt Photorezeptor als mit den meisten dendritischen Prozesse verbunden.
- Ordnen Sie die R8 und R7 Schichten , wie in Schritt 4.2.3 (Abbildung 3G). Drei einzelnen Messpunkte sollten in Schritten 4.2.3 und 4.2.4 erstellt werden.
- Exportieren der Koordinaten der Punkte für jede Schicht. Klicken Sie auf die Registerkarte "Statistik", wählen Sie "Detaillierte", "Spezifische Werte" und "Position"; und klicken Sie auf "Export Statistik Tab Anzeige zu Datei." Speichern unter "Comma Separated Values" (* .csv).
- Öffnen Sie die drei CSV-Dateien (aus den Schritten 4.2.3 - 4.2.4) und kombinieren Sie die Koordinaten der 27 Referenzpunkte in eine neue CSV-Datei durch Kopieren und Einfügen (the ist, um nach oben, R8 und R7). Sehen Sie sich die Materialien / Ausrüstung Tabelle und folgen Sie dem Format der Beispieldatei.
5. Starrkörper und TPS Nonlinear Registrierung
HINWEIS: Dieser Schritt ist es, die Neuriten-Spuren (in iv-Format) auf die Referenzspaltenanordnung zu registrieren und eine registrierte SWC-Datei mit dem MIPAV Programm zu generieren. Dieser Abschnitt erfordert die folgenden Dateien: das rekombiniert Bildstapel (.ids) aus Schritt 3.3, der Referenzpunkt-Datei (.csv) aus Schritt 4.2 und die Neuriten Spur Glühfaden-Datei (.IV) aus Schritt 4.1.
- Gehen Sie zum Menü: Plugins / Generic / DrosophilaStandardColumnRegistration. Die "DrosophilaStandardColumnRegistration v6.6.1" Fenster erscheint.
- Legen Sie die Bilddateien (.ids), die Referenzpunkte-Datei (.csv), und der Faden-Datei (.IV).
- Wählen Sie 9 Punkte pro Schicht.
- Wählen Sie die Position des abgebildeten Neuron (LV / RD oder RV / LD).
- Wählen Sie "Rigid Registratiauf und TPS "und" Rigid Registration "auf nicht-lineare und Starrkörper Registrierung sind.
- Check "SWC-Datei erstellen" die folgenden Ausgabedateien zu erzeugen: eine eingetragene Neuriten Trace-Datei in SWC-Format (siehe spezifische Materialien / Ausrüstung für die Definition), einer eingetragenen IV-Datei (.IV), koordiniert von der standardisierten Neuriten (.txt), transformierten Koordinaten (.txt), und das kombinierte Bild (.ids).
- Ändern Sie den Namen der SWC-Datei. Tragen Sie die Abkürzung des Standortes an das Ende des Dateinamens (Schritt 1.7). Verwenden Sie zum Beispiel "Tm20_3_RV.swc" für TM20 Neuron # 3 an der ventralen Hälfte des rechten Medulla gelegen.
6. Standardisierung auf der rechten ventralen Konfiguration
HINWEIS: Dieser Schritt ist es, die Neuriten-Spuren (in SWC-Format) zur Standard-RV (rechte ventrale) Konfiguration mit dem benutzerdefinierten Skript zu konvertieren "RV_standardization.m." Hier wurde das Skript in der Matrix Labor Sprache geschrieben. Das"NeuronName _ _ Anzahl Konfiguration .swc" (zB Tm20_3_LV.swc): Namen der Eingangs SWC - Dateien in folgendem Format sein sollte.
- Öffnen Sie die "RV_standardization.m" Skript.
- Bearbeiten Sie die folgenden Parameter in der "Benutzereingabe" Abschnitt:
- Geben Sie die Namen der Neuronen ohne Nummerierung (zB Tm2, TM20, etc.) in "neuron_names."
HINWEIS: Die Standardeinstellung in "file_end_in" ist "_ * SWC.", Die für Dateien mit Namen enthält, sieht ( "*" als Platzhalter für eine beliebige Anzahl von Zeichen entspricht) "_ * SWC.". Die Standardeinstellung von "swc_file_end_out" ist "_f.swc", die "_f" bis zum Ende des Dateinamens nach Standardisierung hinzufügen. - Geben Sie das Verzeichnis, in dem die SWC-Dateien in "directory_in" sind. Geben Sie das Verzeichnis, in dem die standardisierten Dateien in "directory_swcout" gehen wird.
- Geben Sie die Namen der Neuronen ohne Nummerierung (zB Tm2, TM20, etc.) in "neuron_names."
- Führen Sie das Skript.
- Optional: Verwenden Sie Vaa3D 14 die SWC - Dateien zu visualisieren und die Umwandlung zu validieren.
7. Berechnen Dendritische Branching und Abschluss- Frequenzen
HINWEIS: Dieser Schritt verwendet Starrkörper SWC-Dateien registriert, die Kaplan-Meier-Schätzer für die Wahrscheinlichkeit zu berechnen, die eine dendritische Segment eine vorgegebene Länge ohne Abschluss erreichen. Dieses Skript verwendet zwei Dendritic_Tree_Toolbox Funktionen: extractDendriticSegmentLengthDistribution und estimateDendriticSegmentLengthProbability.
- Öffnen Sie die "Branch_term_P.m" Skript.
- Bearbeiten Sie die folgenden Parameter in der "Benutzereingabe" Abschnitt:
- Geben Sie den Pfad zu den Starrkörper registriert SWC - Dateien in "pathToSWCFiles" (zB / Rigid_Registered_swc /). Geben Sie den Pfad, der die Grafikausgabe in halten wird "pathToOutput." Geben Sie den Namen der Neuronen oder neuronalen Typen in "neuron_names" (zB Tm2, Tm20, etc.).
- Führen Sie das Skript; die Ausgänge sind die Kaplan-Meier-Schätzung Kurve für dendritischen Verzweigung und Terminierung.
HINWEIS: Optional: Tragen Sie die Funktion schlüssigen Verfahren zum Extrahieren von der Kaplan-Meier die lokale Wahrscheinlichkeit Schätzern, dass die dendritischen Segment verzweigen oder beendet.
8. Plot die Verteilung der Schichtspezifische Kündigung des Dendritische Dorne
HINWEIS: In diesem Schritt zeichnet die Verteilung von dendritischen Klemmen in verschiedenen Schichten Medulla als Balkendiagramm. Dies kann zu einem Neuron angewendet werden, eine Gruppe von Neuronen oder Neuronengruppen. Das Skript verwendet die extractDistributionAlongAxis Funktion von Dendritic_Tree_Toolbox.
- Öffnen Sie die "Layer_term.m" Skript.
- Bearbeiten Sie die folgenden Parameter in der "Benutzereingabe" Abschnitt:
- Geben Sie das Verzeichnis , das nicht - lineare registriert SWC - Dateien in "pathToSWCFiles" (zB / enthält Non_linear_Registered_swc /). Geben Sie das Verzeichnis für die Grafikausgabe in "pathToOutput." Geben Sie den Namen der Neuronen oder neuronalen Typen in "neuron_names" (zB Tm2, TM20, etc.).
- Führen Sie das Tutorial-Skript. Der Ausgang ist ein Histogramm des Anteils der Endknoten in spezifischen medulla Schichten.
9. Plot der Planar Projektionsrichtung von Dendriten
HINWEIS: Dieser Schritt zeichnet die planaren Projektionsrichtungen von Dendriten als Polarplot. Das Skript verwendet die extractAngularDistribution Funktion von Dendritic_Tree_Toolbox.
- Öffnen Sie das Skript "Planar_proj.m."
- Bearbeiten Sie die folgenden Parameter in der "Benutzereingabe" Abschnitt.
- Geben Sie das Verzeichnis, das die nicht - lineare registriert SWC - Dateien in "pathToSWCFiles" (zB / Non_linear_Registered_swc /) enthält. Geben Sie das Verzeichnis für die Grafikausgabe in "pathToOutput." Geben Sie den Namendie Neuronen oder neuronalen Typen in "neuron_names" (zB Tm2, TM20, etc.).
- Führen Sie das Skript; der Ausgang ist ein Polarplot planaren Projektionsrichtungen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Unter Verwendung des Dual-View-Bildgebungsverfahren hier vorgestellten ein Gehirn fly dünn markiertem TM20 Neuronen enthält, wurde in zwei orthogonalen Richtungen abgebildet. Vor der Bildgebung wurde das Gehirn mit den entsprechenden primären und sekundären Antikörper zur Visualisierung von membran tethered GFP und Photorezeptor Axone gefärbt. Für die Bildgebung wurde das Gehirn zuerst in der horizontalen Ausrichtung montiert (2A, B). Ein GFP-markiertem TM20 Neurons und die umgebenden Photorezeptor Axone wurden mit einem konfokalen Mikroskop (3A) abgebildet. Das Gehirn wurde dann erneut ausgerichtet (2A, B) und die gleiche TM20 Neuron wurde in der frontalen Ausrichtung (3B) wieder abgebildet. Während des Bilderzeugungsprozesses wurde der Ort des TM20 Neurons wie am ventralen Hälfte der rechten medulla Neuropil (RV Konfiguration) identifiziert. Diese beiden Bildstapeln wurden unter Verwendung der Bilddekonvolution Software und rec entfaltetenombined MIPAV (3C) unter Verwendung eines rekombinanten Bildstapel (3C ') zu erzeugen. Das rekombinante Bildstapel zeigte eine signifikante Reduktion der axialen Verzerrung im Vergleich zu entweder Eingangsstapel (3A ', B').
Mit Hilfe der Bildvisualisierungssoftware wurden die Axon und Dendriten des TM20 Neuron verfolgt (3D) und als Erfinder (iv) Datei gespeichert. 27 Referenzpunkte auf dem Photorezeptor Axone der TM20 Neuron umgibt zugeordnet wurden (Abbildung 3E - H) und als Comma Separated Value (CSV) Datei gespeichert. Die zurückverfolgt Dendriten Dateien und Referenzpunkt Datei wurde in der Folge auf die benutzerdefinierte Plug-in MIPAV angewendet Starrkörper registriert und nichtlinear Dendriten Spuren in SWC-Dateiformat registriert zu erzeugen. Die registrierten dendritischen Spuren wurden dem Standard-RV-Konfiguration mit dem "RV_standardization.m" Skript umgewandelt. Ter registriert und standardisierte dendritischen Trace - Dateien wurden mit Vaa3D visualisiert die Registrierung und Standardisierungsprozesse (Abbildung 3I) zu validieren.
Für dendritischen Analyse, registriert dendritischen Spuren 15 TM20 Neuronen und 15 Tm2 Neuronen wurden gesammelt. Mit Hilfe des "Branch_term_P.m" Skript, die Verzweigung und zur Einstellung Wahrscheinlichkeit dieser Neuronen wurden mit dem Starrkörper registriert dendritischen Spuren analysiert (4A, B). Die Kaplan-Meier-Kurven zeigen, dass beide neuronalen Typen ähnliche Verzweigung und zur Einstellung Frequenzen aufweisen. Jedoch hat Tm2 eine untere Abschlußfrequenz für längere Segmente (> 4 um; 4A) 12. dendritischen Eigenschaften im Zusammenhang mit den Schichten und Säulen zur Analyse, die dendritischen Spuren durch den nichtlinearen Registrierungsverfahren registriert wurden verwendet. Verwendung der benutzerdefinierten "Layer_term_P.m" Skript, die Verteilungs von schichtspezifischen dendritischen Endverschluss für Tm2 und TM20 Neuronen wurden berechnet (4C, D). Die unterschiedlichen Verteilungen von schichtspezifischen Endungen von Tm2 und TM20 Dendriten sind im Einklang mit ihren spezifischen synaptischen Partnern in verschiedenen Schichten: Tm2 Dendriten empfangen Eingänge von L2 und L4 axonalen Terminals in M2 und M5 jeweils während TM20 Dendriten empfangen Eingänge von R8 und L3 in der M3 - Schicht 8, 15, 16. Mit Hilfe des "Planar_proj.m" Skript, die planaren Projektionsrichtungen von Tm2 und TM20 Dendriten wurden analysiert und wurden voneinander verschieden zu sein gefunden: Tm2 Dendriten Projekt posterior während TM20 Dendriten Projekt ventral 12 (4E, F).
Abbildung 1. Der Workflow. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.
Abbildung 2. Probenvorbereitung für die Dual-View Imaging und die Symmetrie der Drosophila Medulla Column Array. (A, B) Probenhalterung für Dual-View - Bildgebung. (A) Die Ansicht wird als ob gezeigt durch ein Deckglas im Gehirn suchen. (B) schematische Darstellungen zur Probe Montage. Für die Bildgebung Horizonttal-Stacks, die immuno-gefärbten Gehirn an der ventralen-up-Position zuerst montiert ist. Nach den ersten Stapel zu erwerben, wird das Gehirn in der anterior-up-Position neu positioniert, um den frontalen Stapel zum Abbilden. A: anterioren; P: posterior; D: dorsale; V: ventralen; R: right; L: links. (C - E) Die Symmetrie und Organisation der Medulla neuropil, in der frontalen Position betrachtet. (C) Der Photorezeptor Axone gekennzeichnet durch die 24B10 Antikörper (rot), wurden verwendet , um die Organisation der Medulla Neuropil zu visualisieren. Das Bild wird dargestellt, als ob von außen in das Gehirn an. Ant: anterioren; Pos: posterior; Dor: dorsale; Ven: ventralen; Gl: Äquator. (D) Ein hoher Vergrößerung Ansicht von (C) in vier Quadranten der Medulla neuropil an der Schichtebene R7. Die zentralen R7 Terminals sind durch gelbe Punkte markiert. Die vordere und äquatorialen R7s sind mit grünen und Cyanpunkte beschriftet sind. (E) Eine schematische Darstellung der Medulla columnar Organisation. Beachten Sie, dass die linken und rechten medulla Neuropile sind Spiegelbilder und die dorsale und ventrale Hälften jedes Neuropil werden auch Bilder spiegeln, vom Äquator getrennt. Rote Punkte zeigen äquatorialen R7s, die die ersten Referenzpunkte sind. Numbers (1 - 9) und Pfeile zeigen die Reihenfolge der Referenzpunktzuordnungen. Maßstabsbalken: 15 & mgr; m in C; 5 & mgr; m in D. Bitte klicken Sie hier um eine größere Version dieser Figur zu sehen.
Abbildung 3. Bild Rekombination und Referenzpunktzuweisung. (A - C) Konfokale Bilder für einen einzelnen TM20 Neuron in der horizontalen (A) erfasst und frontal (B) Richtungen. Die Bilder werden als Maximum-Intensity Projections gezeigt. Der Photorezeptor Axonen und eine einzige TM20 neuron sind mit Mb24B10 Antikörper (rot) und membrangebunden GFP (grün) markiert sind. (C) rekombiniert Bild (A, rot) und (B, Cyan). Aus Gründen der Übersichtlichkeit sind nur Photorezeptoren gezeigt. (A '- C') Doppel-Bildgebung verbessert axiale Auflösung. Das rekombinierte Bild (A ') eine bessere Auflösung als die der Horizontalansicht (A') und Frontalansicht (B ') Bilder. Untere Platten: hoher Vergrößerung Blick auf die geschachtelte Flächen in den oberen Platten. (D) das Axon (weiß) eines einzelnen TM20 Neuron Tracing. Der Anfangspunkt wurde als Cyan-Punkt angezeigt. (E) Die 27 Bezugspunkte (weiße Punkte) an den Photorezeptor 9 Axone die TM20 Neuronen umgeben , werden als Ziele verwendet. Die Bezugspunkte sind in drei Schichten: Oben, R8 und R7. (F) Referenzpunkt Zuordnung in jeder Schicht. Der Referenzpunkt Zuordnung folgt den fol genden Reihenfolge: Äquator (Eq), anterior-Äquator (AE), vordere (A), anterior-ventralen (AV), ventrale (V), posterior-ventralen (PV), hintere (P), posterior-Äquator (PE) und in der Mitte (C). (G) Eine schematische Darstellung der Medulla Spaltenanordnung für die Registrierung verwendet. Ein TM20 Neuron gezeigt (grün). Die Medulla Schichten (M1-6) sind wie angegeben. (H) Ein Beispiel für Schicht und Referenzpunktzuordnung für eine einzelne Spalte. Drei Schichten werden verwendet, um jede Spalte zu definieren: Top, R8 und R7 (die Kreuzung der M5 / 6 Schichten). (I) A registriert und standardisierte Neuriten Spur sichtbar gemacht Vaa3D verwenden. Maßstabsbalken: 5 & mgr; m in A für AC; 5 & mgr; m in A 'für A'-C'; 5 & mgr; m in D, E, F und G. Bitte klicken Sie hier um eine größere Version dieser Figur zu sehen.
410fig4.jpg "/>
Abbildung 4. Beispiele für Ergebnisse von Dendritische Analysen. (A, B) Kaplan-Meier Schätzungen (y-Achse) von dendritischen Verzweigung (A) und Beendigung (B) wurden in logarithmischen Skala in Bezug auf die Segmentlänge (x-Achse) aufgetragen. Solide und gestrichelte Linien bezeichnen Mittelwerte ± Standardabweichungen. Tm2 (rot) und TM20 (schwarz) haben ähnliche Verzweigung und zur Einstellung Frequenzen für Segmente weniger als 4 um. (C, D) Histogramme der mittleren Anteil an terminalen dendritischen Knoten in jeder Medulla (M) Schicht zeigt. Der Anteil der Endknoten in einer medulla Schicht gegeben wird zunächst für jedes Neuron eines gegebenen Typs berechnet und dann gemittelt über alle Neuronen dieses Typs. Die vertikalen Balken zeigen die Standardabweichung des Anteils. Beachten Sie, dass für Tm2 Neuronen (C), ist die Verteilung der terminalen dendritischen Knoten konzentriert in medulla Schicht 2, mit einem Nebenpeak in Schicht 5, während für Tm 20 Neuronen(D) wird die Verteilung um die M2 und M3 Schichten zentriert. (E, F) Polardiagramme der planaren Projektionsrichtung von Dendriten. Der Anteil der Endknoten in einem Winkel bin projiziert (20 °) wurde zunächst für jedes Neuron eines gegebenen Typs berechnet und dann gemittelt über alle Neuronen dieses Typs. Die roten und blauen Kurven zeigen den Mittelwert ± Standardabweichung Verhältnis. Die Ecken auf den Kurven sind die Mittelpunkte der Winkel bins. Die schwarzen Kreise zeigen die Anteilswerte durch die schwarze Zahl auf ihre Seite angezeigt. Beachten Sie, dass im Durchschnitt die beiden Klassen von Neuronen in fast entgegengesetzte Richtungen orientiert sind. A: anterioren; P: posterior; D / V: dorsal / ventral; Gl: Äquator. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Hier zeigen wir , wie man Bild und analysieren dendritischen Dorne von Drosophila Medulla Neuronen. Der erste Abschnitt, Dual-View-Bildgebung, beschreibt die Entfaltungs und Kombination von zwei Bildstapeln in einem hochauflösenden Bildstapel. Der zweite Abschnitt, Dendriten Verfolgung und Anmeldung, beschreibt die Verfolgung und Registrierung von Dendriten der Medulla Neuronen auf die Referenzspaltenanordnung. Der dritte Abschnitt, dendritische Analyse, beschreibt die Verwendung von benutzerdefinierten Skripts dendritische Muster zu analysieren. Zusammen stellen diese Protokolle einen kompletten Workflow Informationen über dendritische Muster in Bezug auf Schichten und Spalten zu extrahieren und dendritischen Verzweigungen und zur Einstellung Frequenzen zu bestimmen.
Die Dual-View-Bildgebungsverfahren hier präsentiert ist vom Konzept her ähnlich wie die Multi-View-Bildgebungsverfahren mit Mikroskopen Lichtbogen umgesetzt, in denen zwei oder mehrere Bildstapel orthogonal rekombiniert werden gesammelt, um eine hohe axiale resolutio zu erreichen17 n, 18. Jedoch ist es technisch schwierig zu orthogonal die beiden hohen NA (numerische Apertur) Objektivlinsen implementieren, die zum Abbilden slender Dendriten erforderlich sind. Somit erfordert das Dual-View-Verfahren den gleichen Gehirnprobe in zwei aufeinanderfolgenden Schritten Abbilden und Wieder Orientieren der Probe zwischen Bildgebung. Fehler in der Bildkombination werden höchstwahrscheinlich durch Probenbewegung während der Bildgebung oder Probe Quetschen während der Manipulation verursacht. Darüber hinaus, während das Bild Rekombinationsprozeß die axiale Verzerrung Problem und führt zu einer nahezu isotropen Auflösung mildert, sind die rekombinierten Bilder immer noch unter einem Beugungsgrenze. Unsere Dual-View-Bildgebungsverfahren benötigt nur Standard-konfokale Mikroskopie, die weit verbreitet ist. Allerdings superauflösende Mikroskopie, wie STED oder Struktur Beleuchtung, wenn verfügbar, wäre eine ausgezeichnete Alternative zu den Dual-View-Bildgebungsverfahren hier vorliegen.
DasAbschnitt Dendriten Verfolgung und Anmeldung hier präsentierten Spuren Dendritenbäume und registriert Dendritenbäume auf die Referenzspaltenanordnung. In diesem Protokoll wird das kommerzielle Programm Imaris für halbautomatische Dendriten Verfolgung verwendet und Referenzpunkte für die Zuordnung. Ähnliche Aufgaben durchgeführt werden, um eine Reihe von Freeware Alternativen verwenden, wie NeuronJ 19, 20 und Neuriten Tracer 21. Unser Registrierungsprotokoll verwendet eine benutzerdefinierte Plug-in der Open-Source-Programm MIPAV umgesetzt Dendriten Spuren auf die Referenzspaltenanordnung registrieren. Unseres Wissens ist dieses Registrierungsverfahren die einzige Methode, die Neuriten-Spuren auf Spalten und Schichten registriert. Bei diesem Verfahren wird regelmäßig Photorezeptor Axone als Orientierungspunkte für die Registrierung angeordnet. Die dendritischen Spuren durch den nichtlinearen Registrierungsverfahren erzeugt sind ideal für Informationen über dendritische Muster Extrahieren Spalten und Schichten beziehen. Auf dem anderenHand, die Starrkörperregistrierungsverfahren richtet die Raumachsen von dendritischen Spuren zu den Hauptachsen der neuropil ohne die dendritischen Längen oder andere lokale geometrische Eigenschaften zu verändern. Daher registriert die Starrkörper dendritischen Spuren geeignet sind für Standard-morphometrische Analysen.
Traditionelle dendritischen morphometrische Analyse, wie L-Maß 22, charakterisiert lokale und globale dendritischen Eigenschaften ohne das umgebende Gewebe zu verweisen. Wir haben zuvor gezeigt , dass viele medulla Neuronen dendritischen geometrische Eigenschaften teilen , und dass solche Messwerte sind unzureichend 12 medulla neuron Typen zu differenzieren. Stattdessen typspezifische dendritischen Eigenschaften sind direkt mit den Schichten und Spalten zugeordnet, wo Dendriten befinden. Insbesondere verschiedene Arten von medulla Neuronen projizieren Dendriten in verschiedene Richtungen planar in spezifischen medulla Schichten zu beenden. Diese beiden dendritischen Eigenschaften rEflekt die dendritische Funktion der Medulla Neuronen retinotop gerichtet Afferenzen in Schichten und Spalten organisiert zu erhalten. Um die Gewinnung dieser Eigenschaften zu erleichtern, haben wir die Dendritenbaum Toolbox, die für die Berechnung der dendritischen Eigenschaften eine Reihe von benutzerdefinierten Funktionen enthält. In der dendritischen Analyse Abschnitt zeigen wir, wie diese Funktionen für registrierte dendritischen Spuren angewendet werden kann, die Verteilung der Schichtspezifische Terminierung und planaren Projektionsrichtungen von Dendriten zu berechnen.
Die Dendritenbaum Toolbox bietet eine Plattform für das Hinzufügen von anderen benutzerdefinierten Funktionen für dendritische Analyse. In der dendritischen Analyse Abschnitt beschreiben wir auch den Prozess Schätzungen für scheinbare dendritischen Abschluss und Verzweigung Frequenzen abzuleiten. Insbesondere berechnen diese Funktionen die Verzweigung und zur Einstellung Frequenzen auf der Basis einer Kaplan-Meier nichtparametrischer Schätzer für die Wahrscheinlichkeit, dass ein dendritischen Segment bis zu einem gewissen lengt verlängernh ohne Verzweigung oder 12, 23 endet. Es ist wichtig zu beachten, dass die Starrkörper registriert (aber nicht die nicht-linear registriert) dendritischen Spuren sollten für diese Berechnung verwendet werden, da die nichtlineare Registrierung dendritischen Segmentlängen verändert. Die dendritischen Verzweigungen und Beendigung Frequenzen sind die erste Ableitung (die Steigung) der KM-Kurven und kann mit Hilfe der Funktion sitz Methode berechnet werden. Darüber hinaus erfordert die genaue Berechnung der Verzweigungs und Abschlußfrequenzen häufig eine beträchtliche Datenmenge (> 10 Neuronen für Tm Neuronen), weil einzelne Neuronen haben nur eine relativ kleine Anzahl von dendritischen Segmente. In den angegebenen Beispielen, Tm2 und TM20 haben ähnliche Verzweigung und zur Einstellung Frequenzen, aber die Tm2 Verzweigungsfrequenz ist über Verzweigungslänge nicht homogen, Dendriten ein charakteristisches Merkmal der Tm2 12.
Während unsere Protokollesind für Drosophila medulla Neuronen, können sie angepaßt werden , um andere Neuronen zu analysieren , die aufwendige Dendriten in Schichten und Säulen, wie beispielsweise andere optic Keulen Drosophila und Wirbeltieren Retina und Kortex. Solche Anpassungen erfordern würde , eine neue Referenzspalte Array Aufbau basiert auf dem System der Interessen 12, sowie geringfügige Änderungen des MIPAV Plugin. Wir bieten alle unsere Programme als Open-Source-Software die Zusammenarbeit und den Austausch zu fördern.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts zu offenbaren.
Acknowledgments
Diese Arbeit wurde von der Intramural Research Program der National Institutes of Health, die Eunice Kennedy Shriver National Institute of Child Health und Human Development (Erteilungs HD008913 bis C-HL) und das Zentrum für Informationstechnologie (PGM, NP, ESM und MM).
Materials
| Name | Company | Catalog Number | Comments |
| Software | |||
| Huygens Professional | Scientific Volume Imaging | version 16.05 | for image deconvolution (https://svi.nl). commercial software |
| MIPAV | version 7.3.0 | for image recombination and registration (http://mipav.cit.nih.gov/); freeware | |
| MIPAV plugin: PlugInDrosophila RetinalRegistration.class |
freeware | ||
| MIPAV plugin: PlugInDrosophilaStandard ColumnRegistration.class |
freeware | ||
| Imaris | Bitplane | for tracing neurites and assigning reference points for image registration (http://www.bitplane.com); commercial software | |
| Vaa3D | for visualizing swc files (https://github.com/Vaa3D/release/releases/); freeware | ||
| Matlab | Mathworks | R2014b | for morphometric analysis of dendrites (http://www.mathworks.com); commercial software |
| Matlab toolbox: TREES1.14 | v1.14 | for analyzing dendritic morphometric parameters (http://www.treestoolbox.org/download.html); freeware | |
| Matlab toolbox: Dendritic_Tree_Toolbox | v1.0 | For calculating morphometric parameters (https://science.nichd.nih.gov/confluence/display/snc/Data+collections+for+imagines+combination+and+standardize+column+registration). Freeware | |
| Name | Company | Catalog number | Comments |
| Sample files | |||
| SWC file definition | http://www.neuronland.org/NLMorphologyConverter/MorphologyFormats/SWC/Spec.html | ||
| The codes and sample files for image combination and registration | https://science.nichd.nih.gov/confluence/display/snc/Data+collections+for+imagines+combination+and+standardize+column+registration | ||
| Reference point example | https://science.nichd.nih.gov/confluence/download/attachments/117216914/points.csv?version=1&modificationDate= 1471880596000&api=v2 |
||
| Name | Company | Catalog number | Comments |
| Computer system | |||
| MS Windows Windows 7 x64 or Macintosh OS X 10.7 or later | 3GHz 64-bit quad-core processor, 16G RAM (minimal) | ||
| Optional: Quadro4000 (or above) graphic card | Nvidia | for stereographic visualization of dendrites. | |
| Optional: NVIDIA 3D vision2 | Nvidia | http://www.nvidia.com/object/3d-vision-main.html | |
| Optional: 120 Hz LCD display for NVIDIA 3D vision2 | http://www.nvidia.com/object/3d-vision-system-requirements.html | ||
| Name | Company | Catalog number | Comments |
| Reagents for imaging | |||
| 24B10 antibody | The Developmental Studies Hybridoma Bank | 24B10 | |
| GFP Tag Antibody | Thermofisher Scientific | G10362 | |
| Goat anti-Rabbit (H+L), Alexa Fluor 488 | Thermofisher Scientific | A11034 | |
| Goat anti-Mouse (H+L), Alexa Fluor 568 | Thermofisher Scientific | A21124 | |
| VECTASHIELD Antifade Mounting Medium | Vector Laboratories | H-1000 | |
| Mounting Clay | Fisher | S04179 | |
| 70% glycerol in 1x PBS | |||
| Cover glasses, high performance, D = 0.17 mm | Zeiss | 474030-9000-000 |
References
- Kaas, J. H. Topographic maps are fundamental to sensory processing. Brain Res Bull. 44 (2), 107-112 (1997).
- Sanes, J. R., Zipursky, S. L. Design principles of insect and vertebrate visual systems. Neuron. 66 (1), 15-36 (2010).
- Huberman, A. D., Clandinin, T. R., Baier, H. Molecular and cellular mechanisms of lamina-specific axon targeting. CSH Perspect Biol. 2 (3), a001743 (2010).
- Clandinin, T. R., Feldheim, D. A. Making a visual map: mechanisms and molecules. Curr Opin Neurobiol. 19 (2), 174-180 (2009).
- Luo, J., McQueen, P. G., Shi, B., Lee, C. H., Ting, C. Y. Wiring dendrites in layers and columns. J Neurogenet. 30 (2), 69-79 (2016).
- Meinertzhagen, I. A., Hanson, T. E. The development of the optic lobe. In The Development of Drosophila melanogaster. , Cold Spring Harbor Laboratory Press. NY. 1363-1491 (1993).
- Takemura, S. Y., et al. A visual motion detection circuit suggested by Drosophila connectomics. Nature. 500 (7461), 175-181 (2013).
- Takemura, S. Y., et al. Synaptic circuits and their variations within different columns in the visual system of Drosophila. Proc Natl Acad Sci U S A. 112 (44), 13711-13716 (2015).
- Gao, S., et al. The neural substrate of spectral preference in Drosophila. Neuron. 60 (2), 328-342 (2008).
- Karuppudurai, T., et al. A hard-wired glutamatergic circuit pools and relays UV signals to mediate spectral preference in Drosophila. Neuron. 81 (3), 603-615 (2014).
- Strother, J. A., Nern, A., Reiser, M. B. Direct observation of ON and OFF pathways in the Drosophila visual system. Curr Biol. 24 (9), 976-983 (2014).
- Ting, C. Y., et al. Photoreceptor-derived activin promotes dendritic termination and restricts the receptive fields of first-order interneurons in Drosophila. Neuron. 81 (4), 830-846 (2014).
- Ting, C. Y., et al. Tiling of R7 axons in the Drosophila visual system is mediated both by transduction of an activin signal to the nucleus and by mutual repulsion. Neuron. 56 (5), 793-806 (2007).
- Peng, H., Ruan, Z., Long, F., Simpson, J. H., Myers, E. W. V3D enables real-time 3D visualization and quantitative analysis of large-scale biological image data sets. Nat Biotechnol. 28 (4), 348-353 (2010).
- Takemura, S. Y., Lu, Z., Meinertzhagen, I. A. Synaptic circuits of the Drosophila optic lobe: the input terminals to the medulla. J Comp Neurol. 509 (5), 493-513 (2008).
- Takemura, S. Y., et al. Cholinergic circuits integrate neighboring visual signals in a Drosophila motion detection pathway. Curr Biol. 21 (24), 2077-2084 (2011).
- Keller, P. J., Schmidt, A. D., Wittbrodt, J., Stelzer, E. H. Reconstruction of zebrafish early embryonic development by scanned light sheet microscopy. Science. 322 (5904), 1065-1069 (2008).
- Wu, Y., et al. Spatially isotropic four-dimensional imaging with dual-view plane illumination microscopy. Nat Biotechnol. 31 (11), 1032-1038 (2013).
- Popko, J., Fernandes, A., Brites, D., Lanier, L. M. Automated analysis of NeuronJ tracing data. Cytometry A. 75 (4), 371-376 (2009).
- Meijering, E., et al. Design and validation of a tool for neurite tracing and analysis in fluorescence microscopy images. Cytometry A. 58 (2), 167-176 (2004).
- Pool, M., Thiemann, J., Bar-Or, A., Fournier, A. E. NeuriteTracer: a novel ImageJ plugin for automated quantification of neurite outgrowth. J Neurosci Methods. 168 (1), 134-139 (2008).
- Scorcioni, R., Polavaram, S., Ascoli, G. A. L-Measure: a web-accessible tool for the analysis, comparison and search of digital reconstructions of neuronal morphologies. Nat Protoc. 3 (5), 866-876 (2008).
- Kaplan, E. L., Meier, P. Nonparametric Estimation from Incomplete Observations. JASA. 53, 457-481 (1958).
