Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Explorateur de réseau vasculo-nerveux 2.0 : Un outil Simple pour l’exploration et de partage d’une base de données de la vasomotricité évoquée par Optogenetically dans le Cortex de souris In Vivo

Published: May 4, 2018 doi: 10.3791/57214
Automatic Translation
1,2, 3,4, 3,5, 1, 6, 2,7, 1, 1,3, 1,3,8, 3
1Department of Radiology, University of California, San Diego, 2Central European Institute of Technology, Brno University of Technology, 3Department of Neurosciences, University of California, San Diego, 4Department of Physics, John Carroll University, 5Department of Biomedical Engineering, Boston University, 6Bioengineering Undergraduate Program, University of California, San Diego, 7Institute of Physical Engineering, Faculty of Mechanical Engineering, Brno University of Technology, 8Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School

Summary

Une interface utilisateur graphique pour explorer et partageant une base de données des réponses vasculaires induite par l’optogenetically en souris cortex somatosensoriel dans vivo mesurée par microscopie 2 photons est présentée. Il permet de parcourir les données, fondées sur des critères de sélection, en moyenne, localisation des mesures dans un volume 3D du système vasculaire et l’exportation des données.

Abstract

L’importance du partage des données expérimentales en neurosciences croît avec la quantité et la complexité des données acquises et les diverses techniques utilisées pour obtenir et traiter ces données. Cependant, la majorité des données expérimentales, notamment pour des études individuelles de taille normale laboratoires jamais atteindre plus large communauté de recherche. Un moteur d’interface (GUI) utilisateur graphique appelé neurovasculaire réseau Explorer 2.0 (NNE 2.0) a été créé comme un outil simple et peu coûteuse partage et explorer des données d’imagerie vasculaires. NNE 2.0 interagit avec une base de données contenant une dilatation/constriction évoquée par optogenetically temps-cours de chaque navire mesuré dans le cortex somatosensoriel souris in vivo par microscopie 2 photons. NNE 2.0 permet la sélection et l’affichage de l’heure-cours basé sur des critères différents (sujet, ordre branchement, profondeur cortical, le diamètre du vaisseau, arbre artériolaire) ainsi que des manipulations mathématiques simples (par exemple. calcul de la moyenne, pic-normalisation) et exportation de données. Il prend en charge la visualisation du réseau vasculaire en 3D et permet la localisation des mesures diamètre individuels de bateau fonctionnelle au sein des arbres vasculaires.

NNE 2.0, son code source et la base de données correspondante sont librement téléchargeables de UCSD neurovasculaire Imaging laboratoire site1. Le code source peut être utilisé par les utilisateurs d’explorer la base de données associée, ou comme un modèle pour l’archivage et le partage de leurs propres résultats expérimentaux fournis au format approprié.

Introduction

Le cerveau est considéré comme un des organes les plus complexes et le désir de démêler ses fonction complexe est indéfectible. Elle est étudiée à différentes échelles de la moléculaire au niveau comportemental à l’aide d’une large palette d’outils2,3,4,5,6,7,8 . La quantité de données expérimentales non homogènes se développe à une vitesse sans précédent. La prise de conscience de la nécessité pour le partage des données expérimentales, organisation et normalisation croît avec la quantité de données acquises. Il est devenu évident que la neuroinformatique jouera un rôle essentiel dans l’intégration des données expérimentales à échelles dans les modèles de cerveau fonction ou la dysfonction9,10.

À cette fin quelques études, surtout à grande échelle, ont été en mesure d’affecter des ressources afin de rendre leurs résultats disponible par l’intermédiaire de bases de données élaborées11,12,13,14,15. Cependant, une grande quantité de données expérimentales pour des études individuelles et les laboratoires de taille normale n’a jamais atteint le milieu de la recherche plus large. Il s’agit principalement pour deux raisons : tout d’abord, le plus dévoué de temps est nécessaire pour construire une base de données et créer des outils qui permettraient à l’utilisateur d’interagir avec la base de données ; et la deuxième, plus d’argent est nécessaire pour soutenir ces tâches. Motivé par ces défis, un moteur d’interface (GUI) utilisateur graphique MATLAB basé appelé le neurovasculaire réseau Explorer 2.0 (NNE 2.0)16 a été développé comme un outil simple et peu coûteux d’archivage, de partage et d’exploration de données d’imagerie vasculaires. Ce manuscrit fournit un manuel d’exploitation de NNE 2.0 et la base de données associée à des données expérimentales.

NNE 2.0 est déjà un moteur de deuxième génération de logiciel. La première génération, appelée neurovasculaire réseau Explorer 1.0 (NNE 1.0)17 a été construite pour interagir avec une base de données sensorielles évoquée par vasodilatation dans le cortex somatosensoriel primaire (SI) in vivo mesurée par microscopie 2 photons18. NNE 1.0, son code source ainsi que les bases de données associées sont librement téléchargeables sous forme de fichier compressé appelé « NNE 1 Tian » de UCSD neurovasculaire Imaging laboratoire site1. On trouvera plus d’informations sur NNE 1.0 et la base de données associée dans17.

La deuxième génération, le 2.0 NNE, interagit avec une base de données de dilatation évoquée par l’optogenetically des navires individuels chez les souris SI in vivo mesurée par microscopie 2-photon20. L’utilisateur peut parcourir, sélectionner et visualiser des données fondées sur des catégories de sélection tels que profondeur corticale, ordre branchement, le diamètre du vaisseau, sujet animaux ou un arbre particulier artériolaire. Le GUI plus exécute des opérations mathématiques simples tels que la moyenne et crête-normalisation dans les catΘgories sΘlectionnΘes. NNE 2.0 permet de visualiser et parcourir les images capture des volumes 3D du système vasculaire ainsi qu’identifier l’emplacement de la mesure fonctionnelle dans l’arbre vasculaire. Cette fonctionnalité peut servir à reconstruire les morphologies vasculaires en 3D et les remplir avec véritable single-navire vaso-marche. Ces reconstructions peuvent à son tour être incorporées dans les modèles informatiques du cerveau fonction21,22. NNE 2.0, son code source et la base de données associée sont librement téléchargeables sous forme de fichier compressé appelé « NNE 2.0 HDbase v1.0 » du laboratoire d’imagerie neurovasculaire UCSD site1.

NNE 2.0 fonctionne avec une base de données appelée « vdb.mat ». Cette base de données est une matrice contenant les profils temporelles (temps-cours) des changements de diamètre unique navire évoquées par un stimulus optogenetic et mesurée à différents endroits des arbres artériolaires. Chaque évolution temporelle a été calculée à l’aide du logiciel d’écriture personnalisée. Il calcule la variation relative d’un diamètre vasculaire de l’expansion d’un profil d’intensité de fluorescence acquis par balayage sur le navire. Le contraste fluorescent a été présenté par une injection intravasculaire de l’isothiocyanate de fluorescéine (FITC)-étiqueté dextran. Pour plus d’informations sur les procédures d’analyse et des données, veuillez consulter le20,23. La base de données a 305 temps-cours (c'est-à-dire les entrées de base de données) au total. En outre le changement de diamètre, chaque entrée de la base de données détient un tableau des métadonnées supplémentaires qui (1) quantifier l’évolution temporelle (2) décrire le navire mesuré et (3) identifier l’emplacement de mesure dans un volume 3D du système vasculaire cortical. Les métadonnées incluent le temps d’apparition, amplitude de crête, temps d’amplitude crête, profondeur corticale, ordre branchement, le diamètre du vaisseau à la base, chemin d’accès à des images de référence originales et piles d’image 3D pour chaque mesure et faible grossissement des cartes de la surface du cerveau système vasculaire. Voir tous les paramètres dans les métadonnées énumérés et décrits en détail dans le tableau 116précédemment.

NNE 2.0 interagit avec les images de référence qui sont QUE XY scanne d’un avion où a eu lieu la mesure du diamètre. Chaque entrée de la base de données a une image de référence correspondante avec un nom de référence affiché dans l’interface GUI. Chaque entrée de la base de données a également une associé pile d’images (pile 3D) capture un volume 3D de l’arbre vasculaire au sein de laquelle la mesure a eu lieu. L’interface graphique permet de choisir une entrée de base de données particulière et d’afficher l’image de référence correspondante ainsi que la pile de la 3D. Il dirige également l’utilisateur pour trouver l’image de référence correspondante et le cadre dans la pile de 3D (les mêmes caractéristiques peuvent être trouvés dans les deux images). Tout pile et images de référence dans leur pleine résolution (1024 pix de pix x 1024) sont inclus dans les dossiers hana_stk et hana_refs, respectivement. Cartes de faible grossissement du système vasculaire cérébrale sont inclus dans le dossier « maps ». Tous les trois dossiers ainsi que la matrice de base de données « vdb.mat » sont téléchargé dans le fichier zippé « NNE 2.0 HDbase v1.0 » de l’UCSD neurovasculaire Imaging laboratoire site1 et enregistrée dans le dossier racine du NNE 2.0 au cours du processus d’installation.

L’interface graphique a été conçu comme un ensemble de quatre panneaux (panneau 1 (panneau principal) – panneau 4) qui s’ouvrent dans l’ordre comme l’utilisateur explore la base de données et sélectionne les données spécifiques fondées sur des catégories de sélection. Chaque panneau est divisé en deux parties principales : (1) la colonne de droite contient la possibilité d’interagir avec la base de données en sélectionnant des paramètres et des catégories de données et affiche des informations importantes dans les métadonnées ; (2) la colonne de gauche affiche les données sous forme de temps-cours (variation de diamètre dans le temps) et diagrammes de dispersion. Il existe quatre types de diagrammes de dispersion affichant début de dilatation (1) heure (2) de la variation de diamètre (3) maximale de crête dilatation (amplitude de crête) et diamètre (diamètre avant la stimulation) de la ligne de base (4) en fonction de la profondeur de la corticale. L’utilisateur a la possibilité d’afficher la moyenne de temps-cours et les valeurs pour certaines données regroupées par profondeur corticale ou ordre de branchement. Il s’agit de mettre en évidence la fonction du gradient diamètre-changement de comportement avec augmentation de la profondeur et la ramification arrêté20. NNE 2.0 permet à l’utilisateur d’exporter le sous-ensemble de données dans le format « .xls », « .csv » ou « .mat ».

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. installation de NNE 2.0

  1. Aller à UCSD neurovasculaire Imaging laboratoire site1 et clic gauche à « NNE 2.0 HDbase v1.0 » pour télécharger les fichiers de programme compressé à l’endroit désiré sur votre PC.
    Remarque : NNE 2.0 nécessite un système d’exploitation Windows, des versions 7-10, au moins 2,8 Go d’espace libre pour télécharger le fichier zippé et 6,9 Go pour installer le programme.
  2. Décompressez le « NNE2_HDbase_v1.0.zip ».
    Remarque : Le dossier décompressé NNE2 contient 10 fichiers : « hana_refs.tar.gz », « hana_stk.tar.gz », « maps.tgz », « MCRInstaller.exe », « NNE2.exe », « NNE2.zip », « NNE2_README.txt », « source.zip », « users_guide.pdf » et « vdb.mat ».
  3. Installer NNE 2.0 en suivant les instructions dans « NNE2_README.txt ».

2. Exécutez NNE 2.0

  1. Démarrer le NNE 2.0 avec « NNE2.exe ».
  2. Groupe 1 (panneau principal) : Sélectionnez un sous-ensemble de données (Figure 1). Les images dans la colonne de gauche du panneau principal montrent des graphiques de temps-cours et les paramètres de toutes les entrées à la « vdb.mat » (Figure 1).
    1. Sélectionnez la plage de Profondeur corticale dans la colonne de droite du panneau. Type dans la gamme de profondeur dans le format [dmin maxd], où dmin est la profondeur minimale etmaximale d est la profondeur maximale.
      NOTE : Les données a été mesurées à une profondeur de 30-560 µm.
    2. Sélectionnez l’Ordre de branchement dans la colonne de droite du panneau. Cliquez sur la flèche et choisissez une des options dans la liste (Surface | Tronc de plongée | Premier ordre Branches | Commandez plus Branches).
    3. Sélectionnez la plage de Diamètre de la base de la colonne de droite du panneau. Tapez-le dans le format [diamin diamax], où diamin est le diamètre minimum et diamax est le diamètre maximum.
    4. Dans la colonne de droite du panneau, sélectionnez sujets (animaux selon la date d’acquisition). Cliquez sur la flèche et choisissez parmi les options offertes. Sinon, choisissez données provenant de tous les sujets par un clic gauche dans le rectangle bleu.
    5. Appuyez sur Envoyer pour afficher et explorer les données sélectionnées dans le tableau 2.
  3. Panel 2 : Explorer le sous-ensemble de données et poursuivre l’amélioration de données (Figure 2).
    1. Sélectionnez le type de groupe étalement des données en cliquant le bouton approprié dans la colonne de droite sur le dessus. SELECT : Avg par profondeur corticale ou Avg par ordre de branchement.
      Remarque : Le choix réel est surligné en vert ci-dessous (Figure 2).
    2. Sélectionnez les données basées sur la morphologie du navire ou objet. Cliquez sur Sélectionner toutes les données de l’arbre (une artériole plongée unique et ses branches) ou sélectionnez toutes les données d’objet (sujet animaux).
    3. Cliquez sur soumettre pour afficher des données sélectionnées sur la gauche dans les graphes de temps-cours (1) individuels (2) groupe moyenne temps-cours et des intrigues de début (3) fois (4) temps-à-pics (5) peak amplitudes et des diamètres de base (6)
    4. Faites un clic gauche sur une trace le graphique de timecourses individuel dans la colonne de gauche pour sélectionner une évolution temporelle.
      Nota : Le temps sélectionné obtient mises en évidence dans le graphique (magenta) et son temps d’apparition, diamètre d’amplitude et de la ligne de base temps-à-crête, PIC sera marqué par des cercles rouges dans les graphiques ci-dessous. Les points rouges dans les diagrammes de dispersion sont des valeurs moyennes.
    5. Remarque les identificateurs de l’objet (ID d’objet) et l’arbre (ID de l’arbre) pour l’évolution temporelle sélectionnée dans la colonne de droite en bas.
    6. Si vous le souhaitez, changer le type d’une moyenne de groupe par un clic gauche le choix approprié sur le dessus de la colonne de droite puis appuyez sur Submit et répétez les étapes de la 2.3.4.
    7. Cliquez n’importe où dans le groupe 2 avec un curseur Croix d’afficher et d’explorer toutes les traces pour l’objet sélectionné (ID d’objet) ou arbre (ID de l’arbre) dans le groupe 3.
  4. Panel 3 : Explorer le sous-ensemble final des données et exportez-les (Figure 3).
    1. Dans le graphique du haut de la colonne de gauche, sélectionnez un temps en un clic gauche sur une trace : la trace sélectionnée est en surbrillance dans le graphique (magenta) et des paramètres descriptifs de l’entrée de la base de données est affichées sur le graphique.
      Remarque : La moyenne temporelle est affiché en noir épais (Figure 3).
    2. Noter l’heure de début correspondante, amplitude de temps-à-crête, pic et le diamètre de base dans les graphiques ci-dessous.
    3. Cliquez sur le bouton Exporter la valeur dans la colonne de droite pour sauver affichées dans le graphique du haut dans le dossier où NNE 2.0 s’exécute à partir de traces.
      Remarque : Cette action enregistre trois fichiers : « vdb_subset.xls », « vdb_subset.csv » et « vdb_subset.mat » contenant les vecteurs du changement de diamètre et les vecteurs de temps ; « vdb_subset.mat » contient également des paramètres descriptifs et informations de « vdb.mat ».
    4. Pour inspecter toutes les données pour « sujet » au lieu de « arbre » ferme le panneau 3 en appuyant sur [x], redémarrage NNE 2.0, répéter la sélection des catégories dans le tableau 1 (mesures 2.2.1-2.2.5) et sélectionnez toutes les données d’objet dans le groupe 2 (étape 2.3.2).
    5. Un clic droit n’importe où dans le groupe 3 avec un curseur en croix pour aller à panneau 4 pour explorer des images de référence et piles 3D pour toutes les traces dans le graphique du haut du panneau 3.
      Remarque : Le panneau 4 s’ouvre si l’option toutes les données pour « arbre » a été sélectionné dans le panneau 2. Si toutes les données pour « sujet » ont été sélectionnées au lieu de cela, l’utilisateur sera invité à modifier sa sélection et adressé au groupe 1.
  5. Table ronde 4 : Localiser la mesure fonctionnelle au sein d’une image de référence et une pile d’image 3D du système vasculaire (Figure 4).
    1. Sélectionnez un temps par un clic gauche sur elle dans le graphique sur le dessus de la colonne de gauche.
      Remarque : La trace sélectionnée est en surbrillance dans le graphique (magenta) et ses informations descriptives à partir de métadonnées seront affichera sur le dessus.
    2. Explorez l’image de référence correspondante qui est automatiquement chargé du dossier « hana_refs » en bas à droite de la colonne de gauche.
    3. Explorer la pile d’image 3D correspondants chargée automatiquement à partir de dossier « hana_stk » en bas à gauche de la colonne de gauche. Faites défiler en utilisant les flèches ou le curseur sous le chiffre de pile.
      Remarque : Lorsque l’image de la pile atteint le niveau de l’image de référence – c'est-à-dire le niveau de mesure diamètre (« Indice de pile » = « Ref »), l’image de la pile est mis en évidence et indiqué comme « Niveau de trame ».
    4. Cliquez sur Exporter la valeur de la colonne de droite pour exporter l’évolution temporelle en surbrillance dans un fichier « ref_stacks_trace.xls », qui est enregistré dans le dossier où NNE 2.0 s’exécute à partir.
      Remarque : Le fichier contient le vecteur moment, vecteur de changement de diamètre, ID de l’objet, indice de l’entrée, emplacement de l’image de référence, emplacement de pile 3D et le nombre d’image de pile pour le niveau de la trame.
    5. Fermer panneau 4 par [x] aller retour à panneau 1.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

NNE 2.0 et la base de données associé servent à parcourir et afficher les données de la base de données, trier les données en fonction des critères de sélection, télécharger les données sélectionnées et trouver les mesures vasculaires au sein de l’arbre vasculaire correspondante.

1 panneau présente la sélection des données basées sur les catégories : « Corticale profondeur », « Ramification Order », « Diamètre base » et « Sujets » – Figure 1). Veuillez noter que dans cette étude, il n’y a pas de résultats pour surfaces artérioles (« Surface ») dans la catégorie de sélection « Ramification Order ». Si cette option est sélectionnée, une boîte de dialogue Avertissement « Aucun enregistrement trouvé – recherche trop restrictives » apparaît et invite l’utilisateur à sélectionner une option différente. Le même avertissement apparaîtra s’il n’y a aucune mesure satisfaisant les critères retenus dans le groupe 1. Dans ce cas, l’utilisateur doit fermer panneau 1 en appuyant sur [x] et de redémarrer le programme.

Tous les temps-cours de changement de diamètre épanouissantes critères choisis dans le tableau 1 peuvent être consultés dans le groupe 2 (Figure 2). L’utilisateur peut explorer tous les temps-cours, temps-cours de groupe-en moyenne de profondeur corticale ou ordre de branchement et les valeurs correspondantes du « Temps d’apparition », « Amplitude de crête », « Temps-à-pic » et « Diamètre base » tracées en fonction de la profondeur. L’utilisateur sélectionne un temps dans le graphique de temps-cours individuels et explore la forme de la courbe ainsi que les caractéristiques numériques correspondantes dans les diagrammes de dispersion.

Toutes les données acquises dans le même arbre animal ou artériolaire peuvent être explorées lors du Panel 3 (Figure 3). De la même manière que dans Panel 2, l’utilisateur sélectionne un temps dans le graphique de temps-cours individuels et explore la forme de la courbe ainsi que les caractéristiques numériques correspondantes dans les diagrammes de dispersion. Si désiré, l’utilisateur peut exporter toutes les données de Panel 3 au format « .xls », « csv » et « .mat ». Ces fichiers sont créés ou écrasés à chaque fois que l’action « Export » est effectuée. Avant d’écraser les fichiers, une boîte de dialogue d’avertissement « sur le point d’écraser vdb_subset.xls » ressorte invitant l’utilisateur à renommer les résultats précédemment exportées. L’utilisateur doit s’assurer qu’aucun des fichiers exportés sont ouverts au cours de l’action « Export ». Si un des fichiers est ouvert, une boîte de dialogue Avertissement ' exportation fichier de Excel erreur : Assurez-vous que vdb_subset.xls n’est pas ouvert "s’affiche. Dans ce cas, l’utilisateur doit fermer le fichier exporté et redémarrez NNE 2.0.

Toutes les données acquises au sein d’un seul arbre artériolaire peuvent être explorées dans le cadre du système 3D vasculaire en groupe 4 (Figure 4). En sélectionnant un temps affiche automatiquement l’image de référence associé et la pile d’image 3D qui sont chargés de dossiers « hana_refs » et « hana_stk », respectivement. Le navire mesuré est mis en évidence dans son image de référence avec un rectangle rouge semi-transparent au milieu de l’image. Le chemin de balayage est marqué comme étant une ligne rouge traversant le navire mesuré. Si plusieurs navires sont analysés dans une mesure (ligne rouge traversant plusieurs navires – Figure 4), l’utilisateur doit tenir compte de l’ordre de branchement trouvés dans « vdb.mat » ou affichée dans l’interface graphique sur le graphique de temps-cours (« B. « arrêté ») pour comprendre quel scan appartient à la mesure particulière. Ramification branches étiquettes '0' étiquettes plongées troncs, branches connectés directement aux circuits plongées, 2 les étiquettes '1' ' ordre directement relié aux branches d’ordre 1st , etc.. Pour identifier l’arbre artériolaire approprié commençant par une artériole plongée à la surface du cerveau (vu dans les images haut de la pile de 3D), l’utilisateur devrait consulter une carte faible grossissement enregistrée dans le dossier « maps ». Cette carte est unique pour chaque matière animale et peut être trouvée à l’aide de l’ID de l’objet correspondant (par exemple « 022014.jpg »). Cette carte est une image de l’exposition du cerveau entier avec surface système vasculaire. Les segments de plongée des artérioles mesurées sont étiquetés avec les identifiants de l’arbre (« ID de l’arbre ») (Figure 5). L’utilisateur peut exporter un seul temps sélectionné ainsi que les informations sur l’image de référence correspondante, la pile 3D et la position de la mesure au sein de la pile en « ref_stacks_trace.xls ». De même, en ce qui concerne les « Exporter » dans le panneau 3, « ref_stacks_trace.xls » doit être fermé avant l’action « Export » est prise. Le même type de boîtes de dialogue d’avertissement s’affiche avant d’écraser le fichier exporté ou lorsque le fichier est ouvert au cours de l’action « Export ». Veuillez noter que s’il y a une référence manquante d’images pour l’entrée de la base de données sélectionnée (9 entrées au total), un avertissement ' aucune référence IMAGE trouvée : index = ' s’affiche au lieu de l’image de référence en panneau 4. Aucun export n’est disponible pour les écritures et l’utilisateur est invité à choisir un temps différent. Si l’utilisateur sélectionne une entrée pour laquelle la 3D pile n’existe pas ou a été trouvé aucun référentiel image/pile (31 et 52 entrées, respectivement) une note * pile non MATCH * s’affichera sur le dessus une image vide à la place de l’image 3D pile dans le groupe 4.

Figure 1
Figure 1 : groupe 1 (panneau principal) permet de sélectionner un sous-ensemble de données fondées sur des catégories de sélection. Toutes les données de « vdb.mat » sont affichées dans six graphiques dans la colonne de gauche. La colonne de droite permet à l’utilisateur de sélectionner un sous-ensemble de ces données en choisissant corticale profondeur | Ordre branchement | Diamètre de base | Sujets. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2
Figure 2 : panneau 2 permet d’examiner le sous-ensemble de données et d’affiner la sélection. Colonne de droite vous propose de calculer la moyenne des données sélectionnées issues des catégories de profondeur ou d’une ordonnance de ramification (le choix réel est surligné en vert). Colonne de gauche affiche les données remplissant les critères de sélection dans le panneau 1 et le type moyen sélectionné dans la colonne de droite. L’utilisateur peut sélectionner un temps dans le graphique de gauche supérieur (curseur Croix) qui obtient en surbrillance (magenta). Les temps correspondants de début et de la pointe, le diamètre d’amplitude et de la ligne de base de pic sont encerclée en rouge et les identificateurs d’entrée sont affichés dans la colonne de droite en bas. Les points rouges épaisses dans les diagrammes de dispersion marquent les valeurs moyennes pour le sous-ensemble de données réelles. La sélection de « toutes les données pour arbre » vs « toutes les données pour l’objet » affecte des données dans les panneaux suivants. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 3
Figure 3 : panneau 3 permet d’explorer le sous-ensemble final des données et exportant. L’utilisateur peut sélectionner (Croix curseur) une évolution temporelle dans le graphique sur le dessus de la colonne de gauche. La trace sélectionnée est en surbrillance (magenta) et les métadonnées de l’entrée sont affichée sur le graphique. En même temps le début correspondant et périodes de pointe ainsi que les diamètres d’amplitude et de la ligne de base de pic sont affichés dans les graphiques ci-dessous. Le bouton Exporter la valeur de la colonne de droite permet d’exporter tous les temps-cours sur le graphique en haut de la page. La moyenne temporelle est tracée en noir épais. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 4
Figure 4 : table ronde 4 permet de localiser les mesures de diamètre au sein d’une image de référence et un empilement 3D du système vasculaire. L’intrigue de temps-cours sur le dessus de la colonne de gauche est identique avec l’intrigue de temps-cours en groupe 3. L’utilisateur peut sélectionner des temps-cours individuels du graphique du haut dans la colonne de gauche. L’image de référence correspondante s’affiche en bas à droite ainsi que les informations de métadonnées : « Réf. Image » (nom d’image de référence), « Profondeur » (cortical de la mesure) et « L’échelle » (échelle de l’image en microns par pixel). La pile 3D correspondante s’affiche en bas à gauche ainsi que les informations de métadonnées descriptives : « Index de pile » (numéro de l’image réelle dans la pile), « Delta » (distance verticale entre l’image du haut), « Ref » (numéro dans la pile, ce qui correspond à l’image du image de référence et capture pelliplacage) et « L’échelle » (échelle de l’image en microns par pixel). Veuillez noter que la « profondeur » sur le dessus de l’image de référence a été entrée manuellement pendant l’expérience et est approximatif. Il ne correspond pas exactement à la valeur de « Delta » empiler les images de celui du cadre due au fait que la surface du cerveau est inclinée en ce qui concerne le plan d’imagerie. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 5
Figure 5 : carte de faible grossissement de la surface vascularisation. L’image montre la région du cerveau exposé avec les navires de surface. Les segments de plongée d’arbres artériolaires mesurées sont étiquetés avec les identifiants de l’arbre (« ID de l’arbre »). Ces cartes sont enregistrées dans le dossier « maps » dans le dossier où NNE 2.0 s’exécute à partir. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

NNE 2.0 a été écrit afin de partager les données d’imagerie vasculaires d’une étude spécifique20 mais avec l’intention de développer un outil simple de partage et d’exploration de données de type similaire par d’autres utilisateurs. Les chercheurs intéressés à inspecter la base de données associée de données vasculaires peuvent utiliser l’interface graphique pour parcourir les données, sélectionner des sous-ensembles de données, les compare à leurs propres résultats expérimentaux ou les traiter en utilisant leurs propres procédures de calcul. Les utilisateurs familiarisés avec MATLAB peuvent utiliser directement la base de données « vdb.mat » alors que les utilisateurs employant un autre type de langage de programmation peuvent exporter les données dans un des formats alternatifs (« .xls » ou « .csv »).

Les chercheurs qui sont intéressés à partager leurs propres données expérimentales NNE 2.0 doivent structurer les résultats dans une matrice de même à « vdb.mat ». Les entrées principales à cette base de données devraient être temps-cours de toute nature sous la forme de vecteurs et les vecteurs de temps correspondante. Paramètres de la base de données peuvent être modifiées ou ajoutées pour via une structure modulaire de l’IHM. Toute référence images, piles de l’image et l’exposition de cerveau cartes (si applicable) doivent être collectés et déposés ainsi que la base de données et le GUI exécutable sur l’internet (p. ex. laboratoire page Web ou un référentiel tiers).

Les chercheurs intéressés à utiliser les mesures vasculaires ainsi que de la morphologie 3D vasculaire dans les modèles d’études de la fonction cérébrale peuvent tout d’abord explorer les données à l’aide de l’interface graphique. Après avoir sélectionné un sous-ensemble désiré de données, ils peuvent utiliser les informations de métadonnées exportées vers « ref_stacks_trace.xls » ainsi que des variables dans « vdb.mat », 3D empiler les images enregistrées dans « hana_stk » et exposition de cerveau maps dans « cartes » pour reconstituer la morphologie vasculaire en 3D .

L’étape la plus critique du protocole exporte les données. Pour l’exportation correcte des données sélectionnées (à partir de panneau de 3 et 4), il est important de fermer tous les fichiers dans lesquels les données doivent être exportées à avant les démarches « Export ». Alors seulement, les fichiers seront remplacés correctement avec le choix réel des données. Toute modification du programme ou le dépannage nécessaire à effectuer au code source.

NNE 2.0 a été développé pour partager les profils temporels calculés à partir de ligne-scans qui ont été acquis par microscopie 2 photons. Données explorées par NNE 2.0 ne sont donc pas intensité brute scans mais plutôt prétraitées temps-cours des changements de diamètre relatif. De cette façon, les utilisateurs sont en mesure de traiter leurs données expérimentales brutes à l’aide de leurs propres procédures standards et des logiciels et utiliser NNE 2.0 en tant que modèle pour présenter et partager leurs résultats avec d’autres chercheurs. Non seulement les changements de diamètre vasculaire mais fondamentalement n’importe quel signal dépendant du temps mesuré à l’aide de techniques de mesure différentes peut être partagée de cette façon. Ces signaux sont fluorescence de calcium24, sodium25, tension sensible colorants26, indicateurs génétiquement codés pour les métabolites27, pression partielle d’oxygène (pO2)28, oxygénation sanguine ("BOLD" 18, spectral imaging29), la circulation sanguine (speckle imaging29) ou de l’électrophysiologie signaux30. Le prérequis à l’utilisation de NNE 2.0 est une base de données sous la forme d’une matrice ' * .mat '. Ceci pourrait être obtenu par traitement des données directement en MATLAB ou en utilisant des outils pour construire la matrice dans d’autres formats (par exemple « xlsread(filename) » sert à lire excel feuilles de calcul dans des formats « .mat »). L’utilisation de NNE 2.0 sans MATLAB est limitée à l’exploration, de téléchargement et de traitement ultérieur des données de la base de données actuelle « vdb.mat ».

NNE 2.0 a le potentiel pour aider à propager les données expérimentales dans l’ensemble de la communauté de recherche neurosciences large pour être exploré et comparé aux autres données expérimentales d’un type similaire facilitant l’élaboration de normes pour l’acquisition et le traitement 31. NNE 2.0 peut également aider à diffuser les données dans l’ensemble de la communauté de la neuroinformatique où il peut être utilisé dans des modèles de non invasif signaux d’imagerie par résonance magnétique fonctionnelle (IRMf)21d’imagerie. Tandis que NNE 2.0 ne peut pas rivaliser avec les bases de données plus complexe5,32,33,34, il peut fournir une plate-forme sans couture et prêt à l’emploi pour l’archivage et le partage des données expérimentales sans avoir besoin de investissements importants supplémentaires.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Nous reconnaissons le soutien de la NIH (NS057198, EB00790, MH111359 et S10RR029050) et le ministère de l’éducation, jeunesse et des Sports de la République tchèque (CEITEC 2020, LQ1601). KK a bénéficié de bourses de recherche postdoctorales de l’International Headache Society en 2014 et The Scientific et technologique recherche Conseil de Turquie en 2015. MT a été soutenu par une bourse postdoctorale de la Fondation de recherche allemande (DFG TH 2031/1).

Materials

Name Company Catalog Number Comments
MATLAB MathWorks program
Winrar Rarlabs program

DOWNLOAD MATERIALS LIST

References

  1. Neurovascular Imaging Laboratory. Use Our Data. , UC San Diego School of Medicine. Available from: https://neurosciences.ucsd.edu/research/labs/nil/Pages/UseOurData.aspx (2017).
  2. Craddock, R. C., et al. Imaging human connectomes at the macroscale. Nat Methods. 10 (6), 524-539 (2013).
  3. Devor, A., et al. Frontiers in optical imaging of cerebral blood flow and metabolism. J Cereb Blood Flow Metab. 32 (7), 1259-1276 (2012).
  4. Ji, N., Freeman, J., Smith, S. L. Technologies for imaging neural activity in large volumes. Nat Neurosci. 19 (9), 1154-1164 (2016).
  5. Maze, I., et al. Analytical tools and current challenges in the modern era of neuroepigenomics. Nat Neurosci. 17 (11), 1476-1490 (2014).
  6. Medland, S. E., Jahanshad, N., Neale, B. M., Thompson, P. M. Whole-genome analyses of whole-brain data: working within an expanded search space. Nat Neurosci. 17 (6), 791-800 (2014).
  7. Osten, P., Margrie, T. W. Mapping brain circuitry with a light microscope. Nat Methods. 10 (6), 515-523 (2013).
  8. Poldrack, R. A., Farah, M. J. Progress and challenges in probing the human brain. Nature. 526 (7573), 371-379 (2015).
  9. Kotter, R. Neuroscience databases: tools for exploring brain structure-function relationships. Philos Trans R Soc Lond B Biol Sci. 356 (1412), 1111-1120 (2001).
  10. Uhlirova, H., et al. The roadmap for estimation of cell-type-specific neuronal activity from non-invasive measurements. Philos Trans R Soc Lond B Biol Sci. 371 (1705), (2016).
  11. Aine, C. J., et al. Multimodal Neuroimaging in Schizophrenia: Description and Dissemination. Neuroinformatics. , (2017).
  12. Amunts, K., et al. BigBrain: an ultrahigh-resolution 3D human brain model. Science. 340 (6139), 1472-1475 (2013).
  13. Laird, A. R., Lancaster, J. L., Fox, P. T. BrainMap: the social evolution of a human brain mapping database. Neuroinformatics. 3 (1), 65-78 (2005).
  14. Lein, E. S., et al. Genome-wide atlas of gene expression in the adult mouse brain. Nature. 445 (7124), 168-176 (2007).
  15. Shin, D. D., Ozyurt, I. B., Liu, T. T. The Cerebral Blood Flow Biomedical Informatics Research Network (CBFBIRN) database and analysis pipeline for arterial spin labeling MRI data. Front Neuroinform. 7, 21 (2013).
  16. Uhlirova, H., et al. Neurovascular Network Explorer 2.0: A Database of 2-Photon Single-Vessel Diameter Measurements from Mouse SI Cortex in Response To Optogenetic Stimulation. Front Neuroinform. 11, 4 (2017).
  17. Sridhar, V. B., Tian, P., Dale, A. M., Devor, A., Saisan, P. A. Neurovascular Network Explorer 1.0: a database of 2-photon single-vessel diameter measurements with MATLAB((R)) graphical user interface. Front Neuroinform. 8, 56 (2014).
  18. Tian, P., et al. Cortical depth-specific microvascular dilation underlies laminar differences in blood oxygenation level-dependent functional MRI signal. Proc Natl Acad Sci U S A. 107 (34), 15246-15251 (2010).
  19. Neurovascular Imaging Laboratory. Use Our Data. , UC San Diego School of Medicine. Available from: https://neurosciences.ucsd.edu/research/labs/nil/Pages/UseOurData.aspx (2017).
  20. Uhlirova, H., et al. Cell type specificity of neurovascular coupling in cerebral cortex. Elife. 5, (2016).
  21. Gagnon, L., et al. Quantifying the microvascular origin of BOLD-fMRI from first principles with two-photon microscopy and an oxygen-sensitive nanoprobe. J Neurosci. 35 (8), 3663-3675 (2015).
  22. Sakadzic, S., et al. Two-photon high-resolution measurement of partial pressure of oxygen in cerebral vasculature and tissue. Nat Methods. 7 (9), 755-759 (2010).
  23. Nizar, K., et al. In vivo stimulus-induced vasodilation occurs without IP3 receptor activation and may precede astrocytic calcium increase. J Neurosci. 33 (19), 8411-8422 (2013).
  24. Reznichenko, L., et al. In vivo alterations in calcium buffering capacity in transgenic mouse model of synucleinopathy. J Neurosci. 32 (29), 9992-9998 (2012).
  25. Langer, J., Rose, C. R. Synaptically induced sodium signals in hippocampal astrocytes in situ. J Physiol. 587 (Pt 24), 5859-5877 (2009).
  26. Gong, Y., et al. High-speed recording of neural spikes in awake mice and flies with a fluorescent voltage sensor. Science. 350 (6266), 1361-1366 (2015).
  27. Tantama, M., Hung, Y. P., Yellen, G. Optogenetic reporters: Fluorescent protein-based genetically encoded indicators of signaling and metabolism in the brain. Prog Brain Res. 196, 235-263 (2012).
  28. Devor, A., et al. "Overshoot" of O(2) is required to maintain baseline tissue oxygenation at locations distal to blood vessels. J Neurosci. 31 (38), 13676-13681 (2011).
  29. Devor, A., et al. Stimulus-induced changes in blood flow and 2-deoxyglucose uptake dissociate in ipsilateral somatosensory cortex. J Neurosci. 28 (53), 14347-14357 (2008).
  30. Rauch, A., Rainer, G., Logothetis, N. K. The effect of a serotonin-induced dissociation between spiking and perisynaptic activity on BOLD functional MRI. Proc Natl Acad Sci U S A. 105 (18), 6759-6764 (2008).
  31. Lemmon, V. P., et al. Minimum information about a spinal cord injury experiment: a proposed reporting standard for spinal cord injury experiments. J Neurotrauma. 31 (15), 1354-1361 (2014).
  32. Ascoli, G. A., Donohue, D. E., Halavi, M. NeuroMorpho.Org: a central resource for neuronal morphologies. J Neurosci. 27 (35), 9247-9251 (2007).
  33. Mennes, M., Biswal, B. B., Castellanos, F. X., Milham, M. P. Making data sharing work: the FCP/INDI experience. Neuroimage. 82, 683-691 (2013).
  34. Marmarou, A., et al. IMPACT database of traumatic brain injury: design and description. J Neurotrauma. 24 (2), 239-250 (2007).

Tags

Neurosciences numéro 135 traitement automatique des données collecte de données affichage des données bases de données comme sujet moteur de recherche Neurosciences neuroinformatique utilisateur graphique d’interface 2-photon imaging cortex somatosensoriel artérioles MATLAB débit sanguin hémodynamique circulation vasculaire cérébrale
Explorateur de réseau vasculo-nerveux 2.0 : Un outil Simple pour l’exploration et de partage d’une base de données de la vasomotricité évoquée par Optogenetically dans le Cortex de souris In Vivo
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Uhlirova, H., Tian, P.,… More

Uhlirova, H., Tian, P., Kılıç, K., Thunemann, M., Sridhar, V. B., Chmelik, R., Bartsch, H., Dale, A. M., Devor, A., Saisan, P. A. Neurovascular Network Explorer 2.0: A Simple Tool for Exploring and Sharing a Database of Optogenetically-evoked Vasomotion in Mouse Cortex In Vivo. J. Vis. Exp. (135), e57214, doi:10.3791/57214 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter