Summary

Neurovaskulära nätverk Explorer 2.0: Ett enkelt verktyg för att utforska och dela en databas med Optogenetically-framkallat Vasomotion i mus Cortex In Vivo

Published: May 04, 2018
doi:

Summary

Ett grafiskt användargränssnitt för att utforska och dela en databas med optogenetically-inducerad vaskulär svaren i mus somatosensoriska cortex i vivo mäts av 2-foton mikroskopi presenteras. Det tillåter surfning den data kriteriebaserad urval, i genomsnitt, lokalisering av mätningar inom en 3D-volym av kärlsystemet och exportera data.

Abstract

Vikten av att dela experimentella data i neurovetenskap växer med mängden och komplexiteten av uppgifter som erhållits och olika tekniker används för att inhämta och bearbeta dessa data. Men nå majoriteten av experimentella data, särskilt från enskilda studier av normalstora laboratorier aldrig bredare forskarsamhället. En grafisk förbrukaren gräns flat (GUI) motorn kallas neurovaskulära nätverk Explorer 2.0 (NNE 2.0) har skapats som ett verktyg för enkel och billig delning och utforska vaskulär imaging data. NNE 2.0 samverkar med en databas som innehåller optogenetically-framkallat utvidgning/sammandragning tid-kurser för enskilda fartyg mätt i möss somatosensoriska cortex i vivo av 2-foton mikroskopi. NNE 2.0 gör urval och visning av tid-kurser baserade på olika kriterier (ämne, förgrenade ordning, kortikala djup, fartyget diameter, arteriolär träd) samt enkla matematiska manipulation (t.ex. genomsnitt, peak-normalisering) och export av data. Den stöder visualisering av vaskulära nätverket i 3D och möjliggör lokalisering av enskilda funktionella fartyget diameter mätningar inom vaskulär träd.

NNE 2.0, dess källa koden och motsvarande databas är fritt nedladdningsbara från UCSD neurovaskulära Imaging Laboratory webbplats1. Källkoden kan utnyttjas av användarna att utforska den associerade databasen eller som en mall för databasing och dela sina egna experimentella resultat förutsatt lämpligt format.

Introduction

Hjärnan är ansedd som en av de mest invecklade organ och önskan att reda ut sin komplexa funktion är outtröttlig. Det är studeras vid olika skalor från molekylära till beteendevetenskaplig nivå med hjälp av en bred palett av verktyg2,3,4,5,6,7,8 . Mängden icke-homogena experimentella data växer snabbare än någonsin. Medvetenheten om behovet av experimentella data sharing, organisation och standardisering växer med mängden förvärvade data. Det har blivit uppenbart att neuroinformatics kommer att spela en avgörande roll för att integrera experimentella data över skalor i modeller av hjärnans funktion och dysfunktion9,10.

För detta ändamål kunde vissa studier, särskilt storskaliga studier, att öronmärka resurser för att göra sina resultat tillgängliga via omfattande databaser11,12,13,14,15. Dock nådde en stor mängd experimentella data från enskilda studier och normalstora laboratorier aldrig bredare forskarsamhället. Detta är främst av två skäl: första, mer hängivna tid behövs för att bygga upp en databas och skapa verktyg som gör det möjligt för användaren att interagera med databasen. och andra, mer pengar behövs till stöd för dessa uppgifter. Motiveras av dessa utmaningar, en MATLAB baserat grafiskt användargränssnitt (GUI) motorn kallas de neurovaskulära nätverk Explorer 2.0 (NNE 2.0)16 utvecklades som en enkel och billig redskap för databasing, dela och utforska vaskulär imaging data. Detta manuskript ger en handbok för drift av NNE 2.0 och den associerade databasen av experimentella data.

NNE 2.0 är redan en andra generationens programvara motor. Den första generationen, kallas neurovaskulära nätverk Explorer 1.0 (NNE 1,0)17 byggdes för att interagera med en databas av sensoriska-framkallat vasodilatation i råtta primära somatosensoriska cortex (SI) i vivo som mäts av 2-foton mikroskopi18. NNE 1.0 samt dess källa koden och den associerade databasen är fritt nedladdningsbara som en zippad fil som kallas ‘Nordlig 1 Tian’ från UCSD neurovaskulära Imaging Laboratory webbplats1. Mer information om NNE 1.0 och den associerade databasen kan hittas i17.

Den andra generationen, den NNE 2.0, interagerar med en databas med optogenetically-framkallat dilatation av enskilda fartyg i möss SI i vivo som mäts av 2-foton mikroskopi20. Användaren kan bläddra, välja och visualisera data baserat på val av kategorier såsom kortikala djup, förgrenade order, fartyget diameter, animaliskt ämne eller en viss arteriolär träd. GUI ytterligare utför enkla matematiska operationer som genomsnitt och peak-normalisering i valda kategorier. NNE 2.0 gör det möjligt att visa och bläddra igenom bilder fånga 3D volymer av kärlsystemet samt identifiera platsen för funktionell mätning inom vaskulär träden. Den här funktionen kan användas för att rekonstruera vaskulär morfologier i 3D och fylla dem med riktig single-fartyget vaso-motion mätningar. Dessa rekonstruktioner kan i sin tur bör införlivas beräkningsmodeller hjärnans funktion21,22. NNE 2.0, dess källa koden och den associerade databasen är fritt nedladdningsbara som en zippad fil som kallas ‘Nordlig 2.0 HDbase v1.0’ från UCSD neurovaskulära Imaging Laboratory webbplats1.

NNE 2.0 arbetar med en databas som kallas ‘vdb.mat’. Denna databas är en matris som innehåller temporal profiler (tid-kurser) enda fartyg diameter förändringar frammanade genom en optogenetic stimulans och mätt på olika platser i arteriolär träd. Varje dags-kurs beräknades med hjälp av anpassade skrivna programvara. Det beräknar den relativa förändringen av ett fartyg diameter från expansion av en fluorescerande intensiteten profil förvärvade genom att skanna över fartyget. Fluorescerande kontrasten presenterades av intravaskulär injektion av fluorescein fluoresceinisothiocyanat (FITC)-märkt dextran. För mer information om förfarandena för data och analys, se20,23. Databasen har 305 tid-kurser (dvs databasposter) totalt. Dessutom till diameter förändringen, varje inträde till databasen lastrummen en rad ytterligare metadata som (1) kvantifiera tidpunkt-kursen (2) beskriva uppmätta fartyget och (3) identifiera den mätning läge inom en 3D-volym av kortikala kärlsystemet. Metadata innehåller debut tid, maximal amplitud, topp amplitud tid, kortikala djup, förgrenade ordning, fartyget diameter vid baseline, sökvägen till ursprungliga referensbilder och 3D bildstaplar för varje mätning och låg förstoring kartor över hjärnans yta kärlsystemet. Se alla parametrar i metadata listas och beskrivs i detalj tidigare i tabell 116.

NNE 2.0 samverkar med referensbilder som är X-Y File ett plan där diametermätning inträffade. Varje databaspost har en motsvarande referensbild med en Referensnamnet som visas i GUI. Varje databaspost har också en tillhörande stack av bilder (3D stack) fånga en 3D-volym av vaskulär trädet inom vilken mätningen inträffade. GUI kan välja en viss databaspost och Visa motsvarande referensbilden samt 3D stacken. Det hjälper också användaren att hitta matchande referensbilden och stomme i 3D-stacken (samma funktioner kan hittas i båda bilder). Alla stack och referensbilder i sin full upplösning (1024 pix x 1024 pix) ingår i mapparna hana_stk och hana_refs, respektive. Låg-förstoring kartor över hjärnan vaskulatur ingår i mappen ‘kartor’. Alla tre mappar samt databas matrix ‘vdb.mat’ är hämtade i zip-filen ‘Nordlig 2.0 HDbase v1.0’ från UCSD neurovaskulära Imaging Laboratory webbplats1 och sparas i rotmappen på NNE 2.0 under installationen.

GUI har utformats som en uppsättning av fyra paneler (Panel 1 (Main Panel) – Panel 4) som öppna sekventiellt som användaren utforskar databasen och väljer specifika data baserat på val av kategorier. Varje panel är uppdelad i två delar: (1) den högra kolumnen ger möjlighet att interagera med databasen genom att välja parametrar och kategorier av data och visar viktig information från metadata. (2) den vänstra kolumnen visar data i form av tid-kurser (diameter förändring i tid) och spridningsdiagram. Det finns fyra typer av spridningsdiagram visar (1) dilatation debut (2) tid med dilatation topp (3) största diameter förändring (maximal amplitud) och (4) baseline diameter (diameter innan stimulering) som funktion av kortikala djup. Användaren har möjlighet att Visa genomsnittliga tid-kurser och värden för markerade data grupperade antingen av kortikala djup eller förgrenade ordning. Detta är att belysa funktionen av gradient diameter-ändra beteende med ökande djup och förgrening beställning20. NNE 2.0 tillåter användaren att exportera den markerade delmängden av data i formatet ‘.xls’, ‘.csv’ eller ‘.mat’.

Protocol

1. installation av NNE 2.0 Gå till UCSD neurovaskulära Imaging Laboratory webbplats1 och vänsterklick på ‘Nordlig 2.0 HDbase v1.0’ Ladda ner zippade programmet filer till önskad plats på datorn.Obs: NNE 2.0 kräver en Windows-operativsystem versioner 7-10, minst 2,8 GB ledigt utrymme att ladda ner zip-filen och 6,9 GB för att installera programmet. Packa upp ‘NNE2_HDbase_v1.0.zip’.Obs: Den uppackade mappen NNE2 innehåller 10 filer: ‘hana_refs.tar.gz’, ‘hana_stk….

Representative Results

NNE 2.0 och associera databasen används för att bläddra och visa data i databasen, sortera ut data baserat på urvalskriterier, Hämta valda data och hitta de vaskulära mätningarna inom motsvarande vaskulär trädet. Panel 1 har urval av data baserat på kategorier: ‘Kortikala djup’, ‘Förgrening Order’, ‘Baslinje Diameter’ och ‘Ämnen’ – figur 1). Observera att i denna studie, det finns inga…

Discussion

NNE 2.0 skrevs för att dela vaskulär imaging data av en specifik studie20 men med avsikt att utveckla ett enkelt verktyg för att dela och utforska data av liknande slag av andra användare. Forskare som är intresserade av att inspektera den associerade databasen av vaskulär data kan använda GUI att bläddra data, Välj underuppsättningar av data, jämför dem med sina egna experimentella resultat eller bearbeta dem ytterligare med deras egna computational förfaranden. Användare bekant med…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vi erkänner tacksamt stöd från NIH (NS057198, EB00790, MH111359 och S10RR029050) och ministeriet för utbildning, ungdom och sport i Tjeckien (CEITEC 2020, LQ1601). KK stöddes av postdoktorala stipendier från International huvudvärk Society i 2014 och den vetenskapliga och tekniska forskning rådet av Turkiet under 2015. MT stöddes av postdoktorsstipendium från den tyska forskningsfondens (DFG TH 2031/1).

Materials

MATLAB MathWorks program
Winrar Rarlabs program

References

  1. . Use Our Data 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. . Use Our Data 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).

Play Video

Cite This Article
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).

View Video