Waiting
Login processing...

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

Neuroscience

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 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

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'.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. installation av NNE 2.0

  1. 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.
  2. Packa upp 'NNE2_HDbase_v1.0.zip'.
    Obs: Den uppackade mappen NNE2 innehåller 10 filer: 'hana_refs.tar.gz', 'hana_stk.tar.gz', 'maps.tgz', 'MCRInstaller.exe', 'NNE2.exe', 'NNE2.zip', 'NNE2_README.txt', 'source.zip', 'users_guide.pdf' och 'vdb.mat'.
  3. Installera NNE 2.0 genom att följa instruktionerna i 'NNE2_README.txt'.

2. kör NNE 2.0

  1. Starta NNE 2.0 med 'NNE2.exe'.
  2. Panel 1 (Main Panel): Välj en delmängd av data (figur 1). Bilderna i den vänstra kolumnen i panelen Main visar grafer över tid-kurser och parametrar för alla transaktioner till den 'vdb.mat' (figur 1).
    1. Markera området för Kortikala djup i den högra kolumnen i panelen. Typ i spänna av djup i formatet [dmin dmax], där dmin är det minsta djupet och dmax är det maximala djupet.
      Obs: Data mättes på djup från 30-560 µm.
    2. Välj Förgrening ordning i kolumnen till höger på panelen. Vänsterklicka på pilen och välj ett av alternativen i listan (yta | Dykning stammen | Första ordern grenar | Högre ordning grenar).
    3. Markera den Baslinje Diameter i kolumnen till höger på panelen. Skriv det i formatet [diamin diamax], där diamin är den minsta diametern och diamax är maximal diameter.
    4. Välj ämnen (djur enligt förvärvstidpunkten) i kolumnen till höger på panelen. Vänsterklicka på pilen och välja bland de tillgängliga alternativen. Alternativt välja data från alla ämnen genom att vänsterklicka på den blå rektangeln.
    5. Tryck på Skicka för att visa och utforska valda data i panelen 2.
  3. Panel 2: Utforska den valda delmängden data och fortsätta ytterligare data förfining (figur 2).
    1. Välj typ för grupp-genomsnitt av data genom att vänsterklicka på lämplig knapp i den högra kolumnen på toppen. Välj: Avg av kortikala djup eller Avg av förgrening ordning.
      Obs: Den faktiska val är markerade i grönt nedan (figur 2).
    2. Välj data baserat på fartyget morfologi eller ämne. Vänsterklicka på Markera alla data för träd (en enda dykning arteriole och dess grenar) eller välja alla data för Subj (animaliskt ämne).
    3. Vänsterklick Skicka att Visa valda data till vänster i diagram (1) enstaka tid-kurser (2) gruppen-i genomsnitt tidsförlopp och scatter tomter (3) debut gånger (4) tid-till-peaks (5) peak amplituder och (6) baseline diametrar
    4. Vänsterklicka på en trace i grafen av enskilda timecourses i kolumnen till vänster för att välja en tid-kurs.
      Obs: Den valda tid-kursen blir markerat i grafen (magenta) och dess debut tid, tid-till-topp, topp amplitud och baslinjen diameter kommer att präglas av röda cirklar i diagrammen nedan. Röda punkter i spridningsdiagram är genomsnittliga värden.
    5. Notera identifierare för ämne (Ämne ID) och trädet (Träd-ID) för den valda tid-kursen i den högra kolumnen längst ned.
    6. Om du vill ändra typen av grupp-genomsnitt genom att vänsterklicka ett lämpligt val på toppen av den högra kolumnen följt av knappen Skicka och upprepa steg från 2.3.4.
    7. Högerklicka någonstans i panelen 2 med en cross markören för att visa och utforska alla spår för valda ämne (Ämne ID) eller träd (Träd-ID) i panelen 3.
  4. Panel 3: Utforska den slutliga delmängden data och exportera dem (figur 3).
    1. Välj en tid-kurs i övre grafen av den vänstra kolumnen genom att vänsterklicka på en trace: valda spår kommer att markeras i diagrammet (magenta) och beskrivande parametrar för databasposten visas ovanpå grafen.
      Anmärkning: Genomsnittlig tid-kursen visas i tjock svart (figur 3).
    2. Observera motsvarande uppkomsten tid, tid-till-topp, topp amplitud och baslinjen diameter i diagrammen nedan.
    3. Vänsterklicka på Exportera uppsättning knappen i den högra kolumnen att spara spår visas i den övre grafen till mappen där NNE 2.0 körs från.
      Obs: Denna åtgärd sparar tre filer: 'vdb_subset.xls', 'vdb_subset.csv' och 'vdb_subset.mat' som innehåller vektorer diameter förändringens och tid vektorer; 'vdb_subset.mat' innehåller också beskrivande parametrar och information från 'vdb.mat'.
    4. För att inspektera alla data för 'angående' istället för 'träd' nära Panel 3 genom att trycka på [x], omstart NNE 2.0, upprepa valet av kategorier i Panel 1 (steg 2.2.1-2.2.5) och markera alla data för ämnet i panelen 2 (steg 2.3.2).
    5. Högerklicka någonstans i panelen 3 med en cross markör att gå till panelen 4 att utforska referensbilder och 3D travar för alla spår i den övre grafen av Panel 3.
      Obs: Panel 4 öppnas om alternativet alla data för 'träd' valdes i panelen 2. Om alla data för 'subject' valdes istället, blir användaren ombedd att ändra hans val och riktad till Panel 1.
  5. Panel 4: Lokalisera funktionell mätning inom en referensavbildning och en 3D-bild stack av kärlsystemet (figur 4).
    1. Välj en tid-kurs genom att vänsterklicka på den i figuren på toppen av den vänstra kolumnen.
      Obs: Det valda spåret kommer att markeras i diagrammet (magenta) och dess beskrivande information från metadata visas på toppen.
    2. Utforska motsvarande referensbilden som laddas automatiskt från 'hana_refs' mapp längst ned till höger i den vänstra kolumnen.
    3. Utforska den motsvarande 3D bildstapel laddas automatiskt från 'hana_stk' mapp nere till vänster i den vänstra kolumnen. Bläddra genom skorsten med hjälp av pilar eller reglaget under figuren.
      Obs: När stack bilden når nivån på referensbild – dvs nivån för diameter-mätning ('Stack index' = 'Ref'), stack bilden är markerad och anges som 'Ram nivå'.
    4. Klicka på Exportera uppsättning i kolumnen till höger för att exportera markerade tid-kursen i en fil 'ref_stacks_trace.xls' som sparas i den mapp där NNE 2.0 körs från.
      Obs: Filen innehåller tid vector, diameter ändra vektor, angående ID, entry index, läge av referensavbildningen, platsen för 3D stack och stack bildnumret för ram nivå.
    5. Stäng Panel 4 av [x] att gå tillbaka till Kontrollpanelen 1.

Subscription Required. Please recommend JoVE to your librarian.

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 poster för surface arterioler ('yta') i kategorin 'Förgrening Order' urval. Om detta alternativ väljs, visas en varningsdialogruta 'Inga poster hittades – Sök alltför restriktiva' visas och användaren uppmanas att välja ett annat alternativ. Samma varning visas om det finns inga mätningar som uppfyller de valda kriterierna i Panel 1. I detta fall bör användaren stänger Panel 1 genom att trycka på [x] och starta om programmet.

Alla diameter ändra tid-kurser uppfyller kriterier valts i panelen 1 kan visas i panelen 2 (figur 2). Användaren kan utforska alla enskilda tid-kurser, tid-gruppen-i genomsnitt av kortikala djup eller förgrenade ordning och motsvarande värden för 'Debut tid', 'Maximal amplitud', 'Tid-till-topp' och 'Baslinje diameter' ritas som funktioner av djup. Användaren väljer en tid-kurs från enskilda tid-kurser grafen och utforskar formen på kurvan samt de motsvarande numeriska egenskaperna i spridningsdiagram.

Alla uppgifter som erhållits i samma djur eller arteriolär träd kan utforskas i panelen 3 (figur 3). På samma sätt som i panelen 2, användaren väljer en tid-kurs från enskilda tid-kurser grafen och utforskar formen på kurvan samt de motsvarande numeriska egenskaperna i spridningsdiagram. Om så önskas, kan användaren exportera alla data från Panel 3 i formatet '.xls', 'csv' och '.mat'. Dessa filer skapas eller skrivs över varje gång den 'Exportera' åtgärden vidtas. Innan överskrivning filer, skjuts visas en varningsdialogruta ' väg att skriva över vdb_subset.xls' ut uppmaningar till användare att byta namn på tidigare exporterade resultat. Användaren bör se till att ingen av de exporterade filerna är öppna under åtgärden 'Export'. Om en av filerna är öppna, visas en varningsdialogruta ' fel exporterande Excel-fil: Kontrollera att vdb_subset.xls inte är öppen ' visas. I detta fall, bör användaren stänger den exporterade filen och starta om NNE 2.0.

Alla uppgifter som erhållits inom ett enda arteriolär träd kan utforskas i samband med 3D kärlsystemet i panelen 4 (figur 4). Att välja en tid-kursen kommer automatiskt att Visa associerade referensbilden och 3D-bild stacken som läses in från mappar 'hana_refs' och 'hana_stk', respektive. Uppmätta fartyget markeras i dess referensbild med en röd halvtransparent rektangel i mitten av bilden. Scanning sökvägen är markerad som en röd linje som passerar uppmätta fartyget. Om fler fartyg skannas inom en mätning (röda linjen passerar flera fartyg – figur 4), behöver användaren ta hänsyn till förgrening ordning finns i 'vdb.mat' eller visas i GUI ovanpå tidsförlopp grafen ('B. Order') att förstå vilken typ av genomsökning tillhör viss mätning. Förgrenade ordning '0' etiketter dykning stammar, '1' etiketter grenar ansluten direkt till dykning Koffertar, ' 2' etiketter grenar i direkt anslutning till 1st ordning grenar, etc. För att identifiera lämpliga arteriolär trädet bör börjar med en dykning arteriole på ytan av hjärnan (sett i översta bilderna av 3D stacken), användaren hänvisa till kartan låg förstoring som sparats i mappen 'kartor'. Denna karta är unik för varje djur ämne och kan lokaliseras med hjälp av motsvarande ämne-ID (t.ex. ' 022014.jpg'). Denna karta är en bild av hela hjärnan exponeringen med surface kärlsystemet. Dykning segment av uppmätta arterioler är märkta med de träd-identifierarna ('träd-ID') (figur 5). Användaren kan exportera en enda valda tid-kursen tillsammans med information om motsvarande referensbild, 3D stack och position av mätningen inom stacken till 'ref_stacks_trace.xls'. På samma sätt som för 'Export' i panelen 3, ska 'ref_stacks_trace.xls' stängas innan den 'Exportera' åtgärden vidtas. Samma typ av varningsdialogrutor kommer att visas innan överskrivning av exporterade filen eller när filen är öppen under åtgärden 'Export'. Vänligen observera att om det finns referens saknas bild för den valda databasposten (9 inlägg totalt), en varning ' nr referens bild hittade: index = ' visas i stället för referensbilden i panelen 4. Ingen export finns för transaktioner och användaren uppmanas att välja en annan tid-kurs. Om användaren väljer en post som 3D stapla existerar inte eller ingen bildstapel/referensram hittades (31 och 52 poster, respektive) en anteckning * nej STACK MATCH * visas ovanpå en tom bild i stället för 3D stack bilden i panelen 4.

Figure 1
Figur 1: Panel 1 (Main Panel) tjänar till att välja en delmängd av data baserat på urval kategorier. Alla data från 'vdb.mat' visas i sex grafer i den vänstra kolumnen. Den högra kolumnen tillåter användaren att välja en delmängd av informationen genom att välja kortikala djup | Förgrenade ordning | Baslinjen Diameter | Ämnen. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: panelen 2 tillåter att granska den markerade delmängden av data och ytterligare förfina urvalet. Högra kolumnen erbjuder att beräkna medelvärdet av valda data baserat på djup kategorier eller förgrenade ordning (det faktiska valet är markerade i grönt). Vänstra kolumnen visar data som uppfyller kriterier som valts i panelen 1 och den genomsnittliga typ som markerats i kolumnen till höger. Användaren kan välja en tid-kurs i övre vänstra grafen (korset markören) som blir markerade (magenta). Motsvarande tider av uppkomsten och topp, topp amplitud och baslinjen diametern är inringat i rött och posten identifierarna visas i den högra kolumnen längst ned. Tjocka röda punkter i spridningsdiagram Markera medelvärdena för den faktiska data delmängden. Valet av 'alla data för träd' vs 'alla data för Subj' påverkar data i följande paneler. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: Panel 3 kan utforska den slutliga delmängden data och exportera dem. Användaren kan välja (gränsöverskridande markören) en tid-kurs i grafen på toppen av den vänstra kolumnen. Det valda spåret blir markerade (magenta) och post metadata visas ovanpå grafen. Samtidigt visas motsvarande uppkomsten och högtrafik samt maximal amplitud och baslinjen diametrarna i diagrammen nedan. Knappen Exportera uppsättning i den högra kolumnen kan exportera alla tid-kurser från övre grafen. Den genomsnittliga tid-kursen ritas i tjock svart. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: Panel 4 kan lokalisera diameter mätningarna inom en referensavbildning och en 3D stack av kärlsystemet. Tidsförlopp tomten på toppen av den vänstra kolumnen är identisk med tidsförlopp tomten i panelen 3. Användaren kan välja enskilda tid-kurser från övre grafen i den vänstra kolumnen. Motsvarande hänvisning bilden visas längst ned rätt tillsammans med metadatainformation: 'Ref. bild' (referens Bildnamn), 'Djup' (kortikal djup av mätningen) och 'Skala' (skala bilden i mikrometer per pixel). Motsvarande 3D stacken visas längst till vänster tillsammans med beskrivande metadatainformation: 'Stack index' (faktiska bildens nummer i stacken), 'Delta' (lodräta avståndet från den övre bilden), ”Ref” (bild nummer i stacken som motsvarar den referensbilden och fångar det mätning läget) och 'Skala' (skala bilden i mikrometer per pixel). Observera att 'Djup' ovanpå referensbilden angavs manuellt under experimentet och är ungefärlig. Det matchar inte exakt värdet av ”Delta” på ram nivå i stacken bilder på grund av att hjärnan ytan lutar när det gäller bildplanen. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: låg förstoring karta över den ytan vaskulatur. Bilden fångar utsätts hjärnregionen med ytfartyg. Dykning segment av uppmätta arteriolär träd är märkta med de träd-identifierarna ('träd ID'). Dessa kartor sparas i mappen 'kartor' i mappen där NNE 2.0 körs från. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

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 MATLAB kan utnyttja direkt i databasen 'vdb.mat' medan användarna använder en annan typ av programmeringsspråk kan exportera data i ett av de alternativa format ('.xls' eller '.csv').

Forskare som är intresserade av att dela sina egna experimentella data som använder NNE 2.0 behöver strukturera resultaten i en matris på samma sätt som 'vdb.mat'. Huvudsakliga transaktioner till denna databas bör tid-kurser av något slag i form av vektorer och motsvarande tid vektorer. Parametrarna för databasen kan ändras eller tillsätts via modulära struktur GUI. Alla referera till bilder, bildstaplar och hjärnan exponering kartor (om tillämpligt) bör samlas in och deponeras tillsammans med databasen och körbara GUI på internet (t.ex. laboratorium webbsida eller en tredje parts databas).

Forskare som är intresserade av att använda de vaskulära mätningarna tillsammans med 3D vaskulär morfologi i modellering studier av hjärnans funktion kan först utforska data med hjälp av GUI. Väljer du en önskad delmängd av data, kan de använda metadata informationen exporteras till 'ref_stacks_trace.xls' tillsammans med variabler i 'vdb.mat', 3D stack bilder sparade i 'hana_stk' och hjärnan exponering kartor i 'kartor' att rekonstruera vaskulär morfologi i 3D .

Det mest kritiska steget i protokollet är exportera data. För rätt export av valda data (från panelen 3 och 4) är det viktigt att stänga alla filer som data ska exporteras till innan den 'Export' åtgärden vidtas. Först då ersätts filerna korrekt med det faktiska valet av data. Eventuella ändringar av programmet eller felsökning behöver utföras till källkoden.

NNE 2.0 har utvecklats för att dela temporal profiler uträknade från line-skanningar som förvärvades av 2-foton mikroskopi. Data som utforskats av NNE 2.0 är därför inte raw intensitet skanningar men snarare förbearbetade tid-jagar av relativ diameter förändringar. På detta sätt kan användarna att behandla deras raw experimentella data som använder sina egna standardprocedurer och programvara och använda NNE 2.0 som en mall att presentera och dela sina resultat med andra forskare. Inte bara vaskulär diameter förändringar utan i princip någon tidsberoende signal mätt med olika mätmetoder kan delas detta sätt. Sådana signaler inkluderar fluorescens av kalcium24, natrium25, spänning känsliga färgämnen26, genetiskt kodade indikatorer för metaboliter27, partialtryck av syre (pO2)28, blodets syresättning (fet 18, spectral imaging29), blodflöde (speckle imaging29) eller elektrofysiologi signaler30. Förutsättningen för hjälp NNE 2.0 är en databas i form av en matris ' * .mat '. Detta skulle kunna uppnås antingen genom att bearbeta data direkt i MATLAB eller använda verktyg för att bygga matrisen från andra format (t.ex. 'xlsread(filename)' serverar att läsa excel-spread sheets i '.mat' format). Användning av NNE 2.0 utan MATLAB är begränsad till att utforska, nedladdning och vidare bearbetning av data från den aktuella databasen 'vdb.mat'.

NNE 2.0 har potential att hjälpa sprida experimentella data över brett neurovetenskap forskarsamhället att utforskas och jämfört med andra experimentella data av liknande slag underlätta utvecklingen av standarder för datainsamling och bearbetning 31. NNE 2.0 kan också hjälpa till att sprida data över neuroinformatics gemenskapen där det kan användas i modeller av icke-invasiva imaging signaler såsom funktionell magnetresonanstomografi (fMRI)21. Medan NNE 2.0 inte kan konkurrera med mer komplexa databaser5,32,33,34, kan det ge en sömlös och redo att använda plattform för databasing och dela experimentella data utan behov av Ytterligare omfattande investeringar.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har något att avslöja.

Acknowledgments

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

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

Neurovetenskap fråga 135 automatisk databehandling datainsamling Data Display databaser som ämne sökmotor neurovetenskap neuroinformatics grafiskt gränssnitt 2-photon imaging arterioler somatosensoriska cortex MATLAB blodflöde hemodynamik cerebrovaskulär cirkulation
Neurovaskulära nätverk Explorer 2.0: Ett enkelt verktyg för att utforska och dela en databas med Optogenetically-framkallat Vasomotion i mus Cortex 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