Rastrear los disparos de neuronas individuales es como tratar de discernir quién dice qué en un estadio de fútbol lleno de fanáticos que gritan. Hasta hace poco, los neurocientíficos habían tenido que rastrear tediosamente cada neurona a mano.
"Las personas pasaron más tiempo analizando sus datos para extraer rastros de actividad que realmente recopilándolos", dice Dmitri Chklovskii, quien dirige el grupo de neurociencia en el Centro de Biología Computacional CCB en el Instituto Flatiron en la ciudad de Nueva York.
Una herramienta de software innovadora llamada CaImAn automatiza este arduo proceso usando una combinación de métodos computacionales estándar y técnicas de aprendizaje automático. En un artículo publicado en la revista eLife en enero, los creadores del software demuestran que CaImAn logra una precisión casi humana en la detección de ubicaciones de neuronas activas en base a datos de imágenes de calcio.
CaImAn una abreviatura de análisis de imágenes de calcio ha estado disponible gratuitamente durante algunos años y ya ha demostrado ser invaluable para la comunidad de imágenes de calcio, con más de 100 laboratorios que utilizan el software. La última versión de CaImAn puede ejecutarse en una computadora portátil estándary analizar datos en tiempo real, lo que significa que los científicos pueden analizar datos mientras realizan experimentos. "Mi laboratorio está entusiasmado por poder utilizar una herramienta como esta", dice el neurocientífico de la Universidad de Duke John Pearson, que no participó en el desarrollo del software.
CaImAn es el producto de un esfuerzo iniciado por Chklovskii dentro de su grupo en CCB. Él trajo a Eftychios Pnevmatikakis y luego a Andrea Giovannucci para encabezar el proyecto. Su objetivo era ayudar a abordar los enormes conjuntos de datos producidos por un método llamado imágenes de calcio.
Esa técnica implica agregar un tinte especial al tejido cerebral o a las neuronas en un plato. El tinte se une a los iones de calcio responsables de la activación de las neuronas. Bajo la luz ultravioleta, el tinte se enciende. La fluorescencia solo ocurre cuando el tinte se une al calcioion, lo que permite a los investigadores rastrear visualmente la actividad de una neurona.
El análisis de los datos recopilados a través de imágenes de calcio plantea un desafío importante. El proceso genera una avalancha de datos, hasta 1 terabyte por hora de películas parpadeantes, que rápidamente se vuelve abrumador ". Un experimentador puede llenar el disco duro más grande disponible comercialmentemaneje en un día ", dice Michael Häusser, neurocientífico del University College London cuyo equipo probó CaImAn.
Los datos también son ruidosos. Al igual que las voces mezcladas, las señales fluorescentes de diferentes neuronas a menudo se superponen, lo que dificulta la selección de neuronas individuales. Además, el tejido cerebral se agita, lo que se suma al desafío de rastrear la misma neurona con el tiempo.
Pnevmatikakis, ahora científico investigador en el Centro de Matemática Computacional del Instituto Flatiron, comenzó a desarrollar el algoritmo básico subyacente a CaImAn como un postdoc en el laboratorio de Liam Paninski en la Universidad de Columbia.
"Era elegante matemáticamente e hizo un trabajo decente, pero nos dimos cuenta de que no se generalizaba bien a diferentes conjuntos de datos", dice Pnevmatikakis. "Queríamos transformarlo en un paquete de software que la comunidad pueda usar". Eso fue en partepor qué se sintió atraído por el grupo de neurociencia en Flatiron, que desarrolla nuevas herramientas para analizar grandes conjuntos de datos.
Pnevmatikakis más tarde comenzó a trabajar con Giovannucci, luego un postdoctorado en la Universidad de Princeton, en la aplicación del algoritmo para rastrear la actividad de las células granulares cerebelosas, un grupo de neuronas densamente empaquetado y de disparo rápido. "Las herramientas de análisis existentes no eran lo suficientemente poderosas como para desenredarLa actividad de esta población de neuronas implicaba que todos estaban haciendo lo mismo ", dice Giovannucci, quien se unió al grupo de neurociencia CCB durante tres años para ayudar a desarrollar el software para un uso más amplio". El algoritmo resta las voces de fondo y se centra enunos pocos ", revelando que las células granulares individuales tienen patrones de actividad distintos.
El trabajo adicional en el Flatiron Institute perfeccionó las habilidades de CaImAn y facilitó el uso del software para los investigadores para una variedad de experimentos sin una amplia personalización.
Los investigadores probaron recientemente la precisión de CaImAn comparando sus resultados con un conjunto de datos generados por humanos. La comparación demostró que el software es casi tan preciso como los humanos para identificar neuronas activas pero mucho más eficiente. Su rapidez permite a los investigadores adaptar sus experimentos en elvolar, mejorando los estudios de cómo los paquetes específicos de neuronas contribuyen a diferentes comportamientos. El conjunto de datos humanos también reveló una gran variabilidad de persona a persona, destacando el beneficio de tener una herramienta estandarizada para analizar datos de imágenes.
Además de la precisión de la evaluación comparativa, los investigadores utilizaron los resultados anotados por humanos como un conjunto de datos de capacitación, desarrollando herramientas basadas en el aprendizaje automático para mejorar el paquete CaImAn. Desde entonces, han hecho público este conjunto de datos, para que la comunidad pueda usarlo paraextender más CaImAn o crear nuevas herramientas.
Fuente de la historia :
Materiales proporcionado por Fundación Simons . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :