Para empezar, inicie MATLAB y ejecute la caja de herramientas EZcalcium para acceder a la GUI inicial. Dentro de la GUI inicial, seleccione Corrección de movimiento para abrir la GUI de corrección de movimiento. Utilice la opción Agregar archivos para cargar un archivo TIF que contenga los datos de imagen.
A continuación, establezca la corrección de movimiento no rígida en blanco, el factor de sobremuestreo en 50, el desplazamiento máximo en 15, el tamaño del lote inicial y el ancho del contenedor en 200. Haga clic en Ejecutar corrección de movimiento para iniciar la corrección. Dentro de la GUI inicial, active la detección automática de ROI para acceder a la GUI de detección de ROI.
Utilice la función Agregar archivos para importar los datos de imágenes corregidos por movimiento. Establezca la inicialización en expansivo, el método de búsqueda en elipse, la deconvolución en FOOPSI-SPGL1 restringido y la autorregresión en decaimiento. A continuación, establezca el número estimado de ROI en 60.
Asigne el ancho de ROI estimado a 17, el umbral de combinación a 0,95, el factor de fuga a 0,95, el submuestreo espacial y temporal a uno y las iteraciones temporales a cinco. A continuación, haga clic en Ejecutar detección de ROI para iniciar el proceso de detección. En la GUI inicial, seleccione Refinamiento del ROI para iniciar la GUI de refinamiento del ROI.
Utilice el botón Datos bajos para importar datos de ROI. Seleccione las ROIs con baja frecuencia de actividad situadas debajo del cráneo o aquellas que se superponen con otras neuronas/neuritas. Haga clic en Excluir ROI para excluir esos ROI del análisis posterior.
Calcule los valores de delta F por F usando esta ecuación. Elija XLSX como formato de exportación de datos y ejecute los datos de exportación para generar un archivo de Excel rellenado con los valores delta F por F sin procesar. Calcule el coeficiente de correlación de Pearson para los valores delta F por F entre los ROI y construya una matriz de los coeficientes de correlación.
Utilice el software Fiji para delinear los límites del cañón a partir de la imagen TCA-RFP. A continuación, asigne los ROI a sus barriles o septos correspondientes. Compare los coeficientes de correlación por pares dentro de barriles idénticos y barriles distintos.
Genere de 1.000 a 10.000 conjuntos de datos sustitutos mediante la permutación aleatoria de la asociación entre las posiciones de ROI y las trazas de iones de calcio. En cada conjunto de datos sustituto, calcule el coeficiente de correlación medio dentro de los barriles individualmente y determine la significación estadística de la correlación. Se observaron coeficientes de correlación por pares más altos dentro de las mismas unidades de procesamiento sensorial que entre diferentes unidades.
Las actividades demostraron una mayor sincronía dentro de las mismas unidades a pesar de las distancias más largas, superando la correlación con neuronas físicamente más cercanas de diferentes unidades. El promedio de los coeficientes de correlación dentro de los mismos barriles fue significativamente más alto que el calculado a partir de 10.000 conjuntos de datos sustitutivos. La correlación dentro de los mismos barriles fue significativamente fuerte entre tres ventanas de tiempo diferentes.
