Pour commencer, lancez MATLAB et exécutez la boîte à outils EZcalcium pour accéder à l’interface graphique initiale. Dans l’interface graphique initiale, sélectionnez Correction de mouvement pour ouvrir l’interface graphique de correction de mouvement. Utilisez l’option Ajouter des fichiers pour télécharger un fichier TIF contenant les données d’imagerie.
Ensuite, réglez la correction de mouvement non rigide sur blanc, le facteur de suréchantillonnage sur 50, le décalage maximal sur 15, la taille initiale du lot et la largeur du bac sur 200. Cliquez sur Exécuter la correction de mouvement pour lancer la correction. Dans l’interface graphique initiale, activez la détection automatique du retour sur investissement pour accéder à l’interface graphique de détection du retour sur investissement.
Utilisez la fonction Ajouter des fichiers pour importer les données d’imagerie corrigées de mouvement. Définissez l’initialisation sur gourmand, la méthode de recherche sur ellipse, la déconvolution sur FOOPSI-SPGL1 contraint et l’autorégression sur decay. Définissez ensuite le nombre estimé de retours sur investissement à 60.
Attribuez la largeur du retour sur investissement estimée à 17, le seuil de fusion à 0,95, le facteur de flou à 0,95, le sous-échantillonnage spatial et temporel à un et les itérations temporelles à cinq. Cliquez ensuite sur Exécuter la détection du retour sur investissement pour lancer le processus de détection. Dans l’interface graphique initiale, sélectionnez Raffinement de la ROI pour lancer l’interface graphique d’affinement de la ROI.
Utilisez le bouton Faibles données pour importer des données de retour sur investissement. Sélectionnez les zones d’intérêt à faible fréquence d’activité situées sous le crâne ou celles qui se chevauchent avec d’autres neurones/neurites. Cliquez sur Exclure le retour sur investissement pour exclure ces retours sur investissement de l’analyse ultérieure.
Calculez les valeurs delta F par F à l’aide de cette équation. Choisissez XLSX comme format d’exportation de données et exécutez les données d’exportation pour générer un fichier Excel rempli avec les valeurs delta brutes F par F. Calculez le coefficient de corrélation de Pearson pour les valeurs delta F par F parmi les ROI et construisez une matrice des coefficients de corrélation.
Utilisez le logiciel Fidji pour délimiter les limites du baril à partir de l’image TCA-RFP. Attribuez ensuite les ROI à leurs barils ou septa correspondants. Comparez les coefficients de corrélation par paires dans des barillets identiques et des barillets distincts.
Générez 1 000 à 10 000 ensembles de données de substitution en permutant de manière aléatoire l’association entre les positions du retour sur investissement et les traces d’ions calcium. Dans chaque ensemble de données de substitution, calculez le coefficient de corrélation moyen dans les barils individuellement et déterminez la signification statistique de la corrélation. Des coefficients de corrélation par paires plus élevés ont été observés dans les mêmes unités de traitement sensoriel qu’entre différentes unités.
Les activités ont démontré une synchronie plus forte au sein des mêmes unités malgré des distances plus longues, dépassant la corrélation avec des neurones physiquement plus proches de différentes unités. La moyenne des coefficients de corrélation à l’intérieur des mêmes fûts était significativement plus élevée que celle calculée à partir de 10 000 ensembles de données de substitution. La corrélation à l’intérieur des mêmes barillets était significativement forte entre trois fenêtres temporelles différentes.
