Per iniziare, avvia MATLAB ed esegui il toolbox EZcalcium per accedere alla GUI iniziale. All'interno della GUI iniziale, selezionare Correzione movimento per aprire la GUI di correzione del movimento. Utilizzare l'opzione Aggiungi file per caricare un file TIF contenente i dati di imaging.
Quindi, impostare la correzione del movimento non rigida su un pezzo grezzo, il fattore di sovracampionamento su 50, lo spostamento massimo su 15, la dimensione iniziale del batch e la larghezza del contenitore su 200. Fare clic su Esegui correzione movimento per avviare la correzione. All'interno della GUI iniziale, attivare il rilevamento automatico del ROI per accedere alla GUI del rilevamento del ROI.
Utilizzare la funzione Aggiungi file per importare i dati di imaging corretti per il movimento. Impostare l'inizializzazione su greedy, il metodo di ricerca su ellisse, la deconvoluzione su FOOPSI-SPGL1 vincolato e l'autoregressione su decadimento. Quindi imposta il numero stimato di ROI su 60.
Assegna l'ampiezza del ROI stimata a 17, la soglia di unione a 0,95, il fattore di fudge a 0,95, il downsampling spaziale e temporale a uno e le iterazioni temporali a cinque. Quindi fare clic su Esegui rilevamento ROI per avviare il processo di rilevamento. Nella GUI iniziale, selezionare Perfezionamento ROI per avviare l'interfaccia grafica di perfezionamento ROI.
Utilizza il pulsante Dati bassi per importare i dati ROI. Seleziona le ROI con bassa frequenza di attività situate sotto il cranio o quelle che si sovrappongono ad altri neuroni/neuriti. Fai clic su Escludi ROI per escludere tali ROI dall'analisi successiva.
Calcola i valori delta F per F usando questa equazione. Scegli XLSX come formato di esportazione dei dati ed esegui l'esportazione dei dati per generare un file Excel popolato con i valori delta F per F non elaborati. Calcola il coefficiente di correlazione di Pearson per i valori delta F per F tra le ROI e costruisci una matrice dei coefficienti di correlazione.
Utilizza il software Fiji per delineare i confini della canna dall'immagine TCA-RFP. Quindi assegna i ROI ai barili o ai setti corrispondenti. Confronta i coefficienti di correlazione a coppie all'interno di canne identiche e canne distinte.
Genera da 1.000 a 10.000 set di dati surrogati permutando in modo casuale l'associazione tra le posizioni ROI e le tracce di ioni calcio. In ogni set di dati surrogato, calcolare individualmente il coefficiente di correlazione medio all'interno dei barili e determinare la significatività statistica della correlazione. Coefficienti di correlazione a coppie più elevati sono stati osservati all'interno delle stesse unità di elaborazione sensoriale rispetto a unità diverse.
Le attività hanno dimostrato una maggiore sincronia all'interno delle stesse unità nonostante le distanze maggiori, superando la correlazione con neuroni fisicamente più vicini di unità diverse. La media dei coefficienti di correlazione all'interno degli stessi barili era significativamente più alta di quella calcolata da 10.000 set di dati surrogati. La correlazione all'interno degli stessi barili era significativamente forte tra tre diverse finestre temporali.
