Para começar, inicie o MATLAB e execute a caixa de ferramentas EZcalcium para acessar a GUI inicial. Na GUI inicial, selecione Correção de movimento para abrir a GUI de correção de movimento. Use a opção Adicionar arquivos para carregar um arquivo TIF contendo os dados de imagem.
Em seguida, defina a correção de movimento não rígido para branco, o fator de aumento da amostragem para 50, o deslocamento máximo para 15, o tamanho do lote inicial e a largura do compartimento para 200. Clique em Executar correção de movimento para iniciar a correção. Na GUI inicial, ative a detecção automatizada de ROI para acessar a GUI de detecção de ROI.
Use o recurso Adicionar arquivos para importar os dados de imagem com correção de movimento. Defina a inicialização como greedy, o método de pesquisa como ellipse, a deconvolução como FOOPSI-SPGL1 restrito e a regressão automática como decay. Em seguida, defina o número estimado de ROIs para 60.
Atribua a largura estimada do ROI a 17, o limite de mesclagem a 0,95, o fator de correção a 0,95, a redução da amostragem espacial e temporal a um e as iterações temporais a cinco. Em seguida, clique em Executar detecção de ROI para iniciar o processo de detecção. Na GUI inicial, selecione Refinamento de ROI para iniciar a GUI de refinamento de ROI.
Use o botão Dados baixos para importar dados de ROI. Selecione as ROIs com baixa frequência de atividade situadas abaixo do crânio ou aquelas sobrepostas a outros neurônios/neurites. Clique em Excluir ROI para excluir esses ROIs da análise subsequente.
Calcule os valores delta F por F usando esta equação. Escolha XLSX como o formato de exportação de dados e execute os dados de exportação para gerar um arquivo do Excel preenchido com os valores delta F por F brutos. Calcule o coeficiente de correlação de Pearson para os valores delta F por F entre as ROIs e construa uma matriz dos coeficientes de correlação.
Use o software Fiji para delinear os limites do barril a partir da imagem TCA-RFP. Em seguida, atribua os ROIs aos seus barris ou septos correspondentes. Compare os coeficientes de correlação em pares dentro de barris idênticos e barris distintos.
Gere de 1.000 a 10.000 conjuntos de dados substitutos permutando aleatoriamente a associação entre as posições de ROI e os traços de íons de cálcio. Em cada conjunto de dados substituto, calcule o coeficiente de correlação médio dentro dos barris individualmente e determine a significância estatística da correlação. Coeficientes de correlação de pares mais altos foram observados nas mesmas unidades de processamento sensorial do que em diferentes unidades.
As atividades demonstraram maior sincronia dentro das mesmas unidades, apesar de distâncias maiores, superando a correlação com neurônios fisicamente mais próximos de diferentes unidades. A média dos coeficientes de correlação dentro dos mesmos barris foi significativamente maior do que a calculada a partir de 10.000 conjuntos de dados substitutos. A correlação dentro dos mesmos barris foi significativamente forte entre três janelas de tempo diferentes.
