Для начала запустите MATLAB и выполните набор инструментов EZcalcium, чтобы получить доступ к первоначальному графическому интерфейсу. В исходном графическом интерфейсе выберите «Коррекция движения», чтобы открыть графический интерфейс с коррекцией движения. Используйте опцию «Добавить файлы», чтобы загрузить файл TIF, содержащий данные изображения.
Затем установите нежесткую коррекцию движения в пустое положение, повышающий коэффициент дискретизации на 50, максимальный сдвиг на 15, начальный размер партии и ширину бункера на 200. Нажмите «Запустить коррекцию движения», чтобы начать коррекцию. В начальном графическом интерфейсе пользователя активируйте автоматическое определение ROI, чтобы получить доступ к графическому интерфейсу обнаружения ROI.
Используйте функцию «Добавить файлы» для импорта данных изображения с коррекцией движения. Установите для инициализации значение greedy, для метода поиска — ellipse, для деконволюции — для ограниченного FOOPSI-SPGL1, а для авторегрессии — decay. Затем установите предполагаемое количество ROI равным 60.
Назначьте предполагаемую ширину ROI равной 17, порог слияния — 0,95, коэффициент погрешности — 0,95, пространственную и временную даунсемплинг — единице, а временные итерации — пяти. Затем нажмите «Запустить обнаружение ROI», чтобы запустить процесс обнаружения. В исходном графическом интерфейсе выберите ROI Refinement, чтобы запустить графический интерфейс ROI Refinement.
Используйте кнопку «Низкий уровень данных» для импорта данных ROI. Выберите ROI с низкой частотой активности, расположенные под черепом, или те, которые перекрываются с другими нейронами/нейритами. Нажмите кнопку Исключить ROI, чтобы исключить эти ROI из последующего анализа.
Рассчитайте значения дельты F на F с помощью этого уравнения. Выберите XLSX в качестве формата экспорта данных и выполните экспорт данных для создания файла Excel, заполненного необработанными значениями дельты F на F. Вычислите коэффициент корреляции Пирсона для значений дельты F на F среди ROI и постройте матрицу коэффициентов корреляции.
Используйте программное обеспечение Fiji для определения границ ствола по изображению TCA-RFP. Затем назначьте ROI соответствующим бочкам или септам. Сравните коэффициенты попарной корреляции в одинаковых и разных бочках.
Сгенерируйте от 1 000 до 10 000 суррогатных наборов данных, случайным образом переставляя связь между позициями ROI и трассировками ионов кальция. В каждом суррогатном наборе данных вычислите средний коэффициент корреляции в пределах баррелей по отдельности и определите статистическую значимость корреляции. Более высокие коэффициенты парной корреляции наблюдались в пределах одних и тех же сенсорных процессоров, чем в разных блоках.
Активность продемонстрировала более сильную синхронность в пределах одних и тех же единиц, несмотря на большие расстояния, превосходя корреляцию с физически более близкими нейронами из разных единиц. Среднее значение коэффициентов корреляции в пределах одних и тех же баррелей оказалось значительно выше, чем рассчитанное на основе 10 000 наборов суррогатных данных. Корреляция в пределах одних и тех же баррелей была значительно сильной между тремя различными временными окнами.
