Name: a method for 3d reconstruction and virtual reality analysis of glial and neuronal cells
Uploaded: 2019-09-28T13:00:00
Duration: 12 min 49 s
Description: Watch this Scientific Journal Video about A Method for 3D Reconstruction and Virtual Reality Analysis of Glial and Neuronal Cells at JoVE.com

Эта работа была поддержана Королевским Университетом Науки и Технологии (KAUST) Конкурсные исследовательские гранты (CRG) Грант "KAUST-BBP Альянс для интегративного моделирования метаболизма энергии мозга" в PJM.

<ol>
	<li>Leighton, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SEM+images+of+block+faces,+cut+by+a+miniature+microtome+within+the+SEM+-+a+technical+note.">SEM images of block faces, cut by a miniature microtome within the SEM - a technical note.</a> Scanning Electron Microscopy. , 73-76 (1981).</li><li>Knott, G., Marchman, H., Wall, D., Lich, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Serial+section+scanning+electron+microscopy+of+adult+brain+tissue+using+focused+ion+beam+milling.">Serial section scanning electron microscopy of adult brain tissue using focused ion beam milling.</a> Journal of Neuroscience. 28, 2959-2964 (2008).</li><li>Denk, W., Horstmann, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Serial+block-face+scanning+electron+microscopy+to+reconstruct+three-dimensional+tissue+nanostructure.">Serial block-face scanning electron microscopy to reconstruct three-dimensional tissue nanostructure.</a> PLOS Biology. 2, e329 (2004).</li><li>Coggan, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Process+for+Digitizing+and+Simulating+Biologically+Realistic+Oligocellular+Networks+Demonstrated+for+the+Neuro-Glio-Vascular+Ensemble.">A Process for Digitizing and Simulating Biologically Realistic Oligocellular Networks Demonstrated for the Neuro-Glio-Vascular Ensemble.</a> Frontiers in Neuroscience. 12, (2018).</li><li>Tomassy, G. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distinct+Profiles+of+Myelin+Distribution+Along+Single+Axons+of+Pyramidal+Neurons+in+the+Neocortex.">Distinct Profiles of Myelin Distribution Along Single Axons of Pyramidal Neurons in the Neocortex.</a> Science. 344, 319-324 (2014).</li><li>Wanner, A. A., Genoud, C., Masudi, T., Siksou, L., Friedrich, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dense+EM-based+reconstruction+of+the+interglomerular+projectome+in+the+zebrafish+olfactory+bulb.">Dense EM-based reconstruction of the interglomerular projectome in the zebrafish olfactory bulb.</a> Nature Neuroscience. 19, 816-825 (2016).</li><li>Kasthuri, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Saturated+Reconstruction+of+a+Volume+of+Neocortex.">Saturated Reconstruction of a Volume of Neocortex.</a> Cell. 162, 648-661 (2015).</li><li>Cal&#236;, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effects+of+aging+on+neuropil+structure+in+mouse+somatosensory+cortex&#8212;A+3D+electron+microscopy+analysis+of+layer+1.">The effects of aging on neuropil structure in mouse somatosensory cortex&#8212;A 3D electron microscopy analysis of layer 1.</a> PLOS ONE. 13, e0198131 (2018).</li><li>Cal&#236;, C., Agus, M., Gagnon, N., Hadwiger, M., Magistretti, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+Analysis+of+Glycogen+Derived+Lactate+Absorption+in+Dense+and+Sparse+Surface+Reconstructions+of+Rodent+Brain+Structures.">Visual Analysis of Glycogen Derived Lactate Absorption in Dense and Sparse Surface Reconstructions of Rodent Brain Structures.</a> , (2017).</li><li>Cal&#236;, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Three-dimensional+immersive+virtual+reality+for+studying+cellular+compartments+in+3D+models+from+EM+preparations+of+neural+tissues.">Three-dimensional immersive virtual reality for studying cellular compartments in 3D models from EM preparations of neural tissues.</a> Journal of Comparative Neurology. 524, 23-38 (2016).</li><li>Fiala, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reconstruct:+a+free+editor+for+serial+section+microscopy.">Reconstruct: a free editor for serial section microscopy.</a> Journal of Microscopy. 218, 52-61 (2005).</li><li>Cardona, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=TrakEM2+software+for+neural+circuit+reconstruction.">TrakEM2 software for neural circuit reconstruction.</a> PLOS ONE. 7, e38011 (2012).</li><li>Januszewski, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-precision+automated+reconstruction+of+neurons+with+flood-filling+networks.">High-precision automated reconstruction of neurons with flood-filling networks.</a> Nature Methods. 1, (2018).</li><li>Shahbazi, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flexible+Learning-Free+Segmentation+and+Reconstruction+of+Neural+Volumes.">Flexible Learning-Free Segmentation and Reconstruction of Neural Volumes.</a> Scientific Reports. 8, 14247 (2018).</li><li>Sommer, C., Straehle, C., K&#246;the, U., Hamprecht, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ilastik:+Interactive+learning+and+segmentation+toolkit.">Ilastik: Interactive learning and segmentation toolkit.</a> , (2011).</li><li>Holst, G., Berg, S., Kare, K., Magistretti, P., Cal&#236;, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adding+large+EM+stack+support.">Adding large EM stack support.</a> , (2016).</li><li>Beyer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ConnectomeExplorer:+query-guided+visual+analysis+of+large+volumetric+neuroscience+data.">ConnectomeExplorer: query-guided visual analysis of large volumetric neuroscience data.</a> IEEE Transactions on Visualization and Computer Graphics. 19, 2868-2877 (2013).</li><li>Beyer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Culling+for+Extreme-Scale+Segmentation+Volumes:+A+Hybrid+Deterministic+and+Probabilistic+Approach.">Culling for Extreme-Scale Segmentation Volumes: A Hybrid Deterministic and Probabilistic Approach.</a> IEEE Transactions on Visualization and Computer. , (2018).</li><li>Jorstad, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NeuroMorph:+A+Toolset+for+the+Morphometric+Analysis+and+Visualization+of+3D+Models+Derived+from+Electron+Microscopy+Image+Stacks.">NeuroMorph: A Toolset for the Morphometric Analysis and Visualization of 3D Models Derived from Electron Microscopy Image Stacks.</a> Neuroinformatics. 13, 83-92 (2015).</li><li>Jorstad, A., Blanc, J., Knott, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NeuroMorph:+A+Software+Toolset+for+3D+Analysis+of+Neurite+Morphology+and+Connectivity.">NeuroMorph: A Software Toolset for 3D Analysis of Neurite Morphology and Connectivity.</a> Frontiers in Neuroanatomy. 12, 59 (2018).</li><li>Cal&#236;, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Astroglial+anatomy+in+the+times+of+connectomics.">Astroglial anatomy in the times of connectomics.</a> Journal of Translational Neuroscience. 2, 31-40 (2017).</li><li>Mohammed, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Abstractocyte:+A+Visual+Tool+for+Exploring+Nanoscale+Astroglial+Cells.">Abstractocyte: A Visual Tool for Exploring Nanoscale Astroglial Cells.</a> IEEE Transactions on Visualization and Computer Graphics. , (2017).</li><li>Agus, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GLAM:+Glycogen-derived+Lactate+Absorption+Map+for+visual+analysis+of+dense+and+sparse+surface+reconstructions+of+rodent+brain+structures+on+desktop+systems+and+virtual+environments.">GLAM: Glycogen-derived Lactate Absorption Map for visual analysis of dense and sparse surface reconstructions of rodent brain structures on desktop systems and virtual environments.</a> Computers &amp; Graphics. 74, 85-98 (2018).</li><li>&#201;cole Polytechnique F&#233;d&#233;rale de Lausanne. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> NeuroMorph Analysis and Visualization Toolset. , (2018).</li><li>. GitHub - daniJb/glycol-analysis: Glycogen_analysis.py is a python-blender API based script that performs analysis on a reconstructed module of glycogen data Available from: <a target="_blank" href="https://github.com/daniJb/glyco-analysis">https://github.com/daniJb/glyco-analysis</a> (2018)</li><li>. GitHub &#8211; magus74/GLAM: Glycogen Lactate Absorption Model Available from: <a target="_blank" href="https://github.com/magus74/GLAM">https://github.com/magus74/GLAM</a> (2019)</li><li>Agus, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GLAM:+Glycogen-derived+Lactate+Absorption+Map+for+visual+analysis+of+dense+and+sparse+surface+reconstructions+of+rodent+brain+structures+on+desktop+systems+and+virtual+environments.">GLAM: Glycogen-derived Lactate Absorption Map for visual analysis of dense and sparse surface reconstructions of rodent brain structures on desktop systems and virtual environments.</a> Dryad Digital Repository. , (2018).</li><li>Cal&#236;, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Data+from:+The+effects+of+aging+on+neuropil+structure+in+mouse+somatosensory+cortex&#8212;A+3D+electron+microscopy+analysis+of+layer+1.">Data from: The effects of aging on neuropil structure in mouse somatosensory cortex&#8212;A 3D electron microscopy analysis of layer 1.</a> Dryad Digital Repository. , (2018).</li></ol>

Авторам нечего раскрывать.

Представленный здесь метод является полезным пошаговоц-гидом для сегментации и 3D-реконструкции многомасштабного набора данных EM, независимо от того, являются ли они получены из методов визуализации высокого разрешения, таких как FIB-SEM, или других автоматизированных методов последовательного секций и визуализации. FIB-SEM имеет преимущество потенциально достижения идеальной изотропной в размере вокселя путем резки разделов, как тонкие, как 5 нм с помощью сфокусированного ионного луча, его FOV может быть ограничено 15-20 мкм из-за побочных артефактов, которые, возможно, из-за осаждения вырезанной ткани, если FO V превышает это значение. Таких артефактов можно избежать с помощью других методов, таких как SBEM, который использует алмазный нож, чтобы сократить серийные разделы внутри микроскопа камеры. В этом последнем случае разрешение z может быть около 20 нм в лучшем случае (обычно, 50 нм), но FOV может быть больше, хотя разрешение пикселей должно быть скомпрометировано для обширного региона, интересующего. Одним из решений для преодоления таких ограничений (увеличение по отношению к FOV) является разделение региона, интересуемого плиткой, и приобретение каждого из них в более высоком разрешении. Мы показали здесь результаты как стек-набор sBEM (i) в репрезентативных результатах, так и набор данных FIB-SEM (ii) в репрезентативных результатах.
По мере того, как поколение все больших и больших наборов данных становится все более распространенным явлением, прилагаются к умножению усилий по созданию инструментов для классификации пикселей и автоматической сегментации изображений; тем не менее, на сегодняшний день ни одно программное обеспечение не доказало надежность, сравнимую с достоверностью человеческих корректуру, которая, следовательно, по-прежнему необходима, независимо от того, насколько это отнимает много времени. Как правило, небольшие наборы данных, которые могут быть сокращены, как в случае набора данных (ii), могут быть плотно реконструированы одним экспертным пользователем в течение недели, включая время корректура.
Представленный здесь протокол включает в себя использование трех программ, в частности: Фиджи (версия 2.0.0-rc-65/1.65b), ilastik (версия 1.3.2 rc2) и Blender (2.79), которые являются открытым исходным кодом и многоплатформенными программами и загружаются бесплатно. Фиджи является выпуск ImageJ, питание от плагинов для биологического анализа изображений. Он имеет надежную архитектуру программного обеспечения и предлагается, как это общая платформа для ученых жизни и включает в себя TrakEM2, один из первых и наиболее широко используемых плагинов для сегментации изображений. Одной из проблем, с которой сталкиваются многие пользователи в последнее время, является переход от Java 6 к Java 8, который создает проблемы совместимости; поэтому мы предлагаем воздержаться от обновления до Java 8, если это возможно, чтобы Фиджи могли нормально работать. ilastik является мощным программным обеспечением, обеспечивающим ряд рамок для классификации пикселей, каждый из которых документирован и объяснен на их веб-сайте. Модуль резьбы, используемый для полуавтоматической сегментации стеков EM, удобен, так как экономит много времени, позволяя ученым сократить время, затрачиваемые на ручную работу, от нескольких месяцев до нескольких дней для опытного пользователя, так как одним щелчком мыши может быть весь нейрит сегментированных в секундах. Этап предварительной обработки очень интенсивный с аппаратной точки зрения, и очень большие наборы данных, такие как представленный здесь стек SBEM, который составлял 26 ГБ, требуют своеобразных стратегий, чтобы вписаться в память, учитывая, что можно было бы получить большой набор данных, потому что не может компромиссное поле зрения и разрешения. Таким образом, в этом случае снижение выборки может оказаться неподходящим решением. Последний выпуск программного обеспечения может сделать предварительную обработку в течение нескольких часов с мощной рабочей станцией Linux, но сегментация займет несколько минут, и прокрутка через стек будет по-прежнему относительно медленно. Мы по-прежнему используем этот метод для первой, грубой сегментации и корректироводирования с помощью TrakEM2. Наконец, Blender — это программное обеспечение для 3D-моделирования с мощным 3D-релизывающим движком, который можно настроить с помощью скриптов python, которые могут быть встроены в основной графический интерфейс в качестве дополнений, таких как NeuroMorph и анализ гликогена. Гибкость этого программного обеспечения связана с недостатком, что, в отличие от Фиджи, например, он не предназначен для онлайн визуализации больших наборов данных; поэтому визуализация и навигация по большим сеткам (превышающая 1 ГБ) может быть медленной и неэффективной. Из-за этого, это всегда целесообразно выбрать методы, которые уменьшают сложность сетки, но осторожны, чтобы не нарушить первоначальную морфологию структуры интересов. Функция remesh пригодится и является встроенной функцией инструмента импорта партии NeuroMorph. Проблема с этой функцией заключается в том, что, в зависимости от количества головокружений исходной сетки, значение глубины octree, которое связано с окончательным разрешением, должно быть соответствующим образом изменено. Небольшие объекты могут быть remeshed с небольшой глубиной octree (например, 4), но то же значение может нарушить морфологию крупных объектов, которая нуждается в больших значениях (6 в лучшем случае, до 8 или даже 9 для очень большой сетки, такие как полная ячейка). Целесообразно сделать этот процесс итеративным и проверить различные глубины octree, если размер объекта не ясен.
Как упоминалось ранее, один аспект, который должен быть принят во внимание, это вычислительная мощность, которая будет посвящена реконструкции и анализу, связанные с программным обеспечением, которое используется. Все операции, указанные в репрезентативных результатах данной рукописи, были получены с помощью MacPro, оснащенного картой AMD FirePro D500 Graphics, 64 ГБ оперативной памяти и процессором Intel Xeon E5 с 8 ядрами. Фиджи имеет хорошую архитектуру программного обеспечения для обработки больших наборов данных; Поэтому рекомендуется использовать ноутбук с хорошей аппаратной производительностью, такой как MacBook Pro с процессором Intel i7 с 2,5 ГГц и 16 ГБ оперативной памяти. программное обеспечение ilastik является более требовательным с точки зрения аппаратных ресурсов, в частности, на этапе предварительной обработки. Хотя downsampling стек изображения является хорошим трюком, чтобы ограничить аппаратные запросы от программного обеспечения и позволяет пользователю обрабатывать стек с ноутбуком (как правило, если он ниже 500 пикселей в х,у,z), мы предлагаем использовать высокого класса компьютер для запуска этого программного обеспечения гладко. Мы используем рабочую станцию, оснащенную процессором Intel Xeon Gold 6150 с 16 ядрами и 500 ГБ оперативной памяти.
При точной 3D-реконструкции ученые могут отказаться от оригинальных микрографов и работать непосредственно на 3D-моделях для извлечения полезных морфометрических данных для сравнения клеток одного и того же типа, а также различных типов клеток и использования VR для качественные и количественные оценки морфологии. В частности, использование последнего оказалось полезным в случае анализа плотных или сложных морфологий, которые представляют собой визуальные окклюзии (т.е. блокировка зрения объекта, интересуемого в 3D пространстве, второго, размещенного между наблюдателем и фи rst объекта), что затрудняет их представление и анализ в 3D. В представленном примере опытный пользователь занял около 4 непоследовательных часов, чтобы наблюдать за наборами данных и считать объекты. Время, затрачиваемые на анализ VR может варьироваться, так как такие аспекты, как VR-болезнь (которая может в некоторой степени быть связана с автомобильной болезнью) могут оказывать негативное влияние на пользовательский опыт; в этом случае пользователь может предпочесть другие инструменты анализа и ограничить свое время, посвященное VR.
Наконец, все эти шаги могут быть применены к другим микроскопии и не-EM методы, которые генерируют образ стеки. EM генерирует изображения, которые, в общем, являются сложными для обработки и сегмента, по сравнению, например, с флуоресценцией микроскопии, где что-то сопоставимо с бинарной маской (сигнал против черного фона), что в принципе может быть легко оказана в 3D для дальнейшей обработки, часто нуждается в рассмотрении.

Первая предлагаемая модель для установки электронной микроскопии, позволяющей автоматический серийный раздел и визуализации восходит к 19811; диффузии таких автоматизированных, улучшенных установк для изображения больших образцов с использованием EM увеличилось в последние десять лет2,3, и работы демонстрации впечатляющих плотных реконструкций или полной морфологии сразу же после4, 5,6,7,8,9,10.
Производство больших наборов данных возникло с необходимостью улучшения конвейеров для сегментации изображений. Программные средства для ручной сегментации серийных секций, таких как RECONSTRUCT и TrakEM211,12, были разработаны для передачи электронной микроскопии (TEM). Поскольку весь процесс может быть чрезвычайно трудоемким, эти инструменты не подходят при работе с тысячами серийных микрографов, которые могут быть автоматически генерируемыми с помощью современных автоматизированных методов серийного раздела EM (3DEM), таких как блок-лицо сканирования электронной микроскопии (SBEM)3 или сфокусированный ионный луч сканирования электронной микроскопии (FIB-SEM)2. По этой причине ученые прилагали усилия для разработки полуавтоматических инструментов, а также полностью автоматизированных инструментов для повышения эффективности сегментации. Полностью автоматизированные инструменты, основанные на машинном обучении13 или современных, неподготовленных алгоритмах классификации пикселей14,совершенствуются для использования более широким сообществом; тем не менее, сегментация все еще далека от полной надежности, и многие работы по-прежнему основаны на ручном труде, который является неэффективным с точки зрения времени сегментации, но по-прежнему обеспечивает полную надежность. Полуавтоматические инструменты, такие как ilastik15,представляют собой лучший компромисс, так как они обеспечивают немедленное считывание для сегментации, которые могут быть исправлены в некоторой степени, хотя он не обеспечивает реальную основу корректирования, и может быть интегрирована с помощью TrakEM2 параллельно16.
Крупномасштабная сегментация на сегодняшний день в основном ограничивается коннектомикой; Поэтому, компьютерные ученые больше всего заинтересованы в предоставлении рамок для комплексных визуализаций больших, аннотированных наборов данных и анализировать модели подключения, выведенные наличием синаптических контактов17,18. Тем не менее, точные 3D-реконструкции могут быть использованы для количественного морфометрического анализа, а не для качественной оценки 3D-структур. Инструменты, как NeuroMorph19,20 и гликоген агенанализа 10 были разработаны для измерения на 3D-реконструкций для длины, поверхностных областей и объемов, и на распределение облачных точек, полностью отбрасывая оригинальный стек EM8,10. Астроциты представляют собой интересный пример, потому что отсутствие визуальных подсказок или повторяющихся структурных моделей дают следователям намек на функцию отдельных структурных подразделений и последующее отсутствие адекватной онтологии астроцитических процессов 21, сделать его сложным для разработки аналитических инструментов. Одной из последних попыток был Abstractocyte22, который позволяет визуальное исследование астроцитарных процессов и вывод качественных отношений между астроцитарными процессами и невритами.
Тем не менее, удобство визуализации секционной ткани под EM происходит от того, что объем информации, скрытой в неповрежденных образцов мозга огромен и интерпретации одного раздела изображения могут преодолеть эту проблему. Плотность структур в головном мозге настолько высока, что 3D-реконструкции даже нескольких объектов, видимых сразу, сделают невозможным их визуальное различание. По этой причине мы недавно предложили использовать виртуальную реальность (VR) в качестве усовершенствованного метода наблюдения за сложными структурами. Мы фокусируемся на астроцитах23, чтобы преодолеть окклюзию (которая является блокированием видимости объекта, представляющего интерес со вторым, в 3D пространстве) и облегчить качественную оценку реконструкций, включая корректирование, а также количественные оценки объектов с использованием количества очков в пространстве. Недавно мы объединили VR визуальное исследование с использованием GLAM (гликогена полученных лактата поглощения модели), техника, чтобы визуализировать карту лактата челнока вероятность невитов, рассматривая гранулы гликогена, как светоизлучающих органов23; в частности, мы использовали VR для количественной оценки световых пиков производства GLAM.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Fiji</td>
			<td>Open Source</td>
			<td>2.0.0-rc-65/1.65b</td>
			<td>Open Source image processing editor 
			www.fiji.sc</td>
		</tr>
		<tr>
			<td>iLastik</td>
			<td>Open Source&#160;</td>
			<td>1.3.2 rc2</td>
			<td>Image Segmentation tool 
			www.ilastik.org</td>
		</tr>
		<tr>
			<td>Blender</td>
			<td>Blender Foundation</td>
			<td>2.79</td>
			<td>Open Source 3D Modeling software 
			www.blender.org</td>
		</tr>
		<tr>
			<td>HTC Vive Headset</td>
			<td>HTC</td>
			<td>Vive / Vive Pro</td>
			<td>Virtual Reality (VR) Head monted headset 
			www.vive.com</td>
		</tr>
		<tr>
			<td>Neuromorph</td>
			<td>Open Source</td>
			<td>---</td>
			<td>Collection of Blender Addons for 3D Analysis 
			neuromorph.epfl.ch</td>
		</tr>
		<tr>
			<td>Glycogen Analysis</td>
			<td>Open Source</td>
			<td>---</td>
			<td>Blender addon for analysis of Glycogen 
			https://github.com/daniJb/glyco-analysis</td>
		</tr>
		<tr>
			<td>GLAM</td>
			<td>Open Source</td>
			<td>---</td>
			<td>C++ Code For generating GLAM Maps 
			https://github.com/magus74/GLAM</td>
		</tr>
	</tbody>
</table>

a method for 3d reconstruction and virtual reality analysis of glial and neuronal cells

Серийное сечение и последующее изображение биологической ткани с высоким разрешением с помощью электронной микроскопии (ЭМ) позволяют сегментировать и реконструировать изображения с высоким разрешением, чтобы выявить ультраструктурные закономерности, которые не могли быть решены с помощью 2D Изображения. Действительно, последнее может привести к неправильному толкованию морфологий, как в случае митохондрий; поэтому использование 3D-моделей становится все более и более распространенным и применяется к разработке функциональных гипотез на основе морфологии. На сегодняшний день использование 3D-моделей, генерируемых из световых или электронных стеков изображений, делает качественные, визуальные оценки, а также количественную оценку, более удобной для выполнения непосредственно в 3D. Поскольку эти модели часто чрезвычайно сложны, также важно создать среду виртуальной реальности для преодоления окклюзии и полного использования 3D-структуры. Здесь подробно описано пошаговое руководство от сегментации изображений до реконструкции и анализа.

Используя представленную выше процедуру, мы показываем результаты на двух стеках изображений разных размеров, чтобы продемонстрировать, как гибкость инструментов позволяет масштабировать процедуру до больших наборов данных. В данном случае, два 3DEM наборы данных (i) P14 крысы, соматосенсорной коры, слой VI, 100 мкм х 100 мкм х 76,4 мкм4 и (ii) P60 крысы, гиппокамп CA1, 7,07 мкм х 6,75 мкм х 4,733 м км10.
Шаги предварительной обработки(рисунок 1) могут быть выполнены одинаково для обоих наборов данных, просто принимая во внимание, что больший набор данных, такой как первый стек, который составляет 25 ГБ, требует более эффективного оборудования для обработки большой визуализации данных и обработки . Второй стек составляет всего 1 ГБ, с совершенно изотропным размером вокселя.
Размер данных может не быть напрямую связан с полем зрения (FOV), а не с разрешением самого стека, которое зависит от максимального размера пикселей датчика микроскопа и увеличения стека. В любом случае, логически, более крупные FOV, вероятно, занимают больше физического пространства по сравнению с меньшими FOVs, если они приобретены в том же разрешении.
После того, как стек изображения импортируется, как указано в разделе 1 протокола, в программном обеспечении Фиджи(рисунок 1A), научный релиз ImageJ12, один важный момент, чтобы убедиться, что формат изображения 8-битный(рисунок 1B). Это потому, что многие приобретения программного обеспечения различных производителей микроскопических компаний генерировать свой собственный формат файла в 16-битных для хранения метаданных, имеющих отношение к информации о процессе приобретения (т.е. размер пикселей, толщина, ток / напряжение электронный луч, камерное давление) вместе со стеком изображения. Такие корректировки позволяют ученым сохранить память, так как дополнительные 8-битные, содержащие метаданные, не влияют на изображения. Вторым важным параметром для проверки является размер вокселя, который затем позволяет проводить реконструкцию после сегментации в правильной шкале (микрометры или нанометры; Рисунок 1B).
Стеки могут нуждаться в перестройке и/или сшивании, если они были приобретены с помощью плитки; эти операции могут быть выполнены в TrakEM2(Рисунок 2A), хотя в отношении перестройки, автоматизированные методы 3DEM, такие как FIB-SEM или 3View, как правило, хорошо перестроены.
Последний шаг требует фильтрации и, возможно, сниза стека, в зависимости от того, какие объекты необходимо реконструировать и влияет ли проба на распознавание реконструированных объектов. Например, для более крупной стек (соматосенсорной коры крыс P14) невозможно было скомпрометировать разрешение в интересах эффективности реконструкции, в то время как для меньшего стека (гиппокампа CA1 крыс P60) это было возможно сделать потому что резолюция была намного выше того, что было необходимо для реконструкции наименьших объектов. Наконец, использование нерезкой маски усиливает разницу между мембранами и фоном, делая его благоприятным для реконструкции программного обеспечения, как ilastik, который использует градиенты для предварительной оценки границ.
После обработки изображений, реконструкция может быть выполнена либо вручную с помощью TrakEM2, или полуавтоматически с помощью ilastik(рисунок 2C). Набор данных, как меньше ежеперечисленных здесь (ii), которые могут быть downsampled вписаться в память, может быть полностью сегментирован с помощью ilastik (Рисунок 2B) для получения плотной реконструкции. В случае с первым набором данных, перечисленным здесь (i), нам удалось загрузить и предварительно обработать весь набор данных с помощью рабочей станции Linux с 500 ГБ оперативной памяти. Разреженный сегментации 16 полных морфологии был получен с гибридным трубопроводом, путем извлечения грубой сегментации, которая была вручную корректор с помощью TrakEM2.
3D-анализ таких функций, как поверхностные области, объемы или распределение внутриклеточного гликогена, может быть выполнен в среде Blender(рисунок 3)с использованием пользовательских кодов, таких как NeuroMorph19 или гликогенный анализ10.
В случае наборов данных, содержащих гранулы гликогена, анализ их распределения можно сделать с помощью GLAM, кода СЗ, который будет генерировать цветовые карты с областью влияния непосредственно на сетке.
Наконец, такие сложные наборы данных могут быть визуализированы и проанализированы с помощью VR, что оказалось полезным для анализа наборов данных с определенным окклюзионным представлением (рисунок 4). Например, пики, выведенные из карт GLAM, были легко выведены визуально из дендритов во втором наборе данных, обсуждаемом здесь.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59444/59444fig1.jpg"> Рисунок 1: Обработка изображений и подготовка к сегментации изображений. ()Главный графический интерфейс Фиджи. (b)Пример сложенных изображений из набора данных (i), обсуждаемых в репрезентативных результатах. Панель справа показывает свойства, позволяющие пользователю установить размер вокселя. (c)Пример файлера и операции повторного размера, применяемый к одному изображению. Панели справа показывают увеличения от центра изображения. <a href="https://www.jove.com/files/ftp_upload/59444/59444fig1large.jpg" target="_blank">Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59444/59444fig2.jpg"> Рисунок 2: Сегментация и реконструкция с использованием TrakEM2 и ilastik. ( a ) TrakEM2 GUI с объектами, вручную сегментированными (красным цветом). (b)Экспортируемая маска из панели a может быть использована в качестве ввода (семени) для(c)полуавтоматической сегментации (резьба). Из иластика маски (красные) можно экспортировать в TrakEM2 для ручного корректура. (d)Маски могут быть затем экспортированы в качестве 3D треугольных сетки, чтобы выявить реконструированные структуры. В этом примере с помощью этого процесса были реконструированы четыре нейрона, астроциты, микроглии и перициты из набора данных (i) (обсуждаемые в репрезентативных результатах). <a href="https://www.jove.com/files/ftp_upload/59444/59444fig2large.jpg" target="_blank">Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59444/59444fig3.jpg"> Рисунок 3: 3D-анализ реконструированных морфологий с использованием индивидуальных инструментов. ( a ) Изотропный объем изображения из набора данных FIB-SEM (ii) (как обсущено в репрезентативных результатах). (б)Плотная реконструкция из панели a. Серые аксоны; зеленый и астроцитарный процесс; синие и дендриты. (c)Микрограф, показывающий примеры целевых показателей для количественных показателей, таких как синапсы (набор данных (i)) и астроцитарные гранулы гликогена (ii)) в правильных увеличениях. (d)Маска из панели c, показывающая распределение гранул гликогена вокруг синапсов. (e)Количественная оценка распределения гликогена из набора данных из панели c,с использованием инструментария анализа гликогена от Blender. Бары ошибок указывают на стандартные ошибки. N 4 145 гранул гликогена. (f) Графическая иллюстрация ввода и вывода визуализации GLAM. <a href="https://www.jove.com/files/ftp_upload/59444/59444fig3large.jpg" target="_blank">Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59444/59444fig4.jpg"> Рисунок 4: Анализ в VR. ()Пользователь, носящий VR-гарнитуру во время работы над(b)плотной реконструкцией из набора данных FIB-SEM (ii) (как это обсуждалось в репрезентативных результатах). (c) Погружение VR сцены из подмножества невритов из панели b. Зеленый лазер указывает на пик GLAM. (d)Пример анализа из ПИКА GLAM рассчитывает в VR. N и 3 мышей на каждый бар. Анализ FIB-SEM из предыдущей публикации28. Бары ошибок указывают на стандартные ошибки; р-л; 0,1, в одну сторону ANOVA. <a href="https://www.jove.com/files/ftp_upload/59444/59444fig4large.jpg" target="_blank">Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.</a>

Watch this Scientific Journal Video about A Method for 3D Reconstruction and Virtual Reality Analysis of Glial and Neuronal Cells at JoVE.com

A Method for 3D Reconstruction and Virtual Reality Analysis of Glial and Neuronal Cells

Описанный конвейер предназначен для сегментации наборов данных электронной микроскопии больше гигабайт, для извлечения морфологий из целых клеток. После реконструкции ячеек в 3D, индивидуальное программное обеспечение, разработанное вокруг индивидуальных потребностей, может быть использовано для выполнения качественного и количественного анализа непосредственно в 3D, также используя виртуальную реальность для преодоления окклюзии зрения.

Метод 3D-реконструкции и анализа виртуальной реальности глиальных и нейрональных клеток

Serial sectioning and subsequent high-resolution imaging of biological tissue using electron microscopy (EM) allow for the segmentation and reconstruction ...

Автоматизированная серийная секция методов электронной микроскопии. Шаг ограничения скорости в конвейере приводит к генерации биологических трехмерных моделей обработки изображений. Наш протокол обеспечивает пошаговое руководство для получения более плотной конструкции объемов изображения всего за несколько дней.В сочетании с подходом к количественным измерениям с использованием трехмерных моделей. С помощью этого метода, 3D структура тканей, кроме мозга, потенциально может быть проанализирована для выявления структурных нарушений, типичных для некоторых заболеваний и улучшить диагностическую стратегию. Сегментация является утомительным шагом.Найте время, чтобы сделать его как можно более точным, чтобы избежать корректирования плохой сегментации и того, чтобы перезапустить весь процесс. Дизайн программного обеспечения иногда не очень удобно. Поэтому важно увидеть начало работы по сегментации.Откройте стек изображений, перетащив и сбросив родной файл из микроскопа, содержащего стек или купить перетаскивания и снижается папка, содержащая весь стек изображения в окно программного обеспечения После того, как стек открыт перейти к изображению, свойства, чтобы убедиться, что размер voxels был прочитан из метаданных. Преобразуй изображение в 8-битное, нажав на изображение, ввещай и выберите 8-битный. Если исходный стек приобретается как различные плитки, нанесите швы в TrakEM2.При необходимости создайте новый проект TrakEM2 с использованием новых, TrakEM2 с использованием встроенных функций сегмента TrakEM2. В trakEM2 в gooey, право click'on anything'under шаблон окно, и выбрать добавить новый список области ребенка'Drag и падение anything'in folder, под объектами проекта и один anything'would появится там. Перетащите и уроните, список области 'от шаблона к anything'located под объектами проекта'На viewport стека изображения, выберите курсор с курсором.Список областей появится с уникальным идентификационный номер. Выберите brush'tool сверху и используйте мышь, чтобы сегментировать структуру, заполнив ее цитозолом по всему стеку. Экспорт сегментированных масс, которые будут использоваться в Ilastik в качестве семян для резьбы.Для этого нажмите правой кнопкой мыши на объекте списка областей в списке «пространство» или на маске в порту представления, а также выберите export'area list'as этикетки T-I-F. В зависимости от разрешения, необходимого для дальнейших реконструкций, уменьшите размер пикселя стека изображения путем вниз выборки. Рассмотрим требования к памяти программного обеспечения, которое будет использоваться для сегментации и реконструкции.Ilastik обрабатывает стеки до пятисот пикселей на X-Y. Примите во внимание минимальный размер, который объекты по-прежнему кажется узнаваемым и, таким образом, могут быть сегментированы. Используйте image'adjust size'To для повышения контрастности и помощи сегментации, фильтр нерезкой маски может быть применен, чтобы сделать мембраны более четкими.Используйте process'filters'unsharp mass'Export стек изображений в качестве единого изображения'для дальнейшей обработки в программном обеспечении сегментации, используя file'save as'image sequence'и выберите формат TIFF. В главном иластик-гоу, выберите резьбу'module. Загрузите стек изображений, используя add new'and добавьте один том 3D/4D из последовательности 'Выберите весь каталог'и выберите папку, содержащую стек изображений, сохраненный в качестве одного files'At the bottom the new window, где присутствуют варианты загрузки изображений, убедитесь, что вы держите выбранный q.".Для следующих шагов, все операции и кнопки можно найти на левой стороне основного программного обеспечения gooey. В рамках вкладки предварительной обработки используйте уже проверенные стандартные опции. Используйте яркие фильтры линий и держите шкалу фильтра на уровне 1.600.Этот периметр может быть изменен позже. После завершения предварительной обработки выберите следующую страницу в меню выпадают из модуля маркировки. Один объект и один фон присутствуют по умолчанию.Выберите семя объекта, нажав на него и нарисуйте линию поверх структуры интереса. Затем выберите фоновое семя и нарисуйте одну или несколько линий за пределами объекта, которые будут реконструированы. Теперь нажмите на segment'and подождите.В зависимости от мощности компьютера и размера стека сегментация может занять от нескольких секунд до нескольких часов. Как только это будет сделано, полупрозрачная маска, подчеркивающая сегментацию, должна появиться сверху сегментированная структура. Прокрутите стек, чтобы проверить сегментацию.Сегментация, может быть не точной, если она не следует структуре интереса или выливается из него. Исправь любой разлив, поместив фоновое семя на пролитую сегментацию. И добавить семя объекта над не реконструированным сегментом объекта, представляющим интерес.Точное визуальное корректирование сегментации с Ilastik может быть утомительным, но важно убедиться, что экспортируемые объекты не содержат артефактов. Если сегментация все еще не верна, попробуйте изменить с bias'parameter, который увеличит или уменьшит количество неопределенных классифицированных пикселей принято. Это значение 0,95 по умолчанию.Уменьшите его, чтобы ограничить любой побочный эффект или увеличить, если сегментация слишком консервативна. Другая возможность заключается в нажатии на preprocessing'and изменить размер фильтра. Увеличение стоимости позволит свести к минимуму соли и перца шум, как эффекты, но также сделает мембраны более размытыми и мелкие детали труднее обнаружить.Это может ограничить побочные эффекты. Повторите столько, сколько необходимо до тех пор, пока все желаемые объекты были сегментированы. Как только объект закончен, перейдите к segment'and нажмите на сохранить текущий object'Two новые семена, как представляется, начать сегментации нового объекта.Абстрактная поверхность измеряет сразу же, как O-B-J файлов, нажав на экспорт всех meshes'To визуализировать вручную сегментированных моделей в 3D в TrakEM2, право нажмите список области, а затем выбрать шоу в 3D'A более высокое значение будет генерировать сетку с более низким разрешением. Наконец, экспортировать 3D-сетку, как WaveFront O-B-J'by выбирая из меню file'export surfaces'WaveFront'After установки нейро морфинга инструмент комплект, как описано в текстовом протоколе, открытый блендер. Импорт объектов, использующих нейроморф партии импорта, нажав импорта objects'under меню сцены для импорта нескольких объектов одновременно.Убедитесь в том, чтобы активировать, использовать повторной сетки и гладкой затенения. Выберите объект, представляющий интерес, из-под линии и измените глубину Octree функции повторной сетки в меню модификатора. Работайте итеративно, чтобы свести к минимуму количество vertices и избежать потери деталей в разрешении и правильной морфологии.При изменении глубины Octree, сетка на главном gooey изменится соответствующим образом. После завершения, нажмите на применить для завершения процесса. Перейдите в меню нейроморфа на левой панели и используйте взаимодействие инструмента управления изображением инструмента изображения для загрузки стека изображений.Убедитесь в том, чтобы ввести физический размер стека изображений для X, Y и q и выбрать путь стека, нажав на источник, где находятся ортогональные плоскости. Они не являются обязательными и загружаются только в том случае, если пользователь вставляет действительный путь. Затем выберите сетку в порту представления, нажав на нее справа.Введите режим редактирования, нажав на вкладку, выберите одну или несколько vertices с помощью мыши правой кнопкой мыши и, наконец, нажмите на изображение шоу на вершине. Одна или несколько плоскостей с микрографом будут отображаться накладывается на верхней части сетки. Выберите плоскость разреза, нажав на нее правой кнопкой мыши.Затем нажмите управление Y и прокрутите 3D-модель с помощью мышиного свитка. Это также может быть использовано в качестве метода корректирования. Здесь показана сегментация и реконструкция с использованием TrakEM2 и Ilastik.TrakEM2 gooey показан с объектами, сегментированными вручную красным цветом. Экспортируемая маска может быть использована в качестве ввода для полуавтоматической сегментации. Из Ilastik маски можно экспортировать в TrakEM2 для ручного корректирования.Маски могут быть экспортированы в качестве 3D треугольных сеток для выявить реконструированные структуры. В этом примере с помощью этого процесса были реконструированы четыре нейрона, астроциты, микроглии и перициты. Показан 3D-анализ реконструированных морфологий с использованием индивидуальных инструментов.Вот изотропный объем изображения из сфокусированного ионно-луча, сканирующего набор данных электронной микроскопии. Плотная реконструкция этих данных показывает аксоны, астроцитатический процесс и дендриты. Этот микрограф показывает примеры целей для количественной оценки, таких как синапсы и астроцитатические гранулы гликогена.Маска из этого микрографа показывает распределение гранул гликогена вокруг синапсов. Здесь показана графическая иллюстрация ввода и вывода графической визуализации модели поглощения лактата, полученной из гликогена, или GLAM'Here, пользователь показан в виртуальной реальности или V-R гарнитуре во время работы над плотной реконструкцией из сфокусированного набора данных ионной лучевой микроскопии. Из подмножества невритов можно наблюдать захватывающую сцену V-R.Зеленый лазер указывает на GLAM'peak. имеет первостепенное значение, поскольку он определяет правильный размер экспортируемых 3D-объектов и определяет, что его измерения отражают его фактический размер. Концепция серийной визуализации секций, сегментации изображений и 3D-конструкции довольно старая.Обнаружение технического ускорения приводит к достижениям в colectomies в обзоре учебников анатомии. Хотя метод был разработан для исследования мозга в электронной микроскопии, он может быть обобщен для любой и микроскопии техники генерации данных Кроме того, любой вид 3D-изображения техника может извлечь выгоду из таких сегментации изображений и строительных методов. Включая сканирование C-T и M-R-I.

Research

Education

JoVE Core

JoVE Journal

Anatomy and Physiology

Neuroscience

Unit 1

The Nervous System and Nervous Tissue

SCIENTISTS IN ACTION

Human Fear Conditioning Conducted in Full Immersion 3-Dimensional Virtual Reality

Страх человека кондиционирования проведены в полном погружении 3-мерная виртуальная реальность

Fear conditioning is a widely used paradigm in non-human animal research to investigate the neural mechanisms underlying fear and anxiety. A major ...

DiOLISTIC Labeling of Neurons from Rodent and Non-human Primate Brain Slices

DiOLISTIC Маркировка нейроны от грызунов и не-человека Предстоятель фрагменты мозга

DiOLISTIC staining uses the gene gun to introduce fluorescent dyes, such as DiI, into neurons of brain slices (Gan et al., 2009; O'Brien and Lummis, 2007; ...

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

Визуализация и генетических манипуляций дендритов и шипы в мышь коры головного мозга и гиппокамп использования<em&gt; Внутриутробное</em&gt; Электропорация

In utero electroporation (IUE) has become a powerful technique to study the development of different regions of the embryonic nervous system 1-5. To date ...

Inducing Plasticity of Astrocytic Receptors by Manipulation of Neuronal Firing Rates

Склонение пластичности астроцитов рецепторов манипуляциями нейронных уровней расхода топлива

Close to two decades of research has established that astrocytes in situ and in vivo express numerous G protein-coupled receptors (GPCRs) that can be ...

Rewiring Neuronal Circuits: A New Method for Fast Neurite Extension and Functional Neuronal Connection

Перезапуск нейронных цепей: новый метод быстрого наращивания нейритов и функционального нейронного соединения

Brain and spinal cord injury may lead to permanent disability and death because it is still not possible to regenerate neurons over long distances and ...

High-resolution Confocal Imaging of the Blood-brain Barrier: Imaging, 3D Reconstruction, and Quantification of Transcytosis

Высоким разрешением конфокальная томография Blood - brain барьер: Визуализация, 3D-реконструкции и количественной оценки Трансцитоз

The blood-brain barrier (BBB) is a dynamic multicellular interface that regulates the transport of molecules between the circulation and the brain. ...

Simultaneous Application of Transcranial Direct Current Stimulation during Virtual Reality Exposure

Одновременное применение транскраниальной стимуляции током во время воздействия виртуальной реальности

Transcranial direct current stimulation (tDCS) is a form of non-invasive brain stimulation that changes the likelihood of neuronal firing through ...

Flow Cytometric Analysis of Multiple Mitochondrial Parameters in Human Induced Pluripotent Stem Cells and Their Neural and Glial Derivatives

Проточный цитометрический анализ множественных митохондриальных параметров в индуцированных человеком плюрипотентных стволовых клетках и их нервных и глиальных производных

Mitochondria are important in the pathophysiology of many neurodegenerative diseases. Changes in mitochondrial volume, mitochondrial membrane potential ...

A Tissue Clearing Method for Neuronal Imaging from Mesoscopic to Microscopic Scales

Метод очистки тканей для визуализации нейронов от мезоскопических до микроскопических масштабов

A detailed protocol is provided here to visualize neuronal structures from mesoscopic to microscopic levels in brain tissues. Neuronal structures ranging ...

Isolation and Direct Neuronal Reprogramming of Mouse Astrocytes

Выделение и прямое нейрональное перепрограммирование астроцитов мыши

Direct neuronal reprogramming is a powerful approach to generate functional neurons from different starter cell populations without passing through ...