La technologie automatisée d'analyse des données d'imagerie cérébrale en 3D offre une analyse plus fiable et standardisée de l'organisation spatiale des circuits neuronaux complexes.
Les chercheurs de KAIST ont développé un nouvel algorithme pour l'analyse des données d'imagerie cérébrale qui permet la cartographie précise et quantitative de circuits neuronaux complexes sur un atlas de référence 3D normalisé.
L'analyse des données d'imagerie cérébrale est indispensable dans les études des neurosciences. Cependant, l'analyse des données d'imagerie cérébrale obtenues a été fortement dépendante du traitement manuel, qui ne peut garantir l'exactitude, la cohérence et la fiabilité des résultats.
L'analyse de données d'imagerie cérébrale conventionnelle commence généralement par la recherche d'une image d'atlas cérébral 2D qui est visuellement similaire à l'image cérébrale obtenue expérimentalement. Ensuite, la région d'intérêt (ROI) de l'image de l'atlas est mise en correspondance manuellement avec l'image obtenue, et le nombre de neurones marqués dans le ROI est compté.
Un tel processus d'appariement visuel entre des images cérébrales obtenues expérimentalement et des images d'atlas cérébral 2D a été l'une des principales sources d'erreur dans l'analyse des données d'imagerie cérébrale, car le processus est hautement subjectif, spécifique à l'échantillon et sensible aux erreurs humaines. Les processus d'analyse manuelle des images du cerveau sont également laborieux, et étudier ainsi l'organisation neuronale 3D complète à l'échelle du cerveau entier est une tâche formidable.
Pour résoudre ces problèmes, une équipe de recherche KAIST dirigée par le professeur Se-Bum Paik du Département de génie biologique et cérébral a développé un nouveau logiciel d'analyse des données d'imagerie cérébrale nommé 'AMaSiNe (UNE3D automatisé Mapping de Single Neurons)», et a présenté l'algorithme dans le numéro du 26 mai de Rapports de cellule.
AMaSiNe détecte automatiquement les positions de neurones uniques à partir de plusieurs images cérébrales et mappe avec précision toutes les données sur un espace de référence 3D standard commun. L'algorithme permet la comparaison directe des données du cerveau de différents animaux en faisant correspondre automatiquement des caractéristiques similaires des images et en calculant le score de similitude de l'image.
Cette technologie de comparaison d'image à image quantitative basée sur les fonctionnalités améliore la précision, la cohérence et la fiabilité des résultats d'analyse en utilisant uniquement un petit nombre d'échantillons d'image de tranche de cerveau et aide à normaliser les analyses de données d'imagerie cérébrale.
Contrairement aux autres méthodes existantes d'analyse des données d'imagerie cérébrale, AMaSiNe peut également trouver automatiquement les conditions d'alignement à partir d'images cérébrales mal alignées et déformées, et dessiner un retour sur investissement précis, sans aucun processus de validation manuelle fastidieux.
AMaSiNe a également été prouvé pour produire des résultats cohérents avec des images de tranche de cerveau colorées en utilisant diverses méthodes, y compris DAPI, Nissl et l'autofluorescence.
Les deux co-auteurs principaux de cette étude, Jun Ho Song et Woochul Choi, ont exploité ces avantages d'AMaSiNe pour étudier l'organisation topographique des neurones qui se projettent dans la zone visuelle principale (VISp) dans divers ROI, tels que le noyau géniculé latéral dorsal (LGd), ce qui pourrait difficilement être résolu sans un étalonnage et une standardisation appropriés des échantillons d'images de tranche de cerveau.
En collaboration avec le groupe du professeur Seung-Hee Lee du Département des sciences biologiques, les chercheurs ont observé avec succès les projections neuronales topographiques 3D vers le VISp de LGd, et ont également démontré que ces projections ne pouvaient pas être observées lorsque l'angle de coupe n'était pas correctement corrigé par AMaSiNe. Les résultats suggèrent que la correction précise d'un angle de coupe est essentielle pour l'étude des structures cérébrales complexes et importantes.
AMaSiNe est largement applicable dans les études de diverses régions du cerveau et d'autres conditions expérimentales. Par exemple, dans l'étude précédente de l'équipe de recherche menée conjointement avec le groupe du professeur Yang Dan à UC Berkeley, l'algorithme a permis l'analyse précise des sous-ensembles neuronaux de la substantia nigra et de leurs projections sur l'ensemble du cerveau. Leurs résultats ont été publiés dans Science le 24 janvier.
AMaSiNe est d'un grand intérêt pour de nombreux neuroscientifiques en Corée et à l'étranger, et est activement utilisé par un certain nombre d'autres groupes de recherche à KAIST, MIT, Harvard, Caltech et UC San Diego.
Notre nouvel algorithme permet de retrouver l'organisation spatiale de circuits neuronaux complexes dans un atlas de référence 3D normalisé à l'échelle du cerveau entier. Cela portera l'analyse des données d'imagerie cérébrale à un nouveau niveau. «
Des informations plus approfondies pour comprendre la fonction des circuits cérébraux peuvent être obtenues en facilitant une analyse plus fiable et standardisée de l'organisation spatiale des circuits neuronaux dans diverses régions du cerveau. «
Professeur Se-Bum Paik, Département de génie biologique et cérébral, KAIST
La source:
KAIST (Korea Advanced Institute of Science and Technology)
Référence de la revue:
Song, J.H., et al. (2020) La cartographie précise de neurones uniques par reconstruction 3D calibrée de tranches de cerveau révèle une projection topographique dans le cortex visuel de souris. Rapports de cellule. doi.org/10.1016/j.celrep.2020.107682.