Новые алгоритмы помогают точнее оценивать активность мозга по данным визуализации

Мерав Стерн из Рокфеллеровского университета разработала алгоритмы, которые помогают точнее восстановить активность нейронов по кальциевой визуализации. Они учитывают особенности шума в данных и в испытаниях превзошли прежний подход из астрофизики.
  • РАЗМЕР ШРИФТА
  • просмотровсегодня: 4 всего: 4
  • комментариев: 0добавить коментарий
Новые алгоритмы помогают точнее оценивать активность мозга по данным визуализации
Новые алгоритмы помогают точнее оценивать активность мозга по данным визуализации
news-medical.net

Исследовательница Рокфеллеровского университета Мерав Стерн разработала три алгоритма для более точного восстановления активности нейронов по данным кальциевой визуализации. Методы, описанные в журнале Cell Reports Methods, учитывают особенности шума в нейробиологических данных и в испытаниях показали лучшие результаты, чем применяемый ранее алгоритм из астрофизики.

Широкопольная кальциевая визуализация позволяет наблюдать за активностью больших участков коры мозга с помощью однофотонной микроскопии. Когда нейрон активируется, меняется уровень кальция в клетке, а индикатор, например синтетический белок GCaMP, начинает светиться. Исследователи используют это свечение как косвенный показатель нейронной активности.

Однако сигнал не полностью совпадает с моментом и интенсивностью работы нейрона. На него могут влиять кровоток и рассеяние света в тканях, а между нервным импульсом и изменением флуоресценции есть задержка. Из-за этого данные иногда создают впечатление, будто разные области мозга активировались одновременно, хотя на самом деле совпадения не было.

Для обработки таких записей нейробиологи применяли алгоритм Люси — Ричардсона, созданный в начале 1970-х годов для повышения чёткости астрономических изображений. Он предполагает, что шум подчиняется распределению Пуассона. Стерн усомнилась, что это допущение подходит для широкопольной визуализации мозга: источники шума здесь могут быть смешанными или неизвестными.

На реальных и искусственно созданных наборах данных исследовательница проверила более десятка вариантов и остановилась на трёх новых алгоритмах — «динамическом биннинге», «первых разностях» и методе «непрерывно меняющихся значений». Кроме того, она адаптировала подход на основе фильтра Винера. В разработанных моделях шум описывается нормальным, или гауссовым, распределением — колоколообразной кривой, часто встречающейся в природе.

По результатам испытаний, «первые разности» и «динамический биннинг» особенно хорошо подходили для отдельных задач, тогда как метод непрерывных изменений и адаптированный фильтр Винера показали хорошие результаты на разных типах данных. Все подходы точнее отражали нейронную активность, чем прямое использование флуоресценции или алгоритма Люси — Ричардсона.

«Все методы превзошли использование флуоресценции как показателя частоты нервных импульсов и дали более надёжное представление о динамике нейронов. У каждого алгоритма есть свои сильные стороны, поэтому исследователи могут выбрать тот, который лучше подходит для их данных», — сказала Мерав Стерн.

По словам Стерн, алгоритмы могут быть полезны и для других методов, регистрирующих суммарную активность нейронов по световым сигналам, включая записи нейропиля и волоконную фотометрию. Исследовательница также анализирует с их помощью данные о нейронах, которые не генерируют нервных импульсов. Алгоритмы доступны на GitHub; некоторые учёные уже использовали их для анализа данных и подготовки публикаций.

Оригинал этой публикации впервые появился на medstand.ru.





Комментарии
close

Добавить комментарий





максимум 1500 символов



Другие новости медицины

ещё 7 новостей
more
Реклама
самое популярное сегодня
Опрос

результаты опроса

Посмотреть все голосования