Новые алгоритмы помогают точнее оценивать активность мозга по данным визуализации
Новые алгоритмы помогают точнее оценивать активность мозга по данным визуализации
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.





