Die Verfolgung der Entlassungen von den einzelnen Neuronen, ist wie der Versuch zu erkennen, die sagen, was in ein Fußball-Stadion voller kreischender fans. Bis vor kurzem haben Neurowissenschaftler mussten mühsam verfolgen jedes neuron mit der hand.
„Die Leute verbrachten mehr Zeit mit der Analyse Ihrer Daten zu extrahieren sind-Aktivitäts-traces als Sie tatsächlich zu sammeln“, sagt Dmitri Chklovskii, wer führt die Neurowissenschaften Gruppe am Zentrum für Computational Biology (CCB) an der Flatiron-Institut in New York City.
Eine bahnbrechende software-tool namens Kaiman, automatisiert diesen schwierigen Prozess mit einer Kombination von standard-Berechnungsmethoden und machine-learning-Techniken. In einem Papier veröffentlicht in der Zeitschrift eLife im Januar, der software-Schöpfer zeigen, dass Kaiman erreicht nahezu die menschliche Genauigkeit bei der Erfassung der Standorte von aktiven Neuronen auf Basis von calcium-imaging-Daten.
Kaimane (eine Abkürzung für calcium-imaging-Analyse) wurde frei verfügbar für ein paar Jahre und hat sich bereits von unschätzbarem Wert für die calcium-imaging-community, mit mehr als 100 Labore mit der software. Die neueste iteration der Kaiman laufen auf einem standard-laptop und Analyse von Daten in Echtzeit, was bedeutet, können die Wissenschaftler analysieren, welche Daten Sie führen Experimente. „Mein lab ist aufgeregt in der Lage, verwenden Sie ein tool wie dieses“, sagt der Duke University Neurowissenschaftler John Pearson, wer war nicht beteiligt in der software-Entwicklung.
Kaiman ist ein Produkt der Bemühungen, initiiert durch Chklovskii innerhalb seiner Gruppe bei CCB. Er brachte auf Eftychios Pnevmatikakis und später Andrea Giovannucci zur Speerspitze des Projekts. Ihr Ziel war es, Hilfestellung bei der Bewältigung der enormen Datensätze, hergestellt durch eine Methode namens Kalzium-imaging.
Diese Technik beinhaltet das hinzufügen von einem speziellen Farbstoff, um Gehirn-Gewebe oder die Nervenzellen in eine Schüssel. Der Farbstoff bindet an die calcium-Ionen verantwortlich für die Aktivierung von Neuronen. Unter UV-Licht wird der Farbstoff leuchtet. Fluoreszenz tritt nur auf, wenn der Farbstoff bindet an einen calcium-Ionen, so dass die Forscher, um visuell verfolgen ein neuron Aktivität.
Die Analyse der erhobenen Daten mittels calcium-imaging stellt eine erhebliche Herausforderung dar. Der Prozess erzeugt eine Flut von Daten-bis zu 1 terabyte eine Stunde flimmern-Filme — das schnell unübersichtlich. „Ein Experimentator kann füllen den größten kommerziell verfügbaren Festplatte an einem Tag“, sagt Michael Häusser, Neurowissenschaftler am University College London, dessen team getestet Kaiman.
Die Daten sind auch laut. Viel wie Vermischung Stimmen, fluoreszierende Signale von unterschiedlichen Neuronen überschneiden sich Häufig, so dass es schwierig zu Holen, die den einzelnen Neuronen. Darüber hinaus Hirngewebe wackelt, zusätzlich zu der Herausforderung der Verfolgung der gleichen neuron im Laufe der Zeit.
Pnevmatikakis, jetzt Wissenschaftler an der Flatiron-Institut Center for Computational Mathematik, erste begann mit der Entwicklung der basic-Algorithmus zugrunde liegende Kaimane als postdoc in Liam Paninski ‚ s lab an der Columbia University.
„Es war elegant mathematisch und hat einen anständigen job, aber wir merkten es nicht verallgemeinern zu anderen datasets“ Pnevmatikakis sagt. „Wir wollten, um es zu transformieren in eine software-suite, die die community nutzen kann.“ Das war zum Teil, warum wurde er gezogen, um den Neurowissenschaften Gruppe am Flatiron, entwickelt neue Werkzeuge für die Analyse großer Datenmengen.
Pnevmatikakis später begann die Zusammenarbeit mit Giovannucci, dann ist ein postdoc an der Princeton University, über die Anwendung des Algorithmus zur überwachung der Aktivität des cerebelläre Körnerzellen, einer dicht gepackten, rapid-Fire-Gruppe von Neuronen. „Die bestehenden Analyse-tools waren nicht stark genug, um zu entwirren, die Aktivität dieser population von Neuronen und angedeutet, dass Sie waren alle die gleiche Sache tun,“ sagt Giovannucci, Mitglied des CCB neuroscience Gruppe für drei Jahre zu helfen, entwickeln Sie die software für eine breitere Nutzung. „Der Algorithmus subtrahiert die Stimmen aus dem hintergrund und konzentriert sich auf wenige,“ die Enthüllung, dass einzelne Körnerzellen in der Tat haben unterschiedliche Aktivitätsmuster.
Die weitere Arbeit an der Flatiron-Institut geschliffen Kaiman, die Fähigkeiten und die software einfacher für Forscher, die für eine Vielzahl von Experimenten, die ohne umfangreiche Anpassungen.
Die Forscher vor kurzem getestet Kaiman Genauigkeit durch den Vergleich der Ergebnisse mit einem Menschen generierte dataset. Der Vergleich erwies sich, dass die software fast so präzise wie der Mensch in der Identifikation von aktiven Neuronen, sondern viel effizienter. Seine Schnelligkeit erlaubt es den Forschern, passen Sie Ihre Experimente auf die Fliegen, die Verbesserung der Studien, wie bestimmte Bündel von Neuronen beitragen, um verschiedene Verhaltensweisen. Der menschliche dataset auch offenbart die hohe Variabilität von person zu person, Hervorhebung der Vorteil, dass ein standardisiertes Werkzeug für die Analyse von imaging-Daten.
Neben benchmarking-Genauigkeit, die Forscher verwendeten die human-kommentierte Ergebnisse als Trainings-Datensatz, der Entwicklung von machine-learning-basierten tools zur Verbesserung der Kaiman-Paket. Haben Sie denn aus dieser Datensatz öffentlichkeit, so dass die community nutzen kann, die es weiter auszubauen, Kaimane oder neue Instrumente.