Los científicos que buscan formas de estimular el crecimiento de las neuronas pueden pasar horas analizando minuciosamente imágenes de microscopio de células que crecen en placas de Petri. Un nuevo algoritmo desarrollado por investigadores de la Universidad de Brown automatiza ese proceso y analiza imágenes con mayor precisión que los enfoques automatizados anteriores.
El algoritmo y una ronda inicial de pruebas se describen en Informes científicos de la naturaleza .
A medida que las neuronas crecen, extienden apéndices fibrosos llamados neuritas que forman conexiones críticas con las células vecinas. Estas redes de neuronas y neuritas son esenciales para la función saludable del sistema nervioso, y los científicos están interesados en encontrar nuevas formas de estimular el crecimiento de neuronas a través de medicamentos, electricidadestimulación u otros medios. Para probar los efectos de esos esfuerzos, los científicos cultivan neuronas en el laboratorio y aplican diferentes tratamientos para ver si estimulan el crecimiento. Eso generalmente implica tomar cientos de imágenes microscópicas de neuronas a medida que crecen en el transcurso de horas odias.
"Te quedas con esta pila gigantesca de fotos", dijo Tayhas Palmore, profesor de ingeniería en Brown y autor principal del nuevo artículo. "Debes analizar los cambios de una imagen a la siguiente, y eso puede ser realmentearduo."
Los detalles en esas imágenes son críticos. Las neuritas son estructuras diminutas que son difíciles de ver bajo un microscopio durante la obtención de imágenes de células vivas. Pero medir con precisión su longitud y grosor es importante para evaluar el crecimiento celular estimulado. Hay algunos algoritmos disponibles queautomatizan el análisis de la imagen, pero no hacen un trabajo terriblemente bueno. Generalmente funcionan mirando los píxeles individuales de una imagen y aplicando un filtro uniforme que selecciona los píxeles con la mayor intensidad. Se supone que esos píxeles de alta intensidad sonestructuras de neuronas y neuritas.
El problema es que las imágenes de microscopio a menudo no son de alta calidad, lo que dificulta distinguir las estructuras celulares de los artefactos aleatorios que pueden estar presentes en la imagen. Como resultado, los filtros a menudo incluyen píxeles que no son relevantes para las estructuras de las neuronas y la ediciónelimina los píxeles que son importantes. Esto es especialmente un problema en la medición de pequeños apéndices de neuritas. Los filtros a menudo no pueden medir la extensión total del crecimiento de neuritas.
Kwang-Min Kim, un ex estudiante graduado en el laboratorio de Palmore y ahora investigador postdoctoral en Stanford, quería encontrar una mejor solución. Inspirado por el trabajo previo de Kilho Son, un estudiante graduado en visión por computadora y coautor del primer autor enEn el documento, Kim desarrolló un nuevo método que prescinde de los filtros uniformes utilizados en otros enfoques. En cambio, el nuevo enfoque, llamado Neuron Image Analyzer NIA, tiene en cuenta cómo los píxeles se relacionan con los píxeles vecinos.
"No solo buscamos píxeles de alta intensidad", dijo Kim. "Observamos la información relacional entre píxeles. De esta manera podemos rastrear píxeles que están conectados entre sí, lo que nos ayuda a rastrear toda la estructura neuronal"
Otra técnica empleada por el algoritmo utiliza una prueba estadística particular que es buena para seleccionar estructuras circulares o elípticas. Esa prueba se usa para localizar y medir con precisión el soma, el cuerpo principal en forma de burbuja de una neurona.
Los investigadores probaron el NIA contra los algoritmos existentes, utilizando la anotación manual de imágenes como punto de referencia. Los resultados mostraron que el NIA era 80 por ciento tan preciso como la codificación manual, mientras que los otros algoritmos tenían entre 50 y 60 por ciento de precisión.
El equipo espera que otros investigadores hagan uso del nuevo enfoque. Podría ser especialmente útil en laboratorios que carecen del equipo sofisticado y costoso para tomar imágenes de neuronas de muy alta calidad.
"Queremos que este enfoque esté disponible para cualquiera que esté interesado en analizar imágenes de neuronas, independientemente de la calidad de sus imágenes", dijo Kim.
Kim e Hijo planean continuar desarrollando NIA con la esperanza de mejorar aún más su precisión y velocidad.
Fuente de la historia :
Materiales proporcionado por Universidad de Brown . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :