MCA: Una caja de herramientas de análisis multicelular de imágenes de calcio para ImageJ

Área de la Ciencia:

• La neurociencia
• Biotecnología
• Biología computacional

Sus antecedentes:

• Los indicadores genéticamente codificados como el GCaMP son vitales para las imágenes funcionales in vivo.
• El análisis de datos de imágenes funcionales a gran escala o complejos presenta desafíos analíticos significativos.
• Las plataformas de análisis existentes a menudo requieren software propietario, tienen salidas limitadas o exigen habilidades de programación avanzadas.

Objetivo del estudio:

• Desarrollar un conjunto de herramientas accesibles y versátiles para el análisis de datos de imágenes funcionales.
• Abordar las limitaciones de las plataformas de análisis existentes aprovechando el software de código abierto.
• Proporcionar una interfaz fácil de usar para que los investigadores extraigan la dinámica celular de los experimentos de imágenes.

Principales métodos:

• Desarrollado MCA (kit de herramientas de análisis multicelular) integrado con ImageJ, una plataforma de análisis de imágenes de código abierto.
• Implementó una interfaz visualmente intuitiva con una interfaz gráfica de usuario (GUI) similar a los plugins nativos de ImageJ.
• Registro rígido incorporado para corrección de movimiento, predicción de cuerpo celular utilizando un modelo Cellpose 2.0 personalizado, anotación de células y funcionalidades de exportación de datos.

Principales resultados:

• MCA fue validado con datos de imágenes de calcio de pez cebra publicados anteriormente, reflejando con precisión las respuestas neuronales evocadas visualmente.
• El conjunto de herramientas demostró versatilidad en múltiples modalidades sensoriales, regiones cerebrales y organismos modelo (pez cebra, *Drosophila*, ratón).
• MCA extrae con éxito la dinámica del calcio en un entorno fácil de usar, mejorando la utilidad de las imágenes funcionales.

Conclusiones:

• El MCA proporciona una solución viable y fácil de usar para extraer la dinámica del calcio de los datos de imágenes funcionales.
• La integración del kit de herramientas con ImageJ y su aplicación versátil a través de especies y modalidades lo convierten en un recurso valioso para los neurocientíficos.
• El MCA reduce la barrera de entrada para el análisis de imágenes funcionales complejas, promoviendo una adopción y un descubrimiento más amplios.