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

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.