Imagen de una neurona

Imágenes de neuronas y sinapsis

Los trastornos neurológicos presentan un amplio espectro de manifestaciones clínicas. Sin embargo, a nivel celular, prácticamente todas estas enfermedades convergen en un fenotipo común de conectividad sináptica desregulada. En la demencia, la disfunción de la sinapsis precede en varios años a la neurodegeneración y al deterioro cognitivo, lo que convierte a la sinapsis en un punto de entrada crucial para el desarrollo de estrategias diagnósticas y terapéuticas. Mientras que las imágenes de alta resolución y los fraccionamientos bioquímicos proporcionan una visión detallada de la composición molecular de la sinapsis, se requieren ensayos estandarizados para medir rápidamente la conectividad sináptica en grandes poblaciones de células bajo una variedad de condiciones experimentales. Estas capacidades de cribado se han hecho ampliamente accesibles con la llegada de la microscopía de alto rendimiento y alto contenido. En esta revisión, discutimos cómo los enfoques basados en la microscopía pueden ser utilizados para extraer información cuantitativa sobre la conectividad sináptica en las neuronas primarias con una cobertura profunda. Explicamos en detalle las lecturas microscópicas que pueden servir como proxy de la conectividad morfofuncional y analizamos críticamente sus méritos y limitaciones. Por último, aludimos al potencial de los paradigmas de cultivo alternativos y los enfoques integradores para permitir un perfil completo de la conectividad sináptica.

Imagen de una célula

Una neurona o célula nerviosa es una célula eléctricamente excitable que se comunica con otras células a través de conexiones especializadas llamadas sinapsis. Es el principal componente del tejido nervioso en todos los animales, excepto las esponjas y los placozoos. Las plantas y los hongos no tienen células nerviosas.
Las neuronas se suelen clasificar en tres tipos según su función. Las neuronas sensoriales responden a estímulos como el tacto, el sonido o la luz que afectan a las células de los órganos sensoriales, y envían señales a la médula espinal o al cerebro. Las neuronas motoras reciben señales del cerebro y la médula espinal para controlar todo, desde las contracciones musculares hasta la producción glandular. Las interneuronas conectan las neuronas con otras dentro de la misma región del cerebro o la médula espinal. Un grupo de neuronas conectadas se denomina circuito neuronal.
Una neurona típica consta de un cuerpo celular (soma), dendritas y un único axón. El soma suele ser compacto. El axón y las dendritas son filamentos que salen de él. Las dendritas suelen ramificarse profusamente y se extienden unos cientos de micrómetros desde el soma. El axón abandona el soma en una hinchazón llamada montículo axónico, y se desplaza hasta 1 metro en los humanos o más en otras especies. Se ramifica, pero suele mantener un diámetro constante. En el extremo más alejado de las ramificaciones del axón se encuentran las terminales axónicas, donde la neurona puede transmitir una señal a través de la sinapsis a otra célula. Las neuronas pueden carecer de dendritas o no tener axón. El término neurita se utiliza para describir una dendrita o un axón, especialmente cuando la célula es indiferenciada.

Leer más  Codazo de tassotti a luis enrique

Imagen de una neurona del momento

ResumenEl software de análisis de imágenes es una herramienta esencial utilizada en neurociencia e ingeniería neuronal para evaluar los cambios en la estructura neuronal tras los estímulos extracelulares. Tanto los métodos manuales como los automatizados que se utilizan actualmente son muy inadecuados para detectar y cuantificar los cambios en la morfología neuronal cuando las imágenes analizadas tienen una baja relación señal/ruido (SNR). Esta insuficiencia se deriva del hecho de que estos métodos suelen incluir datos de estructuras no neuronales o artefactos simplemente trazando píxeles con alta intensidad. En este trabajo, describimos el Analizador de Imágenes de Neuronas (NIA), un novedoso algoritmo que supera estas insuficiencias empleando el filtro Laplaciano de Gauss y modelos gráficos (es decir, el Modelo de Markov Oculto, el Modelo de Cadena Totalmente Conectada) para extraer específicamente la información relacional de los píxeles correspondiente a las estructuras neuronales (es decir, soma, neurita). De este modo, la NIA basada en la representación vectorial es menos probable que detecte señales falsas (es decir, estructuras no neuronales) o que genere señales de artefactos (es decir, deformación de las estructuras originales) que los actuales algoritmos de análisis de imágenes que se basan en la representación de trama. Demostramos que NIA permite una cuantificación precisa de los procesos neuronales (por ejemplo, la longitud y la orientación de las neuritas) en imágenes de baja calidad con un aumento significativo de la precisión en la detección de los cambios neuronales después de la estimulación.

Imagen de la sinapsis

ResumenLas iniciativas sobre el cerebro a gran escala, como la iniciativa estadounidense BRAIN y el Proyecto Europeo sobre el Cerebro Humano, pretenden reunir una gran cantidad de datos y herramientas con el fin de mejorar nuestra comprensión del cerebro. Para alcanzar este objetivo, es fundamental reconstruir las morfologías neuronales y agregarlas a escala de todo el cerebro de los roedores. El trabajo experimental necesario para producir manualmente este número de morfologías digitales es prohibitivo. La iniciativa BigNeuron está reuniendo algoritmos de reconstrucción automatizados generados por la comunidad y de código abierto en una plataforma abierta, y está empezando a generar un flujo creciente de neuronas reconstruidas de alta calidad. Proponemos una novedosa extensión de este flujo de trabajo para utilizar este flujo de datos para generar un número ilimitado de morfologías digitales estadísticamente equivalentes, aunque distintas. Esto llevará el procesamiento automatizado de células reconstruidas en neuronas digitales a la comunidad neurocientífica en general, y permitirá una gama de modelos computacionales morfológicamente precisos.