An Automated Strategy for Unbiased Morphometric Analyses and Classifications of Growth Cones In Vitro
Notice bibliographique
Résumé
During neural circuit development, attractive or repulsive guidance cue molecules direct growth cones (GCs) to their targets by eliciting cytoskeletal remodeling, which is reflected in their morphology. The experimental power of in vitro neuronal cultures to assay this process and its molecular mechanisms is well established, however, a method to rapidly find and quantify multiple morphological aspects of GCs is lacking. To this end, we have developed a free, easy to use, and fully automated Fiji macro, Conographer, which accurately identifies and measures many morphological parameters of GCs in 2D explant culture images. These measurements are then subjected to principle component analysis and k-means clustering to mathematically classify the GCs as "collapsed" or "extended". The morphological parameters measured for each GC are found to be significantly different between collapsed and extended GCs, and are sufficient to classify GCs as such with the same level of accuracy as human observers. Application of a known collapse-inducing ligand results in significant changes in all parameters, resulting in an increase in 'collapsed' GCs determined by k-means clustering, as expected. Our strategy provides a powerful tool for exploring the relationship between GC morphology and guidance cue signaling, which in particular will greatly facilitate high-throughput studies of the effects of drugs, gene silencing or overexpression, or any other experimental manipulation in the context of an in vitro axon guidance assay.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».