Unbiased analysis of mouse brain endothelial networks from two- or three-dimensional fluorescence images
Notice bibliographique
Résumé
Significance: A growing body of research supports the significant role of cerebrovascular abnormalities in neurological disorders. As these insights develop, standardized tools for unbiased and high-throughput quantification of cerebrovascular structure are needed. Aim: We provide a detailed protocol for performing immunofluorescent labeling of mouse brain vessels, using thin (25 μm) or thick (50 to 150 μm) tissue sections, followed respectively by two- or three-dimensional (2D or 3D) unbiased quantification of vessel density, branching, and tortuosity using digital image processing algorithms. Approach: Mouse brain sections were immunofluorescently labeled using a highly selective antibody raised against mouse Cluster of Differentiation-31 (CD31), and 2D or 3D microscopy images of the mouse brain vasculature were obtained using optical sectioning. An open-source toolbox, called Pyvane, was developed for analyzing the imaged vascular networks. The toolbox can be used to identify the vasculature, generate the medial axes of blood vessels, represent the vascular network as a graph, and calculate relevant measurements regarding vascular morphology. Results: Using Pyvane, vascular parameters such as endothelial network density, number of branching points, and tortuosity are quantified from 2D and 3D immunofluorescence micrographs. Conclusions: The steps described in this protocol are simple to follow and allow for reproducible and unbiased analysis of mouse brain vascular structure. Such a procedure can be applied to the broader field of vascular biology.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».