NMJ Analyser: a novel method to quantify neuromuscular junction morphology in zebrafish
Notice bibliographique
Résumé
MOTIVATION: Neuromuscular junction (NMJ) structural integrity is crucial for transducing motor neuron signals that initiate skeletal muscle contraction. Zebrafish has emerged as a simple and efficient model to study NMJ structural morphology and function in the context of developmental neurobiology and neuromuscular diseases. However, methods to quantify NMJ morphology from voluminous data of NMJ confocal images accurately, rapidly, and reproducibly are lacking. RESULTS: We developed an ImageJ macro called "NMJ Analyser" to automatically and unbiasedly analyse NMJ morphology in zebrafish. From the Z-stack of a zebrafish hemisomite, both presynaptic and postsynaptic fluorescently labeled termini at NMJs are extracted from background signal, with larger clusters of termini being segmented into individual termini using an unbiased algorithm. The program then determines whether each presynaptic terminus is co-localized with a postsynaptic terminus and vice versa, or whether it is orphaned, and tabulates the number of orphan and co-localized pre- and postsynaptic termini. The usefulness of this ImageJ macro plugin will be helpful to quantify NMJ parameters in zebrafish, particularly during development and in disease models of neuromuscular diseases. It can enable high-throughput NMJ phenotypic screens in the drug discovery process for neuromuscular diseases. It could also be further applied to the investigation of NMJ of other developmental systems. AVAILABILITY AND IMPLEMENTATION: NMJ Analyser is available for download at https://github.com/PattenLab/NMJ-Analyser.git.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».