Dendritic Spines Taxonomy: The Functional and Structural Classification • Time-Dependent Probabilistic Model of Neuronal Activation

Podział kolców na cztery subpopulacje, zwięzłe, grzybowe, cienkie lub filopodia, jest jednym z powszechnych podejść w analizie morfologicznej. Większość modeli komórkowych opisujących plastyczność synaptyczną, długoterminowe wzmocnienie (LTP) i długotrwałą depresję wiąże siłę synaptyczną z powiększaniem kręgosłupa lub kurczeniem kręgosłupa. Niestety, chociaż mamy wiele dostępnych programów z automatyczną segmentacją dendrytu i metodami ekstrakcji cech, obecnie żadna z nich nie pozwala na automatyczne i obiektywne rozróżnienie subpopulacji kręgosłupa dendrytycznego lub na szczegółowe obliczeniowe modele zachowania rdzenia. Dlatego proponujemy klasyfikację strukturalną opartą na dwóch różnych podejściach matematycznych: nienadzorowanej konstrukcji taksonomii kształtu rdzenia opartej na dowolnych cechach (SpineTool) i nadzorowanej klasyfikacji wykorzystującej teorię jądra splotu (2dSpAn). Porównaliśmy dwie populacje kolców w postaci statycznych i dynamicznych zestawów danych zebranych w trzech punktach czasowych. Dane dynamiczne zawierają dwa zestawy kolców: zestaw aktywny i zestaw kontrolny. Pierwszą populację stymulowano za pomocą LTP, a drugą populację w stanie spoczynku zastosowano jako populację kontrolną. Proponujemy jedno równanie opisujące rozkład zmiennych, który najlepiej pasuje do wszystkich parametrów kręgosłupa dendrytycznego.

Categorizing spines into four subpopulations, stubby, mushroom, thin, or filopodia, is one of the common approaches in morphological analysis. Most cellular models describing synaptic plasticity, long-term potentiation (LTP), and long-term depression associate synaptic strength with either spine enlargement or spine shrinkage. Unfortunately, although we have a lot of available software with automatic spine segmentation and feature extraction methods, at present none of them allows for automatic and unbiased distinction between dendritic spine subpopulations, or for the detailed computational models of spine behavior. Therefore, we propose structural classification based on two different mathematical approaches: unsupervised construction of spine shape taxonomy based on arbitrary features (SpineTool) and supervised classification exploiting convolution kernels theory (2dSpAn). We compared two populations of spines in a form of static and dynamic data sets gathered at three time points. The dynamic data contain two sets of spines: the active set and the control set. The first population was stimulated with LTP, and the other population in its resting state was used as a control population. We propose one equation describing the distribution of variables that best fits all dendritic spine parameters.