Calcium imaging has emerged as a promising technique to indirectly measure the neural activity of populations of neurons, thereby enabling the functional analysis of these assemblies. This technique has been used to study the neural mechanisms and phenomena under a wide range of experimental and behavioral conditions. These include, as a point of interest for this thesis, the sparsification phenomenon occurring during early neocortical development, where population activity undergoes a dramatic transition from largely synchronized (cluster activity) to a relatively sparse mode around the time of eye-opening in rodents. Despite its wide-range of applications, the fluorescence traces (time-series) recorded by this technique are temporally smeared. This restricts the accurate reconstruction of quantities of interest such as spike times. Therefore, several spiking activity reconstruction methods have been introduced, where most of them are limited in dealing with issues such as variability in the kinetics of fluorescence transients, fast processing of long-term data, measurement noise and high firing rates. In addition, none of these methods provide insights into the underlying, intrinsic neuronal dynamics or biophysical parameters. As the first goal of this thesis, we sought to tackle these issues by introducing two novel reconstruction methods: i) CaBBI (Calcium imaging Analysis using Biophysical models and Bayesian Inference), and ii) UFARSA (Ultra-fast Accurate Reconstruction of Spiking Activity). While CaBBI is a neuronal model-based method aiming at inferring the underlying biophysical quantities such as membrane potential (thus, spikes) and voltage-gated channels conductance, UFARSA is a heuristic method focusing on providing an ultra-fast, near-automatic reconstruction of spiking activities only. As the second goal, we sought to provide novel mechanistic insights into sparsification, whose underlying mechanisms are currently poorly understood. To this end, by integrating experimental findings, including only recently measured calcium imaging data covering the time course of sparsification, we present a dynamic systems modeling study of an in vivo developing neural network. With this approach, we address several aspects of sparsification such as i) the underlying mechanisms of cluster activity generation and its spatiotemporal characteristics, ii) the specific maturational processes mediating sparsification, and iii) the potential, developmental refinements in the networks information processing capabilities. Overall, this thesis not only provides novel tools of analyzing calcium imaging data in terms of the underlying biophysical quantities or ultra-fast near-automatic spiking activity reconstruction, but also presents how to analyze these data further with computational models in order to reveal the mechanisms of the sparsification, as a signature of cortex maturation.
Kalzium-Imaging hat sich als vielversprechende Methode zur indirekten Messung neuronaler Aktivität erwiesen und dadurch die funktionale Analyse von Neuronenpopulationen ermöglicht. Diese Methode wurde bereits eingesetzt um neuronale Mechanismen und Phänomene unter einer Vielzahl unterschiedlicher experimenteller und behavioraler Bedingungen zu untersuchen. Dazu gehört unter anderem das sogenannte “Sparsification“-Phänomen, welches von besonderem Interesse für diese Arbeit ist. Dieses Phänomen ist während der neokortikalen Entwicklung in Nagetieren zu beobachten, wenn großflächig synchronisierte Cluster-Aktivität einem Muster spärlicher Neuronenaktivität weicht. Dieses Phänomen tritt um den Zeitpunkt der Augenöffnungsphase der Jungtiere auf. Trotz des weit verbreiteten Einsatzes von Kalzium-Imaging ist das gemessene Fluoreszenzsignal zeitlich verschmiert. Dies limitiert die akkurate Rekonstruktion von Systemvariablen wie den Zeitpunkten des neuronalen Feuerns. Aus diesem Grund wurden bereits verschiedene Methoden zur Rekonstruktion neuronaler Aktivität eingeführt, wobei die meisten dieser Methoden Probleme wie die Variabilität der Fluoreszenzkinetik, eine schnelle Verarbeitung von Langzeitdaten, Mess-Ungenauigkeiten und hohe Feuerraten nur begrenzt zu lösen vermögen. Des Weiteren gibt keine dieser Methoden Aufschluss über die intrinsische neuronale Dynamik oder über biophysikalische Parameter. Als erstes Ziel dieser Arbeit versuchten wir deshalb, diese Punkte mithilfe zweier neuer Rekonstruktionsmethoden anzugehen: i) CaBBI (Calcium imaging analysis using Biophysical models and Bayesian Inference), und ii) UFARSA (Ultra-fast Accurate Reconstruction of Spiking Activity). Während CaBBI als modellbasierte Methode zum Ziel hat, biophysikalische Größen wie das Membranpotential und die Leitfähigkeit von spannungsgesteuerten Ionenkanälen zu ermitteln, ist UFARSA eine heuristische Methode zur ultraschnellen, nahezu automatischen Rekonstruktion der Zeitpunkte des neuronalen Feuerns. Als zweites versuchten wir, neue mechanistische Erkenntnisse zum bisher nur unzureichend verstandenen Sparsification-Phänomen zu erlangen. Daher präsentieren wir hier ein dynamisches System zur Modellierung eines sich in vivo entwickelnden neuronalen Netzwerks anhand unlängst gemessener Kalzium-Imaging-Daten, welche über den Zeitraum der Sparsification aufgenommen wurden. Dadurch adressieren wir verschiedene Aspekte dieses Phänomens wie i) die zugrundeliegenden Mechanismen zur Erzeugung von Cluster-Aktivität und ihrer raumzeitlichen Eigenschaften, ii) die spezifischen Maturationsprozesse, welche zur Sparsification führen und iii) die potentielle Steigerung der Informationsverarbeitungskapazität des Netzwerks während der Entwicklung. Diese Arbeit präsentiert daher zum einen neue Werkzeuge zur Untersuchung von Kalzium-Imaging-Daten mit Augenmerk auf die zugrundeliegenden biophysikalischen Größen sowie auf die ultraschnelle, nahezu automatische Rekonstruktion der Feuerzeitpunkte. Zum anderen präsentieren wir hier Analysemethoden zur weiteren Untersuchung solcher Daten anhand von Computermodellen, um die Mechanismen des Sparsification-Phänomens als Ausdruck der Reifung des Kortex zu entschlüsseln.
Nutzung und Vervielfältigung:
Alle Rechte vorbehalten