Burst detection methods for human pluripotent stem cell-derived neuronal networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Kemian tekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2019-08-19
Department
Major/Subject
Biosystems and Biomaterials Engineering
Mcode
CHEM3028
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
75+18
Series
Abstract
A burst is a set of subsequent action potentials that are fired at a high frequency. Although bursts are a fundamental part of electrical activity of neuronal networks in vitro, no standardized method exists for burst detection. Visual identification of bursts is a widely accepted method, but it is not objective nor time-efficient. Therefore, various algorithms have been developed for burst detection. Burst detection algorithms are typically developed and verified only on one specific type of data. This can be problematic because the bursting activity is highly variable between different cell types. Consequently, the applicability of the algorithms is restricted to a narrow range of activity types. Especially applicability to human neuronal networks is questionable because the algorithms are often developed on rodent neuronal networks, which display distinct activity patterns in comparison to human networks. The aim of this thesis was to produce a test data set, which would well represent bursting and non-bursting activity observed in human pluripotent stem cell (hPSC)-derived neuronal networks, and to identify a single algorithm with optimal parameters that would successfully detect the bursts in this test data set. As rodent neuronal networks are also widely used in neuroscience, the algorithm was desired to function also on activity derived from rodent cultures. To achieve these goals, hESCs were differentiated into functional neuronal networks and cultured on microelectrode array (MEA). Primary rat cortical neurons were similarly cultured on MEA. Electrical activity of the developing networks was recorded twice a week until synchronized bursting emerged. At this point, pharmacological assays were performed in order to record modulated activity. On the MEA recordings, distinct activity patterns were identified, and short recordings representative of the distinct patterns were included to the test data set. The performance of four contemporary burst detection algorithms was evaluated on the test data set. The evaluation was based on visual identification of bursts from the raw MEA signal. For each algorithm, a performance score was determined and sensitivity and specificity were computed. The evaluation was performed in two runs using either 3 or 5 as minimum number of spikes required for a burst. Other algorithm parameters were set to default values suggested by the original authors. The optimization possibilities were not encouraging for other algorithms but logISI, which also provided the highest performance and the most balanced sensitivity and specificity values. Parameters of logISI were optimized for the test data set, which significantly improved its performance. As a result, logISI displayed good or excellent performance on the test data obtained from human and rat neuronal networks during spontaneous and pharmacologically modulated activity. Based on these results, logISI could have the potential to become a standard burst detection algorithm in the field.Bursti (engl. burst) on peräkkäisten korkealla taajuudella esiintyvien toimintapotentiaalien ryhmä. Vaikka burstit ovat olennainen osa maljalla kasvatettujen hermosoluverkostojen sähköistä aktiivisuutta, ei niiden tunnistukseen ole standardimenetelmää. Visuaalinen bursti-tunnistus on laajasti hyväksytty menetelmä, mutta se ei ole objektiivinen eikä ajallisesti tehokas. Tästä syystä bursti-tunnistukseen on kehitetty useita algoritmeja. Tyypillisesti nämä algoritmit on kehitetty ja niiden toiminta on varmennettu vain tietyn tyyppisellä datalla. Tämä voi olla ongelmallista, koska bursti-aktiivisuus eri solutyyppien välillä on vaihtelevaa. Näin ollen algoritmien soveltaminen on rajoitettu vain pieneen osaan aktiivisuustyyppejä. Erityisesti algoritmien soveltaminen ihmisperäisiin hermosoluverkostoihin on kyseenalaista, sillä algoritmit on usein kehitetty jyrsijäperäisillä hermosoluverkostoilla, joiden aktiivisuustyypit eroavat ihmisperäisisten hermosoluverkostojen aktiivisuustyypeistä. Tämän työn tavoitteena oli kerätä testiaineisto, joka sisältäisi monikykyisistä ihmisen kantasoluista erilaistetuissa hermosoluverkostoissa havaittavat burstaavat ja ei-burstaavat aktiviisuustyypit, sekä löytää tällä testiaineistolla toimiva algoritmi ja optimaaliset arvot sen muuttujille. Koska jyrsijäperäiset hermosoluverkostot ovat neurotieteissä paljon käytettyjä, valitun algoritmin haluttiin toimivan myös niistä peräisin olevalla aineistolla. Tavoitteen saavuttamiseksi ihmisperäisistä alkion kantasoluista erilaistettiin toiminnallisia hermosoluverkostoja, joita viljeltiin mikroelektrodihilan (engl. microelectrode array, MEA) päällä. Rotan eristettyjä aivokuoren hermosoluja viljeltiin samoin MEA:lla. Hermosoluverkostojen sähköistä aktiivisuutta mitattiin niiden kehityksen aikana kahdesti viikossa, kunnes havaittiin synkronista bursti-aktiivisuutta. Synkronisen bursti-aktiivisuuden ilmaannuttua suoritettiin farmakologiset testit ja mitattiin näin muunneltua aktiivisuutta. Saaduista MEA-mittauksista etsittiin erilaisia aktiivisuustyyppejä, joista muodostettiin testiaineisto. Neljän nykyaikaisen algoritmin toimintaa arvioitiin tässä testiaineistossa. Arviointi tehtiin vertailemalla algoritmien tuloksia raakasignaalista tehdyn visuaalisen bursti-tunnistuksen tuloksiin. Jokaisen algoritmin suoritus pisteytettiin ja niiden herkkyys ja tarkkuus laskettiin. Suoritusta arvioitiin kahdesti siten, että burstin vähimmäispiikkimäärä asetettiin ensin kolmeen ja sitten viiteen. Muiden muuttujien arvot asetettiin algoritmien kehittäjien alkuperäisten suositusten mukaisesti. Optimointi- mahdollisuudet olivat lupaavat vain logISI-algoritmille, joka myös suoriutui parhaiten ja jonka herkkyys ja tarkkuus olivat parhaassa tasapainossa. LogISI:n muuttujat optimoitiin testiaineistolle, mikä huomattavasti paransi sen suoritusta kyseisessä aineistossa. Optimoidulla logISI:llä saatiin joko hyvä tai erinomainen tulos koko testiaineistolla, joka oli saatu mittaamalla spontaania ja farmakologisesti muunneltua aktiivisuutta sekä ihmisperäisistä kantasoluista erilaistetuista että rotan aivokuoresta eristetyistä hermosolu-verkostoista. Näiden tulosten perusteella logISI on potentiaalinen vaihtoehto bursti-tunnistuksen standardimetodiksi.Description
Supervisor
Frey, AlexanderThesis advisor
Hyvärinen, TanjaYlä-Outinen, Laura
Keywords
burst detection, microelectrode array, MEA, hPSC-derived neuronal networks