Ai-based, behavior dependent approaches for connectomic reconstruction of neuronal circuits
Ai-based, behavior dependent approaches for connectomic reconstruction of neuronal circuits
![Open Access](/xmlui/themes/Fakultaeten//images/32px-Open_Access_logo_PLoS_white.svg.png)
dc.contributor.advisor | Beck, Heinz | |
dc.contributor.author | Schweihoff, Jens Florian | |
dc.date.accessioned | 2022-03-24T14:26:29Z | |
dc.date.available | 2022-03-24T14:26:29Z | |
dc.date.issued | 24.03.2022 | |
dc.identifier.uri | https://hdl.handle.net/20.500.11811/9702 | |
dc.description.abstract | Characterizing the functional architecture of neuronal circuits that underly complex behavior requires identifying active neuronal ensembles during behavioral expressions of interest. The recent development of light-induced, activity-dependent labeling enables to capture active neuronal ensembles dependent on ongoing behavior, effectively allowing the behavior-dependent, causal identification of relevant structures for subsequent investigation. However, the behavior-dependent labeling of active neuronal ensembles was limited so far by a lack of dynamic closed-loop feedback systems that reliably detect unconstrained behavioral expressions. To solve this, I developed DeepLabStream (DLStream). DLStream is a versatile closed-loop toolkit providing real-time pose estimation of animals and conducting behavior-dependent experiments. DLStream has a temporal resolution in the millisecond range, is published open-source, and integrates other open-source projects such as deep learning-based pose estimation networks (DLC, SLEAP, DeepPoseKit), GPIO control (Arduino, Raspberry Pi), and machine learning-based behavior classification (B-SoiD, SimBA). To demonstrate DLStream's capabilities, I used the toolkit to label neuronal ensembles active during specific head directions utilizing Cal-Light, a light-induced, activity-dependent biomolecular labeling system. Behavior-dependent light stimulation resulted in labeling of neuronal ensembles active during specific episodes of head direction. Importantly, this experimental strategy has the potential to untangle previously unknown causal relationships. This can be achieved by combining connectomic analysis of the captured ensembles and consecutive manipulation of their neuronal activity. Additionally, I established the Tetbow system, a virus-mediated, multicolor labeling system that can eventually be combined with behavior-dependent labeling to allow the anatomic analysis of large-scale tissue samples with behavior-dependent, uniquely labeled neuronal ensembles. Here, the focus lay in the effective use of Tetbow labeled samples in a collaborative attempt to develop an automatic segmentation tool to segment uniquely colored neurons in large tissue samples. Notably, some of the results of this thesis were published, including additional experiments using DLStream. | en |
dc.description.abstract | KI-basierte, Verhaltens-abhängige Ansätze zur konnektomischen Rekonstruktion von neuronalen Schaltkreisen Die Charakterisierung der funktionellen Architektur von neuronalen Schaltkreisen, die komplexem Verhalten zugrunde liegen, erfordert die Identifizierung aktiver neuronaler Ensembles während ausgewählter Verhaltensäußerungen. Die jüngste Entwicklung der lichtinduzierten, aktivitätsabhängigen Markierung ermöglicht die Erfassung aktiver neuronaler Ensembles in Abhängigkeit vom laufenden Verhalten und damit die verhaltensabhängige, kausale Identifizierung relevanter Strukturen für nachfolgende Untersuchungen. Die verhaltensabhängige Markierung aktiver neuronaler Ensembles war jedoch bisher durch einen Mangel an dynamischen Feedback-Systemen begrenzt, die zuverlässig freie Verhaltensäußerungen erkennen. Um dieses Problem zu lösen, habe ich DeepLabStream (DLStream) entwickelt. DLStream ist ein vielseitiges Closed-Loop-Toolkit, das die Echtzeit-Positionsbestimmung von Tieren und die Durchführung verhaltensabhängiger Experimente ermöglicht. DLStream hat eine zeitliche Auflösung im Millisekundenbereich, ist als Open-Source-Projekt veröffentlicht und integriert andere Open-Source-Projekte wie Deep-Learning-basierte Netzwerke zur Posenschätzung (DLC, SLEAP, DeepPoseKit), GPIO-Steuerung (Arduino, Raspberry Pi) und auf maschinellem Lernen basierende Verhaltensklassifizierung (B-SoiD, SimBA). Um die Fähigkeiten von DLStream zu demonstrieren, habe ich das Toolkit verwendet, um neuronale Ensembles zu markieren, die bei bestimmten Kopfbewegungen aktiv sind. Dazu verwendete ich Cal-Light, ein lichtinduziertes, aktivitätsabhängiges biomolekulares Markierungssystem. Die verhaltensabhängige Lichtstimulation führte zur Markierung von neuronalen Ensembles, die während bestimmter Episoden der Kopfbewegung aktiv waren. Besonders wichtig ist, dass diese experimentelle Strategie das Potenzial hat, bisher unbekannte kausale Zusammenhänge zu entschlüsseln. Dies kann durch die Kombination einer konnektomischen Analyse der erfassten Ensembles und einer konsekutiven Manipulation ihrer neuronalen Aktivität erreicht werden. Darüber hinaus habe ich das Tetbow-System etabliert, ein virusvermitteltes, mehrfarbiges Markierungssystem, das langfristig mit der verhaltensabhängigen Markierung kombiniert werden kann, um die anatomische Analyse großer Gewebeproben mit verhaltensabhängigen, eindeutig markierten neuronalen Ensembles zu ermöglichen. Hier lag der Schwerpunkt auf der effektiven Nutzung von Tetbow-markierten Proben in einem kollaborativen Ansatz zur Entwicklung eines automatischen Segmentierungswerkzeugs zur Segmentierung eindeutig gefärbter Neuronen in großen Gewebeproben. Einige der Ergebnisse dieser Arbeit wurden bereits veröffentlicht, darunter zusätzliche Experimente mit DLStream. | de |
dc.language.iso | eng | |
dc.rights | In Copyright | |
dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | |
dc.subject | Verhalten | |
dc.subject | Neurowissenschaften | |
dc.subject | KI | |
dc.subject | Optogenetik | |
dc.subject | Neuron | |
dc.subject | Konnektom | |
dc.subject | Verhaltenserkennung | |
dc.subject | Klassifikation | |
dc.subject | Maschinelles Lernen | |
dc.subject | echtzeit Experiment | |
dc.subject | Software | |
dc.subject | Behavior | |
dc.subject | AI | |
dc.subject | Neuroscience | |
dc.subject | Optogenetics | |
dc.subject | Behaviordetection | |
dc.subject | Classification | |
dc.subject | machine learning | |
dc.subject | neuronal circuit | |
dc.subject | connectomics | |
dc.subject | real-time | |
dc.subject | closed loop experiment | |
dc.subject.ddc | 500 Naturwissenschaften | |
dc.subject.ddc | 570 Biowissenschaften, Biologie | |
dc.subject.ddc | 610 Medizin, Gesundheit | |
dc.title | Ai-based, behavior dependent approaches for connectomic reconstruction of neuronal circuits | |
dc.type | Dissertation oder Habilitation | |
dc.publisher.name | Universitäts- und Landesbibliothek Bonn | |
dc.publisher.location | Bonn | |
dc.rights.accessRights | openAccess | |
dc.identifier.urn | https://nbn-resolving.org/urn:nbn:de:hbz:5-65918 | |
ulbbn.pubtype | Erstveröffentlichung | |
ulbbnediss.affiliation.name | Rheinische Friedrich-Wilhelms-Universität Bonn | |
ulbbnediss.affiliation.location | Bonn | |
ulbbnediss.thesis.level | Dissertation | |
ulbbnediss.dissID | 6591 | |
ulbbnediss.date.accepted | 09.02.2022 | |
ulbbnediss.institute | Medizinische Fakultät / Institute : Institut für Experimentelle Epileptologie und Kognitionswissenschaften | |
ulbbnediss.fakultaet | Mathematisch-Naturwissenschaftliche Fakultät | |
dc.contributor.coReferee | Kubitscheck, Ulrich | |
dcterms.hasSupplement | https://github.com/SchwarzNeuroconLab/DeepLabStream | |
ulbbnediss.contributor.orcid | https://orcid.org/0000-0002-3030-1571 | |
ulbbnediss.contributor.gnd | 1265158908 |
Files in this item
This item appears in the following Collection(s)
-
E-Dissertationen (4118)