Statistical Analysis of Asymmetrically Coupled Leech Neurons based on Voltage Traces
This repository contains all data and code to reproduce the results and figures of the analysis that I performed for my bachelor thesis with the title: 'Statistical Analysis of Asymmetrically Coupled Leech Neurons based on Voltage Traces'. The data analysed here were recorded by Ihor Arkhypchuk and were kindly provided for this project. All electrophysiological recordings in this repositiory are double recordings of mechanosensory touch cells (type T3) and interneurons in the medicinal leech (Hirudo verbana).
For further describtions of the contents in this repository please take a look at the according section below or visit the Wiki.
Abstract
Starting with a set of already existing intracellular double recordings, the objective of this project was to develop a method to identify neuronal cell types based on electrophysiological criteria. Although often difficult, a clear cell identification is a central element for a meaningful interpretation of neuronal responses. The method developed here used criteria that were directly derived from the electrophysiological recordings. This had the advantage that no additional data had to be collected. The data were recorded from touch (T) cells synchronously with various interneurons of the medicinal leech (Hirudo verbana). The leech has a simple and easily accessible nervous system which is nevertheless able to function like complex vertebrate nervous systems. Additionally, many neurons of the leech can be identified reliably based on their size and location. The present project was based on an anonymised dataset consisting of synchronous T cell interneuron double recordings. The voltage traces revealed mutual responses of both cells indicating a combination of chemical and electrical connections. To identify the interneuron cell types in this dataset, a hierarchical cluster analysis was performed using five electrophysiological criteria: 1) the spike height of the interneuron, 2) the T cell response to a stimulation of the interneuron with negative current, 3) the presence of an interneuron response to T cell spikes, 4) the presence of electrical coupling from the T cell to the interneuron, and 5) the latency of the interneuron response after a T cell spike. During the experiments the recorded neurons were assigned to a cell type based on their anatomical position. After removing anonymisation, it could be shown that the
assignment of cell types based on the anatomical position of a neuron yielded incorrect results for some interneurons. The cluster analysis showed that the five electrophysiological criteria were only sufficient to identify two interneuron types, while the clustering was ambiguous for the remaining six cell types. However, combining the electrophysiological criteria with the rough location of an interneuron yielded a method that was able to identify six out of eight examined interneuron types. Only two cell types were too similar to be distinguished. These results were supported by visualisations using the three most prominent criteria: 1) the interneuron spike height, 2) the T cell response to a stimulation of the interneuron with negative current, and 3) the latency of the interneuron response to a T cell spike. The results of this project can support leech researchers in identifying interneurons as the criteria presented here are simple enough to apply them already during the recording. Moreover, due to its formalized and systematic approach the method established here can facilitate the learning of neuron identification for students or researchers who are new to the leech nervous system. It is expected that such simple neuron identification methods could be useful for other species as well.
Zusammenfassung
Ausgehend von einem bereits existierenden Datensatz mit intrazellulären Zellableitungen, war das Ziel dieses Projektes aus elektrophysiologischen Kriterien eine Methode zu entwickeln, um Typen von Nervenzellen zu identifizieren. Eine eindeutige Identifizierung von Nervenzelltypen ist oft schwierig, aber zentral für eine aussagekräftige Interpretation von Zellableitungen. Die Kriterien für die hier entwickelte Methode wurden direkt aus den elektrophysiologischen Aufnahmen abgeleitet, was den Vorteil hatte, dass keine zusätzlichen Daten aufgenommen werden mussten. Die Ableitungen stammten von Touch-Zellen (T-Zellen) und verschiedenen Interneuronen des medizinischen Blutegels (Hirudo verbana). Der Blutegel hat ein einfach gebautes und leicht zugängliches Nervensystem, welches trotzdem in der Lage ist zu funktionieren wie ein komplexes Vertebraten-Nervensystem. Zusätzlich von Vorteil ist, dass viele Nervenzellen im Blutegel zuverlässig durch ihre Größe und ihre Position identifiziert werden können. Die vorliegende Arbeit basiert auf einem anonymisierten Datensatz bestehend aus synchronen T-Zell-Interneuron-Doppelableitungen. Die aufgenommenen Membranpotenzialkurven zeigten gegenseitige Reaktionen der beiden Zellen, die auf eine Kombination aus chemischen und elektrischen Verbindungen hindeuteten. Für die Identifikation der Interneuron-Zelltypen in diesem Datensatz wurde eine hierarchische Cluster-Analyse mit den folgenden fünf elektrophysiologischen Kriterien durchgeführt: 1) die Höhe der Aktionspotentiale des Interneurons, 2) die T-Zell Reaktion auf eine Stimulierung des Interneurons mit einem negativen Strom, 3) das Vorhandensein einer Reaktion des Interneurons auf Aktionspotentiale in der T-Zelle, 4) das Vorhandensein einer elektrischen Verbindung von der T-Zelle zum Interneuron und 5) die Latenz der Interneuron Antwort auf ein T-Zell Aktionspotential. Während der Experimente wurden die abgeleiteten Neurone basierend auf ihrer anatomischen Position einem Zelltyp zugewiesen. Nach Aufhebung der Anonymisierung konnte gezeigt werden, dass diese Art der Identifizierung für einige Zelltypen falsche Ergebnisse geliefert hat. Die Cluster-Analyse ergab, dass mit den fünf genannten elektrophysiologischen Kriterien nur zwei Interneuron-Typen identifiziert werden konnten, während für die verbleibenden sechs Typen keine eindeutigen Ergebnisse erzielt werden konnten. Durch die Kombination der elektrophysiologischen Kriterien mit einer groben Positionsangabe entstand allerdings eine Methode, mit der sechs der acht Interneuron-Typen identifiziert werden konnten. Unterstützt wurden diese Ergebnisse von graphischen Darstellungen, die auf den drei wichtigsten Kriterien beruhten: 1) der Höhe der Interneuron-Aktionspotentiale, 2) der T-Zell Reaktion auf eine Stimulierung des Interneurons mit einem negativen Strom und 3) der Latenz der Interneuron Antwort auf ein T-Zell-Aktionspotential. Die Ergebnisse dieses Projektes können Forschenden helfen Interneurone im Blutegel zu identifizieren, da die hier vorgestellten Kriterien unkompliziert genug sind, um bereits während einer Zellableitung angewendet werden zu können. Darüber hinaus kann die hier entwickelte Methode dank ihres systematischen und formalisierten Ansatzes Studierenden und Forschenden helfen die Identifizierung von Nervenzellen zu erlernen. Es wird davon ausgegangen, dass solche einfachen Methoden zur Identifizierung von Nervenzelltypen auch in anderen Spezies sinnvoll sein könnten.
Repository content
- DoubleRecordings - contains the original data files like they were created during the recording. All datasets are anonymized regarding the information about which cell was recorded.
- CleanDatasets - contains the data files which are used by the analysis functions. Each data file in this directory is obtained from one datafile in the DoubleRecordings directory, but the files in 'CleanDatasets' are adapted to the analysis and therefor have a simpler structure. Additionally, the files in this directory are free from test trials or obviously non-physiological behaviours. The code for the function to convert the original data files into the simpler version can be found in 'DataAnalysisToolbox' as 'clean_datasets.m'.
- DataAnalysisToolbox - contains all MATLAB code files. Every method used in this project was implemented as a function and saved in a seperate file. For more detailed information about the code take a look at the Wiki.
- AdditionalFiles - contains additional files which are needed for the analysis, i.e. information to enable different levels of deanonymisation and information to seleect the right trials when creating the 'clean' datasets. For information about all files please have a look at the Wiki.
Reproduction of the analysis
If you wish to reproduce and comprehend the analysis of this project, you need the whole content of this repository, but at least the three folders CleanDatasets, DataAnalysisToolbox and AdditionalFiles. The directory structure should be obtained and all functions should be called from DataAnalysisToolbox since all paths are relative. If you additionally want to re-create the simplified datasets (CleanDatasets), you also need the folder DoubleRecordings.
Re-use and license
This work is licensed under a Creative Commons Attribution 4.0 International License.
This applies to the whole content provided in this repository, i.e. all data files and the whole MATLAB code.
Author and contributors
The datasets were recorded and provided by Ihor Arkhypchuk. All MATLAB programs and functions were written by me, Bjarne Schultze, except for the function to remove the hum noise from the recordings (see DataAnalysisToolbox), which was written by Go Ashida.
For questions concerning the contents of this repository please contact me at bjarne.schultze@uni-oldenburg.de
