Введение
Научная визуализация является важным методом, позволяющим нам лучше понимать большие и/или сложные наборы данных. Современные подходы к визуализации предоставляют естественный способ продемонстрировать и выделить важные детали, скрытые в данных, и проиллюстрировать существующие взаимодействия и взаимосвязи. Обычно соответствующие данные имеют сложную трехмерную (или более высокую) структуру, но они отображаются как не интерактивные двухмерные изображения или видеоматериалы. Данный подход к представлению результатов моделей основан на виртуальной реальности (VR). Это открывает новые перспективы, приближая зрителя/пользователя к данным и позволяя им взаимодействовать с конкретными элементами для того, чтобы получить доступ к контекстуализированной информации интуитивным и захватывающим образом.
Модель спинного мозга головастика в виртуальной реальности
Визуализируемый набор данных состоит из аксональных траекторий и физиологической (пиковой) активности около 1500 нейронов из модели спинного мозга головастиков Xenopus. Для создания анатомической части данных используется новый подход "развития". Для каждого нейрона такие свойства, как положение сомы и дендритовое распространение, выбираются случайным образом в соответствии с распределением, которое соответствует экспериментальным измерениям для данного типа нейронов. После этого моделируется рост аксона каждого нейрона в соответствии с набором уравнений, имитирующих реакцию аксонов на химические градиенты. Чувствительность к химическим градиентам были выбраны с помощью процедуры оптимизации, так что статистика генерируемых аксонов совпадает со статистикой окрашенных реальных аксонов. Когда аксон одного нейрона пересекает дендритную область другого нейрона, между ними с некоторой вероятностью создается синапс. Процесс картирования примерно 80 000 синапсов, генерируемых этим процессом, на сеть нейронов одного отделения Ходжкин-Хаксли [с параметрами, выбранными в соответствии с доступными электрофизиологическими данными], позволяет моделировать пиковую активность во всем позвоночнике. Эта модель может порождать различные физиологические формы поведения, такие как быстрое плавание в ответ на сенсорный ввод и переходную синхронную активность.
Визуализация позволяет сохранить целостность исходных данных и в то же время обеспечивает новый подход к их изучению.
Демонстрация состоит из двух разделов:
- первый используется для обеспечения контекста и масштаба;
- второй фактически визуализирует аксональные и пиковые данные.
В первом разделе показано типичное поведение головастика в естественной среде обитания (скальный бассейн в густом лесу). Важным элементом VR является чувство масштаба, это будет использовано в первом разделе, сократив пользователя до одной пятой от размера среднего человека. Что даст пользователю иную перспективу, позволяя ему лучше соотноситься с головастиком и его размерами в окружающей среде.
Вторая секция проходит в "виртуальной лаборатории", где масштаб пользователя еще больше уменьшается, чтобы дать ему возможность связать и понять нейробиологические данные. Спинной мозг динамически сконструирован вокруг пользователя с целью отображения контекстуализированной информации в погруженном виде. Пользователь может просматривать результаты физиологического моделирования, показывая, как различные нейроны взаимодействуют друг с другом, формируя поведение плавания. Отображаемая среда является полностью интерактивной и предоставляет информацию в контексте, включая метки, показывающие типы нейронов, их аксональные связи и пиковую активность.
Используемое ПО
Подобное программное обеспечение разработано на платформе специального игрового движка Unity Game Engine из-за его универсальности и поддержки VR, хотя есть и другие аналогичные доступные движки, например, Unreal Game Engine. Был использован ряд инновационных методов, от фотограмметрии для создания природной среды обитания, до разработки специальной системы зачистки для оптимизации рендеринга, которая требуется в связи с размерами и сложностью данных. Во время выполнения аксональные данные преобразуются в сетки, которые оптимизированы для отрисовки без ущерба для целостности необработанных данных. Все метаданные располагаются в отдельных структурах памяти для рендеринга данных, что позволяет в будущем реализовать более динамичную систему с адаптируемой генерацией сетки и отдельным представлением соединений между различными кусками данных.
Заключение
Этот подход визуализации является общим и подходит для многих применений за пределами модели спинного мозга головастика. Он может быть легко адаптирован для визуализации схожих моделей пиковых нейронов, используя либо имеющуюся информацию о пространственной структуре сети, либо алгоритмические методы выбора наиболее четкого расположения клеток. В качестве альтернативы его также можно использовать для визуализации анатомии реальных нейронных цепей с использованием анатомических данных, полученных в ходе экспериментов. Этот подход визуализации имеет значительную ценность в более широком применении, как в неврологическом сообществе, так и в общем плане предоставления новых инструментов, предназначенных для комплексного анализа данных в виртуальной реальности.
