Technologische Fortschritte haben unsere Möglichkeit drastisch erweitert, Daten neuronaler Konnektivität des Gehirns zu sammeln und sie im Bereich der Konnektomik anzuwenden. Der Schwerpunkt der Forschung verlagert sich daher zunehmend auf die Analyse dieser komplexen Daten. Viele Anwendungen visualisieren neurologische Daten im dreidimensionalen Raum. Diese erfordern jedoch Interaktivität, um verdeckte Datenpunkte zu erkennen, und sind daher nicht immer anwendbar. Um die neurowissenschaftliche Forschung in dieser Hinsicht zu unterstützen, stellen wir Spatial-Data-Driven Layouts vor, ein neuartiges Web-Tool, welches sich der Visualisierung neuronaler Netzwerke verschiedener Spezies im zweidimensionalen Raum widmet.Unsere Methode ist datengesteuert und daher unabhängig von der Spezies oder der Perspektive. Wir erstellen Node-Link-Diagramme, welche die Gehirnregionen als Knoten darstellen und die Konnektivität durch die Kanten visualisieren. Für diesen datengesteuerten Ansatz verwenden wir eine aus Hirnatlanten abgeleitete Konnektivität (Parcellation-derived Connectivity) in Kombination mit einem Standard-Algorithmus für kraftgesteuertes Graphenlayout. Um die Orientierung zu erleichtern, wird die zugrunde liegende Gehirn-Hierarchie visualisiert. Farbige Parzellierungen im Hintergrund kapseln und gruppieren Knoten, die gemeinsame Überregionen besitzen. Dieser Hintergrund ähnelt von der Form her dem Gehirn und ist unabhängig von der Vollständigkeit des Netzwerks, wodurch der Vergleich von Teilnetzen untereinander und mit dem gesamten Netzwerk erleichtert wird. Der Detailgrad ist anpassbar, um entweder die anatomische Größe oder die Anzahl der Verbindungen pro Region widerzuspiegeln. Es wurden Fallstudien für zwei verschiedene Spezies, Mensch und Maus, durchgeführt, um unsere Visualisierungen zu validieren und zu zeigen, dass die räumliche Verteilung der Knoten die Anatomie des Gehirns widerspiegelt. Knoten, welche benachbarte Regionen im Referenzraum darstellen, liegen auch in der Visualisierung nebeneinander. Die von Spatial-Data-Driven Layouts gelieferten Ergebnisse wurden in einer web-basierten Nutzerstudie evaluiert, an der Experten aus den Bereichen Neurowissenschaften, Informatik, Bioinformatik und Computational Biology teilnahmen. Die Auswertung der Studien für die zwei verschiedenen Spezies Maus und Mensch zeigt, dass unsere Methodik datenbasiert und Spezies-unabhängig angewendet werden kann. Das Feedback der Experten zeigt ein deutliches Potenzial. Spatial-Data-Driven Layouts stellt schnell und einfach Abbildungen in der Literatur nach, die normalerweise mit viel Aufwand kreiert werden müssen. Das Hinzufügen von Kontext in Teilnetzen, um die Gesamtform des Gehirns zu erhalten und diese Netze miteinander vergleichbar zu machen, wurde als sehr nützlich angesehen. Spatial-Data-Driven Layouts ist ein Novum in der Visualisierung neuronaler Schaltkreise des Larvengehirns von Drosophila melanogaster und wird als ein erster guter Schritt in diese Richtung angesehen. Zukünftig wird geplant, die Anwendung mit Interaktivität zu erweitern, um Neurowissenschaftlern eine intuitive Darstellung ihrer Daten zu ermöglichen. Die Anpassung der Gehirnregionen, der Konnektivität sowie der Details des Layouts kann über Parameter an ihre Interessen angepasst werden. Darüber hinaus wollen wir die Visualisierung auf Neuronenebene und die visuelle Kodierung der Graphen des Larven-Netzwerks verbessern, um eine detaillierte Darstellung der neuronalen Schaltkreise zu ermöglichen.
de
Technological advances have dramatically expanded our ability to collect data of neural connectivity in the brain and apply this data in the field of connectomics. The focus of research is thus increasingly shifting towards the analysis of this complex data. Many applications visualize neurological data in three-dimensional space. However, these require interactivity to view hidden data and are not always applicable. To support neuroscientific research we present Spatial-Data-Driven Layouts, a novel web-tool to visualize neuronal networks of multiple species in two-dimensional space. Our method is data-driven and is therefore independent of species or perspective. We generate node-link diagrams where nodes represent brain regions, while the edges correspond the connectivity. To realize this data-driven approach we apply Parcellation-derived Connectivity, generated from brain atlases in combination with a standard force-directed graph layout algorithm. We provide further guidance by visually encoding anatomical context of the underlying brain hierarchy. Colored parcellations in the background encapsulate and cluster nodes that belong to the same super-regions. Additionally the background provides an overall shape, similar to the brain and is independent of the graph’s completeness, facilitating the comparison of sub-networks with each other as well as with the entire network. The background is customizable in terms of anatomical details to reflect either the anatomical size or the number of connections per region.We conduct case studies for two species, mouse and human, to validate our visualizations and show that the spatial distribution of nodes reflects the anatomy of the brain. Nodes are adjacent to each other if they also represent neighboring regions in the reference space.The results provided by Spatial-Data-Driven Layouts are evaluated in a web-based user study involving domain experts in neuroscience, computer science, computational science, bioinformatics, and computational biology. Evaluating the studies for two different species, mouse and human, shows that our methodology can be applied data-driven and species-independent. The feedback obtained from the experts indicates clear potential.Spatial-Data-Driven Layouts quickly and easily recreate illustrations in literature that usually are created with a great deal of effort. Added context in sub-networks to preserve the overall shape of the brain and to make those networks comparable to each other, wasconsidered very useful. Spatial-Data-Driven Layouts is a novelty in the visualization of neuronal circuits of the Drosophila melanogaster larval brain and considered a first good step in this direction.In the future, we plan to extend the application with interactivity to provide neuroscientists with an intuitive representation of their data. The customization of brain regions, connectivity, as well as details of the layout via parameters, can be adapted to their interests. In addition, we aim to improve neuron-level visualization and visual encoding of the Drosophila larval network graphs to provide a more detailed representation of circuits.
