Science | 圖譜數據集成繪制大腦連接結構

原創(chuàng)?風不止步?圖靈基因?2022-11-14 11:11?發(fā)表于江蘇

收錄于合集#前沿生物大數據分析

撰文：風不止步

IF=63.714

推薦度：?????

亮點：

文章回顧了在嚙齒動物腦圖譜中整合描述神經連接和其他模式的數據的方法抡锈，并討論了基于圖譜的工作流程如何促進全腦分析神經網絡組織與神經結構的其他方面的關系。

2022年11月3日码倦，挪威奧斯陸大學的Trygve Leergaard博士等人在《??Science》上發(fā)表了一篇“Atlas-based data integration for mapping the connections and architecture of the brain”的文章企孩，文章以嚙齒類動物的大腦作為基礎神經科學的模型系統，回顧繪制神經連接圖的方法和基于圖集的數據整合和分析方案袁稽，并討論推動該領域發(fā)展的未來方向勿璃。

大腦由大量的神經元、膠質細胞和血管組成推汽，被包裹在堅實的頭骨中补疑。它處理和儲存信息；產生記憶歹撒、思想和想法莲组；執(zhí)行計劃；并實現廣泛的行為暖夭。樹突和軸突使神經元能夠在較短或較長的距離內傳遞信號锹杈，軸突大量分支為終端區(qū)域级乐，與其他神經元有多個突觸接觸拉讯。神經元執(zhí)行的功能在很大程度上由它們與腦區(qū)內和跨腦區(qū)的其他神經元的聯系決定。

圖1：大腦中的接線模式是复。

廣泛分布的神經元的大集合構成了復雜的神經網絡裕菠。這些網絡是高度有組織的咬清，通常有不同的細胞類型分布在各層或各群。在網絡內奴潘，神經元群對網絡的其他部分施加特定的興奮性旧烧、抑制性或調節(jié)性影響，而連接的強度和空間分布的變化画髓，包括特定的發(fā)散和收斂模式掘剪，影響著網絡如何承擔其功能∧蜗海總的來說杖小，有關網絡組織的知識--大腦的布線模式--對于理解正常的大腦功能至關重要肆汹，并且通常被嵌入旨在闡明和研究各種大腦功能的網絡模型中。洞察布線模式的詳細組織也是理解和治療大腦疾病的關鍵予权。一個例子是利用有關深層大腦結構（圖1A-B）的布線知識來治療神經系統疾病--例如，使用針對丘腦下核或丘腦特定部位的電刺激來改善帕金森病和耐藥性震顫的癥狀浪册。

圖２：數據整合和基于圖集的分析的工作流程扫腺。

雖然神經線路的模式指導神經信號如何在網絡中分布，但網絡的功能特征也取決于神經元的生理和神經化學特性村象，包括它們與其他神經元（微循環(huán)）和具有維持或調節(jié)功能的支持細胞的詳細局部細胞關系笆环。因此，關于大腦如何發(fā)揮其功能的全面知識需要整合關于所有這些特征的知識厚者。最近推出的三維（3D）數字腦圖譜為廣泛的數據整合提供了新的機會躁劣，旨在改善我們對大腦組織的理解。通過使用工具將不同類型的數據登記到圖譜上库菲，并結合計算機化的工作流程對大型數據集進行后續(xù)自動分析账忘，這些整合工作得以加速。

圖３:空間綜合連接數據的三維分析熙宇。

含有大量實驗數據集合的在線資源庫被整合在一個開放性的體積參考圖譜中鳖擒，這在小鼠腦研究中已被證明是成功的。在適當的解剖學背景下開放共享標準化的數據烫止，使得尋找和有效使用新的數據組合成為可能蒋荚，適合于描述和研究大腦連接的許多方面。然而馆蠕，盡管提出了令人印象深刻的數據量期升，但嘗試使用這些慷慨的資源也可能會發(fā)現，數據的覆蓋面可能不足以回答具有挑戰(zhàn)性的問題互躬，例如Tocco等人最近的研究表明播赁，對大腦皮層投影的地形組織的研究需要精確對應的示蹤劑注射來檢測轉基因動物中發(fā)生的細微變化（圖３E－F）。

同樣吨铸，嘗試將橋腦核的單個軸突形態(tài)（使用Janelia研究校園的MouseLight項目的數據）與追蹤實驗中可視化的末端區(qū)域（使用Allen小鼠腦連接圖譜的數據）進行比較行拢，發(fā)現映射到同一圖譜的數據可以進行有趣的觀察（圖３G－H），但完成神經網絡的映射诞吱，還需要更多數據舟奠。尋找、可視化和比較這些數據的嘗試也受到了與缺乏工具互操作性有關的技術挑戰(zhàn)的阻礙房维。在老鼠身上沼瘫，沒有關于神經連接的大型數據集，而且咙俩，到目前為止耿戚，很少有人嘗試系統地繪制全腦連接圖湿故。因此，增加更多的數據和工具對于獲得一個越來越完整的大腦連接組織和嚙齒動物大腦結構的其他特征的概述至關重要膜蛔。

圖４:WHS大鼠腦圖譜與綜合顯微鏡數據坛猪。

圖譜提供一個標準化的解剖位置，并嵌入到軟件工具中進行整合和分析皂股。數據共享服務墅茉，如EBRAINS提供的服務，組織數據并幫助標準化元數據呜呐，包括關于大腦研究數據位置的元數據就斤。通過圖譜框架，來自研究文章中發(fā)表的數據和集成在圖譜中的數據可以與大規(guī)模繪圖工作的數據直接比較蘑辑，如艾倫小鼠腦連接性圖譜和MouseLight項目洋机。大腦連接和大腦結構研究的新模式是將研究數據帶入同一參考空間，分享數據洋魂，并為系統地重新分析和重新解釋我們對大腦的理解做準備绷旗。隨著這些新方法被引入到神經科學中，文獻挖掘可以通過對出版物中包含的解釋的基礎數據進行強有力的挖掘來補充忧设。

教授介紹

Trygve B. Leergaard博士

Trygve Leergaard是挪威奧斯陸大學基礎醫(yī)學科學研究所的解剖學教授刁标。他于1996年獲得醫(yī)學博士學位（荷蘭萊頓大學），2000年獲得神經解剖學博士學位（挪威奧斯陸大學）址晕。他的研究重點是解決連接大腦皮層和幾個腦干核的主要感覺運動投射系統中腦圖轉換的基本架構原則膀懈。研究方法包括基本的腦電生理圖譜、軸突追蹤技術谨垃、三維重建的計算機方法启搂、可視化和定量分析、免疫組織化學刘陶、用于腦圖譜的組織學和顯微鏡技術胳赌，以及用于腦結構圖譜和神經束圖譜的高分辨率磁共振成像。

重要的科學進展包括解決了大鼠大腦皮層系統的3D架構組織原則匙隔，以及貓的上升聽覺通路的音調組織疑苫。其他活動包括轉基因大鼠亨廷頓氏病模型中神經網絡變化的多學科調查，三維數字腦圖繪制工作（結合組織學和斷層成像方法）纷责，使用Mn2+增強型MRI和擴散張量成像（DTI）對大腦連接進行體內追蹤捍掺，轉基因動物模型中分子分布模式的神經解剖學繪圖，以及大鼠大腦的高分辨率解剖學調查和大鼠小腦網絡的高分辨率解剖研究（單軸突追蹤技術）再膳。

參考文獻

Trygve B. Leergaard* and Jan G. Bjaalie Atlas-based data integration for mapping the connections and architecture of the brain.(2022)