荧光标识的神经群落精细重建

The reconstruction of neuronal population, as a bridge that connects the imaging datasets to finding the new knowledge in neuroscience, is the core part in many brain researches such as neuronal identities neuronal connections and neuronal function. A series of progresses in molecule labeling and imaging technologies have enabled us to collect the imaging datasets of the whole mouse brain with cellular resolution. These progresses open a door to investigate the detailed neuronal populations, meantime, pose a huge challenge for the population reconstruction. Focusing on this challenge, the applicant proposed a series of methods and integrated them into a software tool named NeuroGPS-Tree. With NeuroGPS-Tree, the reconstruction of large-scale neuronal population with the packed neurites was first presented. However, in dense reconstructions, NeuroGPS-Tree only corrects the reconstruction errors caused by one type of spatial dense distribution of neurites, which resulting in the reconstruction accuracy of about 80%. In addition, NeuroGPS-Tree does not involve in the reconstruction of neuronal spines, the key structure for neuronal connections. So, the applicant plans to enhance NeuroGPS-Tree by the two following research contents: 1) to some degrees solve the public challenge: high accuracy reconstruction from the image stacks with packed neurites; 2) propose the method for neuronal spine reconstruction to achieve the detailed reconstruction of neuronal population. The advanced NeuroGPS-Tree will have a detailed reconstruction accuracy of above 90% without human interferences. By our research, the advanced NeuroGPS-Tree can be widely applied in neuronal images collected with the different types of light microscopies, and may become a fundamental image analysis tool in neuroscience.

神经群落重建作为成像数据到神经科学新知识间的桥梁，是神经识别、连接与功能等研究的核心环节。分子标识与成像技术的系列进展，令单细胞分辨全脑成像成为现实，为全脑尺度下的神经精细结构研究打开了一扇门；同时，对其结构重建提出极大挑战。针对挑战，我们建立系列方法并整合为群落结构重建工具：NeuroGPS-Tree。在国际上率先实现有密集纤维分布的神经群落大尺度重建。然而，仅考虑特定类型密集纤维分布对重建的影响，重建准确度在80%左右。同时，没有涉及到神经连接关键结构：树突棘的重建。本项目拟提升我们软件工具性能。解决领域难题：密集纤维分布情形下，高准确率重建神经群落，在此基础上，发展树突棘分割方法，实现神经群落精细重建。在无人工干预的情况下，群落精细重建准确度将提升到90%以上。通过性能提升，本软件将广泛应用于不同类型显微光学成像系统所产生的神经数据，将其发展为神经科学研究基础性的图像分析工具。

神经元重建是从脑成像数据中挖掘出表征神经元形态量化数据。重建的量化数据能确定神经元胞体空间位置、神经突起分布、神经突起连接等重要信息，在神经元身份识别、脑回路绘制、神经建模等方面扮演重要角色。近期，分子标识及成像技术系列突破，能以工业级速度每天产生数百TB的神经元形态数据，这些数据中包括数以万记的完整神经元形态。然而，神经元重建发展远远滞后于上述脑成像技术的进步。本项目研究目标是围绕神经元重建流程，建立关键算法，提升神经元重建的准确度及速度，实现神经元群落的精细重建。首先，建立了全脑尺度神经图像工具，并得到一定应用。构建了半自动化重建软件工具GTree，相比商业软件，该工具在不损失重建精度的情况下，重建数十个全脑尺度神经元所消耗的时间由数千小时降至数百小时内，重建速度提升5倍左右；其次，围绕如何实现高准确度重建密集分布的神经元，展开了系列研究。先后发展了弱神经纤维识别及密集神经纤维识别方法，显著地提升了神经元自动重建效率及准确率；最后神经元亚结构重建是对神经元重建的内涵的拓展，先后对重建神经元自动优化其骨架、重建其形状及树突棘的定位。通过该项目的支持，建立系列方法，先后发表在本领域主流期刊10余篇，进一步，还将这些工作整合到GTree 软件中。该软件工具已部署在本实验室和华中科技大学（苏州）脑空间信息技术研究院，其中，线照明调制的高清全脑成像方法论文（《自然—方法》）即引用了GTree工具，其相关数据采用GTree进行分析，达到了95% 的胞体定位准确和98%神经纤维识别率。GTree 软件自动分析模块得到一定应用，相关分析结果发表在《自然-通讯》，《神经解剖学前沿》，《神经科学前沿》，《科学报告》，《中国科学-生命科学》等期刊上。