用來分割密集交錯的神經元簇方法~G-CUT
神經元細胞類型的多樣性已被提出作為BRAIN計劃的主要挑戰之一，其願景是這種分類是解剖其在健康和疾病中的功能貢獻的重要一步。雖然沒有達成共識對神經元細胞類型的一個令人滿意的定義，它一般認為神經元形態，連同解剖位置，結構連接和基因表達譜是顯著鑑別元件。個體神經元樹突和軸突的重建使得能夠定量分析給定神經元類型的形態特徵，以提供對其功能作用的洞察。神經元的數量和給定神經元的樹突狀喬木長度作為用於接收信息的感受域的指示，而軸突軌跡和投影確定調節其方向神經元的神經活動的神經元輸出。神經元的形態異常通常與許多神經系統疾病如阿爾茨海默病，亨廷頓病和孤獨症的病理變化相關。因此，表徵精細的神經細胞形態對於分類神經細胞類型和理解其功能屬性至關重要。
在這篇文章中，報告了一種稱為G-Cut的計算方法，以解決重建密集交織神經元的挑戰。G-Cut能夠基於形態特徵的組合信息和混合神經突之間的連接，從神經元簇中自動地分割單個神經元。個體神經突和體細胞之間相關性的估計基於統計學上從現有的大神經元形態學數據集（即NeuroMorpho.Org）得到的形態學信息。使用來自組織塊的合成數據集和真實圖像堆棧，與其他最先進的算法相比，G-Cut在各種標記密度和形態模式的神經元簇中的個體神經元分割中實現更高的準確度。
G-Cut被設計為信息學管道的一個組成部分，用於在3D圖像中重建具有混合神經突的神經元群體。在G-Cut中，給出了神經元簇（由交織的神經元組成）的連通圖表示作為算法的輸入。該圖包含神經元細胞體和分支，其正確的細胞體分配尚未確定。
表徵精確的三維神經元形態和神經元的解剖背景對神經元細胞類型分類和電路映射至關重要。實現這一目標需要在三個方面的技術進步：
（1）更有效和強大的標記方法，例如，Brainbow和最近開發的稀疏標籤技術。這些技術充分揭示了單個神經元的詳細神經元形態，這些形態可與許多其他神經元的許多神經元過程糾纏在一起;
（2）顯微成像技術，能夠在組織塊甚至整個腦中成像高分辨率3D神經元形態;
（3）準確有效地重建神經元形態的計算工具。由於局部大腦區域中哺乳動物神經元的軸突和樹突叢的高密度，具有緻密神經突的多個標記細胞可能在光學顯微鏡圖像中看起來融合，而現有的自動跟踪算法不能可靠地解析這樣的連接並且通常將多個細胞追踪為互連的神經元簇。
G-Cut利用生物統計學和圖論來自動分割具有來自密集混合的神經元簇的詳細神經元形態的個體神經元。它在各種CLARITY處理的組織塊和Golgi-cox染色的腦切片中快速且準確地表現。能夠使用標準SWC文件作為輸入，G-Cut可以輕鬆應用於從不同實驗室的自動，半自動和手動跟踪方法獲得的重建結果之上，使其成為信息管道的靈活且強大的組件。將G-Cut與自動單神經元重建方法包括數據採集，神經元簇重建和單神經元分割。
G-Cut工作流程可以重建來自神經元簇的單個神經元，這些神經元簇用各種技術（狂犬病病毒，遺傳表達等）標記，這些技術比“稀疏”標記策略更具挑戰性。此外，G-Cut工作流程可以重建高爾基體標記的個體神經元（高爾基標記因其嘈雜的背景和眾多神經突而聞名）。因為目前Golgi-cox方法是揭示哺乳動物物種（如大鼠，猴子和人類）的神經元形態的最實用和最強大的方法，其中技術和倫理障礙阻止遺傳或病毒標記的應用。此外，G-Cut可以單獨使用，也可以集成到大型信息管道中; 因此，它可以系統地和全面地用於重建神經元並建立數據庫以與NeuroMorpho.org中收集的神經元細胞類型進行比較。總體而言，G-Cut是一種強大的軟件，可用於重建神經元形態學的實際和廣泛應用，具有加速和擴大細胞類型分類，多區域建模和腦圖譜過程的巨大潛力。
撰寫人:王任權
參考文章
Precise segmentation of densely interweaving neuron clusters using G-Cut,Rui Li, Muye Zhu, Junning Li, Michael S. Bienkowski, Nicholas N. Foster, Hanpeng Xu, Tyler Ard, Ian Bowman, Changle Zhou, Matthew B. Veldman, X. William Yang, Houri Hintiryan, Junsong Zhang & Hong-Wei Dong ,Nature Communicationsvolume 10, Article number: 1549 (2019)
https://www.nature.com/articles/s41467-019-09515-0
在這篇文章中，報告了一種稱為G-Cut的計算方法，以解決重建密集交織神經元的挑戰。G-Cut能夠基於形態特徵的組合信息和混合神經突之間的連接，從神經元簇中自動地分割單個神經元。個體神經突和體細胞之間相關性的估計基於統計學上從現有的大神經元形態學數據集（即NeuroMorpho.Org）得到的形態學信息。使用來自組織塊的合成數據集和真實圖像堆棧，與其他最先進的算法相比，G-Cut在各種標記密度和形態模式的神經元簇中的個體神經元分割中實現更高的準確度。
G-Cut被設計為信息學管道的一個組成部分，用於在3D圖像中重建具有混合神經突的神經元群體。在G-Cut中，給出了神經元簇（由交織的神經元組成）的連通圖表示作為算法的輸入。該圖包含神經元細胞體和分支，其正確的細胞體分配尚未確定。
表徵精確的三維神經元形態和神經元的解剖背景對神經元細胞類型分類和電路映射至關重要。實現這一目標需要在三個方面的技術進步：
（1）更有效和強大的標記方法，例如，Brainbow和最近開發的稀疏標籤技術。這些技術充分揭示了單個神經元的詳細神經元形態，這些形態可與許多其他神經元的許多神經元過程糾纏在一起;
（2）顯微成像技術，能夠在組織塊甚至整個腦中成像高分辨率3D神經元形態;
（3）準確有效地重建神經元形態的計算工具。由於局部大腦區域中哺乳動物神經元的軸突和樹突叢的高密度，具有緻密神經突的多個標記細胞可能在光學顯微鏡圖像中看起來融合，而現有的自動跟踪算法不能可靠地解析這樣的連接並且通常將多個細胞追踪為互連的神經元簇。
G-Cut利用生物統計學和圖論來自動分割具有來自密集混合的神經元簇的詳細神經元形態的個體神經元。它在各種CLARITY處理的組織塊和Golgi-cox染色的腦切片中快速且準確地表現。能夠使用標準SWC文件作為輸入，G-Cut可以輕鬆應用於從不同實驗室的自動，半自動和手動跟踪方法獲得的重建結果之上，使其成為信息管道的靈活且強大的組件。將G-Cut與自動單神經元重建方法包括數據採集，神經元簇重建和單神經元分割。
G-Cut工作流程可以重建來自神經元簇的單個神經元，這些神經元簇用各種技術（狂犬病病毒，遺傳表達等）標記，這些技術比“稀疏”標記策略更具挑戰性。此外，G-Cut工作流程可以重建高爾基體標記的個體神經元（高爾基標記因其嘈雜的背景和眾多神經突而聞名）。因為目前Golgi-cox方法是揭示哺乳動物物種（如大鼠，猴子和人類）的神經元形態的最實用和最強大的方法，其中技術和倫理障礙阻止遺傳或病毒標記的應用。此外，G-Cut可以單獨使用，也可以集成到大型信息管道中; 因此，它可以系統地和全面地用於重建神經元並建立數據庫以與NeuroMorpho.org中收集的神經元細胞類型進行比較。總體而言，G-Cut是一種強大的軟件，可用於重建神經元形態學的實際和廣泛應用，具有加速和擴大細胞類型分類，多區域建模和腦圖譜過程的巨大潛力。
撰寫人:王任權
參考文章
Precise segmentation of densely interweaving neuron clusters using G-Cut,Rui Li, Muye Zhu, Junning Li, Michael S. Bienkowski, Nicholas N. Foster, Hanpeng Xu, Tyler Ard, Ian Bowman, Changle Zhou, Matthew B. Veldman, X. William Yang, Houri Hintiryan, Junsong Zhang & Hong-Wei Dong ,Nature Communicationsvolume 10, Article number: 1549 (2019)
https://www.nature.com/articles/s41467-019-09515-0
留言
張貼留言