基于单神经元连接性的小鼠脑细胞亚型分类：解锁大脑微观奥秘

《Nature Methods》：Connectivity of single neurons classifies cell subtypes in mouse brains

为探究大脑结构和功能组织，研究人员分析小鼠神经元形态数据，定义连接亚型，发现其可补充传统细胞分类方式。

　　大脑，这个神秘的 “宇宙”，蕴藏着数以亿计的神经元，它们相互交织，构建出复杂而精妙的网络，掌控着我们的感知、思维和行为。长久以来，科学家们都渴望破解大脑的奥秘，其中，对神经元进行分类成为了关键的一环。以往的研究主要依据解剖学、生理学、形态学和分子学等属性对神经元进行分类，但这些方法存在一定的局限性。例如，基于体细胞位置的细胞类型（s-type）仅能提供神经元的解剖学参考，无法全面反映其结构、生理和分子特征；电子显微镜（EM）成像技术虽能用于研究神经元连接性，但难以在全脑尺度上应用。

在这样的背景下，为了更深入地理解大脑的奥秘，东南大学等研究机构的研究人员开展了一项极具意义的研究。他们构建了一个包含 20158 个小鼠神经元的形态数据库，并基于树突和轴突分支生成了单神经元的潜在连接图。通过这种解剖 - 形态 - 连接映射，研究人员定义了 31 个脑区中神经元的连接亚型。研究发现，基于连接性定义的细胞类型相互之间有明显的分离，这表明连接性在单细胞水平上对大脑解剖模块性的表征具有重要意义。此外，研究还突出了连接亚型可作为补充传统认可的转录组细胞类型（t-type）、电生理细胞类型（e-type）和形态细胞类型（m-type）的因素，用于细胞分类和识别。该研究成果发表在《Nature Methods》上，为大脑研究领域开辟了新的道路。

为开展这项研究，研究人员主要运用了以下关键技术方法：

1. 数据整合与处理：整合了来自不同来源的神经元重建数据集，包括 BICCN AIBS/SEU-ALLEN、Janelia MouseLight 项目和中国科学院神经科学研究所（ION）的数据，并生成了 DEN-SEU 数据集，涵盖了 10860 个神经元的树突重建。
2. 空间标准化：运用 mBrainAligner 工具将所有神经元映射到相同的空间坐标系（Allen 小鼠脑通用坐标框架，CCFv3），确保数据的可比性。
3. 聚类分析：利用高斯混合模型（GMM）对神经元节点坐标进行聚类，定义树突域和轴突域；采用支持向量机（SVM）对神经元进行分类，评估连接特征在细胞分类中的作用。

研究结果如下：

1. 全脑神经元分支和投射图谱：研究人员使用机器学习方法 AutoArbor3 生成了小鼠全脑的树突分支图谱，量化了各种神经元通路，为研究神经元之间的潜在连接奠定了基础。
2. 连接特征增强基于形态的神经元类型分类：通过计算连接条形码（connection barcode）来表征神经元的轴突 - 树突空间重叠，研究发现连接特征有助于区分神经元类别。与传统的基于形态特征的分类相比，连接特征能使具有重叠形态特征的神经元（如 MOp、subiculum 和 VPL 神经元）更清晰地分离。
3. 连接性在神经元分类中的优势：研究表明，连接特征（c-features）在神经元分类方面比传统的形态特征（m-features）表现更优。通过计算形态特征相似性得分（m-score）和连接特征相似性得分（c-score），发现 76% 的 c-score 与 m-score 比值小于 1，且 c-features 在聚类分析中更具可分离性。
4. 连接性与细胞亚型的空间分离相关性：研究人员生成了距离图（d-map）来测量神经元的空间分离，并将其与形态相似性得分和潜在连接相似性得分相关联。结果发现，对于大多数神经元，c-features 比 m-features 更能代表潜在的细胞亚型，神经元的连接性与空间分离存在负相关。
5. 空间调谐连接特征识别细胞亚型：结合连接性和空间邻接性，研究人员采用空间调谐连接特征（spatially tuned c-features）对神经元进行聚类，成功识别出了传统方法难以区分的神经元亚型，如皮层神经元和丘脑神经元的亚型。
6. 神经元亚型的多样化特征：以 MOs 神经元为例，研究发现其不同亚型在解剖分布、投射模式和形态特征上存在差异。同时，研究还对 MOs 神经元的转录组亚型、连接亚型和形态亚型进行了比较，发现连接特征在定义神经元亚型方面具有更高的模块性。
7. VP 核亚型与多感觉整合：通过对 VPM 和 VPL 神经元的亚型分析，研究揭示了 VP 神经元广泛的区域连接，发现单个 VP 神经元可靶向多个感觉区域，提示了多感觉整合电路中信号传输的复杂性。
8. 丘脑皮质神经元的目标连接亚型：研究人员分析了丘脑皮质神经元的传入连接多样性，发现除了已知的连接外，还有来自 VPM 和 VPL 等感觉中继核的额外连接，且这些神经元在投射到不同皮层区域和层时具有不同的偏好。

研究结论和讨论部分指出，该研究利用大规模数据档案研究了全脑尺度的单神经元连接性，为研究大脑的基本组成部分和构建微观连接组提供了重要的基础。尽管目前的研究方法存在一定的局限性，如 c-types 的定义依赖于轴突重建的完整性、连接分类的准确性受空间配准精度影响以及神经元采样可能存在偏差等，但研究成果仍然具有重要意义。它验证了基于连接性分析确定神经元细胞类型的可行性，为未来的大脑研究提供了新的思路和方法。同时，研究还强调了整合多种数据类型和建立统计模型的重要性，这将有助于更深入地理解神经元的分类和功能，为神经科学领域的发展带来新的突破。