编辑推荐：
在神经科学研究中，大规模电子显微镜重建数据存在合并和分裂错误，特征提取困难。研究人员开展了关于 Neural Decomposition（NEURD）软件包的研究。结果显示，NEURD 能自动校对、提取特征，为神经形态和连接性分析提供便利，推动了神经科学研究。
在神经科学领域，随着科技发展，如今已步入毫米级电子显微镜成像时代，能以纳米级分辨率收集数据。像 Machine Intelligence from Cortical Networks（MICrONS）联盟发布的小鼠视觉皮层数据集，以及哈佛大学团队发布的人类颞叶重建数据集，这些大规模的电子显微镜重建数据，为研究神经形态和突触连接性带来了前所未有的机遇。然而，这些数据存在诸多问题。自动分割方法虽能精确重建细胞，但会产生合并和分裂错误，后续仍需人工校对；而且神经元复杂的 3D 网格包含丰富形态信息，提取这些特征却困难重重，现有工具需拼凑成定制工作流程，耗费大量精力。
为解决这些难题，来自美国贝勒医学院（Baylor College of Medicine）、普林斯顿大学（Princeton University）等多机构的研究人员，开展了关于 Neural Decomposition（NEURD）软件包的研究。研究成果发表在《Nature》杂志上，为神经科学研究带来了新的突破。
研究人员在研究中运用了多种关键技术方法。首先，基于现有的网格操作开源软件，开发了 NEURD 软件包。利用该软件将神经元的 3D 网格分解为注释丰富的图表示，这一过程涉及对神经元网格的预处理，如去除胶质细胞和细胞核、检测胞体和进行骨架化等操作。同时，还运用了图分解技术，将轴突和树突过程的骨架分解为有向树图，方便后续分析。在自动校对、细胞分类、形态分析和连接性分析等研究中，借助了启发式规则、图神经网络（Graph Neural Networks，GNN）等技术手段。
下面来详细看看研究结果。
- 自动校对（Automated proofreading）：NEURD 通过查询节点、图和子图特征，识别重建中合并错误的特征模式，利用启发式规则自动去除合并错误。例如在 MICrONS 数据集的验证中，对 axon-on-axon 和 axon-on-dendrite 合并错误的校正，算法与人工校对的一致性分别达到 99% 和 95%。自动校对后，突触数据的精度大幅提高，如 MICrONS 兴奋性轴突的精度从 0.13 提升到 0.87，虽然召回率有所降低，但仍能保留大部分正确突触。
- 细胞分类（Cell-type classification）：研究人员利用 NEURD 提供的丰富特征集，通过逻辑回归模型和图卷积网络（Graph Convolutional Networks，GCN）进行细胞分类。仅用两个脊柱和突触特征训练的逻辑回归模型，就能高精度区分兴奋性和抑制性细胞。用 GCN 对 MICrONS 体积中多种手工标记细胞类型的树突子图进行训练，对不同细胞类型的分类也取得了较高的准确率。
- 形态分析（Morphological analysis）：NEURD 提取的特征为形态分析提供了丰富数据。比如，其准确的脊柱检测工作流程，对骨骼长度大于 700nm 的脊柱，精度和召回率均达到 90% 以上。通过分析，发现了不同细胞类型在突触输入的亚细胞靶向、树突形态等方面存在差异，还观察到一些与以往研究相符或扩展的结果，如 MICrONS 体积中浅层 L2/3 锥体细胞接收 AIS 突触数量最多等。
- 连接性和邻近性（Connectivity and proximities）：自动校对去除错误合并后，降低了神经元的平均入度和出度，得到了稀疏但高保真的图。NEURD 实现了快速识别轴突 - 树突邻近区域的工作流程，计算 “转换率” 发现不同神经亚型之间的连接存在差异。例如，篮状细胞与兴奋性和抑制性细胞体之间的连接 prolific，兴奋性到抑制性的转换率较高等。此外，还发现了高阶连接模式，如 MICrONS 体积中密集连接的三角形基序丰富。
- 功能连接组学（Functional connectomics）：利用 MICrONS 数据集的功能表征数据，研究人员发现具有 4 个或更多突触连接的兴奋性神经元对视觉刺激的反应相关性显著更高，符合 Hebbian “fire together–wire together” 规则，这一结果在自动校对和手动校对的神经元中均得到验证。
研究结论表明，NEURD 是一个端到端的自动化流程，能对大型电子显微镜体积的 3D 网格进行清理、注释，并预计算丰富的形态和连接组特征，为下游分析提供便利。不过，该研究也存在一些局限性，如目前无法处理某些类型的合并错误，不能修复不完整的神经过程。但总体而言，NEURD 为神经科学研究提供了强大的工具，使复杂的神经数据集更易于访问和分析，有助于揭示神经组织的原理，推动跨物种神经回路研究的发展，为理解大脑的奥秘奠定了更坚实的基础。
