近日，一项来自东南大学团队的研究表明，哺乳动物神经元在多个尺度上展现出保守的形态模式，且在全脑呈现显著的分布规律。这项研究发布了迄今为止最全面的哺乳动物多尺度神经形态数据集之一，也是神经元形态分析领域最大规模跨尺度形态学分析研究之一。
神经元形态学是解密大脑结构与功能的关键。作为大脑功能的基本单元，神经元在微观、介观和宏观尺度上都承担重要功能：微观层面的突触是信号传递和记忆形成的基础；介观层面的长程轴突负责跨脑区信息传递；宏观层面的神经环路则支撑高级认知功能。全面解析大脑需要整合微观、介观与宏观的多尺度分析。然而，受限于数据和分析方法，目前跨尺度的系统研究仍很匮乏。
针对该问题，东南大学脑科学与智能技术研究院（脑智院）彭汉川教授团队联合美国脑计划细胞普查联盟（BICCN）多个研究团队，完成了大规模的小鼠大脑高分辨率形态数据采集（图 1）。研究采集超过 200 个小鼠大脑高分辨率光学显微图像，总数据量超过 3PB。研究详细分析了超过 15000 个树突和近 2000 个包含完整轴突的单神经元形态数据，涵盖厘米级投射神经元群体到多于 2 百万个亚微米级突触前位点。基于该数据集，团队提出跨尺度形态分析方法，揭示小鼠脑模块化结构及亚神经元形态保守模式，验证了跨尺度特征在细胞分型中的优势。研究成果以“Neuronal Diversity and Stereotypy at Multiple Scales through Whole Brain Morphometry”为题发表在 Nature Communications，东南大学脑智院刘裕峰博士为第一作者，刘力娟博士为共同通讯作者。
图 1 |全脑多尺度形态结构与分析
大规模多尺度神经形态数据集
在神经形态学研究中，大规模、高质量的数据仍是关键瓶颈。近年来，尽管在单细胞、亚细胞和介观投射研究上都取得了重要进展，例如东南大学团队、中科院脑智卓越中心团队，以及美国霍华德休斯医学研究院珍妮莉亚研究园区(Janelia Research Campus)相关团队分别发布了一千至一万例高质量小鼠完整投射神经元形态[1]，[2]，[3]，[4]，这些进展促进了对神经元投射模式和神经环路的研究。
在亚细胞层面，超高分辨率电镜成像与形态重建也取得了重要突破，包括果蝇全脑连接组 FlyWire[5]、1 立方毫米小鼠皮层连接组 MICrONS[6]及 1 立方毫米人脑皮层连接组 H01[7]，这些数据为研究神经突触连接图谱提供了宝贵资源。
然而，如何在同一批样本中采集多尺度的形态信息仍然是一个重大挑战。若不同尺度数据来源于不同样本，则难以建立精确的对应关系，从而阻碍跨尺度融合分析的实现。这一难题主要在于尺度差异，导致数据量呈指数级增长。例如，亚细胞结构（如突触）通常需要亚微米级分辨率（约 0.2 μm）的图像，而哺乳动物神经元的长程投射可能贯穿整个大脑。巨大的跨度大幅提升了成像、存储和数据处理的复杂性，显著增加了研究的技术难度和资源需求。
为应对这一挑战，彭汉川团队联合国内外多家研究机构，成功采集了 200 余个亚微米级分辨率的小鼠全脑高精度图像，总数据量高达数 PB。这一庞大的数据集使研究团队能够同时获取宏观尺度的神经环路结构与亚微米级的突触细节。为高效处理如此海量且复杂的数据，团队构建了高容量存储系统与高性能计算集群，为跨尺度形态分析奠定了坚实的技术基础
多尺度形态的多样性与保守性
该数据集为多尺度神经形态模式与空间分布规律的研究奠定了重要基础。研究团队通过分析小鼠全脑高分辨率图像中稀疏标记的神经元信号，系统揭示了小鼠大脑的模块化组织结构。通过该方法，研究鉴定了 18 个模块（图 2），其中半数模块的关联性脑区对在现有研究中已被证实，佐证了结果的准确性。这一模块化分析为大脑功能分区提供了全新的视角，有助于进一步理解脑区间的功能协调机制。
图 2 | 鼠脑 18 个模块结构
在形态表征方面，研究提出了一种新的树突微环境表征方法，将邻域多神经元形态特征整合，显著增强了单神经元形态的描述能力。通过分析超 15000 个自动重建神经元在艾伦标准坐标框架（CCF）中的空间分布，揭示了其在不同脑区的分布规律，并在纹状体等脑区观察到细致的亚区分化（图 3），深化了对神经元空间组织的理解。
图 3 |树突微环境特征空间分布
此外，研究还突破了传统神经元分类方法的局限，通过融合空间距离增强 47 种形态特征，在全脑范围内将神经元划分为 4 种类别，定量提升了神经元分型的准确性。
最后，研究深入分析了皮层、丘脑和纹状体等脑区的神经元树突与轴突特征，揭示了区域特异性的亚细胞子树模式，以及皮层内投射（IT）与皮层外投射（ET）神经元的投射路径的显著差异。同时，研究对突触前位点的分布进行了系统探讨，展示了其在全脑的分布多样性和亚细胞水平的分布保守性。
跨尺度形态融合分析
为探究不同尺度神经形态特征之间的关系，研究团队通过构建融合特征，将树突微环境、单神经元形态、亚细胞子树结构、神经元模体和突触前位点等五个不同尺度的特征结合，利用皮尔逊相关系量化神经元的相似性。基于该方法，团队提出了“多样性与共性”（Diversity-and-Stereotypy, DS）矩阵，以量化不同脑区神经元形态特征。结果显示，皮层、丘脑和纹状体神经元表现出显著的模块化结构，功能区内的神经元形态高度保守，而不同功能区的神经元的相似性较弱。
进一步分析显示，神经元形态在不同脑区和尺度上具有显著的特异性。例如，丘脑神经元在微环境特征方面表现出较高的保守性，平均相关系数为 0.29，而皮层神经元仅为 0.07，表明不同脑区在局部环境的适应性上存在差异。此外，某些特定皮层神经元类型（如 CLA 神经元）在单神经元形态和突触分布特征上的保守性尤为突出，平均相关系数分别达到 0.8 和 0.7。这些结果突显了脑区间的形态特征差异和结构功能耦合的复杂性，为深入研究脑区特异性功能提供了重要依据。
通过多尺度特征的交叉验证，研究发现不同尺度的形态特征之间存在显著的互补性，例如微环境特征与突触分布特征之间差异较大。同时，某些尺度之间，如单细胞形态与亚细胞子树结构，呈现出更强的关联性。这些发现不仅验证了神经元形态与大脑解剖结构之间的紧密关系，还为未来将单细胞转录组数据与神经形态分析的融合提供了坚实的技术基础。
本研究中所有重建数据均由团队研发的新型神经元协同重建平台 CAR 完成，该成果近期已经在 Nature Methods 发表[8]，而其中突触前位点数据也被用于构建大规模神经元连接网络并进行分析[9]。
原文连接：https://www.nature.com/articles/s41467-024-54745-6
参考文献
[1] H. Peng et al., “Morphological diversity of single neurons in molecularly defined cell types,” Nature, vol. 598, no. 7879, pp. 174–181, Oct. 2021, doi: 10.1038/s41586-021-03941-1.
[2] L. Gao et al., “Single-neuron projectome of mouse prefrontal cortex,” Nat Neurosci, vol. 25, no. 4, pp. 515–529, Apr. 2022, doi: 10.1038/s41593-022-01041-5.
[3] S. Qiu et al., “Whole-brain spatial organization of hippocampal single-neuron projectomes,” Science, vol. 383, no. 6682, p. eadj9198, Feb. 2024, doi: 10.1126/science.adj9198.
[4] J. Winnubst et al., “Reconstruction of 1,000 Projection Neurons Reveals New Cell Types and Organization of Long-Range Connectivity in the Mouse Brain,” Cell, vol. 179, no. 1, pp. 268-281.e13, Sep. 2019, doi: 10.1016/j.cell.2019.07.042.
[5] S. Dorkenwald et al., “Neuronal wiring diagram of an adult brain,” Nature, vol. 634, no. 8032, pp. 124–138, Oct. 2024, doi: 10.1038/s41586-024-07558-y.
[6] The MICrONS Consortium et al., “Functional connectomics spanning multiple areas of mouse visual cortex,” Jul. 29, 2021. doi: 10.1101/2021.07.28.454025.
[7] A. Shapson-Coe et al., “A petavoxel fragment of human cerebral cortex reconstructed at nanoscale resolution,” Science, vol. 384, no. 6696, p. eadk4858, May 2024, doi: 10.1126/science.adk4858.
[8] L. Zhang et al., “Collaborative augmented reconstruction of 3D neuron morphology in mouse and human brains,” Nat Methods, vol. 21, no. 10, pp. 1936–1946, Oct. 2024, doi: 10.1038/s41592-024-02401-8.
[9] P. Qian, L. Manubens-Gil, S. Jiang, and H. Peng, “Non-homogenous axonal bouton distribution in whole-brain single-cell neuronal networks,” Cell Reports, vol. 43, no. 3, p. 113871, Mar. 2024, doi: 10.1016/j.celrep.2024.113871.
