|
細胞結構是人類大腦在微結構上出現(xiàn)分離的基本生物原理,，但就目前為止，還沒有出現(xiàn)一個考慮到細胞層面及個體差異的人類腦圖譜出現(xiàn),。本文介紹了Julich(德國于利希）實驗室的最新研究成果——Julichu-Brain,，這是一個包含皮層區(qū)域和皮層下核的細胞結構圖的3D圖譜。該圖譜以概率的方式考慮了個體大腦之間的差異,。除此以外,，構建這樣的一個腦圖譜是需要大量的數(shù)據(jù)和工作量的，開發(fā)過程中需要開發(fā)嵌套的,、相互依賴的工作流（working pipeline）,，使用該工具流可以檢測大腦區(qū)域之間的邊界、數(shù)據(jù)處理,、追蹤來源,，以及靈活地執(zhí)行不同工作流程，以處理不同空間尺度上的大量數(shù)據(jù)（這個工作流可能在日后起到更多的作用,，開發(fā)更多的研究成果）,。使用間隙映射的方法可以補充皮層映射，以實現(xiàn)完全的皮層覆蓋。并且本圖譜的開發(fā)考慮后續(xù)的動態(tài)進展,，隨著圖譜繪制在不同方面的進展的調整,，本圖譜可以支持健康受試者和患者的神經(jīng)影像學研究，以及建模和仿真,，并可進行互操作,，以連接其他腦圖譜和資源。文章發(fā)表在Science雜志,。 人類大腦的微觀結構分離圖是理解大腦功能,、功能障礙和行為的生物學基礎的關鍵。細胞結構（例如,，細胞的排列,、分布、組成和分層）是大腦微觀結構組織的基礎,。它與一個區(qū)域的連通性模式及其功能密切相關,。此外，在細胞結構層面可以涉及到大腦組織的多個方面,，如腦皮層纖維結構,、分子結構、基因表達,，而且還包括了大尺度的激活或靜息網(wǎng)絡和更多的宏觀層面的大腦信息,。也就是說細胞結構層面的圖譜可以作為接口來表示和整合大腦組織的不同方面。研究者們普遍認為,，在探索大腦組織時,，必須采用多面但一體化的方法，因此,，不同層面的圖譜給研究者們帶來了更多關于大腦的信息,。在這種背景下，細胞結構層面的腦圖譜是非常重要的,。1909年的布羅德曼細胞結構圖是最早的細胞結構圖之一,，至今仍被廣泛使用。但是它有幾個缺陷,，例如,，主體間的變異性在這張腦圖譜中沒有被反映出來。并且,，與布羅德曼腦圖中的43個區(qū)域相比,，當前大量的研究已經(jīng)表面皮層區(qū)域的數(shù)量在180個或更多的范圍內。皮層下的結構也有同樣的細節(jié),，但沒有被包括在布羅德曼腦圖中,。要在具有足夠空間分辨率的細胞結構圖中捕獲不同區(qū)域和皮下核團組織的細胞結構,，就需要對每個大腦的數(shù)千個組織切片進行分析和處理，而且要具有一致性的高質量數(shù)據(jù),。在這種背景下,，Julich和Dusseldorf實驗室的研究者們創(chuàng)建了Julich- brain圖譜(圖1)。這是一個包含皮層區(qū)域和皮層下核團的細胞結構水平的概率腦圖譜,。研究者們在上世界90年代中期就開始了這一努力,，最近又訴諸于“crowd-source strategies（眾包策略，就是很多研究者,、很多不同資源分開處理特定的工作部分,，可見這樣一個圖譜的工作量之大）”(但是是在高專業(yè)水平和深厚專業(yè)知識的基礎上)。腦組織的制備,、微觀結構的制圖,、分析和復雜的數(shù)據(jù)處理是數(shù)據(jù)、時間和勞動密集型的,，特別是隨著樣本量的增加和空間分辨率的提高,。因此，單個研究人員或小團隊不可能在可接受的時間框架內提供具有足夠細節(jié)的全腦地圖,。不過,，本世紀快速發(fā)展的計算能力和存儲能力，以及數(shù)據(jù)處理的改進算法和工作流,，使得研究者們現(xiàn)在可以在高空間分辨率下實現(xiàn)更快,、更魯棒的處理。 
圖1 Julich-Brain的皮層及皮層下核團組織但是,，并不是所有數(shù)據(jù)集和分析都能從顯著改進的數(shù)據(jù)采集技術中獲得同樣的好處。本文所介紹的圖譜中的細胞結構繪制工作始于25年前,。這些大腦已經(jīng)經(jīng)過了組織學處理,，以后既不能獲得新的高場MRI數(shù)據(jù)，也不能獲得更高分辨率的體素圖像,。MRI數(shù)據(jù)的質量因此受到采集時可用質量的限制,。這有時會限制現(xiàn)代成像工具和技術的使用，因為這些工具和技術通常是針對當前可用的數(shù)據(jù)質量,。同時考慮實際數(shù)據(jù)集和更多歷史數(shù)據(jù)集的特定數(shù)據(jù)處理策略是必須的,。為了確保在整個數(shù)據(jù)處理周期中數(shù)據(jù)和處理步驟的一致性、可再現(xiàn)性和一致性,，本圖譜的創(chuàng)建過程中從一開始就形成了自動的,、靈活處理的和可重復的工作流。因此,，研究者們開發(fā)了一個模塊化的,、靈活的,、自適應的框架來創(chuàng)建概率的細胞結構圖，這些圖來自于對每個區(qū)域的10個死后人類大腦的分析(圖2),。圖被對齊到兩個廣泛使用的立體定位空間,，即MNI-Colin27和ICBM152casym空間，并進行疊加,。在一個共同的立體定位參考空間中,，Julich-Brain圖譜可以比較不同研究獲得的功能激活、網(wǎng)絡,、基因表達模式,、解剖結構和其他數(shù)據(jù)(圖3)。該框架依賴于長期以來處理大腦結構解剖的專業(yè)知識,，各種皮層和皮層下區(qū)域的細胞結構映射,，以及利用局部集群和超級計算機開發(fā)魯棒和自適應工具的計算能力。
注釋：(A)為了恢復死后大腦的三維形狀,，根據(jù)未失真的MRI數(shù)據(jù)集,，采用不同尺度下的線性和非線性處理步驟，獲得了塊狀的分割圖像,。對數(shù)字化的組織學圖像進行了光學不平衡的修復和校正,。使用一個剛性的截面到截面的對齊方法計算，以創(chuàng)建一個第一個近似的三維重建,。它的作用是通過剛體變換將MRI數(shù)據(jù)集對齊到相應的切面,。用彈性方法將切片與MRI切片進行非線性配準。作者將這些圖像配準到兩個標準空間中,，MNI-Colin27和ICBM152casym空間中,。（B）細胞結構在連續(xù)的組織切片中進行分析，覆蓋每個區(qū)域的完整范圍,，并用灰色指數(shù)來表征,。將區(qū)域的等高線提交到數(shù)據(jù)庫中，進行三維重建和拓撲歸一化,。對這些區(qū)域進行線性和非線性變換并疊加形成細胞結構概率圖,。 (C)計算基于體積和表面的最大概率Julich -腦圖譜。為了有效地組織密集的計算,，研究者們實現(xiàn)了一個數(shù)據(jù)處理管理系統(tǒng),，該系統(tǒng)允許跨多個CPU核心對大量數(shù)據(jù)集進行分布式處理。它被設計成可以很好地從一個單核計算機系統(tǒng)擴展到高性能計算環(huán)境中的數(shù)千個計算節(jié)點,。 Julich腦圖譜是基于23個死后大腦的組織學切片(女性11個,，男性12個，平均年齡64歲,，年齡范圍30-86歲,，平均死后時間為12小時),，這些切片來自德國杜塞爾多夫大學解剖研究所人體供體項目。用福爾馬林浸泡,，對固定腦進行了磁共振成像,，然后使用石蠟包埋，用切片機連續(xù)切成20微米的切片,。細胞體用改良的Merker染色法染色,。組織學切片用10微米的平板掃描儀進行數(shù)字化，降采樣到各向同性分辨率20微米,，框成獨特的圖像尺寸,，并以無損壓縮的灰度圖像的形式存儲。兩個大腦（通過MRI掃描獲得了一個全腦圖像,，通過解剖學方法重建了一個全腦圖像）組成完整的系列(BigBrain數(shù)據(jù)集;其中一篇已發(fā)表,，BigBrain: An ultrahigh-resolution 3D human brain model. 2013年Science)，每一個部分都被染色和數(shù)字化,。其他的大腦每隔15個section進行染色,。這一共產(chǎn)生了超過24000個組織學切片。組織學處理包括安裝切片,，去除小褶皺和皺褶,，染色會導致一定程度的局部變形、損傷或染色不勻,，這些都是不可避免的,，但可以通過MRI圖像補充。并且,，只有不到1%的切片存在不可修復的損傷(例如,，大量組織的丟失)，僅有20-30%的切片顯示小的局部損傷,。為了校正組織學切片的畸變,，研究者們使用了相應的MRI圖像進行了三維重建(圖S1A)。對組織學切片圖像中的大損傷進行人工和半自動校正,。 
耗時的修復和處理大腦所需的大量計算需要使用超級計算機來完成工作流程。由于數(shù)據(jù)集數(shù)量大,，加上整體重構工作流的復雜性和多樣性,，研究者采用了時間和資源平衡的計算處理。這使得大數(shù)據(jù)集的高效管理,、存儲和源頭跟蹤成為可能,。在BigBrain 1重構的基礎上，開發(fā)了一種適用于BigBrain 2重構的工作流,，其中包含一個復雜的數(shù)據(jù)源跟蹤系統(tǒng),。它作為通用數(shù)據(jù)流管理系統(tǒng)的基礎,，允許將重新計算限制在那些受后續(xù)修復影響的圖像上，而圖像保持不變,，從而顯著減少計算時間,。此外，BigBrain 2數(shù)據(jù)集的管道與整個工作流程緊密相連,，使用方式與其他21個死后大腦相似,。為了恢復腦體積的原始形狀和拓撲結構，需要計算組織切片的三維重建(圖S3),。作者在補充材料中對這些過程進行了詳細的描述,。(可添加微信號siyingyxf或18983979082獲取）
圖S1 對大腦圖像的重建和標準空間的配準流程（流程描述看前文）
圖S1B 組織切片中的細胞結構定位，此圖是對圖S1A中第一部分的補充人類大腦顯示出不同模式的腦溝和腦回,，以及不同受試者之間在細胞結構區(qū)域的形狀,、定位和表現(xiàn)上的差異。為了使大腦可比較,，首先將3D重建的組織學數(shù)據(jù)集配準到單個受試者MNI-Colin27模板的立體定位空間(圖S3),。與從許多大腦數(shù)據(jù)集(如MNI305模板)中提取的模板相反，個體標記的大腦顯示了詳細的(但不具有代表性的)解剖結構,，因此允許將死后大腦的大體解剖結構精確地配準到每個區(qū)域,。由于均值組數(shù)據(jù)集在神經(jīng)成像界得到了廣泛接受，因此本文的研究者們也計算了配準至ICBM2009c（即ICBM152casym）非線性非對稱空間的非線性轉換矩陣,。該模板代表了MNI-Colin27大腦具體的解剖結構與更一般但更平滑的MNI305模板之間的組合,。通過將3D重建的組織學數(shù)據(jù)配準至這兩個標準空間的腦圖，生成標準的,、被廣泛使用的標準空間圖譜,，Julich腦圖就可以被研究者們廣泛使用，并且被應用眾多的大型腦科學研究項目,，如人類連接組計劃,、UK Biobank計劃等。為了開發(fā)一個包含皮層區(qū)域和皮層下核的圖譜,，作者們使用了基于容量的方法,，為皮層和皮層下結構提供了一個一致的配準框架。彈性三維配準采用了匹配良好的參數(shù)集,，該參數(shù)集也用于二維配準,。該方法在死后和體內數(shù)據(jù)集顯示了高可靠性。將所有死后大腦配準到MNI-Colin27和ICBM152casym標準空間大腦中,，3d重建數(shù)據(jù)集和模板的折疊模式和形狀相似(圖S3),。每個三維重建的組織數(shù)據(jù)集的三維向量轉換矩陣被存儲，并應用于隨后繪制的細胞結構區(qū)域,。
圖S3 對組織切片的3D圖像重構和標準空間配準 根據(jù)一個結構的大小和形狀,，每15到60個切片就會在整個細胞結構區(qū)域內繪制一次,。使用圖像分析和統(tǒng)計標準來確定皮質區(qū)域之間的邊界，以使繪圖具有可重復性,。在數(shù)字化切片中標記出邊界的位置,，并用封閉的多邊形(等高線)標記出其在切片中的范圍(圖S4)。皮質下核在組織學切片中識別核的外邊界,，并標記為封閉的多邊形線,。等高線也被用來檢查地圖的整個范圍的質量(圖S4)。
注釋：作者們使用了圖分析驅動區(qū)域的拓撲校正原理,。區(qū)域的范圍用等高線表示(a,、b中為紅線)，區(qū)域的等高線在相鄰的組織切片中顯示,。本圖中以ACC區(qū)域的細胞結構劃分為例,，圖(A)顯示了對所有大腦的劃分的疊加的過程，圖B顯示了對每個大腦的特定區(qū)域的圖表分析的過程,，圖（C）顯示了疊加可以識別劃定區(qū)域的突變的過程,，這個過程可能是手工識別完成的。下一步,，單獨計算每個區(qū)域/核、半球和大腦的收縮修正體積(詳見補充資料),。對現(xiàn)有的120個腦區(qū)進行分析后發(fā)現(xiàn)，這些被試的大腦之間在體積上存在相當大的差異(圖S5),，但在整體水平上,，兩個半球之間以及男性和女性大腦之間的差異都不顯著。表S2提供了關于面積體積的完整信息,。volume的列表與區(qū)域和核的概率地圖一起是一個資源不斷增長的過程,，通過HBP的知識圖提供并不斷更新(參見https://)。主體間差異程度的比較表明大腦區(qū)域之間存在差異(圖S5)。例如,，高變異性(即頂葉上半部,、頂葉44區(qū)、頂葉45區(qū),，概率值低)，而顳葉初,、次級視覺皮質的枕極區(qū)(BA17/18)和Te3區(qū)變化較小,。
圖S5 MNI-Colin27大腦中由男性和女性大腦變異系數(shù)(cv)估算的主體間體積變異性 注釋：不同的大腦區(qū)域差異很大,。對男性和女性大腦的比較表明，在分析樣本中存在局部差異,，但差異并不顯著,。 以前的和正在進行的制圖項目產(chǎn)生了超過10,616個xml文件，其中包含85,210條等高線,，有3,737,771個點，總長度為1961米,。使用開源版本控制系統(tǒng)Subversion來管理具有等高線的數(shù)據(jù)集，該系統(tǒng)可以自動地對文件和目錄進行人工標注,，并記錄區(qū)域邊界的本地化如何在整個分析周期中發(fā)生變化的完整歷史記錄(圖S1B)。當一個新的腦圖項目需要重新分析現(xiàn)有的腦圖時,，可能會發(fā)生變化,，這個過程將被記錄并保留下來。這些所有的圖像都被配準至前文所述的兩個標準空間的腦圖上，使用所有23個大腦配準后的圖像創(chuàng)建基于體素的概率圖譜,，然后映射至皮層系統(tǒng)，通過將概率值投影到皮層表面上,，一個基于表面的細胞結構表征的皮層腦圖被計算出來（圖S6）,。數(shù)值范圍為0.0到1.0，以表明該體素中某個區(qū)域或皮下核團被定位的概率(0%到100%重疊),，并提供一個測量區(qū)域從大腦到大腦在定位和范圍上的變化，即inter-subject可變性,。概率地圖相互重疊，即參考空間中的體素通?？梢员粯擞浀蕉鄠€區(qū)域,，每個區(qū)域都有明確定義的概率，總和達到100%(圖S6),。研究發(fā)現(xiàn)，約50%的體素與單個區(qū)域/核團相關，35%與兩個相關,，15%與三個或更多相關。
圖S6 MNI-Colin27空間皮層水平顳葉區(qū)域細胞結構概率圖注釋：(A)顳側回的初級聽覺區(qū)Te1.0,、Te1.1(54)和次級聽覺區(qū)(te2.5 /2、TeI,、Te3,、(54)、STS1和STS2(55)的腦圖,。每張圖都是基于十個大腦的,。(B) STS1和STS2地區(qū)的白色箭頭所示的概率圖重疊,，即,，許多參考大腦的體素具有多個區(qū)域的概率,。概率圖捕捉了這種不確定性，而最大概率圖MPM (C)提供了一個簡化的視圖,，其中每個體素與最大概率的區(qū)域相連,。lf側裂，sts顳上溝,。為了能夠讓研究者更清楚的了解Julich Brain 相比傳統(tǒng)腦圖譜的優(yōu)勢,，研究者計算了Julich腦圖和布魯?shù)侣X圖的比較,，以顳葉聽覺區(qū)域的分割為例：
顳葉赫氏回(HG)有初級聽區(qū)Te1.0、Te1.1,，顳上回(STG)和顳中回(MTG)有高級聽覺區(qū)(Te2.1/2,、TeI、Te3,、(54),、STS1和STS2。圖(B)是利用最大概率圖譜創(chuàng)建的mask,。圖A中的細致分割說明了利用細胞構筑的地圖比宏觀分割的空間精度更高:Te1.0和1.1地區(qū)位于HG,其中還包括TeI區(qū)域的一部分,。STG包含許多不同的高級聽覺區(qū)域。雖然STS2和Te3位于同一回,，但是在細胞結構上,，它們比STS1和STS2更不同，后者占據(jù)不同的回,。
圖S8 在the MNI-Colin27腦圖上呈現(xiàn)的Julich Brain的皮層分割圖
目前,，大約70%的皮層表面已經(jīng)被完成并被出版的繪圖項目所覆蓋。然而,，仍有一些區(qū)域沒有被繪制出來,，并代表未來研究的項目。為了實現(xiàn)對大腦皮層的全腦覆蓋(圖S8),，大腦皮層中尚未繪制出細胞結構分割的部分被合并成若干空白地圖,，將這些未繪制出地圖的區(qū)域匯集到一個大腦區(qū)域中(圖S9)。
圖S9 MNI-Colin27大腦間隙圖及其邊界的表面表示在未來的進展中,，新的修改將被跟蹤捕獲和記錄,，新的映射將不斷地用新的結果替換空白映射。因此,，本腦圖不是靜態(tài)的(例如,，Brodmann的地圖)，而是一個處于動態(tài)變化的腦圖,。間隙映射的引入允許計算覆蓋整個皮層表面的分區(qū),，并將每個位置簡單地分配到一個皮層區(qū)域,。隨著皮層下核團的概率圖越來越多，間隙圖構成了整個大腦的人類圖譜,。Julich-Brain腦圖可以在其他腦圖譜和具體研究中應用,例如,研究健康受試者和病人的激活的微觀結構有關的神經(jīng)影像學研究(圖3),。此外,Julich-Brain有助于基于微觀結構的大腦分割。該圖譜可能為生成大腦活動模型開辟新的途徑,，例如在癲癇研究中,，使用個性化的大腦模型用于預測癲癇發(fā)作。模塊化,、靈活,、可擴展的工作流涵蓋了從圖像采集到三維重構和概率地圖生成的廣泛步驟，可以在多個研究領域中應用這些步驟,。該系統(tǒng)框架(或其部分)可擴展到其他物種的大腦,，并可處理用免疫組織學等其他技術標記的切片圖像。新的模塊可以添加到工作流程中,，例如,，繪制基于深度學習的大腦區(qū)域（可見，Julich Brain的產(chǎn)生只是在這樣一個科學生產(chǎn)框架下的一個重要的研究成果,，以后可能還會有更多的成果出現(xiàn)，這說明一個可拓展,、可重復和穩(wěn)定性高的工作流是多么的重要）,。
注釋：(A)人腦HBP圖譜中顯示基于網(wǎng)絡的圖譜在Julich Brain中的細胞結構。(B) JuGEx能夠分析細胞結構圖(C)結合差異基因表達,，并連接和探索基于DTI的連通性(如左Broca s 45區(qū)),。(D)在一名腦損傷和失語癥患者的數(shù)據(jù)集上疊加Broca區(qū)的概率圖。該腦圖可以精確地描述神經(jīng)影像學發(fā)現(xiàn)的微觀解剖位置,。 并且,，Julich-Brain atlas是一個免費的資源(www.jubrain.fz-juelich.de)。腦圖已經(jīng)可以通過不同的工具和網(wǎng)站,例如,SPM解剖學工具箱,FSL(https://fsl.fmrib.), FreeSurfer (https://surfer.nmr.mgh.)和EBRAINS（歐洲人類大腦的研究基礎設施建設項目）,HBP (https:///services/atlases),。這些圖譜可以通過JuGEx工具與基于DTIbased的連通性數(shù)據(jù)(圖3C)和艾倫腦科學研究所(https:///what-we-do/brain-science)提供的基因表達數(shù)據(jù)(https:///what-we-do/brain-science)進行鏈接,，從而構建人腦組織的多模式視角(圖3B)。未來的人腦研究也必將是往這一方向來發(fā)展,。總而言之,，Julich-Brain是一個全新的人類腦圖譜圖，它包括了以下特征:(iii) 3d的概率圖譜,考慮了不同個體的大腦在標準的立體定位空間的表示(iv) 一個動態(tài)地,、不斷更新但時刻能追溯變化的腦圖譜(v) 擁有靈活地,、允許修改的工作流，模塊化的工作流適合用于眾多相關的領域(vi) 基于公平原則的開放獲取并為其他研究者的應用提供了強大的可操作性工具原文：Julich-Brain: A 3D probabilistic atlas of the human brain’s
cytoarchitecture如需原文及補充材料請加思影科技微信：siyingyxf 或者18983979082（楊曉飛）獲取,如對思影課程感興趣也可加此微信號咨詢,。覺得有幫助,，給個轉發(fā),，以及右下角點擊一下在看，是對思影科技莫大的支持,。
|
