欧博网址_欧博信誉首选
文学天地
我的位置: 首页 > 地矿文化 > 文学天地
欧博网址:这种技术,照亮脑神经网络结构的整片“黑暗森林”
发布时间:2022-01-04 20:12
  |  
阅读量:
  |  
作者:
小编

人类大脑的神经回路是一个极其复杂而巨大的网络,包含数百亿个神经细胞,这些细胞又通过数十万亿计的连接点(神经突触)交织在一起,构成了我们思维、记忆和感情的基础。如果只了解神经回路中单个分子或单个神经细胞的工作机理,而不了解多个神经细胞连接起来形成的整体网络结构和集体行为方式,是无法理解大脑复杂且高等的功能与活动的,也无法解释很多脑部疾病的致病机理和发展过程。

随着科技的发展,脑神经网络结构的神秘面纱正逐渐被揭开。在这个过程中,各类成像方法是必不可少的手段。利用磁共振成像(MRI)、正电子发射断层扫描(PET)等技术,可以在宏观分辨率(亚毫米)下看到大脑内部各个脑区间的连通特征。层出不穷的各种以荧光成像为主要手段的光学显微技术,让科学家们能够观察到介观分辨率(亚微米)下单个神经细胞的投射模式与神经活动。而最近十年间发展起来的连续断层扫描电子显微镜(sSEM),使得在微观分辨率(纳米级)下获取包含着神经突触连接细节的三维神经联接图谱成为可能。

然而,如果把一个动物的大脑比喻作一片广阔森林的话,目前还没有一项技术能够同时看到整片森林中的每一棵树(神经细胞),并分辨清楚树上面的每一片树叶(神经突触)。

MRI、PET的分辨率太低,只能看到树木的群落,识别不出单独的树木。而诸多荧光显微成像技术虽然能够分辨出单独树木,但需要对森林进行稀疏的荧光标记,让其中极少比例的树能够发光,才能观察到这些被“点亮”了的树,而其余未点亮的树木就只能是一片片观察不到的“黑暗森林”。而且,受限于分辨率,荧光显微成像也不能分辨出树叶的形状、数量和分布。连续断层电子显微镜虽然能够看清极小范围内的所有树木和所有树叶,但受限于成像速度和难以想象的庞大数据量,却很难扩展到观察整片森林的规模。

为了解决这个极具挑战性的问题,中国科学院苏州生物医学工程技术研究所张若冰课题组提出一种创新性的光学成像方法,光学多层干涉断层成像(Optical Multilayer Interference Tomography, OMLIT),能够在介观分辨率下获取脑组织中所有细胞的光学图像,同时能与连续断层扫描电镜(sSEM)无缝衔接,进一步对样本局部区域进行更精细的微观分辨率成像,从而融合光、电显微成像技术的优势,做到“既见森林,也见树木,可见树叶”。

研究团队设计、构造、并仔细测试了一系列多薄层结构,包括不同基底材料、镀层材料、镀层厚度、超薄脑组织样品厚度等条件,寻找到了使成像结果最为优化的几种多薄层结构模式。在这些条件下,均能够清晰地拍摄出小鼠大脑皮层组织样品中的所有细胞,识别出神经细胞和胶质细胞的形态以及空间分布,并重建出轴突、树突、毛细血管等形成的复杂交织网络结构。令人惊讶的是,不同的多薄层条件可以使神经组织显示出对比度完全相反的图像(图4),说明它们并非是由于简单的吸收或散射形成的。

研究人员建立了一个光波在不同薄层介质间多次反射和干涉,形成超薄切片样品中所有细胞高对比度图像的理论模型(图4),很好地解释并模拟了这一成像现象。样品层内神经细胞结构和包埋树脂之间光学性质具有差异,光波经过多层薄膜的反射之后,各层反射光相叠加发生干涉,提高了生物组织与树脂之间的明暗差异(图5),巧妙地达到了增加对比度的效果。

OMLIT使快速重建介观分辨率下所有神经细胞的形态、分布和投射图谱成为可能,并且可以无缝衔接连续断层扫描电子显微成像(sSEM),实现在同一动物脑组织样本上进行全细胞光学成像和电镜成像。通过对OMLIT图像中局部区域的样品进行纳米级分辨率sSEM成像,研究人员验证了两种不同模态成像技术之间的兼容性,以及所重建的三维结构之间的可融合与互补性(图6)。同时,OMLIT也为sSEM提供精确的成像区域(ROI)画界与导航。

该研究首次在同一个脑组织样本中,实现所有细胞的介观分辨率光学成像与微观分辨率电镜成像。进一步发展并应用OMLIT方法,我们将能够在同一动物大脑中解析出包含所有细胞的完整神经网络的介观长程投射组图谱(Projectome),并且在选定的重点区域,通过衔接sSEM,绘制出完整的微观本地联接组图谱(Connectome),镶嵌入介观长程投射谱的背景中。并且,OMLIT的脑样品库可以很方便地长期保存,能够随时选择绘制其他区域的微观神经联接组图谱。

在当前成像技术和图像处理能力的制约下,由于过于巨大的时间消耗和数据量,单纯使用sSEM绘制全域的微观分辨率神经联接组图谱是不现实的。而利用OMLIT衔接sSEM绘制同一动物的全域介观+局域微观融合脑图谱是一条非常可行的路线。全细胞介-微观融合脑图谱将能够提供脑神经回路在不同尺度下的空间与结构特征,帮助解析神经网络不同层级的结构基元和交联规律,预期将推动基于自然智能构造新一代人工智能的进步。