Cell Rep：3D打印大腦結構揭示神經回路結構

來源：生物谷

據南極熊了解，在最近一項研究中，作者通過開發(fā)自動化的3D腦成像數據分析技術提供了對復雜神經回路的空間組織的更可靠和標準化的分析。KAIST研究人員開發(fā)了一種用于大腦成像數據分析的新算法，該算法能夠將復雜的神經回路精確定量地映射到標準化的3D模型上。

腦成像數據分析在神經科學研究中必不可少。但是，獲得的大腦成像數據的分析在很大程度上取決于手動處理，這不能保證結果的準確性，一致性和可靠性。

（圖片來源：Www.pixabay.com）

常規(guī)的腦成像數據分析通常從發(fā)現二維的腦圖像開始，該圖像在視覺上與實驗獲得的腦圖像相似。然后，將圖集圖像的感興趣區(qū)域（ROI）與獲得的圖像手動匹配，并計算ROI中標記的神經元的數量。

實驗獲得的大腦圖像和二維大腦圖譜圖像之間的這種視覺匹配過程已成為大腦成像數據分析中錯誤的主要來源之一，因為該過程具有很高的主觀性，特定于樣品且易受人為錯誤的影響。手動分析大腦圖像的過程也很費力，因此要在全腦范圍內研究完整的3-D神經元組織是一項艱巨的任務。

為了解決這些問題，由生物和腦工程學系Se-Bum Paik教授領導的KAIST研究小組開發(fā)了名為“ AMaSiNe（單神經元自動3-D映射）的新型大腦成像數據分析軟件”，相關結果發(fā)表在最近的《Cell Reports》雜志上。

AMaSiNe自動從多個大腦圖像中檢測單個神經元的位置，并將所有數據準確地映射到一個通用的標準3-D參考空間。該算法通過自動匹配圖像中的相似特征并計算圖像相似性評分，從而可以直接比較來自不同動物的大腦數據。

這種基于功能的定量圖像間比較技術僅使用少量的腦切片圖像樣本即可提高分析結果的準確性，一致性和可靠性，并有助于標準化腦成像數據分析。

與其他現有的大腦成像數據分析方法不同，AMaSiNe還可以從未對準和變形的大腦圖像中自動找到對準條件，并繪制準確的ROI，而無需任何麻煩的手動驗證過程。

進一步，作者證明AMaSiNe與使用各種方法（包括DAPI，Nissl和自發(fā)熒光）染色的腦切片圖像產生一致的結果。（生物谷 Bioon.com）

資訊出處：Automated 3D brain imaging data analysis enables precise mapping of complex neural circuits