Nat Methods | 戴琼海团队研制孪生数据驱动的神经信号挖掘方法，突破脑成像分析瓶颈

 收藏

关键词： Nat神经研制

资讯来源：BioArt

发布时间： 2023-04-16

脑科学被认为是理解自然界和人类自身的“终极疆域”，是当前世界各国竞相发展的战略前沿。脑科学研究的关键技术之一是如何从海量成像数据中挖掘到蕴含生命科学意义的信息。为了解决这一难题，研究人员通过计算的方法从单光子神经成像中分离神经元信号和背景信号，实现对神经活动的有效提取与捕捉，其中较为经典的是约束非负矩阵分解（CNMF-E）法。在神经科学研究实践中，常常会发现现有方法在大视野、高分辨、海量神经活动数据分析时面临速度慢、可靠性低、计算资源消耗大等方面的问题。

针对上述问题，2023年4月1日，清华大学戴琼海及方璐作为共同通讯作者在Nature Methods在线发表题为Rapid detection of neurons in widefield calcium imaging datasets after training with synthetic data 的研究论文，提出了孪生数据驱动的神经信号挖掘方法。该团队通过探索由血管、神经元胞体、轴突和树突及其他细胞构成的脑组织模型，结合组织散射对荧光信息传播的干扰，提出了单光子神经成像数据孪生模型；利用模型生成的数据集开发了单光子神经成像去背景算法，实现对散射背景和串扰信号的有效去除；最后，开发了单光子神经成像分割算法，利用神经元时空信号的稀疏特性实现了无串扰的神经元时空信号提取，从而突破单光子神经成像数据分析的瓶颈。该团队开发的DeepWonder算法在单光子神经成像数据上实现了50倍信号-背景比值的提升，处理速度比传统算法快10倍，将TB级神经成像数据的处理时间由一周压缩到半天。进一步，该团队通过混合单光子-双光子显微镜验证了DeepWonder算法在多动物、多脑区等不同条件下的可靠性，有望助力对大范围神经环路的研究。

研究者将DeepWonder与团队之前研发的超大视野显微镜RUSH相结合来展示该方法在大规模神经环路研究中的潜力。RUSH系统具有0.8 µm分辨率和厘米级视场，可以实现近乎全小鼠背侧皮层尺度下的单神经分辨率成像，其13.5分钟记录的数据就会达到1TB。处理这些海量数据使用传统算法通常需要在一台TB内存的服务器上运行近一周的时间。DeepWonder可以在17小时内对RUSH产生的TB级数据实现高精度的神经信号提取（图1），并准确定位遍布皮层的14000多个神经元。DeepWonder带来的10倍速度提升将极大便利研究人员对大规模神经环路的探索并推动相关研究的发展。

图1.DeepWonder用于TB级全脑神经成像

DeepWonder作为孪生数据驱动的方法，在被用于神经科学研究之前需要证明其对于不同类型的神经成像具有鲁棒性。为了证实这一点，研究者设计并搭建了混合单光子-双光子成像显微镜，可以同时记录单光子与双光子的成像结果，使用双光子成像结果作为金标准验证算法的有效性。如图2所示，DeepWonder处理后的宽视场神经成像结果具有类似于双光子成像结果的高对比度，且其恢复的时间信号极大程度上还原了钙信号应有的快升慢降特性。进一步，研究者利用混合单光子-双光子成像显微镜对超过40只鼠的十余个脑区进行了成像，证明了DeepWonder在不同神经元密度、形态以及血管舒张干扰下均可实现有效的背景去除与神经元提取，且效果优于传统方法（图3）。此外，DeepWonder研究者公开了单光子-双光子成像显微镜所采集到的配对的宽视场-双光子数据集，以供相关领域的研究者免费使用，促进神经分析新方法的构建。