使用体内成像和神经网络处理来准确分类主要的大脑细胞类型
Amrita Das Gupta1, Livia Asan1, Jennifer John1
1Department of Functional Neuroanatomy, Institute for Anatomy and Cell Biology, Heidelberg University, Heidelberg, Germany.
PLoS biology
|November 9, 2023
概括
这项研究介绍了NuCLear,这是一种新的深度学习方法,用于在小鼠大脑中的体内细胞类型识别. NuCLear 能够对细胞组成的变化进行非侵入性,纵向的跟踪,揭示了随着时间的推移而发生的天体细胞核大小变化.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 显微镜的使用方法
背景情况:
- 组织细胞类型组成的体内分析具有挑战性.
- 目前的方法通常是ex vivo,限制了纵向研究.
- 需要一种用于实时细胞类型识别的非侵入性技术.
研究的目的:
- 引入NuCLear (使用深度学习进行核指导的组织组成),这是一种用于体内细胞类型分类的新方法.
- 为了实现活脑组织中细胞类型组成的非侵入性,高分辨率分析.
- 促进对个体受试者的细胞变化的纵向研究.
主要方法:
- 在体内组合的2光子成像对2B-eGFP基因素标记的细胞核.
- 应用深度学习算法来识别基于核结构特征的细胞类型.
- 在小鼠二级运动皮质0.25毫米3体积内的几乎所有细胞都被分类.
主要成果:
- 使用单一标签实现了细胞类型的非侵入性3D空间识别.
- 在12周后,观察到总细胞数没有变化.
- 在同一时期检测到天体细胞核大小显著减少.
结论:
- NuCLear为研究细胞类型组合动态 in vivo提供了一种强大的工具.
- 这种方法可以纵向监测个体大脑中的细胞变化.
- NuCLear支持对影响细胞群的生理和病理生理条件的全面研究.


