从大脑中的细胞架构图像中对皮质受体分布的生成建模
Ahmed Nebli1,2, Christian Schiffer3,4, Meiqi Niu3
1Institute of Neuroscience and Medicine (INM-1), Research Centre Jülich, Jülich, Germany. a.nebli@fz-juelich.de.
Neuroinformatics
|July 8, 2024
概括
研究人员使用人工智能从细胞体染色物中预测神经递质受体密度,弥合大脑图谱中的差距. 这种方法提供了一个更快的方法来绘制大脑受体分布的详细地图.
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
- 医疗成像医学成像
背景情况:
- 神经递质受体密度对于理解大脑区域结构至关重要.
- 目前的方法,如自动放射学是耗时和昂贵的,限制整个大脑的映射.
- 光显微镜的高分辨率3D脑图捕捉了细胞密度,但缺乏受体数据.
研究的目的:
- 研究从细胞体染色预测神经递质受体密度分布的可行性.
- 为了弥补数据缺口,创建全面的,多模式的全脑图谱.
- 开发一种用于神经科学中跨模态图像翻译的计算方法.
主要方法:
- 利用条件生成对抗网络 (cGAN) 来进行图像对图像的翻译.
- 在皮质 (V1和M1) 的对齐部分上训练有素的cGAN显示了细胞体和受体分布.
- 基于细胞体染色图像的M2乙胆和凯纳酸谷氨酸受体的预测密度.
主要成果:
- 证明了cGANs能够预测现实的神经递质受体密度分布的能力.
- 在质量和数量上验证了预测,显示了皮质特征的保存,如层状厚度和曲率.
- 建立了细胞体染色和受体分布方式之间的成功映射.
结论:
- 使用cGAN进行交叉模式图像翻译是可行的,用于预测受体密度.
- 这种方法可以帮助弥补数据缺口,构建详细的全脑图谱.
- 该方法为更高效的神经受体映射提供了一个潜在的解决方案.
