使用深度学习的高分辨率MRI引导全小鼠脑细胞类型图谱使用深度学习.

科学领域:

• 神经科学是一个神经科学.
• 生物成像是一种生物成像.
• 计算生物学 计算生物学

背景情况:

• 细胞类型是大脑组织的基本单元,传统上使用单细胞测序来研究.
• 单细胞测序提供了分子细节,但缺乏全脑分辨率.
• 扩散MRI (dMRI) 提供了宏观的建筑洞察力,对神经发育和疾病敏感.

研究的目的:

• 为了确定dMRI是否可以直接预测小鼠大脑中的细胞类型.
• 使用集成成像技术开发一个高分辨率的全脑细胞图谱.
• 建立一个有效的策略,用于大脑细胞图谱的生成.

主要方法:

• 开发了一个深度学习框架,将高分辨率的dMRI与3D光片显微镜 (LSM) 集成在一起.
• 注册的dMRI和LSM数据用于艾伦老鼠大脑共同坐标框架 (CCFv3).
• 研究了dMRI指标和空间转录组学衍生的细胞类型之间的相关性.

主要成果:

• 在10微米的同位素分辨率下生成了一个全脑细胞类型的地图.
• 证明了深度学习框架从dMRI数据中预测细胞类型的能力.
• 在dMRI指标和细胞类型分布之间建立了显著的相关性.

结论:

• 先进的成像和深度学习提供了一个高效的,高分辨率的策略,用于大脑细胞图谱的生成.
• dMRI具有重要的潜力,用于非侵入性地探测大脑细胞架构和细胞类型分布.
• 这项工作通过综合成像方法提高了我们对大脑内的细胞机制的理解.