Nature Methods：从模糊到清晰！绘制单神经元连接组，迈向理解大脑疾病的关键一步

双线并进：如何从 邻里关系 和 门铃 中推断连接？

绘制单神经元连接组面临着巨大的挑战。传统的电子显微镜（Electron Microscopy）技术虽然能以纳米级的分辨率精确识别突触，但它就像一位只能在显微镜下工作的雕刻家，一次只能观察和重构极小体积的脑组织，对于需要跨越整个大脑的长程连接（Long-range projections）神经元来说，无异于管中窥豹，难以一览全貌。而介观尺度的追踪技术，虽然能展示脑区间的连接，却又像是在用广角镜头拍摄城市，无法分辨出其中的每一个行人。

面对这一困境，研究团队采取了一种极为巧妙的 双管齐下 的策略。他们没有直接去寻找物理上的突触连接，而是基于概率和空间邻近性，开发了两种独立的、互为补充的计算方法来推断神经元之间的潜在连接。这两种方法，他们分别命名为 树突-轴突邻近网络 （arbor-net）和 轴突 boutons 网络 （bouton-net）。

第一条线索：从 空间邻近 看 潜在社交圈

首先是 树突-轴突邻近网络 （arbor-net）的构建。这个名字听起来很专业，但其背后的逻辑却非常直观。想象一下在一个社区里，如果两个人的家离得很近，他们成为朋友的可能性是不是就更大？研究人员将同样的逻辑应用到了神经元上。他们利用了一个包含1877个被完整重构、并被精确配准到艾伦脑图谱（Allen Brain Atlas）标准三维空间中的小鼠神经元数据集。

对于任意两个神经元，一个作为 发送方 ，一个作为 接收方 ，研究人员计算了发送方神经元的轴突（Axon，负责输出信号的 手臂 ）与接收方神经元的树突（Dendrite，负责接收信号的 耳朵 ）在三维空间中的最短距离。当这个距离小于5微米（ m）时 这个阈值大约是典型的树突棘长度与轴突 boutons 直径之和 他们就将这个位置标记为一个 潜在树突-轴突接触点 （Potential Arbor Contact, PAC）。这就像是在地图上标记出所有靠得很近的房子，它们都有可能成为邻居。

通过对这1877个神经元进行两两配对分析，研究人员总别出了48,269个这样的潜在接触点（PACs）。当然，两个神经元之间可能存在多个接触点。因此，他们设计了一个计分系统，综合考虑接触点的数量和距离的远近，来评估这对神经元之间的连接强度。最终，他们构建出了一个包含12,926对潜在连接的 arbor-net 。这个网络是高度稀疏的，稀疏度高达99.63%，这意味着在所有可能的连接中，只有极少数（约0.37%）被认为是潜在的连接。这非常符合我们对大脑网络高效布线的认知 并非所有神经元都与其他所有神经元相连。

第二条线索：从 信号发射器 定位 精确连接点

然而， arbor-net 方法虽然合理，但仍有其局限性。轴突和树突靠得近，并不一定意味着它们之间就存在功能性连接。它们可能只是 擦肩而过 的陌生人。为了得到更精确的推断，研究人员引入了第二条、也是更为严格的线索 轴突 boutons。

Boutons 是轴突上的一些串珠状的肿起结构，它们是神经递质释放的 发射平台 ，是形成突触的关键部位。可以说，有 bouton 的地方，才最有可能发生真正的 对话 。于是，研究团队在之前那1877个神经元的轴突上，利用先进的图像分析算法，识别并预测了惊人的257万个 putative axonal boutons (PBs)。

有了这些精确的 门铃 位置，构建 bouton-net 的逻辑就变得更加清晰。研究人员不再是看整个轴突和树突的距离，而是专门计算每一个 bouton 到目标神经元树突的距离。同样，当这个距离小于5微米时，他们才认为这里存在一个潜在的突触连接。通过这种更为严苛的筛选，他们构建出了第二个网络 bouton-net 。这个网络包含4,909对潜在连接，比 arbor-net 更为稀疏，稀疏度高达99.86%。这意味着，在 bouton-net 中，仅有约0.14%的可能连接被保留了下来。

通过这两种不同但互补的方法，研究人员得到了两张独立的单神经元连接组草图。这就像两位侦探，一位通过排查所有邻里关系来寻找嫌疑人，另一位则通过检查所有门铃的指纹来锁定目标。如果两位侦探的调查结果高度重合，那么真相就离我们不远了。而这，正是下一步交叉验证的关键所在。

拼图的吻合：网络中的 社区 结构与惊人的一致性

如果说构建 arbor-net 和 bouton-net 是制作两套独立的拼图，那么接下来的工作就是看这两套拼图是否能拼出相似的图案。一个高度组织化的网络，通常不会是杂乱无章、均匀连接的，而是会呈现出 模块化 （Modularity）的特征。所谓模块，就是网络中的一些 小团体 或 社区 ，团体内部的成员彼此连接紧密，而与团体外部的成员连接则相对稀疏。这就像人类社会中的家庭、公司或城市，内部联系远比外部联系要频繁。

研究人员运用图分割算法（Graph partition algorithm）对这两个网络进行了聚类分析。结果令人振奋：无论是基于宽泛邻近性的 arbor-net ，还是基于精确 bouton 位置的 bouton-net ，都清晰地展现出了12个高度模块化的神经元集群（arbor-net 的集群被命名为A1-A12，bouton-net 的则为B1-B12）。在每个集群内部，神经元之间的连接密度远高于集群之间的连接密度，这表明这些神经元确实在功能上形成了紧密的 社区 。

更有趣的是，这些 社区 的成员并非随机分布在大脑中，而是具有明显的解剖学偏好。例如，在 arbor-net 中，A7和A12集群的神经元细胞体（Soma）绝大多数位于丘脑的腹后内侧核（ventral posteromedial nucleus of the thalamus, VPM）；而A8和A11集群的成员则主要来自纹状体的尾状壳核（caudoputamen, CP）。这说明，通过连接模式划分出的 社区 ，与大脑的经典解剖结构高度对应。

为了更直观地展示这种模块化结构，研究人员以初级视皮层（primary visual area, VISp）为例，深入剖析了 bouton-net 中的连接模式。他们发现，VISp 神经元接收的输入信号中，有高达43.33%来自VISp区域内部的其他神经元，同时还有大量输入来自丘脑的背外侧膝状体（dorsal part of the lateral geniculate complex, LGd） 这是视觉信息从视网膜进入皮层的中继站。而在输出方面，超过60%的连接都投向了VISp自身以及其他视觉相关皮层区域。这种高度特化的 自产自销 和 行业内循环 模式，完美地印证了视觉系统作为一个功能模块的独立性和高效性。

最关键的验证来自于对这两个独立构建的网络的直接比较。如果两种方法都揭示了大脑连接的真实规律，那么它们划分出的模块应该具有很强的对应关系。结果再次证明了这一点。通过一种名为 平行集 的可视化分析，研究人员发现 arbor-net 中的模块与 bouton-net 中的模块存在显著的匹配。例如， arbor-net 中的A7集群，其成员主要对应于 bouton-net 中的B9集群，同时也与B1、B2和B6等集群有部分重叠。反过来，几乎所有 bouton-net 的模块都能在 arbor-net 中找到清晰的对应。

这种高度的一致性，有力地说明了研究人员构建的连接组并非随机猜测的产物。两条从不同假设出发的路径，最终通向了同一个目的地，描绘出了一幅具有内在结构和规律的大脑连接蓝图。这为后续更深层次的分析提供了坚实的基础。

寻找 旁证 ：基因的共鸣与现有地图的校验

尽管内部交叉验证的结果令人鼓舞，但这两个网络毕竟都源于同一组神经元形态数据，并且依赖于 空间邻近 这一核心假设。为了让这个模型真正站得住脚，研究人员必须寻找来自外部的、完全独立的 旁证 。他们巧妙地将目光投向了另一个生命科学的核心领域 基因组学。

来自基因的 回声

一个有趣且合理的假设是：如果两个脑区的神经元需要频繁地进行 对话 （即存在连接），那么它们可能会表达一些相似的基因，以支持这种连接的建立、维持和功能活动。这就好比，两个需要长期合作的团队，可能会使用相同的通讯软件和项目工具。这种现象被称为基因共表达（Gene coexpression）。

于是，研究人员将他们构建的单神经元连接组（为了综合两种方法的优势，他们将 arbor-net 和 bouton-net 合并，创建了一个更稳健的连接组，称为 SEU-net）与艾伦脑图谱提供的全脑基因表达数据库进行了对比。这是一个庞大的工程，涉及19,907个基因在整个小鼠大脑中的表达数据。

当他们将SEU-net的连接强度图谱与基因共表达图谱并排陈列时，一种惊人的相似性格局浮现出来。例如，在SEU-net中，从初级运动皮层（primary motor area, MOp）到初级躯体感觉皮层口部（primary somatosensory area, mouth, SSp-m）存在较强的连接，而这两个区域之间，恰好有32.12%的共表达基因，其平均基因相关性得分高达0.60。相反，从丘脑的网状核（reticular nucleus of the thalamus, RT）到VPM的连接，其共表达基因比例仅为8.70%，相关性得分也只有0.40。

通过对全脑76个脑区进行系统性分析，研究人员发现神经元连接强度与基因共表达水平之间存在着显著的正相关（皮尔逊相关系数 r = 0.29）。这意味着，连接越强的脑区对，其基因表达模式也越相似。这个结果虽然相关性不是极强，但它提供了一条来自完全不同数据模态的独立证据链，强有力地支持了SEU-net所预测连接的生物学真实性。

为了进一步验证，他们还使用了一种更新的、基于单细胞分辨率的基因表达数据技术 MERFISH。结果更加令人信服，连接强度与MERFISH基因共表达的相关性变得更强（r = 0.34）。特别是在排除了那些在所有细胞中都普遍表达的 背景基因 ，只关注那些最具特征性的基因后，SEU-net预测的连接所对应的平均共表达分数（0.56），比现有的大尺度连接图谱（Allen-net）高出整整40%（Allen-net的对应分数为0.40）。这表明，单神经元水平的连接组与基因表达的关联，比更粗糙的脑区水平连接组要紧密得多。

与 权威地图 的对质

除了基因，神经科学领域已经存在一些被广泛认可的 权威地图 ，比如上文提到的艾伦脑图谱（Allen-net）和通过单细胞条形码测序技术构建的BRICseq-net。这些地图虽然是介观尺度的，但它们代表了目前我们对脑区连接的最佳认知。研究人员将他们的SEU-net 降维 ，从神经元-神经元的连接聚合成区域-区域的连接，然后与这些权威地图进行正面 对质 。

结果堪称完美。在SEU-net预测的716个脑区连接中，高达75.6%（541个）在被认为是 金标准 的Allen-net中得到了证实。更重要的是，对于那些SEU-net认为 不存在连接 的脑区对，Allen-net同样也认为它们之间没有连接，符合率达到了惊人的97.9%（5060对中的4952对）。这一点尤其关键，因为它表明SEU-net不仅能准确预测 存在 ，还能准确预测 不存在 ，极大地排除了假阳性的可能性。

通过与基因表达数据的 共鸣 和与权威连接图谱的 对质 ，研究人员构建的单神经元连接组经受住了严格的外部考验。它不再仅仅是一个基于形态学的数学模型，而是一个能够被多尺度、多模态数据反复验证的、高度可信的大脑布线图。

超越连接：探索网络的 设计基元 与功能奥秘

拥有了一张前所未有的高分辨率大脑地图，研究人员并未就此止步。他们想知道的是，这张地图背后是否隐藏着更深层次的设计原理？大脑的网络布线是遵循着某些特定的 语法规则 ，还是仅仅是随机连接的产物？为了回答这个问题，他们将目光聚焦于网络中的微观结构 网络基元（Network motifs）。

网络中的 乐高积木

网络基元，可以被理解为构成复杂网络的、反复出现的、最基本的 电路模块 或 乐高积木 。在神经元网络中，最简单的基元是由三个神经元组成的 三元组 （Triads）。理论上，三个神经元之间可以形成13种不同的有向连接模式。如果大脑网络是随机连接的，那么这13种模式出现的频率应该是可以预测的。但如果网络是经过精心设计的，那么某些特定的、具有重要功能的模式就可能会以远超随机概率的频率出现。

研究人员在他们构建的arbor-net和bouton-net中系统性地搜寻了这13种三元组基元。结果发现，某些特定的基元，例如M9基元（一个上游神经元同时连接到两个下游神经元，但这两个下游神经元之间没有连接），其在真实网络中出现的频率，显著高于在同样规模的随机网络中的频率。这表明M9这样的结构，并非偶然形成，而是大脑网络中一种被 偏爱 的、过度表达的 设计基元 。

更有趣的是，对这些过度表达的基元进行 解剖 ，可以揭示出不同脑区在信息处理中所扮演的特定角色。以M9基元为例，研究人员发现，位于这个 分叉式 信息输出结构顶点的神经元，主要来自丘脑的VPM核区和初级躯体感觉皮层（SSp-m）。而位于下游接收信息的两个神经元，则主要来自SSp-m、初级运动皮层（MOp）和纹状体（CP）等区域。这种模式暗示了一种从感觉中继站（VPM）和感觉皮层（SSp-m）向感觉、运动和决策执行中枢（MOp, CP）进行信息分发的典型通路。通过分析这些微小的 电路模块 ，我们得以一窥大脑进行信息整合与分流的巧妙机制。

从结构到功能的桥梁

最后，也是最激动人心的一步，是将这张静态的结构地图与大脑的动态功能联系起来。大脑的终极目的是执行各种功能 感知、运动、学习、记忆等等。那么，研究人员构建的连接组模块，是否与这些特定的功能一一对应呢？

为了搭建这座从结构到功能的桥梁，研究人员创建了一张 bouton-功能图谱 （PB-function map）。他们首先根据已有的神经科学知识，为大脑的各个区域标注上其主要功能（例如，VISp区域对应 视觉 ，听皮层对应 听觉 ）。然后，他们分析了 bouton-net 中每一个模块的bouton主要投射到了哪些功能脑区。

结果清晰地揭示了结构与功能之间的深刻联系。例如，B6、B8和B11这三个模块，被发现与 视觉 （Vision）功能高度相关，而组成这三个模块的神经元，其细胞体绝大多数正来自于我们所熟知的视觉中枢 VISp和LGd。同样，他们也识别出了与 运动 （Motion）、 感觉 （Feeling）、 学习 （Learning）和 记忆 （Memory）等功能相关的特定模块。

这张图谱还带来了一些深刻的洞见。它显示，像 运动 和 感觉 这样的基本功能，其对应的神经连接遍布全脑，几乎涉及所有的模块，体现了其基础性和普遍性。而像 嗅觉 （Smell）、 味觉 （Taste）、 视觉 和 听觉 这些特定的感觉功能，则分别与高度特化的、不同的连接模块相关联。这表明大脑在处理这些特殊感觉信息时，采用了 专家系统 的策略，由专门的 硬件 来负责。

通过将单神经元连接组、网络基元分析和功能脑区图谱相结合，这项研究不仅绘制了一张静态的地图，更重要的是，它开始揭示这张地图是如何服务于大脑的复杂功能的。它让我们离那个终极问题的答案又近了一步：大脑是如何通过其精巧的结构，来实现其无与伦比的功能的？

这项研究的贡献是里程碑式的。它为我们提供了一种强大而可靠的框架，来构建和验证单神经元分辨率的全脑连接组。这不仅仅是一张小鼠大脑的地图，它更像是一个蕴含了城市规划法则、交通流量规律和社区功能划分的综合信息系统。随着技术的进步，未来将有更多、更完整的单神经元形态数据被采集，我们可以预见，基于这一框架，我们将能够绘制出更加精细、更加动态的大脑连接图谱。

最终，理解这张活点地图的每一个细节，将可能为我们揭开意识的奥秘、攻克神经退行性疾病（如阿尔茨海默症）和精神疾病（如精神分裂症）提供前所未有的理论基础。从繁星点点的神经元，到思想的宇宙，我们正以前所未有的清晰度，凝视着大脑最深邃的秘密。而这，仅仅是一个开始。

版权声明 本网站所有注明“来源：100医药网”或“来源：bioon”的文字、图片和音视频资料，版权均属于100医药网网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：100医药网”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。

87%用户都在用100医药网APP 随时阅读、评论、分享交流 请扫描二维码下载->

医药网新闻