研究人员利用自动3D神经映射解开复杂的大脑网络
KAIST研究人员开发了一种用于大脑成像数据分析的新算法，该算法能够将复杂的神经回路精确定量地映射到标准化的3-D参考图集上。
脑成像数据分析在神经科学研究中必不可少。但是，获得的大脑成像数据的分析在很大程度上取决于手动处理，这不能保证结果的准确性，一致性和可靠性。
常规的脑成像数据分析通常从发现二维的脑图谱图像开始，该图像在视觉上与实验获得的脑图像相似。然后，将图集图像的感兴趣区域(ROI)与获得的图像手动匹配，并计算ROI中标记神经元的数量。
实验获得的大脑图像和二维大脑图谱图像之间的这种视觉匹配过程已成为大脑成像数据分析中错误的主要来源之一，因为该过程具有很高的主观性，特定于样品且易受人为错误的影响。手动分析大脑图像的过程也很麻烦，因此要在全脑范围内研究完整的3-D神经元组织是一项艰巨的任务。
为了解决这些问题，由生物和脑工程学系的Se-Bum Paik教授领导的KAIST研究小组开发了名为“ AMaSiNe(单神经元自动3-D映射)的新型大脑成像数据分析软件”，并介绍了该算法在5月26日的细胞报告中。
AMaSiNe自动从多个大脑图像中检测单个神经元的位置，并将所有数据准确地映射到一个通用的标准3-D参考空间。该算法通过自动匹配图像中的相似特征并计算图像相似性评分，从而可以直接比较来自不同动物的大脑数据。
这种基于功能的定量图像间比较技术仅使用少量的脑切片图像样本即可提高分析结果的准确性，一致性和可靠性，并有助于标准化脑成像数据分析。
与其他现有的大脑成像数据分析方法不同，AMaSiNe还可以从未对准和变形的大脑图像中自动找到对准条件，并绘制准确的ROI，而无需任何麻烦的手动验证过程。
进一步证明AMaSiNe与使用各种方法(包括DAPI，Nissl和自发荧光)染色的脑切片图像产生一致的结果。
这项研究的两位主要合作者Song Jun Ho Song和Woochul Choi利用AMaSiNe的这些优势，研究了在各种ROI中投射到主视区(VISp)的神经元的地形组织，例如背外侧膝状核(LGd)，如果没有对脑切片图像样本进行适当的校准和标准化，就很难解决这个问题。
与生物科学系的李承熙教授小组合作，研究人员成功地观察了LGd对VISp的3-D地形神经投影，并且还证明了当切片角度不合适时无法观察到这些投影。由AMaSiNe纠正。结果表明，精确切角的校正对于研究复杂而重要的大脑结构至关重要。
