ANTsX生态系统：引领小鼠大脑精准图谱绘制的模块化工具集

《Nature Communications》：The ANTsX ecosystem for mapping the mouse brain

本刊推荐：为解决多模态小鼠脑数据整合至标准坐标框架（CCF）的挑战，研究人员基于ANTsX生态系统开发了模块化流程，实现了MERFISH空间转录组、fMOST形态学等数据与Allen CCFv3/DevCCF的精准对齐，并创新性提出发育连续映射模型和深度学习分割方法。该开源工具集为脑科学大数据整合提供了可复现的标准化解决方案。

　　

在神经科学领域，全面解析小鼠大脑的细胞类型和神经环路结构是理解脑功能的关键。近年来，随着单细胞分析技术的突破，科学家们已经能够在全脑范围内追踪单个神经元、观察发育过程中的脑部变化、关联脑区与基因组成，并对局部神经连接进行表征。这些成就得益于高分辨率成像和基因分析技术的飞速发展，例如微光学断层扫描、组织透明化方法、空间转录组学和单细胞基因组分析等。美国脑计划细胞普查网络（BICCN）等大型国际合作项目应运而生，致力于构建 comprehensive 的小鼠大脑参考图谱数据库。

然而，一个核心挑战随之浮现：如何将采用不同成像技术、组织处理方法和分子标记策略获得的多样化数据集，精准地映射到统一的坐标框架中？这就像将来自世界各地的地图拼合成一张标准世界地图，需要解决投影差异、比例尺不同和地物表示方式各异等一系列问题。现有的解决方案往往各有利弊：一些集成处理平台提供已映射好的高质量数据，但灵活性和可定制性不足；一些针对特定成像模态（如组织学、磁共振成像、光片荧光显微镜等）的高度专业化流程效果显著，但难以适配新的数据类型；而通用工具包虽然灵活，但其使用通常需要专业知识，限制了更广泛的应用。

在此背景下，由 Nicholas J. Tustison 领衔的研究团队在《Nature Communications》上发表了他们的研究成果。他们基于先进的图像标准化工具生态系统（ANTsX），开发了一套模块化的小鼠大脑映射流程，旨在为上述整合难题提供强大、灵活且开源的解决方案。该研究不仅详细介绍了将多重错误鲁棒荧光原位杂交（MERFISH）空间转录组学数据和高分辨率荧光微光学断层扫描（fMOST）形态学数据对齐至艾伦通用坐标框架第三版（Allen CCFv3）的成熟流程，还创新性地提出了两种新方法：一种是基于速度场的模型，用于在发育时间点之间进行连续插值，以填补发育共同坐标框架（DevCCF）的离散采样间隔；另一种是深度学习框架，利用最少的标注数据和公开资源，实现小鼠大脑的自动分区。所有这些工作流程都是开源的，确保了研究的可重复性，并为其他研究者适应新数据类型提供了通用指南。

为开展研究，团队主要运用了几项关键技术：1) 基于ANTsX的图像配准算法，特别是对称归一化（SyN）算法，用于不同模态图像间的空间对齐；2) 基于速度场的时空变换模型，用于模拟小鼠大脑从胚胎期（E11.5）到成年期（P56）的连续发育变形；3) 基于U-net架构的深度学习模型，利用数据增强策略，使用有限标注数据（主要来源于公共模板和Allen CCFv3图谱）进行全脑提取和解剖结构分区。研究所用数据包括来自BICCN的公开数据集，如Allen CCFv3、DevCCF的MRI和LSFM模板、已发表的MERFISH数据、内部生成的fMOST数据以及用于评估的独立纵向MRI数据集。

结果

映射多重错误鲁棒荧光原位杂交（MERFISH）数据

研究人员开发了基于ANTsX的流程，将空间转录组MERFISH数据映射到Allen CCFv3。该流程包括MERFISH特定的预处理步骤，如切片重建、从空间转录组图谱生成标签以及解剖对应关系映射。对齐分两步进行：首先将Allen CCFv3通过3D仿射配准和切片匹配与MERFISH数据粗略对齐，然后对匹配的MERFISH和图谱切片进行线性加形变的2D逐片精细配准。专家解剖学家通过检查基因标记与Allen CCFv3区域的预期对应关系来迭代评估对齐质量。结果显示，在Allen CCFv3的554个终端区域（仅灰质）中，仅有七个小子区域在配准后未包含MERFISH数据细胞，证明了该流程的有效性。

映射荧光微光学断层扫描（fMOST）数据

针对高分辨率fMOST图像映射，研究团队构建了一个以fMOST特异性平均图谱为中间目标的流程。该图谱由30个具有代表性解剖形状和图像强度变异性的fMOST图像构建而成。预处理包括下采样至Allen CCFv3分辨率、使用3D陷波滤波器抑制条纹伪影以及N4偏场校正。通过一次性的、由标注驱动的配准，将fMOST图谱与Allen CCFv3进行基于关键结构的标志点配准，建立规范映射。新的fMOST样本首先通过强度配准与fMOST图谱对齐，然后应用复合变换实现到Allen CCFv3的完全空间标准化。定量评估显示，配准后fMOST图谱与Allen CCFv3对应解剖标签的Dice相似系数表现良好（如全脑0.99，尾壳核0.97）。定性评估也证实了神经元重建在公共坐标空间中的解剖合理性。

连续映射DevCCF发育轨迹

尽管DevCCF提供了从E11.5到P56七个关键发育阶段的模板，但其离散采样限制了对连续发育变换的建模。为此，研究人员开发了一种基于速度流的建模方法，可以在DevCCF时间范围内直接计算任意两个连续时间点之间的微分同胚变换。该方法通过优化一个随时间变化的平滑速度场来实现，避免了传统逐对插值需要依次经过每个中间阶段的繁琐过程。研究首先在所有时间点识别出一组共26个双侧解剖结构作为共同标签集，通过多标签配准生成点对对应关系，进而优化速度场。该模型在采样时间点上达到了与广泛使用的SyN配准算法相当的Dice分数，同时还能在整个发育轨迹上提供平滑插值，并支持生成未采样发育阶段（如P10.3、P20）的“虚拟”模板。

小鼠大脑的自动结构标记

研究团队利用ANTsXNet深度学习框架，构建了用于小鼠大脑全脑分割（脑提取）和解剖区域标记（脑分区）的流程。脑提取模型通过基于两个公开T2加权数据集构建的模板和增强数据训练而成，并在社区贡献下进一步优化，在独立评估数据集上表现出色。脑分区模型则使用从Allen CCFv3映射到DevCCF P56模板的粗分割方案（包括大脑皮层、大脑核团、脑干、小脑、主嗅球和海马结构六个主要区域）进行训练。评估表明，该分区网络预测的标签可用于指导解剖信息更丰富的配准，相比仅基于强度的配准，显著改善了区域对应关系。

讨论与结论

本研究描述的模块化ANTsX流程成功应对了将多模态小鼠脑数据映射到标准坐标框架的挑战。MERFISH和fMOST流程针对各自模态的特点进行了定制化设计，并通过专家验证的生物学意义标准进行评估。为发育数据引入的速度场模型填补了离散时间点之间的空白，实现了小鼠大脑非线性发育轨迹的时空变换，对解剖协调和纵向分析具有潜在价值。基于模板的深度学习方法则展示了如何利用有限标注数据和强数据增强来构建鲁棒的自动分析工具。

ANTsX生态系统以其模块化设计、多平台支持和强大的社区基础，为构建可扩展、可重复的小鼠脑数据分析流程提供了坚实基础。这项工作不仅为BICCN相关项目提供了直接工具支持，其方法论和开源代码也为神经科学领域的研究者适应新数据类型、开发定制化工作流程铺平了道路，必将推动大脑细胞普查和多模态数据整合研究迈向新的高度。