2dSpAn-Auto：基于二维骨架化的树突棘自动分析工具开发及其在神经退行性疾病研究中的应用

本研究针对传统树突棘形态定量分析存在的效率低、三维成像z轴分辨率不足等问题，开发了基于二维骨架化的自动化分析工具2dSpAn-Auto。研究人员通过实现二进制骨架化(2dSpAn-Auto.b)和灰度图像直接处理(2dSpAn-Auto.f)双工作流，成功建立了支持批量处理的跨模态分析平台。该工具在体外、离体和在体成像数据中验证了树突棘密度、长度、头宽等关键参数的检测准确性，为阿尔茨海默病和精神分裂症等突触可塑性研究提供了高效解决方案。成果发表于《BMC Bioinformatics》。

　　

在神经科学研究中，树突棘作为神经元间信息传递的关键结构，其形态变化与学习记忆、神经退行性疾病密切相关。然而，这些微小突触结构的定量分析长期面临技术瓶颈：传统三维成像方法受限于z轴分辨率不足，而二维最大强度投影(MIP)又存在信息丢失和结构重叠问题。更棘手的是，现有商业软件如Imaris侧重群体统计，深度学习方案则面临标注数据匮乏和"黑箱"决策的局限。这种技术缺口严重阻碍了阿尔茨海默病(AD)和精神分裂症等突触异常相关疾病的机制研究。

针对这一挑战，印度贾达普大学与波兰尼基实验生物学研究所的联合团队在《BMC Bioinformatics》发表了创新解决方案。研究人员开发了2dSpAn-Auto自动化分析工具，通过两种骨架化工作流实现了二维树突棘图像的快速分割和形态计量。该研究首次将二进制距离变换(DT)与模糊距离变换(FDT)算法并行整合，既保留了传统方法的可解释性，又通过灰度直接处理规避了二值化误差。实验验证表明，该工具在体外培养、离体切片和在体成像三种模态中，对棘密度、头宽(HW)、颈长(NL)等参数的检测准确率最高达86.5%，为突触可塑性研究提供了高效可靠的新工具。

关键技术方法包括：1)基于距离变换(DT)和碰撞影响(CI)的骨架化算法；2)通过端点分类和路径删除实现的树突主干提取；3)基于关键点(棘基点SBP、中央头点CHP等)识别的形态参数计算；4)支持批量处理的图形化界面设计。研究使用包含化学长时程增强(cLTP)和对照组(DMSO)的跨模态数据集进行验证。

研究结果：

1. 方法学创新：
   开发的双工作流中，2dSpAn-Auto.b采用二进制骨架化实现快速分析(71.8%准确率)，而2dSpAn-Auto.f通过模糊骨架化直接处理灰度图像，将准确率提升至86.5%。骨架化算法创新性地结合了Blum草火算法与简单点拓扑保护策略，如图5所示

   
   。

2. 多模态验证：
   在三种成像模式中，工具成功识别出蘑菇型(平均头宽4.61±1.74μm)和短粗型棘(平均长度8.36±4.26μm)的形态差异。如表2所示，离体数据中蘑菇型棘的颈宽(1.09±0.72μm)显著大于短粗型，这与突触成熟度理论相符。

3. 应用示范：
   在cLTP诱导的突触强化实验中，软件检测到处理组棘密度增加36%，颈宽减少24%(p<0.05)，证实其对动态变化的敏感性。图19展示的cLTP细胞分割结果

   
   ，清晰显示了不同亚型的空间分布。

讨论与结论：
该研究通过算法创新解决了二维树突棘分析的两大痛点：1)传统二值化导致的颈部分离误差；2)三维重建的计算负担。工具的开源特性(GPL v3许可)和跨平台兼容性，使其特别适合资源有限的实验室。在神经退行性疾病研究中，自动获取的形态参数可为AD的突触丢失、精神分裂症的棘密度异常提供量化证据。

局限性在于MIP图像固有的信息损失可能影响复杂形态棘的分类准确性。未来工作将扩展至三维时空分析，并结合深度学习提升分类精度。这项研究不仅提供了实用的分析工具，更通过骨架化算法的创新应用，为微观神经结构的定量研究开辟了新思路。