【原】Nature Methods：来自德国的科学家是这样搞定小鼠全脑血管的分析

brainnews 2020-10-24

展开全文

脑血管结构的改变是影响大脑的许多疾病的关键指标。原发性血管病、血管危险因素（如糖尿病）、外伤性脑损伤、血管闭塞和中风都会影响大脑血管网络的功能。

来自德国的科学家利用VesSAP，即 Vessel Segmentation & Analysis Pipeline,一种基于深度学习的方法，用于自动分析整个小鼠脑血管，发表在最新的Nature methods杂志。

对整个脑血管系统进行定量分析，对于更好地了解生理和病理状态下的脑功能至关重要。然而，由于两个主要原因，对脑血管网络中微米尺度变化的量化一直很困难。

首先，到最小血管的完整小鼠脑血管的标记和成像尚未实现。磁共振成像（MRI）、微计算机断层成像（micro CT）和光学相干断层成像（optical coherence tomography）的分辨率不足以捕获组织中的毛细血管。荧光显微镜提供更高的分辨率，但通常只能应用于厚度达200μm的组织切片。
第二个挑战涉及在不同深度对信号强度和信噪比（SNR）存在显著差异的大型三维成像数据集进行自动分析。在全脑扫描中，简单的基于强度和形状的滤波方法，如Frangi的血管性滤波器和更先进的具有局部空间适应性的图像处理方法，不能可靠地区分血管和背景。

在这里，作者利用VesSAP，即 Vessel Segmentation & Analysis Pipeline,一种基于深度学习的方法，用于自动分析整个小鼠脑血管，克服了上述局限性。

VesSAP包括三个主要步骤：

（1）用小麦胚芽凝集素（WGA）和伊文思蓝（EB）两种不同的染料对小鼠脑血管进行染色、清除和成像，直至毛细血管水平（WGA突出显示微血管，EB主要染色主要血管）；

（2）全脑血管数据的卷积神经网络（CNNs）自动分割与追踪；

（3）将数据配准到艾伦脑图谱后，提取数百个大脑区域的血管特征。如下图所示：

图注：（1）多染料血管染色和DISCO组织透明，以提高成像质量，使用三维光片显微镜；（2）基于深度学习的血管三维重建分割；（3）从Allen成年小鼠脑图谱中提取和绘制整个血管的解剖特征，用于统计分析。

作者将VesSAP应用于三种常用的小鼠品系C57BL/6J、CD1和BALB/c。下图是VesSAP提供的小鼠全脑血管的参考图。

VesSAP可以生成成年小鼠脑血管系统的参考图，这可以用于模拟合成脑血管网络。除了用来描述血管系统的指标外，还可以利用VesSAP生成的数据提取高级指标，如Strahler值、网络连通性和分叉角。此外，中心线和分叉点可以解释为构建完整血管网络图的边缘和节点，为今后研究脑血管网络的局部和全局特性提供了手段。

VesSAP的工作流程依赖于两种不同的染料对血管的染色。WGA与血管内皮层的糖萼结合，但可能丢失大血管的某些部分。EB是一种对血清蛋白具有高亲和力的染料，因此，在短时间灌注后，它仍保留在大血管中。此外，EB标记不受随后DISCO透明化的影响。

根据作者的血管参考图，可以发现未知的血管特性并确定生物学模型。在白化病CD1小鼠中，VesSAP显示出大量的侧枝。大血管之间的这种络脉可以实质性地改变缺血性中风损害的结果：由大血管阻塞引起的缺血脑区可以通过其他大血管的侧支扩张获得血液供应的补偿。因此，VesSAP方法可以发现以前未知的解剖学细节，这些细节可能在功能上是相关的。

总之，VesSAP是一种可扩展、模块化和自动化的基于机器学习的方法，用于分析清除的小鼠大脑中的复杂成像数据。预计该方法将加速组织透明化的应用，特别是在评估脑血管系统的研究中。

Data availability

VesSAP data are publicly hosted at http://DISCOtechnologies.org/VesSAP and include original scans and registered atlas data.

Code availability

VesSAP codes are publicly hosted at http://DISCOtechnologies.org/VesSAP and include the imaging protocol, trained algorithms, training data and a reference set of features describing the vascular network in all brain regions. Additionally, the source code is hosted on GitHub (https://github.com/vessap/vessap) and on the executable platform Code Ocean (https:///10.24433/CO.1402016.v1). Implementation of external libraries is available on request.

参考文献：

Machine learning analysis of whole mouse brain vasculature

https:///10.1038/s41592-020-0792-1

作者信息

编译作者： 青佛居士（brainnews创作团队）

校审： Simon（brainnews编辑部）

前文阅读

1，Nature Neurosci：百年经典现象再添新证据——衰老和痴呆或与这个细胞有关！

2，MIT诺奖得主新年巨献：2万字解码记忆机制（全文版）

3，更新版| 108篇阿尔兹海默症最新研究进展汇编