近日，東南大學腦科學與智能技術研究院在神經元自動追蹤算法基準測試與性能預測方面取得重要研究進展，相關成果于4月17日在線發表在國際方法學頂級期刊《自然—方法》(Nature methods)。

該文章是東南大學腦科學與智能技術研究院院長彭漢川發起BigNeuron項目的主要成果論文。該成果由東南大學腦科學與智能技術研究院主導，全球多家著名機構參與，東南大學為文章第一單位和通訊單位。

據介紹，人腦是由數百億個神經元連接組成的復雜網絡系統。大規模重建神經元形態不僅可以鑒別神經元類型、分析神經網絡連接和揭示腦內神經信號流動，而且對于理解大腦的發育、神經系統疾病的發生與發展機制及其診治具有重要意義。

(相關資料圖)

手動重建神經元形態極其耗費人力和時間，且產量十分低下。近年來，多個神經元全自動重建算法應運而生。然而不同標記方法、樣本制備和成像方式導致成像質量參差不齊，不同算法對不同類型圖像的重建效果差異明顯，理解目前現有自動重建算法的性能以及它們如何與不同圖像數據集的特定特征相匹配、測試它們對特定任務的適用性仍是當前的一個重要挑戰。目前，中國腦計劃、歐洲腦計劃、美國腦計劃等大型項目都非常需要這樣的工具。

針對以上挑戰，研究團隊發起BigNeuron項目。該項目的目標是生成一個巨大的基準測試矩陣，通過使用最強大的超級計算設備和多功能計算資源，在其中對大量可公開訪問的不同物種、不同腦區、不同樣本制備方法和成像模式的神經元圖像進行所有主要神經元重建算法測驗。

在研究中，研究團隊收集并共享了大約3萬個跨物種的三維神經元圖像數據集，并將它們用于自動追蹤算法的基準測試，生成了140萬個追蹤結果，得到了迄今最大的神經元重建基準測試數據集。研究人員從中選取了166個神經元圖像，并通過專家手動標注得到了其“金標準”重建形態，稱為Gold166數據集，用于自動追蹤算法的后驗基準測試。Gold166數據集形態特征的變異系數與全球最大神經元結構公開數據庫NeuroMorpho.org 中的數據集相似或更高，表明Gold166數據集的多樣性足以對異構神經元類型中自動追蹤算法的性能進行采樣。

研究團隊在通用開放平臺Vaa3D上對單神經元自動追蹤算法進行基準測試，舉辦一系列編程馬拉松和活動，開發了16種自動追蹤算法，并以“金標準”數據為參考，量化了35種自動追蹤算法（16種算法的變體）的追蹤質量。

作為這項研究的一部分，研究團隊還開發了一個交互式網絡應用程序，可以允許用戶和開發者觀察圖像數據和神經元重建結果并對它們進行各種分析。研究團隊觀察到，不同的算法可以提供互補信息，因此開發了一種迭代組合不同算法的方法來產生一致的重建結果，提高了自動重建方法的可訪問性、準確性和效率。

此外，研究團隊還開發了一個工具，通過輸入圖像質量特征以及一組自動重建結果，就可以預測神經元自動追蹤算法的準確性，從而提供最適自動追蹤算法的建議。

本文強調了BigNeuron在大規模追蹤項目中的重要性，并展示了最佳算法預測在廣泛使用的小鼠完整神經元熒光顯微鏡圖像層析術圖像上的表現。

東南大學腦科學與智能技術研究院研究員Linus Manubens-Gil作為文章共同第一作者表示，“這項研究是算法標準化的墊腳石，它允許構建增量測試集來評估現有算法和新算法的性能。這將促進自動追蹤算法的使用，增加單神經元解剖學研究的通量和質量”。Linus希望這項研究能夠激發新算法的開發，以及改進特定成像條件下追蹤質量的參數優化框架。

相關論文信息：https://doi.org/10.1038/s41592-023-01848-5

標簽：