利用多重免疫荧光成像技术对小鼠大脑皮层细胞层进行计算定位与细胞特征分析

《Journal of Neuroscience Methods》:Computational Delineation and Cellular Profiling of Murine Cortical Cell Layers using Multiplex Immunofluorescence Imaging

【字体: 大 中 小 】 时间:2026年03月23日 来源:Journal of Neuroscience Methods 2.3

编辑推荐:

  神经细胞层自动划分方法及在脑损伤模型中的应用研究。通过主动机器学习增强的Dirichlet过程混合模型(AIDPMM)实现皮质层精准分划,结合多标记免疫荧光数据,可客观分析各层细胞密度、形态及炎症反应,验证准确率达92.5%和93.5%。在创伤性脑损伤模型中发现锂+丙戊酸处理后星形胶质细胞和微胶质激活模式存在层特异性差异。

  
阿迪蒂·辛格(Aditi Singh)| 马克·E·梅纳德(Mark E. Maynard)| 黄立强(Liqiang Huang)| 安东尼·M·康(Anthony M. Kang)| 萨拉布·普拉萨德(Saurabh Prasad)| 卡南·卡斯图里(Kannan Kasthuri)| 安德烈亚·塞德洛克(Andrea Sedlock)| 德拉甘·马里奇(Dragan Maric)| 普拉莫德·K·达什(Pramod K. Dash)| 约翰·B·雷德尔(John B. Redell)| 巴德林纳特·罗伊萨姆(Badrinath Roysam)
德克萨斯州休斯顿市休斯顿大学卡伦工程学院(Cullen College of Engineering, University of Houston, Houston, Texas 77204, USA)

摘要

背景

成年哺乳动物的大脑皮层具有垂直的层状结构,由六层神经元组成,每一层都具有特定的功能。准确地将皮层神经元划分并分配到相应的层次对于理解正常和病变状态下的大脑皮层功能至关重要。

新方法

我们提出了一种基于数据驱动的方法,用于使用多重免疫荧光显微镜成像的冠状脑切片中划分皮层细胞层。该方法基于使用主动机器学习增强的狄利克雷过程混合模型(Actively Informed Dirichlet Process Mixture Model,简称AIDPMM)对神经元特征进行空间聚类分析。该方法能够根据皮层细胞层对细胞测量结果进行分类,从而实现对细胞层厚度、细胞组成、细胞表型状态和空间排列的无偏、全面和定量的分析。可以通过常规和空间统计方法在同一大脑内的不同层之间,或在不同实验组之间比较细胞特征,使研究人员能够分析对细胞层特异性操作的影响。

结果

通过将特定标记物的染色结果与AIDPMM划分的层次进行比较(交集与并集的比值;IoU = 92.5%),以及测量计算结果与人工划分的皮层细胞层中线的吻合度(R2 = 93.5%),验证了AIDPMM在划分皮层层次方面的准确性。将我们的方法应用于创伤性脑损伤模型后,我们检测到在锂盐+丙戊酸盐治疗14天后特定层的微胶质细胞和星形胶质细胞激活情况发生了变化。

与现有方法的比较

目前划分皮层层次主要采用两种方法。第一种方法是手动划分,这种方法耗时且通常仅针对研究中需要的有限区域进行。由于其主观性,这种方法容易受到人为错误和偏见的影响。第二种方法使用特定皮层层中神经元表达的标记物。这种方法的局限性包括标记物在不同层之间的重叠表达,以及缺乏独特的分子标记物。这两种方法都没有提供任何形式的验证或层次划分的定量分析,并且都受到实验者主观性的影响。

结论

我们的结果表明,AIDPMM方法高效、通用,易于进行视觉检查和校对,为划分皮层神经元层次及按层次分析细胞测量数据提供了一种高效且无偏见的方法。

部分内容摘录

引言

哺乳动物的大脑皮层是整合神经信息以启动目标导向行为的主要场所。因此,大脑皮层协调并执行多种功能,包括感觉感知、运动功能的规划和启动、学习、记忆、情绪和决策制定。成年哺乳动物的大脑皮层具有垂直的层状结构,由六层神经元组成,其中第1层是最表层的,随后是第2/3层、第4层、第5层等。

动物

我们使用了来自不同组大鼠脑组织切片图像扫描的三个多重免疫组化(MP-IHC)数据集来开发、训练并验证我们算法的有效性。所有涉及健康且未经实验处理的大鼠的动物处理程序均获得了美国国立神经疾病和中风研究所(NINDS,贝塞斯达,MD)的机构动物护理和使用委员会(IACUC)的批准。

性能评估

我们在三个数据集中的所有14个大脑样本中实施了AIDPMM算法。使用前文定义的验证策略进行了性能评估。通过体细胞掩膜和基于强度的阈值处理来检测神经元中的Necab1和Foxp2表达。所提出的AIDPMM算法利用NeuN通道的特征向量来划分皮层层次。我们评估了每个层次中先前检测到的Necab1和Foxp2阳性神经元的百分比。

讨论与结论

在本研究中,我们提出了一种基于机器学习的算法AIDPMM,该算法能够半自动化地划分皮层层次,同时测量每个层次中各种驻留细胞类型的密度以及单个细胞的面积。此外,我们的算法还可以量化每个皮层中星形胶质细胞和微胶质细胞的激活/迁移情况。利用这一算法,我们首次发现星形胶质细胞和微胶质细胞的密度并非均匀增加。

CRediT作者贡献声明

普拉莫德·达什(Pramod Dash):撰写 – 审稿与编辑、可视化、资源整理、方法论、形式分析。 约翰·B·雷德尔(John B. Redell):撰写 – 审稿与编辑、初稿撰写、可视化、验证、方法论、形式分析、概念构建。 安德烈亚·塞德洛克(Andrea Sedlock):验证。 德拉甘·马里奇(Dragan Maric):撰写 – 审稿与编辑、可视化、验证、资源整理、数据管理、概念构建。 阿迪蒂·辛格(Aditi Singh):撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了美国国立卫生研究院(NIH)资助项目R01NS109118(PKD、JBR和BR)以及美国国立神经疾病和中风研究所内部研究计划的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号