Cell Rep.：破解神经元结构的“条形码”——复旦大学彭汉川/刘裕峰团队提出多尺度神经形态条码化新框架MMB

欢迎加入

计算神经 神经调控学术讨论群

添加小编微信

brainnews_15

-留言：计算神经 神经调控研究群-

Nat Neurosci：复旦脑智研究院/北京天坛医院/东南团队建立“人鼠对应”脑区中的皮层神经元树突比较框架

Nature Methods最新：齐晓莉/彭汉川等合作开发新技术实现快速全脑细胞类型和神经元形态高精度成像

Nature Methods：彭汉川/刘力娟团队开发一种基于小鼠神经元完整形态重建的可扩展的大脑单细胞联接图谱

Nat Methods：彭汉川/王宜敏团队开发平台实现多人协作重建神经元！

彭汉川团队Patterns：以自然语言处理方式解码神经元形态结构

Cell Rep：东南大学彭汉川团队揭示突触前bouton分布对网络结构影响

Nat Methods：东南大学彭汉川团队在神经元自动追踪算法基准测试与性能预测方面取得重要进展

Nature Methods：彭汉川团队在跨模态脑图像配准领域取得突破

随着全脑成像与自动化重建技术的飞速发展，数以万计的哺乳动物单神经元形态已被成功重建。然而，现有的形态学分析方法往往限于全局几何特征或局部单一尺度（如基于分支空间分布的Sholl分析），本质上仍停留在粗略度量“树高”或“叶数”的层面，缺乏一套能够充分融合多尺度神经结构的表征方法。正因缺乏一种标准且有效的形态表征方式，“结构多样性在全脑如何分布”以及“它与宏观解剖组织有何关联”等关键问题，长期以来难以得到系统的解答。

为了解决这一难题，研究团队开发了MMB框架。该框架像提取基因序列一样，将神经元的复杂形态编码为一串跨越四个层级的结构化“条形码”： 

通过对团队发布的1,876个全脑范围重建的高质量小鼠神经元数据集（SEU-A1876数据集，包含3,776个分支和263万个预测突触前位点）进行系统分析，研究人员为每个神经元生成了形如“F#T#A#B#”的专属条形码。 

借助MMB这一“放大镜”，研究团队在脑形态学上取得了突破性发现，揭示了传统全局形态学无法观察到的两大组织原则： 

1. 区域特异性（Region-Specific Organization）： 区域身份并非由完全独立的结构决定，而是由共享形态基序（morpho-motifs）和区域偏好基序的“组合语法”构成的。同一解剖区域内不同的脑区展现出高度一致且可重复的形态条码特征。 

2. 尺度依赖性（Scale-Dependent Organization）： 形态学多样性在不同尺度上的分布是不均匀的。例如，皮层神经元的多样性在主轴突束（T）层面达到最大，以适应复杂的长程信号路由；而纹状体神经元则在分支（A）层面展现出最大的变异性，反映局部环路的精细调控。

传统研究往往高度依赖神经元的“投射目标”来定义其功能和类型。然而，本研究证实：神经元形态和基于目标的投射仅具有部分对应关系。 

具有相同投射目标的神经元，可能展现出高度异质性的内部形态结构。更重要的是，研究发现将MMB与投射目标协同结合更好地解析功能各异的丘脑环路。这证明了MMB捕获了投射追踪无法单独覆盖的、非冗余的互补结构信息。

本研究的核心概念“多尺度符号条形码（MMB）”源于团队对哺乳动物单神经元形态系统性解析的长期深耕与技术演进。 

彭汉川团队在2021年的 Nature 文章中发布了1,741个全脑单神经元形态并鉴定了11种主要投射类型，为本研究奠定了关键的数据基础。Nature系列重磅成果发布：大脑运动皮层的细胞图谱！国产fMOST技术助力多篇研究随后，团队于2024年在Nature Communications上发布了包含3.7 PB数据的多尺度形态资源，首次提出了覆盖微米级到厘米级的多尺度形态分析框架。然而，该框架仍以连续数值特征为主，在面对海量数据时缺乏高效的离散化表示。本研究正是在此基础上完成的一次“降维突破”，通过引入符号编码策略，将连续特征转化为结构化的可扩展条形码，从而攻克了大规模全脑数据集中快速比对、检索和分类的计算瓶颈。 

此外，团队近年来在连接性与微环境领域的研究也与本工作形成了有机的呼应。在一篇2025年的 Nature Methods 文章中，团队首次利用单神经元连接性进行细胞亚型精细分类；Nat Methods：AI赋能神经科学新进展——彭汉川教授团队联合发布两项重要成果：新数据平台、新分型框架同年发表于 Nature Neuroscience 的工作则证明了基于树突微环境能有效提升神经元表征能力。Nat Neurosci：彭汉川/刘裕峰团队成功绘制出首个基于大规模神经元三维形态的小鼠全脑立体定位图谱。

本研究（MMB框架）从纯形态结构维度出发，证实了形态多样性本身携带了独立于连接性的可解读规律。这与前述基于连接和微环境的工作形成了互补的紧密逻辑链条，共同拼凑出大脑解剖结构的完整图景。

脑科学已迈入“大数据时代”，随着单细胞重建数量向十万、百万级迈进，计算微观细节的成本变得极其高昂。MMB将高维几何转化为离散符号的策略，不仅大幅降低了计算难度，更为海量全脑数据集的快速索引、查询和比对提供了一个高度可扩展的计算框架。 

此外，该框架未来有望直接应用于疾病模型数据。神经精神疾病和神经退行性疾病（如精神分裂症、自闭症、阿尔茨海默病）往往伴随跨尺度的结构异常。MMB为量化这些疾病背景下的结构表型、并将其与环路功能障碍联系起来奠定了重要的量化基础。 

注：本研究依托于复旦大学脑智研究院、东南大学脑科学与智能技术研究院、新基石科学实验室、上海尚思自然科学研究院及上海创智学院等平台。通讯作者为彭汉川教授（h@braintell.org）与刘裕峰研究员（yufeng_liu@fudan.edu.cn）。