Nat Neurosci | 于国强/Poskanzer团队开发新型工具分析大脑活动显微成像数据

责编 | 兮

近年来生物技术的进展，特别是先进显微成像技术【1,2】和新型蛋白探针的开发 【3,4】，使得科学家们以前所未有的时空精度与广度测量亚细胞尺度的大脑活动，并将研究对象扩展至非神经元细胞如胶质细胞和新型脑活动信号如多巴胺和肾上腺素。然而，随之而来的大量而又复杂的数据带来了巨大的分析与理解这些数据的挑战。很显然，手动标注这些数据费时费力、容易忽略重要信息并且引进操作人员的偏见。同时，因为这些新型数据普遍出现活动地点不固定、活动区域大小不统一、信号在细胞内和细胞间传播等现象，现有的工具 （如为分析神经元钙信号所设计的）无法准确刻画这些复杂的新型数据。因此，开发一套自动、准确、易使用、能描述复杂活动模式的数据分析技术是实验脑科学家们期盼实现的重大突破。

2019年9月30日，弗吉尼亚理工大学（Virginia Tech）于国强课题组和加州大学旧金山分校（UCSF）Poskanzer课题组（共同一作为于国强课题组博士研究生王亦之和Poskanzer课题组成员Nicole V. DelRosso）在Nature Neuroscience杂志发表了题为Accurate quantification of astrocyte and neurotransmitter fluorescence dynamics for single-cell and population-level physiology的研究论文。文章提出了事件分解的新概念，应用概率统计、机器学习和计算优化的理论设计出新的数据分析算法，并开发出一套用户使用方便、功能齐全的软件工具。计算机仿真显示该技术克服了现有技术固有缺陷，大幅提高了分析准确度；作者以小鼠大脑星型胶质细胞钙信号活动为示例，展示出该技术可以分析体外（ex vivo）和在体（in vivo）双光子显微成像动态数据，并揭示出新的生物现象；同时，作者还展示了该技术在谷氨酸、γ-氨基丁酸、肾上腺素等新兴神经信号数据上的应用。该研究以数据驱动和机器学习为算法设计原则，使开发出的技术可以比较容易的应用于各种各样的模式动物、蛋白探针、试验模式、成像解析度与速度，单细胞或细胞群，为科技学家充分利用来之不易的数据提供了新策略。

该技术的核心是将原始视频数据分解为一个个互不交叠的事件（event）（图1）。通过将一个事件数学上定义为在一定连续空间区域内一致动态变化的统一时空分割，作者利用一系列的人工智能和统计学习技术联合估计最能解释数据的模型参数。绝大多数传统的分析显微视频活动数据的方法基于ROI（感兴趣区域）框架，而该框架的一个隐含假设是一个感兴趣区域内所有像素点都应遵从同一个动态过程。这样的设定是无法描述活动地点不固定、活动区域大小不统一、信号在细胞内和细胞间传播等现象的。作者设计的基于事件分解的分析框架巧妙的解决了这些问题，因为每一个事件有它的空间和时间特性共同确定，同一个像素可以在不同的时刻参与不同的事件。一旦事件分解完成，每个事件可以提取若干特征（图2），譬如所占区域大小及形状、动态曲线的上升与下降速度、事件发源地、信号传播路径与速度等。多个事件又可以进一步联合起来提取系统级特征，如事件的空间与时间频域等。