IF50.5｜基于光镜的脑组织连接组重建技术

LICONN让光镜也能做突触级连接组，并直接带上分子信息。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

大脑功能依赖神经元之间的物理连接模式及其分子和功能特征。电子显微镜（EM）凭借纳米级分辨率和全面的结构对比度，是目前唯一能进行致密连接组分析的技术，已在果蝇、小鼠、人类等物种中取得巨大进展。但EM样本制备和读出无法直接可视化特定分子，需要与光镜关联才能获得分子信息，且EM重建的化学突触无法进一步分子分型。光镜虽然能可视化特定分子，但受限于分辨率、对比度和体积成像能力，此前无法实现致密的突触级回路重建。超分辨光学成像虽能突破衍射极限，但大多局限于稀疏细胞或缺乏细胞背景的分子分布。

科学问题

卡在哪里： 现有光镜技术（如LIONESS、CATS）虽能可视化组织架构，但缺乏突触级回路重建所需的可追踪性和准确性；而EM无法直接提供分子信息。因此，如何在光镜下同时实现致密神经突起追踪、突触连接解析和分子表征，是领域内尚未解决的空白。

本文要回答： 开发一种基于光镜的技术，能够对脑组织进行突触级连接组重建，并直接整合分子信息。

技术路线

作者主要用了：迭代水凝胶膨胀、蛋白密度染色、转盘共聚焦、FFN分割、深度学习突触预测。

作者设计了一种名为LICONN的技术，通过工程化的迭代水凝胶膨胀方案（约16倍膨胀）结合蛋白密度染色和高速衍射极限成像，实现纳米级有效分辨率。他们先用稀疏荧光标记验证了手动追踪的可靠性，然后采用深度学习分割算法（FFN）对膨胀后的脑组织进行自动分割，并通过免疫标记和深度学习预测突触分子位置，最终将分子信息映射到形态学重建上，实现分子注释的连接组学。

图 1　Fig. 1。图1展示了LICONN的核心工作流程和成像质量。a显示约1×10^6 μm^3的皮层体积及密集重建的79个细胞，右侧放大显示树突上的突触分子预测。b-d展示神经毡中的亚细胞结构，包括树突棘、突触前蛋白致密区和周期性细胞骨架。e-f通过与eGFP金标准对比，验证了手动追踪轴突和树突棘的准确性。g展示海马CA1中手动重建的658个结构。

核心亮点

亮点 1｜16倍膨胀实现突触级光镜成像

LICONN通过三重水凝胶系统实现约16倍膨胀，结合转盘共聚焦成像，有效分辨率达到约20 nm（横向）和50 nm（轴向）。在体感皮层约1×10^6 μm^3体积中，清晰分辨出树突棘、突触前蛋白致密区（间距97±28 nm）和突触后致密区（距离139±19 nm），以及轴突中的周期性细胞骨架结构（周期89±12 nm），表明该技术能高保真地呈现从组织到纳米尺度的细胞结构。

图 2　Fig. 2。图2聚焦于海马CA1的自动分割。a显示85×69×14 μm^3体积的密集分割结果。b展示原始数据与分割的对比。c-e分别显示轴突和树突的重建。f显示分割的3D渲染。g-h量化了不同处理步骤（基础分割、自动聚合、人工校对）对边缘准确率的提升。i显示树突棘头体积分布，与EM数据一致。

亮点 2｜手动追踪与自动分割验证可靠性

利用Thy1-eGFP小鼠的稀疏荧光标记作为独立金标准，盲法手动追踪轴突的错误率仅为1.1次/mm，树突棘识别率达90%。在随机采样的局部体积中，93.1%的树突棘头可明确追溯到母树突。采用FFN进行自动分割，在海马CA1体积（83,825 μm^3）中，自动分割边缘准确率达92.8%，经人工校对后提升至95.6%，分割出18,268条轴突（总长342.3 mm）和1,643条树突（总长119.1 mm），包含71,269个树突棘。

图 3　Fig. 3。图3展示分子标记的突触检测。a显示bassoon和PSD95的免疫标记，右侧放大显示突触结构。b量化bassoon与SHANK2的距离（154±19 nm）。c将分子标记映射到FFN分割的树突上。d展示多种突触蛋白的标记。e显示GLUN1与SHANK2的共定位。f-h展示自动突触检测流程。i显示映射到神经元分割上的突触连接。j-k展示兴奋性和抑制性突触的分子区分。

亮点 3｜分子标记直接注释突触类型

通过免疫标记突触前蛋白bassoon和突触后蛋白SHANK2、PSD95、gephyrin等，LICONN能直接区分兴奋性和抑制性突触。在体感皮层中，树突上的兴奋性输入（SHANK2+）密度为2.6±1.1/μm，抑制性输入（gephyrin+）为0.3±0.2/μm，兴奋/抑制比约为9:1。突触主要位于树突棘头（90.3%），轴突输出偏好与EM数据一致。此外，还标记了AIS、髓鞘、初级纤毛等亚细胞结构。

图 4　Fig. 4。图4展示连接性分析和深度学习突触预测。a显示树突上的兴奋性和抑制性突触标记。b-f量化输入密度、突触位置分布和兴奋/抑制比。g-i显示轴突输出分析和树突棘追踪。j-k显示AIS上的抑制性输入。l-m展示深度学习预测突触的准确性。n-o展示在无标记数据集上映射突触连接。p显示虚拟四色连接组体积中的兴奋性和抑制性输入。

亮点 4｜深度学习从结构预测突触位置

利用结构通道与免疫标记的配对数据训练3D U-net，仅从结构通道即可预测bassoon和SHANK2的位置，F1分数超过0.9。在无免疫标记的数据集上，成功映射了一个锥体神经元的705个兴奋性输入和8个输出突触。在海马密集分割体积中，检测到79,291个突触前和71,976个突触后位点，并重建了单个轴突与28个树突的31个突触连接。

图 5　Fig. 5。图5展示细胞类型和亚细胞结构的分子鉴定。a显示SST+中间神经元。b显示ankyrin G标记的AIS。c-g展示初级纤毛的结构和在不同细胞类型中的长度，以及Hnrnpu+/−小鼠中的分析。h-i显示室管膜细胞的多纤毛结构。j-k显示connexin-43标记的缝隙连接。l-m展示同时映射兴奋性、抑制性和电突触连接。

亮点 5｜扩展至全脑区域与疾病模型

LICONN适用于下丘脑、梨状皮层、小脑等多个脑区，并能成像白质中的髓鞘化轴突和室管膜细胞的多纤毛结构。在Hnrnpu+/−单倍剂量不足小鼠模型中，海马CA1锥体神经元的初级纤毛长度与野生型无显著差异（10.3±1.6 vs 10.5±1.6 μm, P=0.64），展示了该技术在基因型-表型研究中的应用潜力。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 迭代水凝胶膨胀、蛋白密度染色、转盘共聚焦、FFN分割、深度学习突触预测
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事连接组学、神经环路、分子神经解剖或成像技术开发的研究者。

带走一句

LICONN让常规光镜实验室也能做突触级连接组，并直接获得分子分型，为多模态脑图谱提供了可行路径。