我們的腦部是一個復雜的器官，數十億個神經細胞以錯綜復雜的網絡連接在一起，持續(xù)處理信號，使我們能夠回憶記憶或控制身體的運動。要理解這個復雜的網絡，需要仔細觀察神經細胞的排列和連接。由奧地利科技學院（ISTA）和谷歌研究所的科學家們開發(fā)的新型顯微鏡技術“LICONN”，現在為解開這一難題提供了幫助。
光學顯微鏡經歷了數個世紀的發(fā)展，科學家們利用光學顯微鏡揭示生物結構的復雜性。然而，揭示大腦的復雜細節(jié)和結構仍然是一個看似不可能的挑戰(zhàn)，因為大腦中有數十億密集堆積的神經元，每個神經元通過成千上萬的突觸與其他細胞相連。LICONN（基于光學顯微鏡的連通組學）現在為這一領域帶來了突破，相關成果發(fā)表于《Nature》期刊。
LICONN是首個超越電子顯微鏡的技術，能夠重建大腦組織中神經元之間的所有突觸連接。它還開辟了可視化復雜分子結構的可能性，同時利用標準的光學顯微鏡進行觀察。
LICONN帶來的新可能性
Mojtaba R. Tavakoli展示了一臺光學顯微鏡，眾多電纜將光學儀器與計算機連接在一起。屏幕上的光芒閃爍，明亮的綠色和粉色在幾乎漆黑的房間里閃耀。“這是海馬體，負責記憶形成的腦區(qū)，”Tavakoli指著屏幕說，“你看到的熒光點是參與突觸傳遞的分子。”
LICONN是最新的顯微技術，它像一個細致的拼圖解答者，拼接神經元的細微過程，并準確地連接每個突觸到其對應的神經元。“到目前為止，沒有任何光學顯微鏡技術能夠做到這一點，”受過醫(yī)學訓練的物理學家Johann Danzl教授說道。 “建立這樣的管道以重建大腦組織一直是我們團隊的目標，而LICONN能夠在特定分子的背景下進行結構重建。”
引人注目的是，圖像獲取是在標準的現成顯微鏡上進行的，這個過程非?？焖偾揖邆涠嗌芰?。該技術能夠在全球范圍內復現，因為科學家們不需要為當前大腦組織重構方法所需的高端昂貴設備。為了實現如此高的細節(jié)水平，分辨率必須異常高，約在數十納米，比人類頭發(fā)的寬度小10,000倍。但如何實現這一點呢？化學專業(yè)知識發(fā)揮了關鍵作用。
利用水凝膠進行放大
在LICONN技術中，團隊利用了水凝膠的化學和物理特性，這是一種三維聚合物網絡，具有類似于嬰兒尿布的特性：能夠吸收水分并膨脹，但這種膨脹是高度可控的。
研究中的腦組織被嵌入這種水凝膠。“細胞組分與水凝膠相連，意味著細胞的細微結構會印在凝膠上并在顯微觀察中得到保留，”Danzl解釋道。在成像之前，通過向材料中添加水，結構得以擴展。結果，水凝膠在各個方向上膨脹，但能夠保留組織結構的相對空間排列，并以極高的保真度進行保留。
與此相對，傳統(tǒng)光學顯微鏡的分辨率通常在250-300納米，而這對于可視化較大細胞結構十分有效，但不足以重構密集的腦組織。“水凝膠的膨脹使腦組織的特征遠離，從而允許我們用標準光學顯微鏡進行分辨。這個方法有效提升了16倍的分辨率，達到20納米以上，”Tavakoli解釋道。
跨學科的研究
神經科學和化學不僅是這項研究中的重要學科，計算機科學的方法也在管道開發(fā)中發(fā)揮了至關重要的作用。由于捕獲微觀圖像會產生大量的數據點，這些復雜的數據集反映了大腦的復雜性。
因此，手動解釋和重建大規(guī)模的神經結構顯得過于繁重。因此，谷歌研究的深度學習技術被用來分割組織中的單個細胞。“利用人工智能自動識別神經元及其復雜結構，使得重構所有細胞組分的任務變得可行，”谷歌研究所的Viren Jain說道。“同時可視化特定分子的能力為研究增添了新維度。”
Danzl團隊的計算機科學博士生Julia Lyudchik在解析復雜數據集方面發(fā)揮了重要作用。“多虧了極高的分辨率，能夠自動檢測神經元之間的突觸連接，并將原始腦成像數據轉化為詳細的連通圖。這是一項復雜的圖像處理挑戰(zhàn)，”Lyudchik解釋道。“此外，由于即使是小段腦組織也可能包含大量突觸連接，因此方法需要既高效又可擴展。”
LICONN使得將特定分子的位置映射到神經元重建中成為可能，例如那些參與神經元之間信號傳遞的分子。Lyudchik的藝術才能使她制作出精美的腦網絡3D渲染，這些可視化工具有助于讓復雜的科學數據更易于理解。
揭示大腦架構中的新細節(jié)
通過這一綜合管道，科學家們可以細致地重建腦組織，并可視化神經連接和網絡。實驗和分析之間的相輔相成，從ISTA的成像和實驗到谷歌研究應用的先進深度學習技術，以及ISTA的計算分析，最終實現了大腦架構的3D可視化，展現出新的復雜性。“LICONN讓我們更接近于拼湊哺乳動物大腦的全貌，并更好地理解其在不同狀態(tài)下的功能，”Danzl總結道。
期刊：Nature
DOI：10.1038/s41586-025-08985-1
