2024年3月6日，Cell Press细胞出版社期刊Cell Reports在线发表了东南大学数字医学工程全国重点实验室、脑科学与智能技术研究院最新研究成果“Non-homogenous axonal bouton distribution in whole-brain single-cell neuronal networks”。该研究揭示了神经元轴突突触前扣结（presynaptic bouton）的分布差异，以及不同神经元形态细节改变对整个鼠脑单细胞神经元结构网络拓扑的影响。这些结果强调了在单细胞尺度的网络结构分析中，神经元形态细节必须要仔细考虑。东南大学脑科学与智能技术研究院硕士研究生钱鹏昊和实验室研究员Linus Manubens-Gil为本文共同第一作者，博士研究生姜升殿为第三作者，Linus Manubens-Gil研究员与彭汉川教授为共同通讯。
神经元形态在决定神经元网络的功能方面起着重要的作用，神经元的形态变化往往会对认知产生巨大影响，比如神经退行性疾病和智力障碍。但是受分辨率和时间成本所限，在单细胞尺度上理解神经元形态对全脑连接的影响一直是一个挑战。
近年来，东南大学脑科学与智能技术研究院持续发表重要研究成果，包括树突上突触位置与电生理特性的建模（Iascone et al., Neuron, 2020）、单神经元形态高通量重建流程（Peng et al., Nature, 2021）、重建后形态配准到标准脑方法的完善（Qu et al., Nature Methods, 2021）等，助力研究团队在全脑内单细胞尺度上分析轴突-树突的连接关系，并细化到突触尺度、量化神经元之间的连接强度。
以往研究中常常假设突触连接是均匀分布在轴突树突上，而本文研究团队提出一种更精细的假设：轴突上bouton的分布是不均匀的，并且bouton的分布可以决定网络拓扑。同时，神经元形态细节的改变（树结构的大小、复杂性、bouton的分布密度）对网络结构具有不同程度的影响。
为验证这一猜想，研究团队设计了一种基于bouton位置数据生成全脑单细胞结构网络算法，并与bouton均匀分布情况进行比较。在得到结构网络后，研究团队进行了细致的网络分析并探究bouton分布对其影响。另外，研究团队还设计了神经元不同形态变化的操作，以研究其对网络的影响及其与生物学神经形态改变的相关性。
首先，研究团队说明了检测出的bouton分布与假设的均匀分布之间存在明显差异（图1左上）。接着通过Sholl analysis和计算bouton的平均密度，论述了不同细胞类型之间的bouton分布在神经元的不同位置上存在明显差异，例如对于丘脑的VPM神经元，往往集中轴突的投射远端，而在接近神经元胞体的位置上稀疏。皮层的SSp-m神经元则在近端和远端都呈现出均匀分布的趋势，但在中间部分更稀疏（图1右）。这种平均bouton密度的差异在皮层，丘脑，纹状体，海马等脑区中十分显著（图1左下）。
图1
之后，研究团队提供了基于完整神经元形态数据及其检测出的bouton位置数据生成全脑单细胞连接矩阵的算法。通过计算在全脑尺度上划分的立方体内一个神经元轴突的bouton数量与另一个神经元树突长度占比的乘积作为这两个神经元的连接强度，得到全脑尺度的单神经元结构网络（图2）。这也是目前已知最大的基于鼠脑精细重构神经元形态数据的全脑结构网络分析，并且该算法可以应用在后续更多的神经元数据上。
图2
在得到了全脑的连接网络之后，研究团队观察到了单细胞尺度的全脑结构网络度分布接近无标度网络并且具有小世界性，这印证了14年在Nature上中尺度结构网络的研究（Oh et al, 2014）（图3左上）,且研究发现，在三元组普查中，全脑结构网络相比随机网络具有更多的反馈回路与复杂连接，这也印证了以往在皮层结构网络中的研究。此外，得益于本文数量更多且更加精细的重建数据，相较于以往的皮层网络结构研究，全脑结构网络在三神经元之间的复杂连接数量更多。
为了进一步说明全脑网络的生物意义，本文同时对丘脑（VPM）,纹状体（CP）,皮层（SSp-m和MOp）构成的子网络进行了分析。结果显示，皮层神经元构成的子网络具有更多的高度数节点（图3左下）和更复杂的连接关系（图3右下），但丘脑神经元构成的子网络结构相对简单。这符合解剖学上丘脑作为信息传递的关键节点，即皮层作为信息处理中枢的普遍认知。
同时，本文对比了基于检测bouton的网络（Observed）与均匀分布bouton的网络（Uniform）在结构上的差异。可以看到，均匀假设下的Uniform网络在各个属性上都高出了Observed网络，并且存在不同的社区关键连接点（图3右上）。这体现了bouton分布对网络结构的影响。
图3
为了进一步的研究神经元形态细节（包括bouton分布）对网络结构有何影响，研究团队对神经元形态进行了扰动，进而观察对网络属性（成本，路由效率，存储能力）的影响变化。扰动包括三种操作：缩放（Scale），剪枝（Prune）和删除突触节点（Delete），可以对轴突、树突、或者完整的神经元形态分别操作（图4）。结果显示：缩放操作对网络结果影响最大；而在剪枝和删除突触节点的操作中，单位成本内的路由效率和存储能力不降还略微上涨。这些不同操作的差异符合在神经退行性疾病中观察到的病情加重过程：从树突棘和分叉减少，逐渐加重为神经元整个形态退化的现象，侧面印证了大脑对于少量损害具有鲁棒性的认知。这也反映了轴突和树突的跨度才是是脑结构网络拓扑中的主要决定因素。
图4
同时，相比于基于检测bouton的网络，由均匀分布的bouton构成的网络不仅低估了轴突和整体形态缩放对网络属性的影响，还无法体现树突缩放后网络在单位成本储存能力上的变化。因此，在单细胞尺度的网络结构分析中，神经元形态细节对网络属性影响巨大，需要在研究分析中密切关注。
综上，本次研究是东南大学脑科学与智能技术研究院近年来在神经元形态领域的系列工作之一，在单细胞尺度，揭示了轴突bouton对全脑结构网络拓扑的影响。该工作拓展了以往基于均匀连接的脑网络连接模型，为理解大脑如何在不同区域和不同神经元之间建立复杂连接提供了新视角。这些发现有利于解释大脑功能的整合和分离机制，为之后更多的数据提供了基础方法，并为未来大脑研究和相关疾病治疗提供了新的思路与工具。
