本文为德国 Jülich 研究中心神经科学与医学研究所 Daniel Zachlod 教授一作兼通讯作者2023年发表于 Biological Psychiatry 的工作，题为“Mapping Cytoarchitectonics and Receptor Architectonics to Understand Brain Function and Connectivity”。DOI：10.1016/j.biopsych.2022.09.014。

Abstract

本综述重点介绍细胞结构学和受体结构学作为功能和连接的生物学相关性。本综述介绍了 EBRAINS 提供的 Julich-Brain 脑图谱皮质区域和核心脑区的 三维细胞结构概率图，用于研究结构-功能关系。这些图谱作为显微解剖参考模型和模板空间链接到 BigBrain。siibra 软件工具套件支持以编程方式访问脑图和锚定到大脑区域的受体结构数据。这些细胞和分子数据是研究磁共振连接（包括建模和仿真）的工具。最后，我们重点介绍了 Julich-Brain 的观点以及方法论的考虑。因此，作为多模态图谱的一部分，微观结构图有助于以高水平的解剖细节阐明大规模网络与大脑功能的生物学相关性，这为研究精神疾病患者的大脑提供了基础。

理解功能特化和分离的解剖学基础需要将大脑视为一个在多个空间尺度上组织的系统，从微观到宏观层面，它也在多个时间尺度上起作用。磁共振成像 （MRI） 有助于研究活体人脑中的大脑功能和潜在网络，但对于揭示潜在的微观结构（包括细胞和纤维结构（分别为细胞结构和神经纤维束结构））不太有用。自 20 世纪初以来，细胞结构和纤维束结构一直被认为是脑功能和功能障碍的重要生物学关联，它们的系统分析和映射导致大脑皮层细分为微结构不同的皮层区域。Brodmann 的工作基于以下假设：每个细胞结构定义的区域都以特定方式对功能做出贡献，尽管当时无法对大多数区域进行严格测试 。他发表了最有影响力的图谱之一，该图谱仍然被广泛用于将大脑功能和网络与潜在的大脑区域联系起来。这项工作和其他人的工作构成了开发现代多模态图谱的概念基础，它允许人们将尸检观察的数据与体内成像结果联系起来，包括远程连接、功能网络和激活。

本文的重点是两个主要的组织原则，细胞结构和受体结构。后者描述了作为信号转导关键要素的不同神经递质受体的分布。我们描述了我们在 10 个死后大脑样本中绘制细胞结构区域并在三维 （3D） 空间中计算概率图的方法。这些 Julich-Brain 图谱概率图是用于研究结构-功能关系的 EBRAINS 多级图谱的一部分，可以使用 siibra 软件工具套件进行访问。阐明了 BigBrain 作为显微解剖模型和模板空间的概念，例如，应用于连接性研究。我们提出了一些工具，这些工具能够将图谱中的细胞和分子数据应用于连接和建模的 MR 研究，并讨论在这种情况下的观点和陷阱。

Cellular Architecture and Probabilistic Maps

大脑包含大约 860 亿个神经元，这是基本组成部分。虽然皮层下核团中的神经元主要分布在簇中，但新皮层中的神经元形成 6 层结构。古旧皮层的系统发育较老，由古皮层（例如嗅球/束、梨状皮层、浅表杏仁核）和古皮层（例如海马体）组成。层数因区域而异（例如，内嗅皮层为 11 层，海马体为 3 层）。6 个新皮层平行于皮层排列，表现出特定的输入和输出模式，并且在细胞和细胞类型的分布上有所不同。例如，虽然第 III 层和第 V 层包含锥形细胞，但第 II 层和第 IV 层看起来相当颗粒状；有关细胞结构的概述，请参见参考文献9。现代功能 MRI （fMRI），尤其是在高场下，可以越来越准确地分辨脑激活，区分颗粒上层和下颗粒层中的激活。例如，这是研究活体人脑中前馈和反馈通路机制的基础。

大脑皮层可以根据细胞结构差异细分为多个区域，包括层厚度、细胞密度和特殊细胞类型，例如，初级运动皮层中的 Betz 细胞或无颗粒岛叶和扣带皮层中的 von Economo 细胞。图像分析和统计检验已证明区域之间细胞结构边界的存在和精确定位 ，并为构建现代细胞结构图谱提供了坚实的基础。如果相应的模式对两个区域之间的结构变化敏感，则区域之间的边界在不同模式之间重合，例如细胞结构、受体结构和纤维结构（Fig. 1）。

Figure 1. Correspondence of fiber- and cytoarchitecture. (A) Polarized light image of the hippocampus showing the fiber orientation at micrometer resolution. (B) Same section cell body stained. Hippocampal subdivisions correspond in both modalities (most prominent borders for areas PreS and EC). Areas are labeled and borders are indicated by white and black lines, respectively. alv,alveus; CA, cornu ammonis; EC, entorhinal cortex; FD, fascia dentata; HATA, hippocampal-amygdaloid transition area; PaS, parasubiculum; PreS, presubiculum; ProS, prosubiculum; Sub, subiculum.

除了皮层的层状模式外，细胞体和神经纤维还以微柱的形式垂直排列到皮质表面。柱的可见性代表了皮质区域的另一个显著特征；例如，纹状体外区域的阵雨形成。 

细胞结构区之间的差异是皮层特化的最突出指标，并构成了皮层图谱的基础。例如，由 Parma 小组开创的细胞结构和电生理学相结合的研究表明，神经元的反应特性在皮质区域的边界发生变化，即，它们证明了大脑的显微解剖结构和活动之间的关系。然而，在活体人脑中复制这种现象是不可能的，必须采取更间接的措施。例如，连接区域之间的细胞结构相似性更大，这表明微尺度皮质细胞结构与宏观脑连接组织密切相关，并且精神分裂症等脑部疾病的连接中断与微观结构的改变有关。皮质区域的图谱也可以预测功能图谱的局部梯度。

然而，已经确定了大脑分离的其他原则，无论是在区域内还是在区域外。在一个区域内，视觉皮层区域内的边界簇和边缘区域在 1960 年代被描述，后来使用偏振光和扩散成像进行了验证。正如 Nauta 的方法所示，枕叶皮层中的胼胝体连接已显示在早期视觉区域的边界区域，而眼优势柱代表了这些区域内连接性的另一个变化。

新皮层也可以根据内部颗粒层 IV 的外观分为无颗粒（即，成人大脑中不存在第 IV 层，例如运动皮层，Brodmann 4 区）、颗粒异常（即，它确实存在，但作为独立的皮质带不太明显，例如 Brodmann 44区）和颗粒皮层（包含定义明确的 IV 层，例如在额极）。因此，此视图根据第 IV 层的共享特征将不同的区域组合成更大的组。此外，受体结构可用于识别皮质区域家族（参见 Molecular Architecture, Receptor Fingerprints, and Maps）。

相关文献已经描述了几个区域的更多低频变化，例如髓鞘形成趋势和渐变，即分别在新皮层和古旧皮层之间以及前等皮层和外层之间的过渡区发生定向、增量变化。最近，相关文献已经描述了受体和功能连接的梯度。

术语 “梯度（gradients）” 在不同的语境中被使用，具有不同的含义。例如，微观结构、受体和转录组数据的综合分析揭示了在处理运动、躯体感觉、听觉和视觉信息的 4 个功能系统中从一个区域移动到另一个区域时的分层梯度。这种跨区域的共变梯度显示了新皮层中基因表达和功能的层次结构。一些作者观察到跨模式区域处理工作记忆、社会认知和认知控制存在差异，并假设微结构和功能梯度的解耦可能使跨模式区域的功能多样性和灵活性成为可能。

总之，已经提供的证据表明细胞结构以系统的方式与分子结构和连接相关。细胞结构区域为解释连接和功能的研究结果提供了合适的参考，而多种效应则有助于大脑分离。

根据折叠模式识别区域是不可靠的，因为大多数区域的边界与解剖标志不一致，除了少数区域，例如初级感觉和运动皮层。大脑与脑沟和脑回关系的边界各不相同。例如，Broca 44 区和 45 区显示出相当大的个体间变异性，而其他区域（如初级视觉皮层）的变化程度较小。细胞结构区的 Julich-Brain 概率图谱通过将来自 10 个死后大脑的个体图集成和叠加到一个公共参考空间中来反映大脑之间的这些差异。它们量化立体定位空间中每个位置区域的可能性，并将其显示在从低到高的色谱中。已经计算出最大概率图，通过将参考空间中的每个位置分配给概率最高的区域，以非重叠模式显示大脑区域。

Molecular Architecture, Receptor Fingerprints, and Maps

神经递质受体是神经元之间信息传递的关键分子，可以使用定量受体放射自显影进行研究。它们在整个人脑中以不同的强度表达。一般来说，兴奋性神经递质谷氨酸和抑制性神经递质 GABA（γ-氨基丁酸）的受体在大脑皮层中的密度比调节性神经递质的受体高得多，并且大多数受体在浅表层的密度高于深皮层。神经递质受体的层状分布模式与突触密度相关，但受体密度的差异不应被解释为直接反映细胞结构层或细胞堆积密度。对细胞体和多种受体类型沿皮质带分布的同步分析表明，受体密度的变化表明区域之间的边界，并且受体结构边界出现在与新皮层和古旧皮层中细胞结构边界相当的位置，有时比细胞结构学对边界更敏感。然而，这种多模式方法如此强大实际上是，并非所有受体都揭示了所有可能的细胞结构边界，因此每个神经递质受体都可以识别细胞结构不同但神经化学相关区域的家族。事实上，其受体指纹区域之间的相似性，即它们在多个受体的特定共分布模式中，构成了这些区域之间通信的分子基础，从而赋予它们构建服务于特定功能系统的网络的能力。此外，受体指纹在功能系统和分离的皮层类型之间有所不同，并揭示了分层处理水平 [例如，新皮层与古旧或单峰与多模态区域]。因此，受体指纹能够分析大脑的结构分离及其功能连接原理。

对于转化研究重要的是，通过受体正电子发射断层扫描 （PET） 揭示的受体分布模式的区域差异与体外受体放射自显影获得的差异相当，前提是两种模态使用相同的配体（或不同的配体，但具有相当的特异性和类型）。最近，Hansen 等人提供了 3 维规范受体图谱。PET 衍生的受体数据显示了大脑结构和功能的耦合、与连接的对应性以及神经动力学（脑磁图数据）和脑部疾病（如注意力缺陷/多动障碍、自闭症和颞叶癫痫）中的神经萎缩。Kaulen 等人的另一项研究提供了一个图谱，显示了谷氨酸和 GABAA 的体内分布，对精神疾病有潜在益处。虽然受体 PET 的优势在于允许在受体水平上研究分子动力学，并且可以揭示它们与健康受试者和患者的行为和疾病的关系，但体外受体放射自显影具有提供更高空间分辨率和处理同一样本中许多不同受体类型的优势。因此，体外受体放射自显影是分析神经精神疾病发病机制的有力工具，其中受体改变通常与多个递质系统相关。为了将受体研究（体内和体外）的数据与细胞结构、连接研究和功能成像的结果相结合，有必要将它们整合到一个通用的参考空间中，并使用一个图谱，其中表示了不同尺度的不同数据模态。

Cytoarchitectonic and Receptor Architectonic Maps as Part of a Multilevel Brain Atlas

细胞结构学概率图谱已被用于构建 EBRAINS 多级脑图谱（https://ebrains.eu/service/human-brain-atlas/，https://atlases.ebrains.eu/viewer/go/julichbrain），这是一种 3D 参考图谱，在微观和宏观尺度上链接了大脑组织的不同方面。该图谱的核心思想是将不同的全脑图谱和区域数据整合到一个通用框架中，并将它们叠加在同一个模板中。因此，该图谱支持不同空间尺度的多个模板，并包含空间之间的显式链接。

图谱的微观尺度由 BigBrain 模型和模板空间 （http://bigbrain.brainatlas.eu ） 表示，即以 20 μm 空间分辨率对人死后大脑的一系列细胞体染色切片进行 3D 重建，这是一个 TB 级的数据集 。BigBrain 的灰度值代表细胞密度，允许人们区分皮质层甚至大细胞中的细节。已经为这种微观结构模板提出了自动映射工作流程，例如，产生了新皮层 6 层的完整映射 [http://layers.brainatlas.eu]。它使用 3D 皮层强度分布和 1D 卷积神经网络的分类。此外，基于数千个组织学切片的图像分割，计算了皮层和皮层下区域的高度详细图谱，从而在一组稀缺的细胞结构识别区域上训练了 2D 卷积神经网络。

图谱的宏观尺度由蒙特利尔神经学研究所 （MNI） 参考空间表示，该参考空间用于许多神经影像学和临床应用。它包含不同的模板，包括 MNI Colin 27 单被试平均值以及 ICBM 152 2009c 不对称多被试平均值（空间分辨率为 1 mm）。这两个模板都由概率细胞结构图完全映射。因为这些遵循与 BigBrain 空间中可用的图谱相同的描绘原则，所以它们构成了跨尺度的直接解剖学联系。BigBrain 是提供第一个皮层全脑模型和研究海马体 3D 拓扑结构的基础。皮质区域和皮质下核团的超高分辨率 3D 重建已经被开发出来 并公开提供给社区。此外，在过去几年中还开发了几个新工具，例如 BigBrain warp 工具箱和 PET 示踪剂模拟，并建立了与其他社区工具的链接；有关概述，请参阅  https://bigbrainproject.org/ 。

对于其中 30 多个细胞结构区域，已使用定量体外放射自显影获得神经递质受体密度。数据集以区域数据特征的形式直接链接到多级图谱，由可公开访问的底层组织样本的细胞结构定位来识别。

最近，体积细胞结构图已被投影到 fsaverage 表面空间 [ https://surfer.nmr.mgh.harvard.edu/ ]。

Accessing and Analyzing Atlas Data Through the siibra Tool

可以使用 siibra 软件工具套件直接访问不同的图谱，siibra 软件工具套件是一个用于与大脑图谱交互的软件界面，提供交互式和编程界面。这个最近开发的工具套件包括一个完全交互式的 Web 界面（siibra-explorer） 和一个全面的 python 库（siibra-python）。此外，还提供了一个 HTTP 应用程序编程接口，用于连接外部应用程序（siibra-api；托管在 https://siibra-api-stable.apps.hbp.eu/）。底层参考模板、分割和数据作为精选数据集存储在 EBRAINS 知识图谱 （https://search.kg.ebrains.eu） 中。siibra 工具将这些数据集集成到多级图谱中，并将它们与其他资源链接，例如来自连接研究的资源。

交互式 siibra-explorer（https://atlases.ebrains.eu/viewer）提供参考体积的 3 平面视图以及 3D 表面的可旋转概貌。可以使用图层导航面板（Fig. 2）选择不同的模板和图谱，从而允许在 MRI 级视图和 BigBrain 的全分辨率以及卷曲和膨胀表面的 3D 视图之间切换。预先计算的非线性变换将用于保留跨空间视图的 3D 位置、方向和缩放级别（Fig.3），从而在新空间中呈现相应的解剖区域。通过选择大脑区域，将显示一个侧面板，该面板提供描述和指向知识图谱中详细元数据的链接、从知识图谱和其他在线资源链接的区域数据特征列表，以及用于来自不同成像队列的区域连接配置文件的交互式浏览器。可以通过单击或导航交互式、可搜索的区域层次结构树来选择区域。查看器提供了一个可扩展的插件架构，其中包括用于创建和共享命名位置、线和多段线的注释模式，以及一些用于交互式数据分析的工具，例如 JuGEx。

Figure 2. User interface of siibra-explorer, the interactive 3-dimensional viewer for accessing the multilevel brain atlas hosted at https://atlases.ebrains.eu/viewer. Julich-Brain cytoarchitectonic maps depicted in different colors in MNI Colin 27 space at 1-mm resolution, layer navigator panel opened, which showed the selectable reference spaces and parcellation schemes.

Figure 3. User interface of the siibra-explorer showing the approximately corresponding view as in Figure 2, which the viewer presents after switching to BigBrain space with 20-mm resolution. Cytoarchitectonically mapped areas in the BigBrain are labeled with different colors

siibra-explorer 的交互功能以及高级功能可通过软件库 siibra-python 集成到计算工作流程中，该软件库可直接从 https://pypi.org/project/siibra/ 安装。该库为分割、图谱、参考空间和多模态数据特征提供数据类型和预定义对象，并提供与 numpy、pandas、matplotlib、nibabel 和 nilearn 等常见库的兼容性。https://siibra-python.readthedocs.io 上提供了详细的文档，其中还提供了可下载的代码示例和说明。

Application Scenarios

多级图谱旨在整合来自活体和尸检研究的多模态数据，并与越来越多的数据相关联（有关可访问的工具和数据，请参见 Table 1）。在下一节中，将说明几个应用程序的范围。

Sharing and Analyzing High-Resolution Microscopic Data in the BigBrain Space

BigBrain 适用于从高空间分辨率的组织学实验中感兴趣体积中对区域数据进行空间锚定。VoluBA 是一项服务，用于将此类体积上传和交互式锚定到 BigBrain （https://voluba.apps.hbp.eu/#/），包括来自双光子、光片成像或 X 射线的成像数据。例如，来自 3D 偏振光成像的体积已锚定到 BigBrain 空间，显示了海马体中神经纤维方向的分布。图谱中的嵌入允许人们比较模态并了解感兴趣体积的方向、大小和与叠加在细胞结构 BigBrain 模型上的其他大脑区域的近似程度（https://search.kg.ebrains.eu/instances/Dataset/b08a7dbc-7c75-4ce7-905b-690b2b1e8957）。

Comparing Activation Data From fMRI Data With Cytoarchitectonic Maps

当 fMRI 研究转化为 MNI 参考空间时，可以很容易地将激活区域与图谱的脑区进行比较。对于这种情况，siibra-explorer 允许通过将文件拖到浏览器窗口上来将本地脑体积与体积图谱叠加。通过使用 JuSpace 工具箱的用户界面，fMRI 数据集还可以与各种神经递质系统的核成像（PET 和单光子发射计算机断层扫描图）相关联。此外，该图谱提供了对高分辨率任务 fMRI 数据集的访问。

Cytoarchitectonic Maps as Seed Regions for Analyses of Connectivity

这些图谱已用于从队列研究中提取区域平均连接矩阵。功能和来自扩散成像的纤维计数和长度形式的和结构连接数据集已与图谱相关联，提供连接剖面作为区域特征类型。在 siibra-explorer 中，它们可用于交互式地探索大脑区域的连接；选择源区域和连接数据集后，将显示已连接目标区域的列表，并使用连接强度为分割图着色（Fig.4）。

Figure 4. (A) FreeSurfer view of cytoarchitectonic maps. (B) Pull-down menu with connectivity map of area V1, left. Connected areas are colored, showing the connectivity strength from strong (red) to weak (blue). (C) Gene expression map showing differential expression of gene GABRA3 between primary visual and auditory areas in relative units (z scores; see also Studying Genetics: The JuGEx Tool).

Studying Genetics: The JuGEx Tool

siibra 工具套件实现了与 Allen Brain Atlas 应用程序编程接口（Allen Institute for Brain Science；https://brain-map.org/api/index.html）的直接接口。微阵列测量通过组织块的 3D 坐标与图谱相关联，组织块在 MNI 参考空间中提供（Fig. 4C）。此接口支持实现最初在 MATLAB 中实现的 JuGEx 工作流程，作为 siibra-python 包 （https://github.com/FZJ-INM1-BDA/siibra-jugex/） 的扩展，并使其在 siibra-explorer 中作为交互式插件访问。通过在图谱中选择 2 个感兴趣的区域，该工作流程可对候选基因的表达水平进行差异分析。该工具允许披露重度抑郁症患者左内侧额极区域 Fp2 的亚区域特异性。

From Large Cohort Data to Individual Profiles of Brain Aging

大脑老化是一种个体现象。细胞结构图可用于老年人群的深度表型分析，以链接多层次的大脑、认知和生活方式数据，以更好地了解正常衰老的大脑以及脑部疾病中的不同大脑-行为关系，从而有利于临床精神病学。在一项试点研究中，作为一项基于人群的大型队列研究 1000BRAINS 的一部分，分析了 5 名在痴呆筛查测试中得分低的男性亚组。正如预期的那样，个体认知概况在认知能力、生活方式因素和灰质萎缩方面存在高度异质性。然而，亚队列的细胞结构定义区域 PFt 、PG 、3b 和 45 与大队列的平均值偏离了 2 个标准差以上，并通过 JuGEx 工具对结构连接、受体密度和 APOE 表达进行了表征。这种使用微观和宏观结构信息的综合方法有助于解释个体现象，并可能产生个体临床诊断和量身定制的治疗策略。

Critical Discussion and Constraints

概率细胞结构图谱是多级图谱的参考数据，用于整合人脑组织的不同数据，这些数据无法在一个大脑或一个实验中进行研究，其是研究不同空间尺度上的结构-功能关系的先决条件。有几个挑战。人脑在折叠模式、皮质区域的范围和定位以及这些区域的边界与折叠模式的关系方面在解剖学上是可变的。大脑激活和功能也是如此。细胞结构概率图捕捉了解剖学变异性，但也包括由方法学因素引起的变异性。已经表明，与基于体积的图谱相比，基于表面的图谱的变异性更小，这可能会提高研究皮层的精度。已在 FreeSurfer 参考空间 （https://ebrains.eu/news/new-maps-features-ebrains-multilevel-human-brain-atlas/）中计算了基于表面的最大概率图，以满足更详细地研究功能激活的细胞结构相关性的需求。同时，基于表面的图谱的计算无法描绘位于大脑深处的皮层深度和结构的信息，并且在提取表面时无法排除拓扑错误。另一个局限性包括概率图谱的 10 个大脑的样本量有限以及对老年受试者的自然偏向，尽管这些因素的影响在映射研究中被认为是有限的。将死后大脑数据的图像配准到公共参考空间会带来不可避免的不准确。例如，在评估结构-功能关系时，更细粒度的结构，例如单个皮层，以及一些小区域（几毫米大），无法在活体成像分辨率下正确捕获，这可能导致活体和死后数据之间的关联较弱、不需要的平滑和部分容积效应。最后，几个区域显示出非常细粒的分割和复杂多变的折叠模式，例如顶内沟和岛叶。假设驱动的成像实验对于确定涉及这些区域的功能相关性和特定网络是必要的。

Summary and Outlook

已经提供了一个多模态参考框架，用于基于 Julich-Brain 脑图谱研究多个尺度的大脑组织。该图谱是交互式的，并在广泛使用的模板中提供细胞结构脑区的详细图谱，这些模板与受体密度数据、基于结构扩散张量成像的连接数据以及来自 Allen Brain Institute 的基因表达数据相关联。它是公开的，以促进结构-功能关系的研究。可以通过 EBRAINS 的知识图谱访问有关大脑区域的信息。该地图集是一个正在进行的项目；新图将被整合到图谱中，大数据量的集成将在未来发挥越来越大的作用。深度学习算法在高分辨率检测和 3D 重建大脑区域方面变得越来越强大，有利于研究小型和几何复杂的大脑区域。计划未来的工具将支持以 3D 图形状结构的形式探索和访问数据，特别是纤维束、脉管系统骨架、神经元形态和折线注释。开发现代大脑图谱需要与超级计算专家合作，并且对于扩大和改进图像处理步骤（例如细胞识别）是必要的。神经解剖学的这些和其他未来趋势可以在 Julich-Brain 中实施，以使其保持最新状态，作为探索大脑组织和提供解码脑部疾病病理机制所需的知识库的工具。