[論文レビュー] Automatic Neuron Type Identification by Neurite Localization in the Drosophila Medulla

Ting Zhao, Stephen M. Plaza|arXiv (Cornell University)|Sep 5, 2014

Cell Image Analysis Techniques参考文献 3被引用数 25

ひとこと要約

本論文では、標準化された3次元脳フレームワーク内でのニューロンの樹状棘アーバリゼーションパターンを分析することにより、ショウジョウバエの視床下部でニューロンのタイプを特定する、新しい場所に敏感なクラスタリング手法を提示している。ニューロンの形状をスケルトンとしてモデル化し、シナプス層内の枝の空間的分布に基づいてクラスタリングすることで、既知の細胞タイプの高精度同定が可能となり、特に17のクラスタで精度と再現率が80%以上を達成した。この手法により、接続体再構成における自動的かつ客観的なニューロンタイプ分類と品質管理が可能になった。

ABSTRACT

Mapping the connectivity of neurons in the brain (i.e., connectomics) is a challenging problem due to both the number of connections in even the smallest organisms and the nanometer resolution required to resolve them. Because of this, previous connectomes contain only hundreds of neurons, such as in the C.elegans connectome. Recent technological advances will unlock the mysteries of increasingly large connectomes (or partial connectomes). However, the value of these maps is limited by our ability to reason with this data and understand any underlying motifs. To aid connectome analysis, we introduce algorithms to cluster similarly-shaped neurons, where 3D neuronal shapes are represented as skeletons. In particular, we propose a novel location-sensitive clustering algorithm. We show clustering results on neurons reconstructed from the Drosophila medulla that show high-accuracy.

研究の動機と目的

• 接続体再構成における人的に負担が大きく、主観的なニューロンタイプ分類の課題に対処すること。
• 空間的文脈に基づいたニューロン形状の自動的・客観的なクラスタリングを可能にすることで、接続体解析を向上させること。
• 類似した位置に配置されたニューロンのクラスタリングを通じて、再構成の整合性を検出することにより、再構成の正確性を検証すること。
• 枝の局在が形状特徴のみに比べて、神経機能の指標としてより信頼性があるかどうかを検討すること。
• 事前にクラスタ数を定義する必要のない、スケーラブルでリファレンスベースの方法を提供し、大規模な電子顕微鏡データセットにおけるニューロンタイプの同定を可能にすること。

提案手法

• ショウジョウバエ視床下部の再構成済み電子顕微鏡データセットから抽出された3次元スケルトンとしてニューロン形態を表現する。
• 標準化されたシナプス層における枝密度分布を主な特徴として用いる、場所に敏感なクラスタリングアルゴリズムを開発する。
• 共通のリファレンス脳フレームワークを用いて、ニューロンの投影から得られる空間符号化特徴にアフィニティプロパゲーション（AP）クラスタリングを適用する。
• ラプラシアン固有ベクトルマップ（LE）を用いてニューロンを低次元空間に投影し、クラスタリングのパターンを可視化し、構造の妥当性を検証する。
• 完全なニューロン再構成を必要としないため、強度に基づく枝密度推定値を用いることで、部分的または低解像度のデータに対しても適用可能である。
• 事前にクラスタ数を知らなくてもよいように設計されており、データ内に自然なグルーピングが存在するかを発見可能である。

実験結果

リサーチクエスチョン

• RQ1 標準化された脳層における樹状棘の局在パターンは、ニューロンタイプ分類の信頼できる代理指標として機能するか？
• RQ2 クラスタリングに空間的文脈を組み込むことで、形状のみに依存する手法と比較して精度が向上するか？
• RQ3 この手法は、部分的な接続体における再構成エラーまたは欠落したニューロンを検出できるか？
• RQ4 枝の局在は、視床下部における機能的ニューロンタイプとどの程度相関しているか？
• RQ5 人為的にラベル付けされた例がなくても、このアルゴリズムはニューロンタイプを客観的かつ一貫して同定できるか？

主な発見

• 本手法は17のニューロンタイプで高精度クラスタリングを達成し、精度と再現率がともに80%以上であった。
• 縦方向クラスに属するニューロンの81.3%では、9つのサブクラスタを1つに統合したことで再現率が86.0%まで上昇し、形態的変異に対して高い耐性を示した。
• ラプラシアン固有ベクトルマップのプロットから、データクラウドに2つの主要なアームが観察され、視床下部内の処理深さに基づく2つの機能的集団に対応していた。
• アルゴリズムは部分的に再構成されたTm4ニューロンを完全なTm4ニューロンと正しくグループ化でき、品質管理および再構成検証の有効性を示した。
• クラスタリング結果から、樹状棘アーバリゼーションの空間的分布が、形状特徴のみに比べてニューロンタイプの同定により信頼性がある指標であることが確認された。
• 本手法は42の異なるクラスタを同定したが、そのうち17のクラスタが高精度（精度・再現率 ≥80%）を示した。9つのクラスタ、特に縦方向グループは形態的多様性のため、低い性能を示した。