腦組織中功能成像和基因表達譜的組合表明小鼠中35種神經元亞型的特性，揭示了控制每個亞型活動的基因表達軸。
瞭解大腦如何工作的一個重要步驟是建立腦細胞型別目錄。單細胞轉錄組學已經改變了細胞型別分類，它揭示了從目的腦區分離的成千上萬個單細胞中每一個細胞的基因表達庫。但是這些細胞型別有什麼作用，它們在神經元迴路中起什麼作用？
Bugeon
等人
1
在
Nature
上撰文
試圖透過開發一種方法來測量小鼠視覺皮層中轉錄組定義的細胞型別的體內活性來解決這些問題。
單細胞轉錄組學揭示了許多組不同的皮層神經元。
這些組可以根據轉錄組的異同進行分級組織，形成類、子類、型別和亞型的四級結構。
解開這些組中的每一個功能需要能夠在活體中區分它們並且實時測量它們的活動。近幾年由於
空間轉錄組學
2
的出現使之成為可能，其中基因表達在腦切片中進行分析，保留每個細胞的空間位置。
空間轉錄組學可以在同一腦組織的體內功能研究之後進行
，使研究人員能夠將轉錄組學特性指定到已經測量過其他特性
（如活動或形狀）
的神經元。
Bugeon及其同事著手擴大這種事後空間轉錄組分析的範圍，包括
分析的細胞數量和每個細胞中探測的基因數量
。為此，作者開發了一種名為
coppaFISH
的技術，它可確定
大腦切片單個細胞中72個基因的同時表達
。然後可以將該表達譜對映到現有的單細胞轉錄組中，以解碼細粒度
（fined-grained）
的細胞特徵。
研究人員利用這種方法分析了小鼠初級視覺皮層中的一類神經元，即GABAergic抑制性中間神經元。抑制性中間神經元是向大腦區域性區域傳送投射的神經元，通常抑制或塑造興奮性神經元的活動。皮層中有幾十種抑制性中間神經元亞型，並且它們的功能特性還沒有被詳細研究過。
當老鼠在球上奔跑並對螢幕上的視覺刺激做出反應時，作者使用了一種稱為鈣成像的技術
（其中細胞內鈣水平作為神經元活動的代表）
來記錄大量神經元的活動。隨後將coppaFISH應用於成像組織，以識別皮層表層的細胞
［Fig。1］
。
他們還執行了一系列影象對齊任務，以確保每個細胞的成像和轉錄組資料之間的相關性非常精確。
總共獲得了1，090箇中間神經元的資料。
Figure 1 功能與基因表達相結合：使用成像方法來測量小鼠大腦視覺皮層中一類神經元的活動，而動物則在球上奔跑並對螢幕上的視覺刺激作出反應
作者將這些中間神經元分為
5個子類、11種類型和3個亞型
，其中
許多以前沒有在體內發現過
（例如名為Sncg的子類）
。然後，他們根據資料來分析每個組如何對不同的視覺刺激和不同的大腦狀態
（即以驅動特定行為的活動模式為特徵，例如跑步或靜止不動）
做出反應。
研究人員發現，神經元對視覺刺激的各種特徵
（例如方向和方向選擇性）
的反應在不同子類神經元之間存在顯著差異，但在各型別或亞型之間沒有顯著差異。相比之下，運動活動和瞳孔大小對不同大腦狀態的反應在所有三個等級層次上都不同。
Bugeon等人進行了主成分分析，
該分析揭示了一個單一的轉錄組學主成分，它可以預測不同細胞亞型的活動將如何受到大腦狀態的調節。
該轉錄組軸與細胞的特定生理特性相關
，例如它們的膜時間常數
（測量跨細胞膜電位變化所需的時間）
和rheobase
（測量神經元興奮性）
。它還
與編碼膽鹼能受體蛋白的基因表達水平相關
，膽鹼能受體蛋白參與調節神經元活動。這些發現將幫助我們更好地理解不同抑制神經元在電路功能中的複雜作用，以及不同亞型神經元如何相互作用。
總 結
這項研究開始解決神經科學中一個長期存在的問題——
為什麼皮層中有這麼多抑制性
（和興奮性）
神經元亞型？
儘管結果令人鼓舞，但要完全回答這個問題並瞭解不同的細胞亞型是否都具有獨特的作用，還有很長的路要走。
Bugeon等人只是部署了一組有限的視覺刺激，且動物處於幾個簡單的狀態。未來的研究將使用更多樣化和自然的視覺刺激，並讓動物參與行為和學習任務，可能會在型別或亞型神經元水平上，揭示不同行為階段神經元對視覺線索反應方式的更多差異。例如，更完整的視覺尺寸和對比度調整分析可能會區分每個子類神經元中的不同型別，這反過來也有助於更深入地研究細胞行為與其基因表達之間的關係。
最後，
將他們的方法與細胞的深層形態、連線和生理特徵相結合，可以使研究人員探索細胞型別如何相互作用以形成控制複雜過程
（如感官知覺、行為和學習）
的神經環路。
原文連結：
https：//www。nature。com/articles/s41586-022-04915-7
參考文獻
1。 Bugeon， Stéphane et al。 “A transcriptomic axis predicts state modulation of cortical interneurons。”
Nature
， 10。1038/s41586-022-04915-7。 6 Jul。 2022， doi：10。1038/s41586-022-04915-7
2。 Biancalani， Tommaso et al。 “Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram。” Nature methods vol。 18，11 （2021）： 1352-1362。 doi：10。1038/s41592-021-01264-7