百万级神经元的自动分析神器：NEURD如何让大脑连接图一目了然

神经科学研究如今进入了“大数据”时代，科学家们能用超高精度的显微镜拍摄大脑的细微结构，获取海量的神经网络信息。但即使借助人工智能初步重建了神经元的三维结构，研究人员仍需花费大量时间手动修正错误，比如把本不该连在一起的神经元分开，同时还要用多种工具提取神经元的特征数据。

最近，《自然》杂志介绍了一款名为NEURD的免费开源软件，它能一键搞定神经元结构的自动纠错，还能提取树突棘、轴突-树突接触区等关键特征，大幅降低了研究大脑连接网络的难度。研究团队测试了NEURD在多个著名数据集（如MICrONS和H01）中的表现，认为它可能像行为学研究中的“DeepLabCut”软件一样，成为神经形态学研究的标配工具。

科学家发现，不同实验室用不同显微镜（透射电镜和扫描电镜）生成的神经元3D模型，都存在类似的拼接错误。NEURD开发了一套智能预处理流程，能自动识别并标注这些模型中的关键结构：

✅ 准确区分细胞体、轴突、树突、胶质细胞等部件

✅ 揪出常见错误：比如把两个神经元粘在一起、给神经突“乱加枝条”、甚至误把血管片段拼进神经元
就像给照片自动修图的PS工具，NEURD先帮科学家标出所有需要修改的“瑕疵点”。

NEURD把神经元的复杂分支结构转换成树状图：

以细胞体为“祖宗”，轴突和树突变成分叉的“家族分支”

自动拆解多细胞体粘连，断开循环错误结构
这种转换让神经元变得像族谱一样清晰，支持三种尺度的分析：

局部特征（如某段树突的粗细）

区域特征（如一组分支的走向）

整体特征（如整个神经元的体积）

基于上述树状图，NEURD能智能识别典型错误：

发现树突突然变粗（可能是粘了别人的部分）

捕捉轴突不自然的180°转弯（可能是拼接失误）
测试显示：

纠错准确率>95%

处理速度比人工快3倍

突触标注正确率从13%飙升至87%

用NEURD分析发现：

物种差异：小鼠皮层浅层的轴突初始段（AIS）突触比深层多，人类脑样本中则无此规律

形态密码：近投射神经元（NP）的基底树突比普通锥体细胞更复杂

输入偏好：兴奋性神经元树突棘上的“接收器”（突触）更多，且主要接收兴奋性信号

连接潜规则：兴奋性神经元之间“不爱互相联系”，却喜欢给抑制性神经元发送信号

组团现象：大脑中存在大量“三角关系”（A→B→C→A的闭合环路）

功能验证：存在多突触连接的神经元，在活跃时会像好友圈一样“集体行动”，印证了“一起放电就加强连接”的神经科学经典理论

未来展望

NEURD就像神经科学的“瑞士军刀”，不仅能自动修复神经元模型，还能提取上百种特征参数。虽然目前对某些复杂错误仍需人工干预，但它已经让大脑连接组学研究效率提升数倍。团队计划继续升级，让它能分析更多物种和脑区的数据。

这项突破意味着：过去需要整个实验室数月完成的分析工作，现在借助NEURD可能几天就能完成，为解密大脑的布线密码提供了超级加速器。

参考文献：Celii B, Papadopoulos S, Ding Z, Fahey PG, Wang E, Papadopoulos C, Kunin AB, Patel S, Bae JA, Bodor AL, Brittain D, Buchanan J, Bumbarger DJ, Castro MA, Cobos E, Dorkenwald S, Elabbady L, Halageri A, Jia Z, Jordan C, Kapner D, Kemnitz N, Kinn S, Lee K, Li K, Lu R, Macrina T, Mahalingam G, Mitchell E, Mondal SS, Mu S, Nehoran B, Popovych S, Schneider-Mizell CM, Silversmith W, Takeno M, Torres R, Turner NL, Wong W, Wu J, Yu SC, Yin W, Xenes D, Kitchell LM, Rivlin PK, Rose VA, Bishop CA, Wester B, Froudarakis E, Walker EY, Sinz F, Seung HS, Collman F, da Costa NM, Reid RC, Pitkow X, Tolias AS, Reimer J. NEURD offers automated proofreading and feature extraction for connectomics. Nature. 2025 Apr;640(8058):487-496. doi: 10.1038/s41586-025-08660-5. Epub 2025 Apr 9. PMID: 40205208; PMCID: PMC11981913.
编译作者：zouki（brainnews创作团队）校审：Simon（brainnews编辑部）