Nature：为什么大脑皮层中有这么多抑制性（和兴奋性）神经元亚型？
脑组织中功能成像和基因表达谱的组合表明小鼠中35种神经元亚型的特性，揭示了控制每个亚型活动的基因表达轴。
了解大脑如何工作的一个重要步骤是创建脑细胞类型目录。单细胞转录组学已经改变了细胞类型分类，它揭示了从目的脑区分离的成千上万个单细胞中每一个细胞的基因表达库。但是这些细胞类型有什么作用，它们在神经元回路中起什么作用？Bugeon等人1在Nature上撰文试图通过开发一种方法来测量小鼠视觉皮层中转录组定义的细胞类型的体内活性来解决这些问题。
欢迎加入
全国视觉与脑科学学术讨论群
添加小编微信
brainnews_11
-留言：视觉与脑科学研究群-
单细胞转录组学揭示了许多组不同的皮层神经元。这些组可以根据转录组的异同进行分级组织，形成类、子类、类型和亚型的四级结构。
解开这些组中的每一个功能需要能够在活体中区分它们并且实时测量它们的活动。近几年由于空间转录组学2的出现使之成为可能，其中基因表达在脑切片中进行分析，保留每个细胞的空间位置。空间转录组学可以在同一脑组织的体内功能研究之后进行，使研究人员能够将转录组学特性指定到已经测量过其他特性（如活动或形状）的神经元。
Bugeon及其同事着手扩大这种事后空间转录组分析的范围，包括分析的细胞数量和每个细胞中探测的基因数量。为此，作者开发了一种名为coppaFISH的技术，它可确定大脑切片单个细胞中72个基因的同时表达。然后可以将该表达谱映射到现有的单细胞转录组中，以解码细粒度（fined-grained）的细胞特征。
研究人员利用这种方法分析了小鼠初级视觉皮层中的一类神经元，即GABAergic抑制性中间神经元。抑制性中间神经元是向大脑局部区域发送投射的神经元，通常抑制或塑造兴奋性神经元的活动。皮层中有几十种抑制性中间神经元亚型，并且它们的功能特性还没有被详细研究过。
当老鼠在球上奔跑并对屏幕上的视觉刺激做出反应时，作者使用了一种称为钙成像的技术（其中细胞内钙水平作为神经元活动的代表）来记录大量神经元的活动。随后将coppaFISH应用于成像组织，以识别皮层表层的细胞[Fig.1]。
他们还执行了一系列图像对齐任务，以确保每个细胞的成像和转录组数据之间的相关性非常精确。总共获得了1,090个中间神经元的数据。
Figure 1 功能与基因表达相结合：使用成像方法来测量小鼠大脑视觉皮层中一类神经元的活动，而动物则在球上奔跑并对屏幕上的视觉刺激作出反应
作者将这些中间神经元分为5个子类、11种类型和3个亚型，其中许多以前没有在体内发现过（例如名为Sncg的子类）。然后，他们根据数据来分析每个组如何对不同的视觉刺激和不同的大脑状态（即以驱动特定行为的活动模式为特征，例如跑步或静止不动）做出反应。
研究人员发现，神经元对视觉刺激的各种特征（例如方向和方向选择性）的反应在不同子类神经元之间存在显着差异，但在各类型或亚型之间没有显着差异。相比之下，运动活动和瞳孔大小对不同大脑状态的反应在所有三个等级层次上都不同。
Bugeon等人进行了主成分分析，该分析揭示了一个单一的转录组学主成分，它可以预测不同细胞亚型的活动将如何受到大脑状态的调节。
该转录组轴与细胞的特定生理特性相关，例如它们的膜时间常数（测量跨细胞膜电位变化所需的时间）和rheobase（测量神经元兴奋性）。它还与编码胆碱能受体蛋白的基因表达水平相关，胆碱能受体蛋白参与调节神经元活动。这些发现将帮助我们更好地理解不同抑制神经元在电路功能中的复杂作用，以及不同亚型神经元如何相互作用。
这项研究开始解决神经科学中一个长期存在的问题——为什么皮层中有这么多抑制性（和兴奋性）神经元亚型？尽管结果令人鼓舞，但要完全回答这个问题并了解不同的细胞亚型是否都具有独特的作用，还有很长的路要走。
Bugeon等人只是部署了一组有限的视觉刺激，且动物处于几个简单的状态。未来的研究将使用更多样化和自然的视觉刺激，并让动物参与行为和学习任务，可能会在类型或亚型神经元水平上，揭示不同行为阶段神经元对视觉线索反应方式的更多差异。例如，更完整的视觉尺寸和对比度调整分析可能会区分每个子类神经元中的不同类型，这反过来也有助于更深入地研究细胞行为与其基因表达之间的关系。
最后，将他们的方法与细胞的深层形态、连接和生理特征相结合，可以使研究人员探索细胞类型如何相互作用以形成控制复杂过程（如感官知觉、行为和学习）的神经环路。
原文链接：
https://www.nature.com/articles/s41586-022-04915-7
参考文献
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
编译作者：Young（brainnews创作团队）
校审：Simon（brainnews编辑部）