在临床与科研中，磁共振成像（MRI）早已是观察脑结构的常规手段，但始终停留在大体解剖层面，无法直接区分细胞类型。有没有可能让MRI看见神经元类型？
扩散磁共振（dMRI）可捕捉脑组织内水分子扩散特征，以此反推细胞密度、神经元突起、髓鞘等微观组织特征，这一特性是否可用于精准判定神经元细胞亚型？
2026年7月7日，美国德克萨斯大学西南医学中心Nian Wang教授团队（联合杜克大学、普渡大学、印第安纳大学等）在《Communications Biology》上发表研究“High-resolution mri guided whole mouse brain neuronal cell type atlas using deep learning”。
该研究整合高分辨率扩散磁共振成像、三维光片显微镜与空间转录组数据，在艾伦小鼠脑通用坐标框架下构建了多模态融合深度学习模型 MFNet，实现了 10 微米各向同性分辨率的全脑神经元细胞类型预测，生成了完整连续的小鼠全脑神经元图谱，验证了扩散成像对细胞类型的预测效能，为脑科学多尺度研究提供了全新技术路径。
如何让MRI识别神经元类型？
扩散MRI（dMRI）：通过检测水分子扩散规律，间接反映细胞密度、神经纤维走向等微观结构。
研究采集了 45 微米分辨率的离体小鼠脑 dMRI 数据，拟合出 DTI、DKI、NODDI、SANDI 四类扩散模型共 14 项量化指标；同时将 dMRI、光片显微镜影像与艾伦脑细胞图谱的空间转录组数据全部配准到统一坐标框架中，配准精度 Dice 系数达 0.96。团队构建了多扩散 MRI 融合网络 MFNet，结合多尺度卷积神经网络与 Transformer 提取特征，并采用脑区分层策略，按兴奋 / 抑制神经元共存水平分 3 个分区训练，有效提升了分类精度。
因此，多模态配准（Dice=0.96）+深度学习MFNet，建立了dMRI→细胞类型的预测框架。
神经元类型预测性能系统验证
研究以转录组细胞类型标签为金标准，通过留 5 组切片交叉验证评估性能。
结果显示，MFNet 效果显著优于基线模型，分脑区训练相比全脑统一模型进一步提升精度。全脑范围内，兴奋与抑制神经元的邻域级预测加权准确率分别达 97.8% 与 98.6%，细胞类级准确率分别为 88.6% 与 82.6%；海马、皮层等脑区准确率同样处于较高水平。 与仅用解剖位置的模型相比，加入 dMRI 特征后神经元类型预测准确率提升 12%~15%，说明 dMRI 的微观信息能区分同一脑区内共存的不同神经元。UMAP 可视化证实分脑区后细胞聚类更清晰；特征分析显示，SANDI 模型的胞体信号占比（Fsoma）与神经突起信号占比（Fneurite）是贡献最高的指标。
影像 - 转录组关联与全脑图谱生成
研究分析了 14 项 dMRI 指标与 500 个测序基因的空间表达关联，结果显示少突胶质细胞相关基因与 DKI、各向异性分数等指标显著正相关，神经元标记基因与 Fsoma、Fneurite 呈强相关，证实 dMRI 信号能反映细胞分子层面的特征差异。
在此基础上，研究通过 NeuN 染色的光片数据分割出全脑神经元位置，将训练好的模型应用于全脑体素，生成 10 微米分辨率的全脑神经元图谱。与原图谱相比，该图谱补全了 34% 的缺损切片，覆盖全脑 1320 个冠状切面，形成连续三维体积；抑制性神经元的分布与原位杂交金标准的吻合度，优于传统插值结果。
因此，dMRI信号与神经元/少突胶质细胞基因表达显著相关，验证了其生物学有效性；生成的10μm全脑图谱补全了34%缺损切片。
解读：传统细胞图谱依赖测序，轴向分辨率低、覆盖不完整。本研究生成的10微米分辨率全脑图谱，覆盖完整三维体积，为神经环路解析提供了前所未有的高精度基础资源。
全文总结
本研究建立了“高分辨扩散成像-深度学习-光片显微成像”的全脑神经元分型技术体系，突破了传统细胞图谱依赖测序、轴向分辨率低、覆盖不完整的局限，从分子与结构层面验证了 dMRI 预测细胞类型的生物学有效性，生成的高精度全脑神经元图谱为神经环路解析、脑发育机制与神经疾病模型研究提供了重要的基础资源与技术支撑。
小编寄语：
磁共振成像，在临床中常用于诊断肿瘤、出血、萎缩。
这项研究，让AI学会了读懂MRI信号里的微观信息，无需荧光示踪剂、无需离体脑组织切片，仅凭扩散MRI就能预测出全脑每个体素里的神经元类型，准确率超过88%。
人工智能赋予影像解析微观细胞的能力，未来有望实现无创检测活体人脑内神经元的种类与空间分布，为揭示各类神经疾病底层细胞病理机制，开辟一条颠覆性的全新研究路径。
https://doi.org/10.1038/s42003-026-10608-y
欢迎转发分享
热门跟贴