组织清除方法和光片荧光显微镜的普及和集成为以极高的吞吐量为实现中尺度三维全脑连通性绘图创造了新的机会。随着大规模、高质量成像数据集的快速生成，下游分析正成为中尺度连接组学的主要技术瓶颈。由于详尽的手动注释和大量定制的培训，当前的计算解决方案是劳动密集型的，应用有限。同时，全脑数据分析总是需要多个包相结合，并由用户进行二次开发。为了应对这些挑战，来自MRC分子生物学实验室神经生物学处的Jing Ren等人开发了一种D-LMBmap工作包。

文章要点：

1) 该研究开发的是一个端到端的包，提供了一个集成的工作流程，包含三个基于深度学习算法的全脑连接映射模块：轴突分割、脑区分割和全脑注册；

2) 此外，D-LMBmap不需要对轴突分割进行手动注释，并且在单个工作流程中实现了对全脑投影组的定量分析，在所有测试模式中对多种细胞类型具有卓越的准确性。

参考资料：

Li, Z., Shang, Z., Liu, J. et al. D-LMBmap: a fully automated deep-learning pipeline for whole-brain profiling of neural circuitry. Nat Methods (2023).

10.1038/s41592-023-01998-6

https://doi.org/10.1038/s41592-023-01998-6