脑科学研究长期受困于“数据孤岛”——从显微切片到全脑成像不同尺度、模态的数据集散落各处缺乏统一的解剖学框架来整合与互操作。Siibra工具直击这一痛点通过构建多层级人脑图谱将细胞构筑、纤维连接与功能影像等多源数据锚定于共通坐标空间并以Python库、网页浏览器及API三种接口开放访问。它让研究者能在同一框架下从全脑网络无缝追踪到单个细胞实现跨尺度的可重复分析。摘要计算技术为理解人脑复杂性开辟了新的可能性但这需要将来自不同模态和尺度的测量数据整合到一个解剖学框架中并以一种可互操作、可执行的形式呈现。特别是随着大数据资源的不断增长如何连贯地获取来自不同尺度和模态的信息以进行可视化探索、可重复性分析和应用开发仍然充满挑战。在这里本文介绍了siibra一个将云端多元数据资源与参考图谱和坐标空间相连接的工具套件。Siibra通过网页浏览器、Python库和HTTP应用程序编程接口(API)等多种方式提供内容访问以支持不同的应用场景。本研究利用siibra构建了一个多层级人脑图谱该图谱将宏观解剖学概念及其个体间变异性与基于细胞构筑为参考的脑区微结构组成和内在方差测量数据相连接并支持基于磁共振成像(MRI)和微观水平的模板。该图谱已与EBRAINS集成。所有软件及内容均开放获取。引言解读人脑需要考虑多个层次的结构与功能组织并利用在不同时空尺度上通过互补方法获得的测量数据。为了将脑区的构成与内在变异性同全脑神经网络连接及个体间差异关联起来必须在细胞分辨率水平上将宏观解剖学概念与微观结构特征相连接。整合此类综合性信息需要能够在多个参考坐标系中、跨一系列空间分辨率和模态提供一致且精确解剖结构定义的参考图谱同时还需建立一个能统一表达大脑位置信息不同表征形式(例如脑区、坐标或边界框)的模型这些表征形式反映了测量数据是如何与解剖学建立联系的。这种将参考图谱与跨尺度和模态数据集相整合的方式即构成了一个多层级图谱。其实现建立在已有概念之上同时也带来了新的概念性和技术性难题。特别是它必须适应快速发展的计算技术和自动化工作流程以确保高效收集和处理其所提供的综合信息。尽管多层级脑图谱的各个要素源自差异极大的数据类型但必须以高度协调、可互操作且可直接执行的形式呈现才能以计算可扩展的方式将其投入使用。目前已有大量描述脑组织不同方面的数据资源以及反映其互补组织原则的各类参考图谱。这些图谱通常以基于活体成像的MRI图像体积或标记表面网格的形式提供其空间分辨率为毫米量级。迄今为止将信息整合到神经科学工作流程中的方法大多是通过将高分辨率测量数据转化为适用于宏观分析的表征形式例如在表面和体素格式中进行插值和平均后的特征分布。此类衍生数据虽使高分辨率特征变得可访问和可计算但也可能削弱原始测量中编码的丰富区域差异和空间特异性。事实上神经科学界正日益积极地共享具有完整细节的原始数据并推动其再利用。这一趋势也受到出版商日益关注的推动促使不同在线存储库中积累了丰富的大型原始数据资源。然而以完整的细节水平访问并利用来自不同尺度和模态的数据资源仍然是一项技术挑战。其重要原因之一是缺乏连贯的空间和语义整合。例如来自组织学研究的微观测量与全脑神经影像测量之间的结构关系往往不够明确并且数据所引用的可能是参考图谱中不同版本和表征形式的信息。此外测量数据与脑区之间的对应关系(如分区图中的标签索引)极易在分析工作流程中丢失。不仅如此对大脑空间位置的解释需要全面考虑定位精度、空间分辨率差异以及参考空间之间转换所带来的影响。另一个困难在于处理大数据的根本性差异例如处理具有完整分辨率的全脑切片和来自微观研究的千兆字节(GB)至太字节(TB)范围的三维(3D)体积数据这与处理以小文件形式共享的数据截然不同。获取和分析大型数据集的进展以及连接跨空间尺度上不同模态的需求正驱动着研究范式从下载文件向与云资源及服务交互的根本性转变。研究人员由此直面日益多样且持续变化的数据表征以及截然不同的工具链。因此为了提升可用性并促进数据利用我们亟需这样的软件解决方案它能将大型云资源中的数据与传统的文件导向型表征以统一且可互操作的方式呈现并为将其连接至分析与建模工作流程提供操作规范。在此本文介绍 siibra(用于与脑图谱交互的软件接口)这是一个旨在应对上述挑战的工具套件。它提供了一个信息学框架将来自不同模态和资源的数据与涵盖宏观和微观分辨率的参考图谱进行整合。该工具套件包含一个交互式三维网页浏览器、一个 HTTP 应用程序编程接口(API)以及一个 Python 库。它使我们能够指定并处理大脑中的各种位置形式并通过多层次的语义和空间关系将其分配到参考图谱定义的脑区中从而实现对感兴趣区域的解剖学表征和多模态分析。数据、空间位置和脑区之间的关系被建模为具有可量化不确定性程度的关联并根据公认的参考坐标系统和脑区分类法进行评估。我们开发 siibra 是为了实现一个与 EBRAINS 研究基础设施集成的多层级人脑图谱。该图谱将精心选择的参考图谱和坐标空间与广泛的多模态数据集相结合支持全脑的体素和表面工作流程同时允许以微观细节访问底层数据。我们在此介绍该工具套件并通过多层级人脑图谱这一具有挑战性的用例来展示其功能。通过在每幅图中包含可执行的底层代码或永久性链接本文也切实展示了siibra如何实现完全可重复的工作流程使所有研究人员都能轻松使用。方法为节省篇幅本文所涉及方法的完整技术细节请参阅原文方法部分。数据及代码资料本研究所使用的数据及源代码均可公开获取。大部分内容均以经审编的数据集形式发布详见EBRAINS平台(https://ebrains.eu)。基因表达水平检索自Allen人脑微阵列数据(https://human.brain-map.org/)。当前与图谱相关联的基础内容在https://github.com/FZJ-INM1-BDA/siibra-configurations/tree/v1上定义并维护。Siibra的源代码可在GitHub上获取(https://github.com/FZJ-INM1-BDA/siibra-pythonhttps://github.com/FZJ-INM1-BDA/siibra-explorer和https://github.com/FZJ-INM1-BDA/siibra-api)并依照Apache 2.0许可证(http://www.apache.org/licenses/)提供。本研究已将siibra的所有组件与Zenodo集成后者会为该工具套件的每个新版本生成唯一的数字对象标识符(DOI)。交互式浏览器的部署实例可在https://atlases.ebrains.eu/viewer公开访问该实例是EBRAINS中脑图谱服务的核心组成部分。网络API可通过https://siibra-api.apps.ebrains.eu/v3_0/docs访问。研究人员可通过Python软件包索引从https://pypi.org/project/siibra安装siibra-python。包含复现所有图表的可执行代码可通过https://siibra-python.readthedocs.io/en/v1获取。更详细的教程笔记可在https://github.com/FZJ-INM1-BDA/siibra-tutorials上找到。结果接下来本文将展示siibra的核心功能如何实现多层级人脑图谱的构建该图谱将参考图谱与来自云端资源的全面数据集相连接并使底层数据能够被神经科学应用所访问和调用(图1)。所有数据和功能均开放获取。为确保可重复性文中通篇提供了相应可执行代码和在线资源的引用。图1.siibra从复杂的多尺度数据资源中实现多层级人脑图谱。本研究建立在几个关键概念之上厘清这些概念之间的区别对于理解所呈现的结果与方法论至关重要。首先本研究将单个参考图谱与多层级人脑图谱这一上位概念加以区分。后者整合了反映不同脑组织原则的互补性参考图谱(图1b)例如Julich-Brain图谱(细胞构筑)、深部白质纤维束图谱(纤维构筑)或功能模式字典图谱(功能构筑)。此外遵循AtOM本体模型本研究假定每个独立的参考图谱均提供一套脑区定义的术语表通常以层级形式呈现。脑区在不同参考坐标系的图像或表面中被勾勒出来形成标注集。标注可以以标记图或统计图的形式给出分别反映离散或连续的标注关系。覆盖全脑的离散标注集通常被称为分区图。Siibra的设计与架构Siibra工具套件是一个由云服务和可安装软件组件构成的模块化环境(图1)。它包括一个交互式三维网页浏览器(siibra-explorer)、一个HTTP API(siibra-api)和一个Python库(siibra-python)。该在线浏览器可通过包括移动设备在内的常用网络浏览器访问并且能够在不上传用户提供的NIfTI文件的情况下将其与图谱内容共同显示。Python客户端可通过成熟的包管理器从https://pypi.org/project/siibra安装并在https://siibra-python.readthedocs.io/en/v1/examples.html上提供了广泛的文档化代码示例。该工具套件本身不存储任何实际数据。相反图谱中的所有要素和数据特征(统称为siibra内容)都被打上了全面的元数据标签并指向已公开发表的数据资源(图1a)。这包括为多层级人脑图谱指定的参考图谱和坐标系统以及关联到这些图谱的一系列多模态数据集。由于内容与软件分离安装Python客户端仅需极小的存储空间。遵循惰性数据获取策略siibra仅下载所请求的数据元素以根据用户需求逐步构建可配置的本地数据缓存。为在具有限制性网络策略的商业或临床环境中运行该系统可将配置克隆到本地计算机、显式预填充缓存并将API和浏览器组件部署为本地网络服务从而将整个工具套件配置为离线使用。Siibra能够指定并处理大脑中各种形式的空间位置例如所测的神经影像信号重心、功能激活坐标以及脑组织中感兴趣区域的边界框。这些位置可利用预先计算的微分同胚变换在不同参考坐标系之间进行转换其预期精度取决于相应区域内非线性形变的程度。位置可以通过多层次的语义和空间关系映射至参考图谱中定义的脑区并用于检索与这些结构相关联的多模态数据特征。然后siibra以可互操作的格式获取并公开内容元素。多层级人脑图谱本研究开发siibra旨在实现一个多层级人脑图谱该图谱已集成到EBRAINS(https://ebrains.eu)并提供连接至其他数据存储库的接口。该图谱将不同尺度下的参考图谱和坐标空间与多模态数据集相结合既支持全脑体系的体素和基于皮层表面的工作流程又允许在微观细节层面访问底层数据。参考空间在宏观尺度上包括国际脑图谱联盟(ICBM) 2009c非线性不对称多被试模板和Colin27单被试平均模板以及来自Freesurfer软件套件的表面子空间(fsaverage和fsaverage6)。这些空间与微观结构层面的BigBrain空间相结合后者来自死后人脑的7404张组织学切片的三维重建其各向同性体素分辨率为20×20×20μm。多层级人脑图谱的一个核心元素是Julich-Brain细胞构筑图谱该图谱目前包含每个半球超过两百个皮层和皮层下区域的概率图。选择Julich-Brain图谱是基于其严谨的多尺度方法(1)它基于对十个死后大脑的研究捕获了区域微结构方差(2)提供了可重复的、独立于观察者的映射(3)映射的质量已通过大量同行评审出版物得到验证(4)它包含一个微观模板空间BigBrain从而能够在宏观尺度(如MNI模板所示)与微观尺度(如BigBrain所示)之间架设桥梁。越来越多的已映射区域被标注为跨越整个BigBrain组织学切片系列、具有20μm各向同性分辨率的详细三维图谱并辅以深度学习工作流程。BigBrain中的大脑皮层通过一种对三维皮层信号强度轮廓进行自动分类的方法被进一步分割为六层等皮质层的图谱。细胞构筑图谱与浅层及长程白质纤维束图谱以及功能模块图谱对齐前者通过对大量被试的扩散加权成像中的流线进行聚类获得后者则从数百万次fMRI扫描中计算得出旨在提供BOLD信号的有效降维和表征。当前连接到该多层级图谱的数据资源包括细胞构筑(例如细胞密度和染色轮廓)与分子构筑(例如受体密度和基因表达)的详细测量数据、来自神经影像队列的基于分区的结构和功能连接数据以及广泛收集的高分辨率组织学测量数据。从全脑网络到细胞的可视化引导探索交互式图谱浏览器siibra-explorer支持从大脑宏观尺度到单个细胞体的可视化引导探索可通过任何网络浏览器访问包括移动触屏设备。它将非常庞大且精细的图像资源整合到全脑的三维可视化中。此外它将横截面体积视图和表面视图嵌入到一个交互式工作流程中使用户能够在不同坐标系中导航参考图谱并访问锚定于脑区或基于坐标位置的多模态数据集。横截面视图可以实时调整以显示任意倾斜的切割平面和缩放级别这对于研究高度折叠皮层表面的皮层分层结构等场景至关重要。单个平面视图可最大化以获取大视野并支持图层叠加以便将脑区图谱与底层图像数据共同显示。第一个示例涉及初级运动皮层(4p6区)第V层的Betz细胞。该工作流程从选择MNI Colin27模板和作为参考图谱的Julich-Brain开始显示为横切面视图并结合相应参考坐标系中的可旋转三维表面可视化(图2a)。通过最大化其中一个切割平面可以获得更聚焦的视图并可将其调整为斜向切片角度(图2b)。图2.使用siibra-explorer进行从全脑到单个细胞的脑结构可视化引导探索。当切换至BigBrain模板时预计算的非线性空间变换在改变参考坐标系的同时会保留位置和缩放级别(图2c)。除跨被试非线性配准所固有的权衡之外此坐标转换的精度还取决于数值限制以及所放大感兴趣区域内模板之间非线性形变的程度。如果在源参考空间中选中了某个特定脑区(例如图2b)siibra-explorer会尝试在目标空间中保留该选择。然而该区域的对应图谱可能在目标空间中不可用。在此情况下区域选择将被舍弃并弹出相应的通知该感兴趣区域将在目标参考空间中显示为未绘制区域。此机制可用于识别MNI空间中的宏观结构并以此作为探索BigBrain中细胞构筑区域和皮层分层详细图谱的起点并找到锚定于此坐标空间的细胞分辨率相关微观图像数据(图2d)。该浏览器允许我们选择微观图像并将其与底层模板叠加从而在保持与全脑背景关联的同时以完整空间分辨率对其进行探索(图2ef)。通过收藏浏览器网址或使用右上角的下载按钮获取底层放大数据可以重复使用这些多层级视图。感兴趣区域的解剖学表征与多模态分析Siibra工具套件能够将用户定义的感兴趣区域分配给参考图谱中的脑区并有助于检索相关的多模态测量数据。这可用来根据结构、功能和连接性进一步表征这些区域。在最简单的情况下位置被指定为受支持参考空间中的三维坐标(图3a)使用的是siibra的交互式或编程式位置定义选项。随后利用可用的三维参考图谱(例如功能、细胞或纤维构筑图谱)并区分结构的发生率、相关性和重叠将相关联的脑区分配给参考图谱中的脑区(图3e)。在统计图谱中为反映图谱间的重叠每个脑区通常由一个单独的图像体积表示这可能涉及检索、加载和处理数百个图像体积。为减少由此产生的下载时间和内存需求siibra对统计图谱采用了一种稀疏数据表示法以最大限度地降低内存占用。然后相关的脑区可被用于执行数据查询以查找与这些结构相关联的多模态数据特征(图3f)。在此过程中siibra会自动解析不同参考空间之间的空间关系并在必要时使用预先计算好的微分同胚变换来扭曲坐标。图3.感兴趣区域的解剖学表征与多模态分析。多层级人脑图谱中当前的数据特征集被分为细胞、分子、纤维、功能、连接性和宏观结构等类别。其内容涵盖图像、表格和数值数组数据的组合。表格数据结构包括来自组织学标记的皮层密度测量、编码组织样本密度均值和标准差的“指纹”、结构和功能连接矩阵以及来自Allen人脑微阵列数据的外部数据(如基因表达水平)。连接矩阵是从弥散MRI数据的纤维束成像中获得的按分区分组的纤维束数量和长度以及从不同神经影像队列中提取的静息态和任务特异性功能时间序列的相关性。图像特征包括组织切片、来自高分辨率成像实验的感兴趣体积以及活体神经影像扫描。组织学图像数据通常锚定于BigBrain模板因为该模板提供了嵌入显微数据所需的细节水平。除了坐标之外感兴趣区域还可以通过图像体积来指定(图3b)例如来自功能神经影像研究的激活图。通过处理图像的分割区域或特定强度范围可以直接将其用于空间特征查询(图3c)以访问空间锚定的数据集例如共配准的二维和三维图像数据或表格形式的区域定量数据(如从Allen人脑图谱中检索到的局部基因表达)。对于解剖学分配siibra会计算输入图像与参考图谱中脑区标注之间的相关性和重叠度量。在许多情况下建议在计算分配之前先将此类特征图分割成聚类成分(图3c)。该示例使用了基于输入图像采样点的层次密度聚类方法该方法基于scikit-learn (https://scikit-learn.org/stable/RRID:SCR_002577)实现可通过siibra-python中的PointSet类调用。值得注意的是siibra在处理具有较高定位不确定性的坐标时也会使用基于图像的方法将其分配到脑区。这一过程通过将具有不确定性的坐标自动转换为具有相应核大小的高斯斑块三维图像来实现。因此对于给定的感兴趣区域和选定的分区术语表siibra执行两项核心评估。第一项是对感兴趣区域的解剖学分配其结果呈现为一份关联脑区的列表并通过概率、空间重叠或相关性以及这些区域在相应坐标空间中可能存在的概率图进行资格鉴定。第二项是多模态分析其结果呈现为该感兴趣区域的数据特征汇编。为支持FAIR(可查找、可访问、可互操作、可重用)数据组织原则底层数据元素以可互操作的通用格式公开并显式链接至信息来源。例如表格数据以pandas (https://pandas.pydata.org) DataFrame的格式公开以实现与常用统计及电子表格工具的最佳兼容性而三维图像则以NIfTI图像(https://nipy.org/nibabel/nifti_images.html)的格式公开该格式几乎为所有神经科学应用所支持。除了所展示的编程式解决方案之外siibra-explorer还提供了一种仅使用网络浏览器即可执行类似工作流程的交互方式。该操作可通过将图像体积从用户本地计算机拖放到浏览器窗口来实现(文档中记录为“叠加本地文件”见https://siibra-explorer.readthedocs.io/)。若该体积以NIfTI格式提供并已与选定的参考坐标系预对齐siibra-explorer将将其显示为可调节的半透明叠加层覆盖在选定的参考图谱之上从而允许直接视觉评估脑区与输入图像中所显示的峰值或聚类之间的重叠。然后可以从siibra-explorer的侧面板中选择并下载相关的数据特征。该原理在siibra-explorer文档所含的录屏视频中进行了可视化演示然而这种基于浏览器的解决方案其可复现性依赖于本地环境并且该方案本身并不在 siibra 中得到支持。脑区的多模态比较前述解剖学分配和多模态分析的一个常见用例是比较不同感兴趣区域的结构特征。为展示这一原理本研究依据细胞和神经递质密度、基因表达及功能连接对Julich-Brain图谱中的两个皮层区域进行了表征具体以左侧半球Broca 44区(IFG)与初级视觉皮层(hOc1/BA17/V1)的数据特征比较为例。同样的原理亦可应用于其他脑区和参考图谱以及用户自定义的感兴趣区域。这些特征图(图4)呈现了若干值得关注的观察结果。图4.两个皮层区域的多模态比较。在细胞层面两个区域展现出截然不同的皮层构筑这体现在从BigBrain 1μm分辨率扫描中提取的皮层图像块内细胞体分布的差异上(图4a和图5)。这一差异在各皮层分层的平均细胞体密度上得到了定量反映各区域间密度值不同其中视觉皮层的总体数值更高尤以颗粒层II和IV最为显著(图4b)。图5.在解剖学引导下从云端资源中可重复地提取全分辨率图像数据。在分子层面选定的单基因受体(M1、M2、M3、D1、5-HT1A和5-HT2)的受体密度在44区和hOc1区之间显示出许多相似性但也存在一些显著差异例如hOc1区中M2受体的密度明显更高(图4b)。这些受体代表了一个涵盖多达19种可用受体的子集在此被简化为仅由单个基因编码的受体。编码这些选定单基因受体的基因表达模式(图4b)与相应的受体密度(图4b)匹配良好这与先前强调此种模态间共变关系的研究结果一致。基因表达数据由siibra通过Allen人脑图谱API检索获得。最后从人类连接组计划数据中提取的功能连接图谱显示了这两个区域各自独特的特征关系。对于V1可以观察到其与更高阶视觉区域层级之间存在强连接该连接模式遵循背侧流和腹侧流的组织方式。对于左侧44区可以发现其与右侧44区、45区以及额极之间存在显著的时间相关性这些区域共同构成Broca区该结果与已知的弓状束解剖结构相符。解剖学引导的显微数据可重复提取除了检索预计算的数据特征之外siibra还支持从云端图像资源中动态提取高分辨率图像数据。例如BigBrain模型中的图像强度可被解释为光学细胞密度从而为研究细胞构筑的基本特征提供了数据基础。在20×20×20μm的各向同性体素分辨率下BigBrain构成了近1 TB的图像数据这使得众多用户难以通过下载完整数据集进行处理。借助siibra-explorer用户可通过鼠标滚轮缩放以全分辨率查看BigBrain例如可访问https://atlases.ebrains.eu/viewer/go/bigbrain_precs_example中的示例感兴趣区域。通过隐藏分区图(点击分区选择器旁的“眼睛”图标或按“y”键)即可在全分辨率下观察图像数据(图2c)。然而仅对图像数据进行交互式查看并非执行可重复性研究的首选方法也无法扩展至充分利用大数据资源潜力的大型实验。为此siibra-python能够以高效且可重复的方式从云端资源中识别并获取图像数据。其基本策略是使用边界框或从参考图谱中选择一个脑区来定义感兴趣体积然后使用siibra-python识别相关的图像数据集并提取与该感兴趣体积相交的图像部分。这一过程得益于对查询中不同坐标空间的自动处理允许用户以自定义分辨率和视野从多个坐标空间获取数据并自动计算此提取过程中产生的空间元数据。因此通过选择一个细胞构筑脑区即可以自动识别并获取一个具有代表性的1μm分辨率皮层图像块(图5)。图像数据以NIfTI格式提供并附有转换至BigBrain参考坐标系的适当变换矩阵。因此获取的数据适用于下游分析任务(例如细胞分割)以及与其他图像数据的联合分析。皮层下图谱的解剖学评估为展示siibra的功能本研究对源自活体成像的皮层下结构图谱进行了再分析旨在实现其精确定位并建立与微观结构的关联。这些皮层下结构图谱来自Bertino等人(2021)的研究该研究基于从人类扩散MRI数据中提取的流线提出了腹中间核(VIM)的活体亚分区方案。简言之Bertino等人提取了连接丘脑与预定义皮层靶区的流线集合进而为每个被试丘脑中的每个体素生成了结构连接图谱。随后使用k均值聚类将丘脑体素划分为具有相似连接特征的亚区由此产生多个候选丘脑亚区图谱本文统称为聚类图。该研究利用基于组织学的VIM分割掩模投影至个体被试空间后计算的Dice分数识别出了与VIM具有高度空间重叠的聚类图最终仅筛选出两个相关的聚类图即Precentral和Dentate。本研究使用siibra-python以及概率分配方法(图3)重新评估了这一筛选过程并通过提取显微数据(图5)在细胞分辨率下验证了相关结果。研究结果如图6所示。图6.使用siibra-python对皮层下图谱进行解剖学评估。将聚类图分配至MNI空间中的Julich-Brain概率图其结果独立证实了该研究基于高相关系数对Precentral和Dentate聚类图的选择(图6a)。对于Dentate聚类图其与VIM的关联被进一步确认为Julich-Brain中所有细胞构筑区域间最强的总体相关性(图6a)然而对于Precentral聚类图最强的相关性却出现在腹后外侧核(VPL)而非VIM(图6a)。这表明Precentral聚类图可能并非连接至VIM的某个亚区而是连接至邻近的VPL。将不同的MNI图谱与BigBrain模型中的相关组织学切片相交使得我们能够在细胞分辨率下进一步检查定位(图6bc)结果揭示Precentral聚类图确实位于VPL边界内而仅与VIM相邻(图6c)。部分切片显示了一种虽不够清晰但仍具证实性的关联即VPL和VIM均与Precentral聚类图存在重叠(图6c)。相比之下在Julich-Brain和Distal图谱中Dentate聚类图通常位于VIM的边界内(图6c)。使用siibra-python检索到的图像细节水平使我们能够清晰地观察到界定VIM边界的细胞构筑差异(图6c左)从而使神经解剖学家能够在其中一张切片上创建参考标注(图6c)。该参考标注确认了从MNI空间投影至BigBrain空间的VPL和VIM轮廓在总体位置上的合理性。因此siibra-python使得能够将基于连接性的丘脑亚区图谱简单且可重复地分配给基于细胞构筑学定义的皮层下结构既验证了已发表研究的部分发现又提供了额外的、更精细的定位细节。通过便捷地获取相关组织学图像数据并自动处理此过程中涉及的不同坐标系和数据类型该方法进一步提供了在细胞分辨率下进行评估的详细证据。除本文所展示的多层级人脑图谱外siibra还可用于其他物种的脑图谱构建且无需高级编程技能。例如siibra已成功应用于建立猕猴脑图谱(https://atlases.ebrains.eu/viewer/go/mebrains)、Sprague Dawley大鼠脑Waxholm空间图谱(https://atlases.ebrains.eu/viewer/go/rat)以及Allen小鼠脑图谱(https://atlases.ebrains.eu/viewer/go/mouse)。构建一个新图谱至少需包含三个json规范即(1)一个脑区术语表(2)一个带有以体积或表面形式呈现的解剖模板的参考坐标系以及(3)一个在相同坐标系中定义的、以体积或表面形式呈现的分区图。这意味着需要在一个可通过网络访问的资源上托管至少两个图像体积或表面网格。结论多层级人脑图谱的构建覆盖从细胞、纤维到全脑宏观结构的多个尺度亟需概念性与技术性的双重突破以充分发挥现代高分辨率成像技术所产生的大规模数据的潜力。为此本研究开发了siibra工具系统性地实现了一个开放获取、可互操作的多层级人脑图谱将复杂的多模态数据集与不同坐标系中的参考分区深度整合。Siibra采用分布式架构深度集成于 EBRAINS可高效访问超过7 TB的多模态数据并通过网页浏览器、Python库及HTTP API等多元接口为不同编程背景的用户提供统一的分析与可视化环境。同时其设计严格遵循openMINDS元数据标准与AtOM本体模型确保了广泛的互操作性与FAIR原则的践行。作为一个高度可配置的信息学框架siibra不仅为脑科学前沿应用(从大数据可视化到AI基础模型与数字孪生)提供了关键支撑其方法学原理更可延伸至其他具有复杂三维空间组织的器官研究为多尺度脑科学的数据驱动型研究奠定了坚实基础。参考文献Dickscheid, T., Gui, X., Simsek, A.N. et al. Siibra: a software tool suite for realizing a Multilevel Human Brain Atlas from complex data resources. Nat Methods (2026). https://doi.org/10.1038/s41592-026-03159-x
)
