2024年5月18日，清华大学电子工程系、北京智源人工智能研究院与清华-IDG/麦戈文脑科学研究院合作在Nature Communications上发表了题为“Photoacoustic Tomography with Temporal Encoding Reconstruction (PATTERN) for Cross-Modal Individual Analysis of the Whole Brain”的研究论文。该研究设计搭建了一种全新的基于光声断层成像技术的全脑三维成像平台（PATTERN）。PATTERN能够在不需要复杂样本制备的前提下，实现大视野、快速及高灵敏度的全脑荧光成像，且能完好保持成像样本的原始物化特征和生物活性。以PATTERN作为高兼容技术桥梁，研究者实现了对单一个体的跨模态全脑三维分析，包括与功能核磁共振成像（fMRI）、高精度全脑荧光成像以及空间转录组相结合，实现了个性化的全脑跨模态数据整合与联合分析，为其他脑分析技术提供了一种兼容性极强的三维荧光分析策略，未来PATTERN成像有望成为脑科学跨模态联合分析的重要环节。

全脑跨模态分析已经成为理解大脑运转机制和神经系统疾病的发病机理的前沿研究手段。近年来，荧光显微光学断层成像(fMOST)与光片荧光显微镜（LSFM）结合各种组织透明化技术，已经成为广泛使用的全脑三维荧光成像技术，尤其在神经环路研究中。然而，这些技术在大动物模型上、快速全脑三维成像和成像过程保持样品生物活性以整合多组学分析等场景下存在一定的局限性。

针对上述难题，本文提出了一种基于光声计算断层扫描技术（PACT）的新型成像方法，可以实现快速（30分钟）、大视野（24mm×24mm×36mm）三维全脑荧光成像。该项研究中，光声图像质量的飞跃源于一系列创新，包括：1.利用光声信号漂白的时域特征进行高灵敏度荧光蛋白识别。2.采用多视角融合的成像策略，获得三维各向同性分辨率。3.利用神经网络去除伪影，提升光声信号的可靠性。PATTERN提供了一种新的光学方法来可视化全脑的荧光表达模式与神经投射结构，具有样品制备与成像过程无损、成像速度快、成像视野大的特点。

视频1. PATTERN成像流程与原理示意

视频2. 多物种的PATTERN全脑成像

利用PATTERN技术，研究人员实现了对小鼠、大鼠、雪貂和狨猴等多种动物模型的离体脑直接的三维全脑成像与脑区结构的定量形态分析。进一步地，利用PATTERN成像视野大的优势，研究者可以对完整的小鼠中枢神经系统进行直接成像，在取出样品的30分钟内即可完成成像的全过程，获得全神经系统的结构信息与荧光信号分布。如图一所示，研究者展示了不同颜色荧光蛋白在大脑中的分布，清晰观测到从运动皮层向脊髓的对向投射的结构特征，并通过对样本进行切片，在常规光学显微镜下验证了结果的正确性。

图1. 基于PATTERN的运动皮层向脊髓投射的双色三维成像

研究人员还展示了PATTERN技术在神经环路分析中的优势。相较于传统的光学成像方法，PATTERN可以在获取样本之后直接进行成像，从而快速实现脑区投射分析。如图二所示，研究者以前岛叶为案例，对其在全脑范围内的投射进行了分析，并验证了该结果与该样品切片后光学显微成像的一致性，同时对比了相关投射结果和Allen Brain Institute岛叶追踪结果的一致性。结果证明了PATTERN在实现快速无损的神经环路分析中的潜力，为高通量、低成本、低损耗的全脑神经环路分析提供了技术支持。

图2. 基于PATTERN的前岛叶皮层投射追踪与分析

对单一个体的个性化多模态联合分析对各模态之间的兼容性以及最小化样品的损伤提出很高要求。PATTERN成像能够完整保留样品的生物生理特征，在获得三维光声图像之后，样品可以按照常规流程进行后续的生理生化分析。研究者展示利用PATTERN成像结合空间转录分析的案例：利用外源表达AVV病毒载体，研究者实现了对小鼠海马体局部神经元敲低了对长期记忆形成非常重要的早期即刻基因c-fos的表达，联合PATTERN系统提供的三维荧光信息，和空间转录组分析获得的不同海马体亚区的基因表达特征，研究者可以更轻松地获得操纵区域与未操纵区域在学习前后的基因表达水平，一方面发现了和之前相关研究的高度一致性，另一方面研究者还可以实现在三维尺度上分析与示例操纵区域的三维空间距离对不同亚区记忆相关基因表达的影响。研究者认为在未来，通过结合不同生物分子的荧光指示物，利用PATTERN可以实现在三维尺度上理解特定重要分子和不同位置神经元基因表达模式的三维空间关系，为多尺度、个性化理解大脑的功能与疾病提供全新的视角。

图3.基于PATTERN的全脑三维荧光成像与空间转录组联合分析

清华大学电子工程系博士后陈誉文、清华大学电子工程系博士研究生罗研，清华大学生命科学学院、清华-IDG/麦戈文脑科学研究院博士生杨皓宇、牛艺钧为本文共同第一作者。清华大学电子工程系副教授、清华-IDG/麦戈文脑科学研究院研究员马骋，北京智源人工智能研究院类脑模型组研究员雷博为该文的共同通讯作者。西安交通大学计算机学院博士生余牧舟，中山大学生命学院博士后邓善俊，之江实验室博士后王铉皓，清华大学电子工程系博士生邓翰迪，清华大学医学院医学实验班陈海潮，浙江大学高利霞教授、李新建研究员，中国科学院生物物理研究所徐平勇研究员、博士后薛福东，清华大学生命科学学院钟毅课题组访问学生苗竞，清华大学生命科学学院时松海教授及课题组，清华大学生命科学学院钟毅教授及课题组为本项研究做出了重要贡献。本研究受到国家自然科学基金创新群体项目（32021002），国家自然科学基金面上项目（61971265），科技创新2030（2022ZD0204900），新一代人工智能国家科技重大专项(2022ZD0116313)，清华-北大生命联合中心，清华大学自主科研计划前沿交叉专项基金、清华大学精准医学研究院、清华大学智慧医疗研究院、清华大学佛山先进制造研究院电子信息器件与系统联合研究中心等资助。