TWI381283B - 具有用以產生標準果蠅腦模型及其座標系統之模組之生物表現系統 - Google Patents

Description

具有用以產生標準果蠅腦模型及其座標系統之模組之生物表現系統

本發明係有關於生物表現系統，特定而言係有關於具有用以產生標準果蠅腦模型及座標系統之模組之系統，以應用於三維腦部影像處理及進一步整合。

基因分析與行為分析已被發展應用於識別基因之功能。例如，已發展出數個方法以應用於疾病模擬，如產生生殖細胞基因轉殖動物模型(例如基因轉殖鼠及其他具有特定基因特性之動物)。然而，實際上，以基因轉殖哺乳動物執行基因/疾病分析之主要障礙在於動物之生命週期太長(long life span)，需花費過長之時間(至少數年)於實驗室中，以致於無法有效準確追蹤動物因異常基因所發展成之疾病。由於科學家沒有一個快速且容易探究到分子層級之致病來源之捷徑以進行準確識別，故許多疾病治療上之研究因此延宕。利用短命(自出生到成熟只需數天)昆蟲中的相關系統作為模型可解決上述問題。例如，利用果蠅(Drosophila melanogaster )腦研究阿茲海默症之病因。請參閱「ADrosophila model of Alzheimer's disease:dissecting the pathological roles of A 42 and A 40,to K. Iijima,Proc. Natl. Acad. Sci. USA,vol. 101,6623-6628,2004」之文章。同理，如果可以在一果蠅模型中成功建立基因、細胞結構與疾病之間的良好關連性，則未來許多疾病之早期偵測與治療之研究可能會變得更有效率。其所造成之利益將不單只是在科學上還有在大眾健康上，藉此可發現許多具有較佳準確度之新式治療法，以用於疾病尤其是與基因相關之疾病。

直到目前，雖有若干應用係有關於電腦化醫療診斷系統，但沒有任何研究或應用係利用電腦輔助系統檢視生物科技中細胞層級之真實環境。故需要嶄新之技術以助於用傳統光學技術所無法偵測之最細微層級來觀察物體之全貌。近年來已發展出三維重建技術，其允許重建細胞之三維影像，藉此提供工具以供瞭解其細微結構。然而，此樣技術係著重於在人工環境內(體外(in vitro ))而非真實活體內(體內(in vivo ))成熟之單一細胞或數個細胞。此二環境之間之差異在神經科學領域中係更為顯著。活體中之神經元分佈實際上係為三維，但其在細胞培養中係以二維狀態固定。二維環境要模擬活體中之三維神經網路係為不可能。目前，若干方法係努力嘗試欲觀察三維環境中之神經系統。然而，上述方法受限於光學系統之穿透深度，光學系統由於利用可見光故幾乎不可能穿過50微米以上之深度。重建野生型果蠅幼蟲及成蟲腦部之實際嘗試案例可參照下述網站：http://flybrain.neurobio.arizona.edu/Flybrain/html/contrib/2000/rein/index.html 。於類似之研究中，果蠅已成為腦部研究中之主要模型系統之一。其腦部(大約600×250×150微米)包含大約200,000個神經元。於此十分小之腦部中，果蠅展現了驚人複雜之全套行為特性(repertoire)，例如：定位、求偶、學習與記憶。整個腦部係從頭部解剖、切割並經過螢光標記以用於檢視。然而，由於組織切割所產生之實際破壞以及每一觀察均受到視深深度限制，以此方式及以所有之先前方式均不可能合理重建果蠅腦中之整體神經迴路。本發明係提供一完整且新穎之解決方案以克服上述阻礙。

虛擬實境技術已進展到實際且有用之應用內。此類應用在各類領域及工業上均具有實用性。其中一應用係訓練及研究應用。虛擬實境訓練應用讓使用者能夠培養出重要技能及經驗，而無需讓其遭遇危險或承受訓練費用。虛擬實境係為一種讓使用者沈浸其中之電腦所創造之環境。使用者之動作係藉由電腦轉譯成影響虛擬環境(Virtual environment;VE)之輸入訊號。虛擬實境系統可刺激自然感官(naturally occurring senses)，藉此使用者可透過虛擬環境如同在真實世界一般駕駛。然而，虛擬實境系統並未曾用以探究高解析度(於數微米之範圍下)之生物組織中之細胞網路。

雖從很久之前已可取得高解析度之生物細胞影像，但幾乎沒有任何細胞網路(例如昆蟲腦部中之神經網路)係以解剖學揭露，更遑論不同網路間之互動。現今醫療成像技術可產生系列之影像以用於資料庫建立，然而不只細胞結構未被揭露，基因資訊亦幾乎沒有和解剖學有關連。因此，本發明之目的係提供結合高解析度生物結構資料庫(例如神經網路)、生物組織中之基因(蛋白質)表現系統以及虛擬實境中之視覺性示範(visual demonstration)之方法。此樣系統應為模組化以允許擴張複數類型之基因(蛋白質)表現以將解剖學及官能(或官能障礙)關聯至分子層級。以此方式，基因間之關聯性、細胞網路及生物官能可在最寫實之環境中檢驗並操作。當可寫實地獲得詳細之細胞網路及基因資訊時，則可達成生物官能模擬。

近年來，生物學家亟欲瞭解一完整之腦部係如何運作以控制行為、認知、學習以及記憶。為揭露特定神經迴路及最後之整體腦部迴路，需要一參考樣板以進行資料整合及比對。機率圖譜(probabilistic atlas)已被提出作為果蠅腦部之表現。請參閱「R. Brandt,T. Rohlfing,J. Rybak,S. Krofczik,A. Maye,M. Westerhoff,H.-C. Hege,and R. Menzel,"Three-dimensional average-shape atlas of the honeybee brain and its applications,"Journal of Comparative Neurology,vol. 492,no. 1,pp. 1-19,2005」。其只提供統計信賴度(statistical confidence)之界限，而非絕對之解剖形狀及位置。機率圖譜(probabilistic atlas)係為通用且適於分辨正常腦及異常腦，但其不適於作為一共通座標系統。Heisenberg等人提出一標準果蠅腦模型，其亦為立體像素型(voxel-based)機率圖譜。請參閱「K. Rein,M. Zockler,M. T. Mader,C. Grubel,and M. Heisenberg,“The Drosophila standard brain”Current Biology,12,pp. 227-231,2002」。其係由精確對位之神經叢之疊合所建構而成，而非座標。對於系統性蒐集共通樣板中變形之獨立神經元影像而言，需要一確定性參考樣板，而非機率圖譜。由於變形之結果係高度取決於樣板與個體間之差異，故良好之參考樣板應盡可能對所有個體平均具有較小之差異。

現今所需為一用以產生標準果蠅腦模型之程序，以作為果蠅腦神經學之共通座標系統。

鑑於上述，本發明之目標係揭露生物表現系統，其包含用以產生標準果蠅腦模型及座標系統之模組。

本發明之另一目的係提供一方法，其包含用以產生標準果蠅腦模型及座標系統之模組。

於一層面中，本發明係揭露一種用以從生物表現系統產生標準表面及神經叢模型之方法，其包含實施將第一個別模型及第二個別模型輸入至生物表現系統內之步驟；藉由粗略級模型平均處理經輸入之第一個別模型及第二個別模型；將第一個別模型及第二個別模型轉換至對應之假平均模型；以及從假平均模型產生有號距離場，其中有號距離場係記錄從假平均模型之表面上之每一立體像素至其最近之立體像素之距離。

本方法更包含於疊加所有假平均模型之有號距離場之後萃取最終標準模型之表面之步驟。

整體特性係於粗略級模型平均之步驟期間進行平均，其中整體特性包含軸向結構間之方位、位置、尺寸及角度。最終標準模型係藉由決定假平均模型之形狀平均而獲得。

於另一層面中，本發明係揭露一種用以從生物表現系統產生標準腦模型之方法，其包含決定整體座標以表示整體標準腦模型；決定局部座標以表示標準腦模型之次結構；以及決定局部座標相對於整體座標之特性。整體座標之原點係先經過定義。其他特性包含局部座標相對於原點之位置、局部座標之方位以及整體座標內之局部座標之軸向結構間之角度。

於再另一觀點中，本發明係揭露一種用以從生物表現系統產生標準腦模型之方法，其包含實施對位步驟以將標準表面及個別表面輸入至仿射對位；記錄來自仿射對位之轉換參數；實施將個別神經叢及轉換參數輸入至仿射轉換之步驟；執行仿射轉換之資料以轉換個別神經叢以完成經轉換之個別神經叢；以及實施仿射對位之步驟以將標準神經叢對位至經轉換之個別神經叢以完成結果轉換，其中結果轉換係輸出作為標準表面內之標準神經叢之位置及方位。

標準腦包含標準表面及標準神經叢。標準神經叢係位於具有平均位置及方位之標準表面內。標準表面內之位置及方位係藉由平均來自個別資料集之提示而計算而得。於所有標準神經叢均經過處理且位於標準表面內之後則獲得標準腦模型。

本發明將配合較佳實施例與隨附之圖示詳述於下。應可理解者為本發明中所有之較佳實施例僅為例示之用，並非用以限制本發明。因此除文中之較佳實施例外，本發明亦可廣泛地應用在其他實施例中。且本發明並不受限於任何實施例，應以隨附之申請專利範圍及其同等領域而定。本發明係提供用於生物有機體中之基因表現之細胞網路資料庫及系統。一較佳實施例係果蠅腦中之基因表現。此樣表現系統應係模組化以允許擴張有不同功能之多種類型基因。

基因表現表示系統

請參照第一圖，本發明之生物表現系統10包含計算處理系統100，用以於某個指令下處理並計算資料及資訊。生物表現系統10係蒐集並表現生物特性。於一實施例中，本系統可允許分析並定義與任何科學調查研究、醫療診斷或藝術展示有關之神經迴路。如此領域所熟知，具有高階中央處理器(Central processing unit;CPU)之高效能電腦可用以達到本發明之目標。平均模型產生模組200係內嵌於計算處理系統100中，以將輸入之二維影像資料例如個別模型部份之集合轉換成三維影像。於一較佳實施例中，一商業產品應用或軟體AMIRA(3.1版，美國Mercury Computer Systems公司)可加以引入以達到本發明之目的。如三維圖形技術之領域中之技藝者所熟知，影像資料可經由計算處理系統100計算，進而引入平均模型產生模組200以產生重建之三維立體影像。

最初，輸入之資料係由樣本預備系統500及影像資料產生系統400所準備。樣本預備系統500係用以產生生物表現系統10之目標樣本。於一實施例中，果蠅腦(成熟腦大約600×250×150微米)係用以說明本發明。如此領域之技藝者所瞭解，上述果蠅實施例之較佳腦組織係用以說明本發明，而非用以限制本發明。果蠅腦之整體組織可利用已知之方法獲得，接著以本案發明人之其中之一所發明之技術增加其透光度至約0.15毫米或以上。上述技術請參照2002年10月29日提出申請之美國專利第6,472,216B1號，標題為「Aqueous Tissue Clearing Solution」，於此一併列入作為參考。螢光標記或標示分子係加以植入以標示預定部份之目標樣本例如引起特定官能之若干神經元。如此領域所熟知，其程序可藉由基因工程而達成。

接續，預備好之樣本係饋入至影像資料產生系統400。影像資料產生系統400包含雷射掃描顯微鏡，其配有複數雷射光源。於其程序期間，具有標示之樣本係經由雷射掃描以活化螢光分子。不同深度之樣本橫切面係根據預定順序以雷射整體(或局部)掃描。因此，掃描所得之影像資料包含複數不同深度之表面影像。來自於不同部份之相同橫切面之影像可配合電腦軟體例如AMIRA之協助加以拼接成一體。其後，產生之影像資料係饋入計算處理系統100，以用於接續之處理。如上所述，平均模型產生模組200係耦合至計算處理系統100以處理經輸入之資料，用以產生三維影像或平均模型。

產生之平均模型或三維影像資料可儲存於資料庫600中。資料庫600可包含複數次資料庫，例如生物表現次資料庫610、細胞網路次資料庫620以及生物精細結構次資料庫630。如此領域之技藝者所熟知，上述較佳實施例係用以說明本發明，而非用以限制本發明。

生物表現次資料庫610包含生物特性之資料例如基因(或蛋白質)表現。生物表現次資料庫610亦包含標準生物幾何指標次資料庫，其允許不同個體之間之校正及比對。所有資料可根據基因(或蛋白質)表現、個體成長、發育、疾病或經驗依據程序而加以分類。

細胞網路次資料庫620係建立特定官能(或官能障礙)與細胞實體間之功能連結。例如，神經元中之NMDA(N-甲基-D-天冬氨酸)受體之短暫性抑制(transient inhibition)會中斷某類型之記憶形成，上述記憶形成係建立記憶與由Feb170增強子誘捕等位基因所識別之神經元之間之功能連結。請參照「Specific requirement of NMDA receptors for long-term memory consolidation in Drosophila ellipsoid body,Nature Neuroscience,2007 Dec;10(12):1578-86」之文章。上述文章在此一併列入作為參考。生物精細結構次資料庫630包含生物精細結構之資料。

一較佳實施例係建構若干果蠅腦之資料庫。如此領域之技藝者所熟知，果蠅腦之基因表現可由Ga14/UAS-GFP技術所呈現。第六圖係顯示經產生之三維果蠅腦之實例，在此一併列入參考。第六圖顯示說明神經元分佈之三維影像，上述神經元係表現一雄果蠅腦部中之C133基因。綠色部份係表示螢光標記分子所產生之C133基因表現。較大之斑點係寬度約10微米之神經元，而最小之點一般認為係大小在微米範圍之突觸(synapses)。褐色部份係蕈狀體。平均標準蕈狀體係根據計算處理系統100中之平均模型產生模組200所利用之演算法所建構。所有細胞可藉由三維影像產生技術設置於計算標準腦網格(wireframe)中。第七圖係顯示表現標準果蠅腦模型中之GH146基因(橘色)之神經元之位置，上述標準果蠅腦模型係根據其蕈狀體(紫色)所建構。黃色部份係視覺信號聚集之處之視神經葉(optic lobe)。藍色部份係稱為中央複合體(central complex)。於第八圖中，若干表現腦中不同基因之細胞網路係圖示於其中，如GH146(綠色)、tim (褐色)以及201Y(紫色)。tim 基因係有關於果蠅之生物時鐘(biological clock)。

如第六圖至第八圖所示，生物結構影像可藉由利用本發明而獲得。生物網路影像可儲存於儲存媒體中。本發明係揭露一電腦可讀取儲存媒體，其可儲存生物網路之影像，上述生物網路影像係藉由實施下述步驟所產生，包含以雷射掃描顯微鏡掃描具有標示之樣本以活化樣本中之螢光分子，其中雷射掃描顯微鏡係配有複數雷射光源；於掃描程序期間，至少一部分之樣本係經過雷射光掃描且不同深度之橫切面係根據預定順序加以掃描，藉此獲得包含複數不同深度之表面影像之掃描影像資料。來自於不同部份之相同橫切面之影像可加以拼接成一體。三維目標可藉由利用電腦軟體例如AMIRA而重建。本發明在掃描樣本之前還包含下述步驟：預備樣本以及植入具有產生螢光潛能之分子至樣本中，藉由利用基因工程標示預定部份之目標樣本。其後，樣本之透光度係經過提昇至約0.15毫米或以上。

請參照第二圖，其顯示之步驟流程係用以從一群最初之個別模型建構一平均模型(三維圖譜)。如第二圖所示，本方法包含三主要步驟，個別模型建構以及二不同層級之模型平均步驟。第一步驟係建構每一個別資料集之三維網格模型。

個別模型

於對原始資料集實施二維分割、輪廓萃取及輪廓對應分析之後，執行表面模型重建演算法可產生個別表示用之網格模型。上述亦可配合電腦軟體例如AMIRA之協助而予以達成。

主軸萃取及主軸

第二步驟係粗略級模型平均。一分割步驟係予以實施以利用使用者介面將每一個別模型分割成若干重要部份(次模型)。針對每一個別模型萃取出一組主軸，且可稱為模型之骨架。於此步驟中，個別模型係饋入計算處理系統100，且計算處理系統100可於使用者之輸入指令下處理分割程序。每一個別網格模型係手動分割成若干重要部份，且每一次模型之對應主軸係接著藉由主成分分析(PCA;Principal components analysis)技術而發現，上述主成分分析技術係由Ian T Jolliffe於西元1986年揭露於紐約Springer-Verlag出版社所出版之「Principal Component Analysis」文章中。藉由計算下述樣本共變異數矩陣(covariance matrix)之特徵值(eigenvalue)及對應之特徵向量(eigenvector)，主軸之方向係予以決定：

其中，m為次模型上之頂點(vertices)數量，X為頂點之位置向量，以及μ_x 為X之樣本平均值。主軸之方向D為具有最小特徵值之S之特徵向量。次模型之主軸係對次模型而言具有最小轉動慣量(rotational inertia)之旋轉軸，且其可表示成具有參數t之參數線段：

其中，A為主軸上之點且設定為μ_x 。界限t _min 及t _max 可藉由將所有次模型頂點投射至主軸上而決定。針對每一個別模型係萃取出一組主軸且可稱為模型之骨架。

主軸平均化

仍然參照第二圖，於藉由計算處理系統100或電腦所實施之計算決定主軸後，應於平均程序之前實施每一個別模型之對位。每一個別模型可從其主軸之相對位置建立一局部座標系統。接著，每一個別模型係由計算處理系統100進行轉變及旋轉。於執行轉位(translocation)及旋轉後，原始局部座標系統(local coordinate system)係經過對位以與整體軸(global axis)一致。其參數線段可予以計算出：

其中，M為主軸上之中心點，以及

平均化程序係藉由計算中心點之平均位置、主軸之平均方向以及平均長度而實施，且係實施於電腦或本發明之計算處理系統100上。因此，平均主軸可表示如下：

其中，n為個別模型之數量。於計算處理系統100結束計算次模型之平均主軸之後，原始資料集之平均骨架係由計算處理系統100產生且儲存至第一圖中之計算處理系統100之記憶體內或資料庫600內。第三圖係顯示蕈狀體之網格模型。第四圖係顯示第三圖之同一模型之主軸及網格。第五圖係顯示上述組主軸之局部座標系統。

三維場型形變

於原始資料集之平均骨架被產生後之下一步驟係由本發明之計算處理系統100將三維中經儲存之個別骨架加以形變。基於J. Gomes等人於西元1999年揭露於加州Morgan Kaufman Publishers出版社所出版之標題為「Warping and Morphing of Graphical Objects」之文章中之三維場型形變演算法，計算處理系統100所實施之計算能將每一個別模型形變成其對應之假平均模型。電腦所處理之形變方程式係定義為：

其中，p為個別模型上之頂點之位置向量，以及r為一組骨架中之主軸之數量。W _k (p )為利用單一主軸對之p之形變位置。W (p)之第k個主軸之權重係定義為：

其中，為主軸之長度，且其重要度係藉由常數c調整。d _k 為從點p至主軸之距離。常數a係指主軸之黏著性，而常數b可視為主軸之強度之濃度。

最終級模型平均

假平均模型係由計算處理系統100基於上述模型產生。之後，假平均模型係根據共通平均骨架進行對位。最終平均模型可由計算處理系統100藉由決定上述假平均模型之幾何中數而獲得。對一網格模型，三角區塊係藉由取樣而轉換成體積立體像素。三維種子填充(seed-fill)演算法係予以應用以將體積中空物件轉換成體積實心物件。每一假平均模型將產生一體積實心物件以表示其擁有之體積立體像素。從1至N之立體像素值之疊加體積係藉此獲得，並伴隨N個假平均模型相疊合。幾何中數係位於立體像素值為N/2之處。一旦幾何中數由計算處理系統100及三維圖形產生系統所決定，則可建立出最終平均模型。

虛擬實境展現工具

全彩三維立體神經元圖形可以上述工具視得並加以操作。為展示神經元非常細微之延伸，若干工具係用於影像資料產生系統400。蔡司LSM 510共軛焦顯微鏡係裝配有四雷射光源，其包含氬雷射(發射於波長364奈米)、氬氪雷射(458、488或514奈米)及二氦氖雷射(543及633奈米)。此系統允許同步偵測四螢光訊號及一傳送影像。蔡司LSM 510 META共軛焦雙光子顯微鏡系統係裝配有四雷射光源，其包含氬氪雷射(458、488或514奈米)、二氦氖雷射(543及633奈米)及用於非線性光學顯微鏡學(雙光子(two-photon))之同調(coherent)Mira飛秒(femtosecond)(即千萬億分之一秒)T-藍寶石(T-Sapphire)雷射，其可在700-1000奈米進行單一光學設定調整(set tuning)。此係設計用於厚活體組織(thick living tisse)中螢光訊號之體內(in vivo)觀察。蔡司LSM 510 META共軛焦顯微鏡係裝配有三雷射光源，其包含氬氪雷射(458、488或514奈米)以及二氦氖雷射(543及633奈米)。此系統具有三光電倍增器(photomultiplier)以及一META偵測器，以允許同步蒐集全光譜螢光訊號。此系統未有穿透光偵測器。此系統具有用於影像拼輯(image montage)之自動平台掃描器(automated stage scanner)以及紅外線之光學系統。為了立體影像呈現，立體影像投射系統300係耦合至計算處理系統100。計算處理系統100可於輸入指令之下存取資料庫並傳送影像至具有多個圖形輸出之顯示卡(例如NVIDIA Quadro4-980或更佳者)。計算處理系統100中之中央處理器可為32位元或64位元單元(或更佳)，並具有足夠之記憶體以用於影像資料處理。來自於多個圖形輸出之影像係各別饋入多個投影器，藉此可實施前投影或後投影以用於立體呈現及操作。此程序可藉由(但不限於)商業軟體(例如AMIRA 3.1版)及硬體(例如三維滑鼠)來控制。此領域所熟知之特殊眼鏡可加以提供以用於產生虛擬三維影像，且因其為此領域所熟知，故省略其詳細敘述。

請再次參照第一圖，本系統亦包含標準腦模型產生模組700，其耦合至計算處理系統100。例如，標準腦模型產生模組700可處理程序以產生具有座標資訊之標準果蠅腦模型。一確定性參考框架乃資料整合及比對所必需。形狀平均演算法將予以提供以產生包含軸向及非軸向結構之標準樣板。標準果蠅腦包含標準表面及標準神經叢。標準神經叢係位於具有平均位置及方位之標準表面內。腦表面之整體座標系統以及特定神經叢之若干局部座標系統係構成果蠅標準腦之座標系統。標準表面及神經叢可藉由針對從個別腦模型所建構之三維表面模型實施形狀平均演算法而獲得。神經叢可分成二類型，軸向及非軸向。軸向神經叢例如蕈狀體係易於透過軸向結構發現彼此間之對應。軸向神經叢之模型平均化可藉由利用軸向特徵予以實施。對於非軸向神經叢，例如視神經葉(optic lobe)及腦表面其間之轉變關係只可藉由表面對位程序而發現。

於建構腦模型之前，本發明係揭露一新穎方法以產生標準腦模型。請參照第九圖，整體座標係定義於最初之步驟。整體座標可定義整個腦部之整體迴路。整體座標之原點亦定義於上述步驟。接著，局部座標係予以定義以代表每一次元件，例如神經叢。局部座標相對於整體座標之距離及方位可予以決定。此階段中，模型之整體及局部特性，例如軸向結構之間之方位、位置、尺寸及角度，係予以決定。因此，神經元之每一位置係藉此定義以用於後續之觀察。建構標準模型之技術係詳述於下。

二層級模型平均技術係加以引入以用於建構標準樣板。演算法之二層級體系係顯示於第十圖。個別三維模型係首先以粗略級模型平均程序處理。於此階段中，模型之整體特性例如軸向結構間之方位、位置、尺寸及角度係經過平均化。於一實例中，二個別模型，即個別模型1及個別模型2係輸入至系統內，且輸入資料係藉由粗略級模型平均程序處理。

二群之解剖結構，即非軸向結構及軸向結構，係具有不同之粗略級平均程序。對非軸向結構而言，必須先從個別模型產生一參考模型。參考模型之候選者係經選擇為具有最接近平均體積尺寸之體積尺寸之個別模型。於將候選模型按比例縮小至平均體積尺寸後，可得到參考模型。三維距離場係從參考模型產生，以促進對位程序。其記錄參考模型上之每一立體像素至其最近表面立體像素之距離。

位置向量係表示成X，以及DF(x)係表示三維距離場。從位置x至位置y之仿射轉換(affine transformation)映射係定義為：

對個別模型之對位而言，轉換參數之集合係將下述目標函數最小化之解決方案。

其中U表示個別模型上之所有表面頂點之集合。

對軸向結構而言，每一個別模型係以使用者介面分割成若干重要部份，且此類部份之主軸係藉由主成分分析(PCA;Principal components analysis)之技術計算。對每一個別模型，一組主軸係予以萃取出且可稱為模型之骨架。藉由考量所有模型之骨架可計算出一平均骨架。於針對從原始骨架到平均骨架之所有個別模型執行三維場型形變之後，個別模型之假平均模型遂產生。

於粗略級模型平均之後，每一個別模型係轉換至對應之假平均模型。最終標準模型可藉由決定假平均模型之形狀平均而獲得。每一假平均模型可產生有號(signed)距離場，其記錄假平均模型之表面上之每一立體像素至其最近立體像素之距離。若立體像素係於假平均模型之內，則其數值係設定為正，反之亦然。於疊加所有假平均模型之有號距離場之後，最終標準模型之表面可藉由疊加距離場之過零檢測(zero-crossing detection)而予以萃取出。

如第一圖所示，本發明之另一觀點係藉由標準腦模型產生模組700產生標準腦模型。其中一實例係產生果蠅腦模型。

標準腦包含標準表面及標準神經叢。標準神經叢係位於具有平均位置及方位之標準表面內。標準神經叢之對位流程圖係如第十一圖所示。所需之個別資料集包含表面模型及其對應之神經叢模型。個別資料集之個別表面係首先仿射對位至標準表面。轉換參數係經過記錄且加以應用以轉換個別神經叢。標準神經叢係接著精確對位至經轉換之個別神經叢。所產生之轉換可視為關於標準表面內之標準神經叢之位置及方位之示意。

對每一標準神經叢，標準表面內之位置及方位可藉由將來自個別資料集之示意平均化而計算出。平移(translation)之平均參數可藉由下述獲得：

其中n為個別資料集之數量。T_i 為第i個個別資料集所提示之平移之參數。

為找尋旋轉之平均參數，將下述方程式最小化之最理想R係予以解出。

其中Y為x之對應點，而m為於兩個集內之點之數量。對第i個個別資料集，三對應點係定義為：

其中R_i 為第i個個別資料集所提示之旋轉之參數。

適當之剛體轉換(rigid transformation)可以轉換參數T及R應用到標準神經叢。於所有標準神經叢均經過處理且位於標準表面內之後，則可獲得果蠅標準腦模型。

用以建構個別果蠅腦之整體及局部座標系統之演算法係呈現於「C.C. Wu,G.Y. Chen,Y.C. Chen,H.M. Chang,and Y.C. Chen,“Construction of the coordinate system for theDrosophila brain,”Proc eedings of 2007 20 ^th IPPR Conference on Computer Vision,Graphics and Image Processing ,Taiwan,(2007)」之文章中。果蠅腦表面之整體座標系統係基於下述二特徵建構：整體腦表面之主軸及食道，食道幾乎橫向穿過腦表面。首先以與用於腦表面之演算法相同之演算法建構食道之表面，食道之中心遂接著決定為整體腦之原點。z軸(前為正)係食道之主要主軸，y軸係沿著與z軸及食道中心處之腦主要主軸呈垂直之線(內為正)。x軸係位於兩軸之相交處且垂直於y-z平面(右為正)。對特定神經叢之局部座標系統而言，蕈狀體之座標系統係予以建構。局部座標系統係基於蕈狀體之六葉(lobe)而建構。藉由將演算法引入標準腦表面及標準神經叢可獲得標準果蠅腦之整體及局部座標系統。

本發明之方法中利用了多個公果蠅之資料集。個別資料集包含二個影像堆疊(image stack)之通道，其中之一係用於腦表面，另一係用於蕈狀體。每一影像堆疊包含約60個藉由共焦顯微鏡所得之影像片段。

本發明發展出用以產生具有座標資訊之標準果蠅腦之程序。標準果蠅腦包含標準表面及標準神經叢。本發明係提出一形狀平均演算法以產生軸向及非軸向樣板。之後，提出一演算法以決定標準表面內之每一神經叢之平均位置及方位。整體及局部座標系統係建構以用於標準果蠅腦。於以大量之個別三維神經元影像實施本發明所提出之系統後，本發明可產生三維虛擬果蠅腦部。具有座標資訊之標準果蠅腦可整合整體腦部迴路。最後，可完成關於神經元當中之空間及時間關係之資訊。

對熟悉此領域技藝者，本發明雖以較佳實例闡明如上，然其係用以說明本發明，而非用以限定本發明之精神。在不脫離本發明之精神與範圍內所作之修改與類似的配置，均應包含在下述之申請專利範圍內，此範圍應覆蓋所有類似修改與類似結構，且應做最寬廣的詮釋。

10．．．生物表現系統

100．．．計算處理系統

200．．．平均模型產生模組

300．．．立體影像投射系統

400．．．影像資料產生系統

500．．．樣本預備系統

600．．．資料庫

610．．．生物表現次資料庫

620．．．細胞網路次資料庫

630．．．生物精細結構次資料庫

700．．．標準腦模型產生模組

上述本發明之觀點與所伴隨之若干優點，藉由配合閱讀上述實施方法及其圖式後將更易於瞭解，其中：

第一圖係為根據本發明之系統方塊圖。

第二圖係為根據本發明之流程圖。

第三圖係顯示蕈狀體之網格模型。

第四圖係顯示第三圖之同一模型之主軸及網格。

第五圖係顯示上述組主軸之局部座標系統。

第六圖係說明果蠅腦中經產生之三維次結構及神經網路之實例。

第七圖係顯示具有若干主要次結構之果蠅腦平均模型。

第八圖係顯示果蠅腦中神經網路中之若干基因分佈。

第九圖係顯示本發明之用以決定整體及局部座標之流程圖。

第十圖係顯示本發明之用於二層級模型平均化之流程圖。

第十一圖係顯示本發明之標準神經叢之對位流程圖。

10．．．生物表現系統

100．．．計算處理系統

200．．．平均模型產生模組

300．．．立體影像投射系統

400．．．影像資料產生系統

500．．．樣本預備系統

600．．．資料庫

610．．．生物表現次資料庫

620．．．細胞網路次資料庫

630．．．生物精細結構次資料庫

700．．．標準腦模型產生模組

Claims (24)

1. 一種用以從一生物表現系統產生標準腦模型之方法，包含：決定一整體座標以表示整體該標準腦模型；決定一局部座標以表示該標準腦模型之一次結構；以及決定該局部座標相對於該整體座標之特性。
2. 如請求項1所述之用以從一生物表現系統產生標準腦模型之方法，其中該整體座標之一原點係有所定義。
3. 如請求項2所述之用以從一生物表現系統產生標準腦模型之方法，其中該特性包含該局部座標相對於該原點之位置。
4. 如請求項1所述之用以從一生物表現系統產生標準腦模型之方法，其中該特性包含該局部座標之方位。
5. 如請求項1所述之用以從一生物表現系統產生標準腦模型之方法，其中該特性包含該局部座標之軸向結構與該原點之間之角度。
6. 一種用以從一生物表現系統產生標準腦模型之方法，包含：實施對位步驟以將標準表面及個別表面輸入至仿射對位；記錄來自該仿射對位之一轉換參數；實施將個別神經叢及轉換參數輸入至仿射轉換之步驟；執行該仿射轉換之資料以轉換個別神經叢以完成經轉換之個別神經叢；以及實施仿射對位之步驟以將標準神經叢對位至該經轉換之個別神經叢以完成結果轉換，其中該結果轉換係輸出作為該標準表面內之標準神經叢之位置及方位。
7. 如請求項6所述之用以從一生物表現系統產生標準腦模型之方法，其中一標準腦包含該標準表面及該標準神經叢。
8. 如請求項6所述之用以從一生物表現系統產生標準腦模型之方法，其中該標準神經叢係位於具有平均該位置及方位之該標準表面內。
9. 如請求項6所述之用以從一生物表現系統產生標準腦模型之方法，其中該標準表面內之該位置及方位係藉由平均來自個別資料集之提示而計算而得。
10. 如請求項6所述之用以從一生物表現系統產生標準腦模型之方法，其中於所有該標準神經叢均經過處理且位於該標準表面內之後則獲得該標準腦模型。
11. 一種用以從一生物表現系統產生標準表面及神經叢模型之方法，包含：實施將一第一個別模型及一第二個別模型輸入至該生物表現系統內之步驟；藉由粗略級模型平均處理經輸入之該第一個別模型及該第二個別模型；將該第一個別模型及該第二個別模型轉換至對應之假平均模型；以及從該假平均模型產生一有號距離場，其中該有號距離場係記錄從該假平均模型之表面上之每一立體像素至其最近之立體像素之距離。
12. 如請求項11所述之用以從一生物表現系統產生標準表面及神經叢模型之方法，更包含於疊加所有假平均模型之該有號距離場之後萃取一最終標準模型之一表面之步驟。
13. 如請求項11所述之用以從一生物表現系統產生標準表面及神經叢模型之方法，其中一整體特性係於該粗略級模型平均之步驟期間進行平均。
14. 如請求項11所述之用以從一生物表現系統產生標準表面及神經叢模型之方法，其中一整體特性包含軸向結構間之方位、位置、尺寸及角度。
15. 如請求項11所述之用以從一生物表現系統產生標準表面及神經叢模型之方法，其中該最終標準模型係藉由決定該假平均模型之形狀平均而獲得。
16. 一種生物表現系統，包含：一處理系統，用以處理資料；一平均模型產生模組，其內嵌於該處理系統內，其中當二維個別模型部份之輸入係饋入至該處理系統時，該平均模型產生模組係回應該二維個別模型部份之該輸入並處理個別三維模型建構及模型平均程序，藉此從所有輸入資料集產生一平均模型；一資料庫，包含一生物表現次資料庫、一細胞網路次資料庫以及一生物精細結構次資料庫，其中該資料庫係耦合至該處理系統以儲存至少該平均模型；以及一模組，用以產生標準腦模型及座標系統。
17. 如請求項16所述之生物表現系統，其中該模型平均程序包含二不同層級之平均階段。
18. 如請求項16所述之生物表現系統，其中該細胞網路包含神經迴路。
19. 如請求項16所述之生物表現系統，其中該生物表現包含基因或蛋白質表現。
20. 如請求項16所述之生物表現系統，其中該資料庫更包含標準生物幾何指標次資料庫，其允許不同個體間之校正及比對。
21. 如請求項16所述之生物表現系統，其中該生物表現係根據基因表現、個體成長、發育、疾病或經驗依據程序加以分類。
22. 如請求項16所述之生物表現系統，其中該細胞網路次資料庫係建立特定官能或官能障礙與神經元實體間之一功能連結。
23. 如請求項16所述之生物表現系統，更包含一樣本預備系統以產生該生物表現系統之一目標樣本。
24. 如請求項16所述之生物表現系統，更包含一二維影像資料產生系統，其包含裝配有複數雷射光源之雷射掃描顯微鏡，其中預備樣本係饋入該影像資料產生系統，該預備樣本之至少部份橫切面係由該雷射光源所掃描且不同深度之橫切面係根據預定順序掃描，藉此產生複數不同深度之表面影像，以用於饋入該處理系統。