使用空间转录组数据的生成性脑血管可视化

为什么脑血管很重要

大脑依赖于密集的血管网络，每秒钟输送氧气和营养物质。当这一网络出现故障时，思维、运动和记忆会迅速受损。然而，要在整个大脑范围内绘制这些微小血管极为困难。本研究中，研究人员使用一种人工智能方法，将小鼠大脑的分子数据转化为精细的虚拟图像，呈现大脑血管系统，为探索健康血流如何支持脑功能提供了一种新工具。

观察大脑血管的新方法

研究团队没有从传统显微镜图像出发，而是利用空间转录组学，这项技术记录了薄片脑组织中哪些基因在何处活跃。他们基于一种名为 Tera-MIND 的生成模型，该模型最初用于从基因活动模式模拟小鼠大脑结构。这里，他们将其调整为专注于血管。模型学习某些与血管相关基因在空间上如何出现，然后利用这些信息“想象”出真实感的脑组织图像，使血管模式仅从基因数据中浮现出来。

将基因信号转为血管地图

研究者重点关注两个标记血管系统不同部分的关键基因。一个基因 Cldn5 在封闭小血管中形成血脑屏障的薄细胞中活跃；另一个基因 Acta2 在包绕较大动脉的肌细胞中活跃。通过将这两个基因在三只小鼠多张切片上的空间活性输入 Tera-MIND，模型生成的图像显示了富含毛细血管的区域和生物学上应出现的主要动脉领区。模型还计算出一个内部的“注意力图”，突出显示两个基因同时活跃的区域，这有助于模型将分散的信号连接成连续的、血管样的路径。

检验虚拟血管的合理性

为了验证这些虚拟血管是否合理，团队将模型的预测与已知的小鼠脑血管地图以及原始成像数据中的模式进行了比较。他们发现，预测的 Cldn5 信号沿着典型毛细血管的细长路径分布，而 Acta2 信号则与脑表面及深部较大动脉的横截面相一致。在 50 张脑切片中，Acta2 的注意力图与该基因的真实表达位置高度相关，且 Cldn5 与 Acta2 共同出现的区域提高了预测准确性。这表明模型利用联合的基因活动推断不同血管类型的排列和连接方式。

优点、局限与未来用途

该方法提供了一种快速、经济且减少动物使用的方式来探索血管结构，无需新的染色或复杂显微技术。通过利用现有的空间基因数据集，它可以生成血管领区跨不同脑区的三维视图，并揭示基因活动与血管组织之间的关系。然而，基础数据来自相互间隔较大的脑切片，且基因信号稀疏。因此，虚拟血管应被视为血管领区的概率性轮廓，而非每一根毛细血管的精确重建。若基因标记缺失或采样不足，模型无法恢复精细的拓扑结构。

这对脑健康研究意味着什么

该研究表明，生成型人工智能可以将分子快照转化为可解释的大尺度脑血供图景。通过聚焦于一小组经过精心选择的血管基因，模型在整只小鼠大脑中重构出逼真的动脉和毛细血管分布模式。未来，加入更多血管标记并将该方法与成像和基因组学数据结合，或有助于研究者探究疾病模型中血流如何改变，例如存在血脑屏障破损或血管损伤的情况。目前，这项工作确立了一个强大的计算工具，利用现有基因地图中隐含的信息来探讨大脑血管系统的组织方式。

引用: Berg, I., Wu, J. & Koelzer, V.H. Generative cerebral vasculature visualization using spatial transcriptomic data. Sci Rep 16, 15540 (2026). https://doi.org/10.1038/s41598-026-46455-4

关键词: 脑血管, 空间转录组学, 生成型人工智能, 小鼠大脑, 血脑屏障