Abstract Characterizing cellular diversity at different levels of biological organization across data modalities is a prerequisite to understanding the function of cell types in the brain. Classification of neurons is also required to manipulate cell types in controlled ways, and to understand their variation and vulnerability in brain disorders. The BRAIN Initiative Cell Census Network (BICCN) is an integrated network of data generating centers, data archives and data standards developers, with the goal of systematic multimodal brain cell type profiling and characterization. Emphasis of the BICCN is on the whole mouse brain and demonstration of prototypes for human and non-human primate (NHP) brains. Here, we provide a guide to the cellular and spatial approaches employed, and to accessing and using the BICCN data and its extensive resources, including the BRAIN Cell Data Center (BCDC) which serves to manage and integrate data across the ecosystem. We illustrate the power of the BICCN data ecosystem through vignettes highlighting several BICCN analysis and visualization tools. Finally, we present emerging standards that have been developed or adopted by the BICCN toward FAIR (Wilkinson et al. 2016a) neuroscience. The combined BICCN ecosystem provides a comprehensive resource for the exploration and analysis of cell types in the brain.

Abstract Quantification of individual cells’ morphology and their distribution at the whole brain scale is essential to understand the structure and diversity of cell types. Despite recent technological advances, especially single cell labeling and whole brain imaging, for many prevailing animal models, it is exceedingly challenging to reuse similar technologies to study human brains. Here we propose Adaptive Cell Tomography (ACTomography), a low-cost, high-throughput, high-efficacy tomography approach, based on adaptive targeting of individual cells suitable for human-brain scale modeling of single neurons to characterize their 3-D structures, statistical distributions, and extensible for other cellular features. Specifically, we established a platform to inject dyes into cortical neurons in surgical tissues of 18 patients with brain tumors or other conditions and 1 donated fresh postmortem brain. We collected 3-D images of 1746 cortical neurons, of which 852 neurons were subsequentially reconstructed to quantify their local dendritic morphology, and mapped to standard atlases both computationally and semantically. In our data, human neurons are more diverse across brain regions than by subject age or gender. The strong stereotypy within cohorts of brain regions allows generating a statistical tensor-field of neuron morphology to characterize 3-D anatomical modularity of a human brain.

Abstract Classifications of single neurons at brain-wide scale is a powerful way to characterize the structural and functional organization of a brain. We acquired and standardized a large morphology database of 20,158 mouse neurons, and generated a whole-brain scale potential connectivity map of single neurons based on their dendritic and axonal arbors. With such an anatomy-morphology-connectivity mapping, we defined neuron connectivity types and subtypes (both called “c-types” for simplicity) for neurons in 31 brain regions. We found that neuronal subtypes defined by connectivity in the same regions may share statistically higher correlation in their dendritic and axonal features than neurons having contrary connectivity patterns. Subtypes defined by connectivity show distinct separation with each other, which cannot be recapitulated by morphology features, population projections, transcriptomic, and electrophysiological data produced to date. Within this paradigm, we were able to characterize the diversity in secondary motor cortical neurons, and subtype connectivity patterns in thalamocortical pathways. Our finding underscores the importance of connectivity in characterizing the modularity of brain anatomy, as well as the cell types and their subtypes. These results highlight that c-types supplement conventionally recognized transcriptional cell types (t-types), electrophysiological cell types (e-types), and morphological cell types (m-types) as an important determinant of cell classes and their identities.

Ever since the seminal findings of Ramon y Cajal, dendritic and axonal morphology has been recognized as a defining feature of neuronal types and their connectivity. Yet our knowledge about the diversity of neuronal morphology, in particular its distant axonal projections, is still extremely limited. To systematically obtain single neuron full morphology on a brain-wide scale in mice, we established a pipeline that encompasses five major components: sparse labeling, whole-brain imaging, reconstruction, registration, and classification. We achieved sparse, robust and consistent fluorescent labeling of a wide range of neuronal types across the mouse brain in an efficient way by combining transgenic or viral Cre delivery with novel transgenic reporter lines, and generated a large set of high-resolution whole-brain fluorescent imaging datasets containing thousands of reconstructable neurons using the fluorescence micro-optical sectioning tomography (fMOST) system. We developed a set of software tools based on the visualization and analysis suite, Vaa3D, for large-volume image data processing and computation-assisted morphological reconstruction. In a proof-of-principle case, we reconstructed full morphologies of 96 neurons from the claustrum and cortex that belong to a single transcriptomically-defined neuronal subclass. We developed a data-driven clustering approach to classify them into multiple morphological and projection types, suggesting that these neurons work in a targeted and coordinated manner to process cortical information. Imaging data and the new computational reconstruction tools are publicly available to enable community-based efforts towards large-scale full morphology reconstruction of neurons throughout the entire mouse brain.