Abstract Understanding the intracellular dynamics of brain cells entails performing three-dimensional molecular simulations incorporating ultrastructural models that can capture cellular membrane geometries at nanometer scales. While there is an abundance of neuronal morphologies available online, e.g. from neuromorpho.org , converting those fairly abstract point-and-diameter representations into geometrically realistic and simulation-ready, i.e. watertight, manifolds is challenging. Many neuronal mesh reconstruction methods have been proposed, however, the resulting models are either biologically unplausible or non-watertight. We present an effective and unconditionally robust method capable of generating geometrically realistic and watertight surface manifolds of spiny cortical neurons from their morphological descriptions. The robustness of our technique is assessed with a mixed dataset of cortical neurons with a wide variety of morphological classes. The implementation is seamlessly extended and applied to synthetic astrocytic morphologies that are also plausibly biological in detail. Resulting meshes are ultimately used to create tetrahedral models that are plugged into in silico reaction-diffusion simulations for revealing cellular structure–function relationships. Availability and implementation Our method is implemented in NeuroMorphoVis , a neuroscience-specific open source B lender add-on, making it freely accessible for neuroscience researchers. Key points A plethora of neuronal morphologies is available in point-and-diameter formats, but there are no robust methods to convert these morphologies into realistic geometric models to conduct subcellular simulations based on synaptic data emerging from digitally reconstructed neuronal circuits. We present a scalable method capable of creating high fidelity watertight ultrastructural manifolds of complete neuronal models from their one-dimensional descriptions. Resulting manifold models include geometrically realistic somata and spine geometries, enabling accurate in silico experiments that can probe intricate structure-function relationships. Our method is extensible and can be seamlessly applied to astroglial morphologies and large networks of cerebral vasculature.

Astrocytes connect the vasculature to neurons and mediate the supply of nutrients and biochemicals. They also remove metabolites from the neurons and extracellular environment. They are involved in a growing number of physiological and pathophysiological processes. Understanding the biophysical, physiological, and molecular interactions in this neuro-glia-vascular ensemble (NGV) and how they support brain function is severely restricted by the lack of detailed cytoarchitecture. To address this problem, we used data from multiple sources to create a data-driven digital reconstruction of the NGV at micrometer anatomical resolution. We reconstructed 0.2 mm3 of rat somatosensory cortical tissue with approximately 16000 morphologically detailed neurons, its microvasculature, and approximately 2500 morphologically detailed protoplasmic astrocytes. The consistency of the reconstruction with a wide array of experimental measurements allows novel predictions of the numbers and locations of astrocytes and astrocytic processes that support different types of neurons. This allows anatomical reconstruction of the spatial microdomains of astrocytes and their overlapping regions. The number and locations of end-feet connecting each astrocyte to the vasculature can be determined as well as the extent to which they cover the microvasculature. The structural analysis of the NGV circuit showed that astrocytic shape and numbers are constrained by vasculature's spatial occupancy and their functional role to form NGV connections. The digital reconstruction of the NGV is a resource that will enable a better understanding of the anatomical principles and geometric constraints which govern how astrocytes support brain function.

Abstract U ltraliser is a neuroscience-specific software framework capable of creating accurate and biologically realistic 3D models of complex neuroscientific structures at intracellular (e.g. mitochondria and endoplasmic reticula), cellular (e.g. neurons and glia) and even multicellular scales of resolution (e.g. cerebral vasculature and minicolumns). Resulting models are exported as triangulated surface meshes and annotated volumes for multiple applications in in silico neuroscience, allowing scalable supercomputer simulations that can unravel intricate cellular structure-function relationships. U ltraliser implements a high performance and unconditionally robust voxelization engine adapted to create optimized watertight surface meshes and annotated voxel grids from arbitrary non-watertight triangular soups, digitized morphological skeletons or binary volumetric masks. The framework represents a major leap forward in simulation-based neuroscience, making it possible to employ high-resolution 3D structural models for quantification of surface areas and volumes, which are of the utmost importance for cellular and system simulations. The power of U ltraliser is demonstrated with several use cases in which hundreds of models are created for potential application in diverse types of simulations. U ltraliser is publicly released under the GNU GPL3 license on GitHub ( BlueBrain/Ultraliser ). Significance There is crystal clear evidence on the impact of cell shape on its signaling mechanisms. Structural models can therefore be insightful to realize the function; the more realistic the structure can be, the further we get insights into the function. Creating realistic structural models from existing ones is challenging, particularly when needed for detailed subcellular simulations. We present U ltraliser , a neuroscience-dedicated framework capable of building these structural models with realistic and detailed cellular geometries that can be used for simulations. Key points Ultraliser creates spatial models of neuro-glia-vascular (NGV) structures with realistic geometries. Ultraliser creates high fidelity watertight manifolds and large scale volumes from centerline descriptions, non-watertight surfaces, and binary masks. Resulting models enable scalable in silico experiments that can probe intricate structure-function relationships. The framework is unrivalled both in ease-of-use and in the accuracy of resulting geometry representing a major leap forward in simulation-based neuroscience.