Abstract We present ‘Richardson-Lucy Network’ (RLN), a fast and lightweight deep learning method for 3D fluorescence microscopy deconvolution. RLN combines the traditional Richardson-Lucy iteration with a fully convolutional network structure, improving network interpretability and robustness. Containing only ∼16 thousand parameters, RLN enables 4- to 50-fold faster processing than purely data-driven networks with many more parameters. By visual and quantitative analysis, we show that RLN provides better deconvolution, better generalizability, and fewer artifacts than other networks, especially along the axial dimension. RLN outperforms Richardson-Lucy deconvolution on volumes contaminated with severe out of focus fluorescence or noise and provides 4- to 6-fold faster reconstructions of large, cleared tissue datasets than classic multi-view pipelines. We demonstrate RLN’s performance on cells, tissues, and embryos imaged with widefield-, light sheet-, and structured illumination microscopy.

Summary Neuropils are compartments in the nervous system containing dense networks of neurites and synapses which function as information processing centers. Neuropil formation requires structural and functional organization at and across different scales, achieving single-axon precision for circuits that carry out the core functions while simultaneously accommodating variability among individuals [1; 2; 3; 4]. How these organizational features emerge over development is poorly understood. The nerve ring is the primary neuropil in C. elegans , and its structure is thoroughly mapped [5; 6]. We show that prior to axon outgrowth, nerve ring neurons form a ring of multicellular rosettes with surrounding cells to organize the stratified nerve ring structure [7; 8]. Axon bundles which correspond to future nerve ring strata grow from rosette centers, travel along the ring on “bridge” cells that are simultaneously engaged in adjacent rosettes, and assemble into a topographic scaffold of the nerve ring. SAX-3/Robo is required for proper rosette formation and outgrowth from the center. Furthermore, axon contact sites that form early in development are more conserved than the later ones, indicating a temporal component in neuropil structural variability. Our results reveal an unexpected and critical role of collective cell behaviors prior to innervation to pattern a complex neuropil and orchestrate its formation across scales.

Neuropil is a fundamental form of tissue organization within brains. In neuropils, densely packed neurons synaptically interconnect into precise circuit architecture, yet the structural and developmental principles governing nanoscale precision in bundled neuropil assembly remain largely unknown. Here we use diffusion condensation, a coarse-graining clustering algorithm, to identify nested circuit structures within the C. elegans cerebral neuropil (called the nerve ring). We determine that the nerve ring neuropil is organized into four tightly bundled strata composed of related behavioral circuits. We demonstrate that the stratified architecture of the neuropil is a geometrical representation of the functional segregation of sensory information and motor outputs, with specific sensory organs and muscle quadrants mapping onto particular neuropil strata. We identify groups of neurons with unique morphologies that integrate information across strata and that create a sophisticated honeycomb-shaped scaffold that encases the strata within the nerve ring. We resolve the developmental sequence leading to stratified neuropil organization through the integration of lineaging and cell tracking algorithms with high resolution light-sheet microscopy, and reveal principles of cell position, migration and hierarchical outgrowth that guide neuropil organization. Our results uncover conserved design principles underlying nerve ring neuropil architecture and function, and a pioneer neuron-based, temporal progression of outgrowth that guides the hierarchical development of the layered neuropil. Our findings provide a blueprint for using structural and developmental approaches to systematically understand neuropil organization within brains.

We describe theoretical and practical advances in algorithm and software design, resulting in ten to several thousand-fold faster deconvolution and multiview fusion than previous methods. First, we adapt methods from medical imaging, showing that an unmatched back projector accelerates Richardson-Lucy deconvolution by at least 10-fold, in most cases requiring only a single iteration. Second, we show that improvements in 3D image-based registration with GPU processing result in speedups of 10-100-fold over CPU processing. Third, we show that deep learning can provide further accelerations, particularly for deconvolution with a spatially varying point spread function. We illustrate the power of our methods from the subcellular to millimeter spatial scale, on diverse samples including single cells, nematode and zebrafish embryos, and cleared mouse tissue. Finally, we show that our methods facilitate the use of new microscopes that improve spatial resolution, including dual-view cleared tissue light-sheet microscopy and reflective lattice light-sheet microscopy.

Summary Volume electron microscopy (vEM) datasets such as those generated for connectome studies allow nanoscale quantifications and comparisons of the cell biological features underpinning circuit architectures. Quantifications of cell biological relationships in the connectome result in rich multidimensional datasets that benefit from data science approaches, including dimensionality reduction and integrated graphical representations of neuronal relationships. We developed NeuroSCAN, an online open- source platform that bridges sophisticated graph analytics from data science approaches with the underlying cell biological features in the connectome. We apply NeuroSCAN to a complete published record of C. elegans brain neuropils and demonstrate how these integrated representations of neuronal relationships facilitate comparisons across connectomes, catalyzing new insights on the structure-function of the circuits and their changes during development. NeuroSCAN is designed for intuitive examination and comparisons across connectomes, enabling synthesis of knowledge from high-level abstractions of neuronal relationships derived from data science techniques to the detailed identification of the cell biological features underpinning these abstractions.

Abstract The internalization of the central nervous system, termed neurulation in vertebrates, is a critical step in embryogenesis. Open questions remain as to how force propels coordinated tissue movement during the process, and little is known as to how internalization happens in invertebrates. We show that in C. elegans morphogenesis, apical constriction in the retracting pharynx drives involution of the adjacent neuroectoderm. Localized HMR-1/Cadherin mediates the inter-tissue attachment, as well as within the neuroectoderm to maintain intratissue cohesion. Our results demonstrate that localized HMR-1 is capable of mediating embryo wide reorganization driven by a centrally located force generator, and indicate a non-canonical use of Cadherin on the basal side of an epithelium that may apply to vertebrate neurulation. Additionally, we highlight shared morphology and gene expression in tissues driving involution, which suggests that neuroectoderm involution in C. elegans is potentially homologous with vertebrate neurulation and thus may help elucidate the evolutionary origin of the brain.

Optical aberrations hinder fluorescence microscopy of thick samples, reducing image signal, contrast, and resolution. Here we introduce a deep learning-based strategy for aberration compensation, improving image quality without slowing image acquisition, applying additional dose, or introducing more optics into the imaging path. Our method (i) introduces synthetic aberrations to images acquired on the shallow side of image stacks, making them resemble those acquired deeper into the volume and (ii) trains neural networks to reverse the effect of these aberrations. We use simulations to show that applying the trained de-aberration networks outperforms alternative methods, and subsequently apply the networks to diverse datasets captured with confocal, light-sheet, multi-photon, and super-resolution microscopy. In all cases, the improved quality of the restored data facilitates qualitative image inspection and improves downstream image quantitation, including orientational analysis of blood vessels in mouse tissue and improved membrane and nuclear segmentation in C. elegans embryos.

Abstract We demonstrate diffraction-limited and super-resolution imaging through thick layers (tens-hundreds of microns) of BIO-133, a biocompatible, UV-curable, commercially available polymer with a refractive index (RI) matched to water. We show that cells can be directly grown on BIO-133 substrates without the need for surface passivation and use this capability to perform extended time-lapse volumetric imaging of cellular dynamics 1) at isotropic resolution using dual-view light-sheet microscopy, and 2) at super-resolution using instant structured illumination microscopy. BIO-133 also enables immobilization of 1) Drosophila tissue, allowing us to track membrane puncta in pioneer neurons, and 2) Caenorhabditis elegans , which allows us to image and inspect fine neural structure and to track pan-neuronal calcium activity over hundreds of volumes. Finally, BIO-133 is compatible with other microfluidic materials, enabling optical and chemical perturbation of immobilized samples, as we demonstrate by performing drug and optogenetic stimulation on cells and C. elegans .

Abstract During development, neurites and synapses segregate into specific neighborhoods or layers within nerve bundles. The developmental programs guiding placement of neurites in specific layers, and hence their incorporation into specific circuits, are not well understood. We implement novel imaging methods and quantitative models to document the embryonic development of the C. elegans brain neuropil, and discover that differential adhesion mechanisms control precise placement of single neurites onto specific layers. Differential adhesion is orchestrated via developmentally-regulated expression of the IgCAM SYG-1, and its partner ligand SYG-2. Changes in SYG-1 expression across neuropil layers result in changes in adhesive forces, which sort SYG-2-expressing neurons. Sorting to layers occurs, not via outgrowth from the neurite tip, but via an alternate mechanism of retrograde zippering, involving interactions between neurite shafts. Our study indicates that biophysical principles from differential adhesion govern neurite placement and synaptic specificity in vivo in developing neuropil bundles.