Improved expansion microscopy method preserves signal from fluorescent proteins and antibodies using off-the-shelf reagents. Expansion microscopy (ExM) enables imaging of preserved specimens with nanoscale precision on diffraction-limited instead of specialized super-resolution microscopes. ExM works by physically separating fluorescent probes after anchoring them to a swellable gel. The first ExM method did not result in the retention of native proteins in the gel and relied on custom-made reagents that are not widely available. Here we describe protein retention ExM (proExM), a variant of ExM in which proteins are anchored to the swellable gel, allowing the use of conventional fluorescently labeled antibodies and streptavidin, and fluorescent proteins. We validated and demonstrated the utility of proExM for multicolor super-resolution (∼70 nm) imaging of cells and mammalian tissues on conventional microscopes.

Fumarate hydratase (FH) mutation causes hereditary type 2 papillary renal cell carcinoma (PRCC2). The main effect of FH mutation is fumarate accumulation. The current paradigm posits that the main consequence of fumarate accumulation is HIF-α stabilization. Paradoxically, FH mutation differs from other HIF-α stabilizing mutations, such as VHL and SDH mutations, in its associated tumor types. We identified that fumarate can directly up-regulate antioxidant response element (ARE)–controlled genes. We demonstrated that aldo-keto reductase family 1 member B10 (AKR1B10) is an ARE-controlled gene and is up-regulated upon FH knockdown as well as in FH null cell lines. AKR1B10 overexpression is also a prominent feature in both hereditary and sporadic PRCC2. This phenotype better explains the similarities between hereditary and sporadic PRCC2.

Abstract Reconstructing neuron morphology is central to uncovering the complexity of the nervous system. That is because the morphology of a neuron essentially provides the physical constraints to its intrinsic electrophysiological properties and its connectivity. Recent advances in imaging technologies generated large quantities of high-resolution 3D images of neurons in the brain. Furthermore, the multispectral labeling technology, Brainbow permits unambiguous differentiation of neighboring neurons in a densely labeled brain, therefore enables for the first time the possibility of studying the connectivity between many neurons from a light microscopy image. However, lack of reliable automated neuron morphology reconstruction makes data analysis the bottleneck of extracting rich informatics in neuroscience. Supervoxel-based neuron segmentation methods have been proposed to solve this problem, however, the use of previous approaches has been impeded by the large numbers of errors which arise in the final segmentation. In this paper, we present a novel unsupervised approach to trace neurons from multispectral Brainbow images, which prevents segmentation errors and tracing continuity errors using two innovations. First, we formulate a Gaussian mixture model-based clustering strategy to improve the separation of segmented color channels that provides accurate skeletonization results for the following steps. Next, a skeleton graph approach is proposed to allow the identification and correction of discontinuities in the neuron tree topology. We find that these innovations allow our approach to outperform current state-of-the-art approaches, which results in more accurate neuron tracing as a tree representation close to human expert annotation.

Abstract Accurate and complete neuronal wiring diagrams are necessary for understanding brain function at many scales from long-range interregional projections to microcircuits. Traditionally, light microscopy-based anatomical reconstructions use monochromatic labeling and therefore necessitate sparse labeling to eliminate tracing ambiguity between intermingled neurons. Consequently, our knowledge of neuronal morphology has largely been based on averaged estimations across many samples. Recently developed second-generation Brainbow tools promise to circumvent this limitation by revealing fine anatomical details of many unambiguously identifiable neurons in densely labeled samples. Yet, a means to quantify and analyze the information is currently lacking. Therefore, we developed nTracer, an ImageJ plugin capable of rapidly and accurately reconstructing whole-cell morphology of large neuronal populations in densely labeled brains.

Abstract The study of neuron morphology requires robust and comprehensive methods to quantify the differences between neurons of different subtypes and animal species. Several software packages have been developed for the analysis of neuron tracing results stored in the standard SWC format. However, providing relatively simple quantifications and their non-extendable architecture prohibit their use for advanced data analysis and visualization. We developed nGauge , a Python toolkit to support the parsing and analysis of neuron morphology data. As an application programming interface (API), nGauge can be referenced by other popular open-source software to create custom informatics analysis pipelines and advanced visualizations. nGauge defines an extendable data structure that handles volumetric constructions (e.g. soma), in addition to the SWC linear reconstructions, while remaining light-weight. This greatly extends nGauge’s data compatibility.

Identifying the cellular origins and mapping the dendritic and axonal arbors of neurons have been century old quests to understand the heterogeneity among these brain cells. Classical chemical and genetic methods take advantage of light microscopy and sparse labeling to unambiguously, albeit inefficiently, trace a few neuronal lineages or reconstruct their morphologies in each sampled brain. To improve the analysis throughput, we designed Bitbow, a digital format of Brainbow which exponentially expands the color palette to provide tens of thousands of spectrally resolved unique labels. We generated transgenic Bitbow Drosophila lines, established statistical tools, and streamlined sample preparation, image processing and data analysis pipelines to allow conveniently mapping neural lineages, studying neuronal morphology and revealing neural network patterns with an unprecedented speed, scale and resolution.### Competing Interest StatementThe authors have declared no competing interest.

Neuronal morphology reconstruction in fluorescence microscopy 3D images is essential for analyzing neuronal cell type and connectivity. Manual tracing of neurons in these images is time consuming and subjective. Automated tracing is highly desired yet is one of the foremost challenges in computational neuroscience. The multispectral labeling technique, Brainbow utilizes high dimensional spectral information to distinguish intermingled neuronal processes. It is particular interesting to develop new algorithms to include the spectral information into the tracing process. Recently, deep learning approaches achieved state-of-the-art in different computer vision and medical imaging applications. To benefit from the power of deep learning, in this paper, we propose an automated neural tracing approach in multispectral 3D Brainbow images based on recurrent neural net-work. We first adopt VBM4D approach to denoise multispectral 3D images. Then we generate cubes as training samples along the ground truth, manually traced paths. These cubes are the input to the recur-rent neural network. The proposed approach is simple and effective. The approach can be implemented with the deep learning toolbox "Keras" in 100 lines. Finally, to evaluate our approach, we computed the average and standard deviation of DIADEM metric from the ground truth results to our tracing results, and from our tracing results to the ground truth results. Extensive experimental results on the collected dataset demonstrate that the proposed approach performs well in Brainbow labeled mouse brain images.

ABSTRACT Over the last decade, the advances in Brainbow labeling allowed labeling hundreds of neurons with distinct colors in the same field of view of a brain [1, 2]. Reconstruction (or “tracing”) of the 3D structures of these images has been enabled by a growing set of software tools for automatic and manual annotation. It is common, however, to have errors introduced by heuristics used by tracing software, namely that they assume the “best” path is the highest intensity one, a more pertinent issue when dealing with multicolor microscope images. Here, we report nCorrect , an algorithm for correcting this error by reanalyzing previously created neuron traces to produce more physiologically-relevant ones. Specifically, we use a four dimensional minimization algorithm to identify a more-optimal reconstruction of the image, allowing us to better take advantage of existing manual tracing results. We define a new metric (hyperspectral cosine similarity) for describing the similarity of different neuron colors to each other. Our code is available in an open source license and forms the basis for future improved neuron tracing software.