Abstract Dendritic and axonal morphology reflects the input and output of neurons and is a defining feature of neuronal types 1,2 , yet our knowledge of its diversity remains limited. Here, to systematically examine complete single-neuron morphologies on a brain-wide scale, we established a pipeline encompassing sparse labelling, whole-brain imaging, reconstruction, registration and analysis. We fully reconstructed 1,741 neurons from cortex, claustrum, thalamus, striatum and other brain regions in mice. We identified 11 major projection neuron types with distinct morphological features and corresponding transcriptomic identities. Extensive projectional diversity was found within each of these major types, on the basis of which some types were clustered into more refined subtypes. This diversity follows a set of generalizable principles that govern long-range axonal projections at different levels, including molecular correspondence, divergent or convergent projection, axon termination pattern, regional specificity, topography, and individual cell variability. Although clear concordance with transcriptomic profiles is evident at the level of major projection type, fine-grained morphological diversity often does not readily correlate with transcriptomic subtypes derived from unsupervised clustering, highlighting the need for single-cell cross-modality studies. Overall, our study demonstrates the crucial need for quantitative description of complete single-cell anatomy in cell-type classification, as single-cell morphological diversity reveals a plethora of ways in which different cell types and their individual members may contribute to the configuration and function of their respective circuits.

Abstract An essential step toward understanding brain function is to establish a cellular-resolution structural framework upon which multi-scale and multi-modal information spanning molecules, cells, circuits and systems can be integrated and interpreted. Here, through a collaborative effort from the Brain Initiative Cell Census Network (BICCN), we derive a comprehensive cell type-based description of one brain structure - the primary motor cortex upper limb area (MOp-ul) of the mouse. Applying state-of-the-art labeling, imaging, computational, and neuroinformatics tools, we delineated the MOp-ul within the Mouse Brain 3D Common Coordinate Framework (CCF). We defined over two dozen MOp-ul projection neuron (PN) types by their anterograde targets; the spatial distribution of their somata defines 11 cortical sublayers, a significant refinement of the classic notion of cortical laminar organization. We further combine multiple complementary tracing methods (classic tract tracing, cell type-based anterograde, retrograde, and transsynaptic viral tracing, high-throughput BARseq, and complete single cell reconstruction) to systematically chart cell type-based MOp input-output streams. As PNs link distant brain regions at synapses as well as host cellular gene expression, our construction of a PN type resolution MOp-ul wiring diagram will facilitate an integrated analysis of motor control circuitry across the molecular, cellular, and systems levels. This work further provides a roadmap towards a cellular resolution description of mammalian brain architecture.

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 Recent advances in neuroscience make the extraction of full neuronal morphology at whole brain dataset available. To produce quality morphometry at large scale, it is highly desirable but extremely challenging to efficiently handle petabyte-scale high-resolution whole brain imaging database. Here, we developed a multi-level method to produce high quality somatic, dendritic, axonal, and potential synaptic morphometry, which was made possible by utilizing necessary petabyte hardware and software platform to optimize both the data and workflow management. Our method also boosts data sharing and remote collaborative validation. We highlight a petabyte application dataset involving 62 whole mouse brains, from which we identified 50,233 somata of individual neurons, profiled the dendrites of 11,322 neurons, reconstructed the full 3-D morphology of more than one thousand neurons including their dendrites and full axons, and detected million scale putative synaptic sites derived from axonal boutons. Analysis and simulation of these data indicate the promise of this approach for modern large-scale morphology applications.

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.

The authors have withdrawn their manuscript because this paper has a conflict of interest. Therefore, the authors do not wish this work to be cited as a reference for the project. If you have any questions, please contact the corresponding author.

Motivation: Recent advances in reconstructing 3D neuron morphologies at the whole brain level offer exciting opportunities to study single cell genotyping and phenotyping. However, it remains challenging to define cell types and sub-types properly. Results: As morphological feature spaces are often too complicated to classify neurons, we introduce a method to detect the optimal subspace of features so that neurons can be well clustered. We have applied this method to one of the largest curated databases of morphological reconstructions that contains more than 9,400 mouse neurons of 19 cell types. Our method is able to detect the distinctive feature subspaces for each cell type. Our approach also outperforms prevailing cell typing approaches in terms of its ability to identify key morphological indicators for each neuron type and separate super-classes of these neuron types. the subclasses of neuronal types could supply information for brain connectivity and modeling, also promote other analysis including feature spaces. Availability: All datasets used in this study are publicly available. All analyses were conducted with python package Scikit-learn 0.23.1 version. Source code used for data processing, analysis and figure generation is available as an open-source Python package, on https://github.com/SEU-ALLEN-codebase/ManifoldAnalysis

Abstract We conducted a large-scale whole-brain morphometry study by analyzing 3.7 peta-voxels of mouse brain images at the single-cell resolution, producing one of the largest multi-morphometry databases of mammalian brains to date. We registered 204 mouse brains of three major imaging modalities to the Allen Common Coordinate Framework (CCF) atlas, annotated 182,497 neuronal cell bodies, modeled 15,441 dendritic microenvironments, characterized the full morphology of 1876 neurons along with their axonal motifs, and detected 2.63 million axonal varicosities that indicate potential synaptic sites. Our analyzed six levels of information related to neuronal populations, dendritic microenvironments, single-cell full morphology, dendritic and axonal arborization, axonal varicosities, and sub-neuronal structural motifs, along with a quantification of the diversity and stereotypy of patterns at each level. This integrative study provides key anatomical descriptions of neurons and their types across a multiple scales and features, contributing a substantial resource for understanding neuronal diversity in mammalian brains.

Digital reconstruction of the intricate 3D morphology of individual neurons from microscopic images is widely recognized as a crucial challenge in both individual research laboratories and large-scale scientific projects focusing on cell types and brain anatomy. This task often fails both conventional manual reconstruction and state-of-the-art automatic reconstruction algorithms, even many of which are based on artificial intelligence (AI). It is also critical but challenging to organize multiple neuroanatomists to produce and cross-validate biologically relevant and agreeable reconstructions in scaled data production. Here we propose an approach based on collaborative human intelligence augmented by AI. Specifically, we have developed a Collaborative Augmented Reconstruction (CAR) platform for neuron reconstruction at scale. This platform allows for immersive interaction and efficient collaborative-editing of neuron anatomy using a variety of client devices, such as desktop workstations, virtual reality headsets, and mobile phones, enabling users to contribute anytime and anywhere and take advantage of several AI-based automation tools. We have tested CAR's applicability for challenging mouse and human neurons towards a scaled and faithful data production. Our data indicate that the CAR platform is suitable for generating tens of thousands of neuronal reconstructions used in our companion studies.

Neuron morphology is recognized as a key determinant of cell type, yet the quantitative profiling of a mammalian neuron's complete three-dimensional (3-D) morphology remains arduous when the neuron has complex arborization and long projection. Whole-brain reconstruction of neuron morphology is even more challenging as it involves processing tens of teravoxels of imaging data. Validating such reconstructions is extremely laborious. We developed TeraVR, an open-source virtual reality annotation system, to address these challenges. TeraVR integrates immersive and collaborative 3-D visualization, interaction, and hierarchical streaming of teravoxel-scale images. Using TeraVR, we produced precise 3-D full morphology of long-projecting neurons in whole mouse brains and developed a collaborative workflow for highly accurate neuronal reconstruction.