列举和表征神经元细胞类型的多样性已被提出作为BRAIN计划的主要挑战之一，其愿景是这种分类是解剖其在健康和疾病中的功能贡献重要一步。个体神经元树突和轴突的重建使得能够定量分析给定神经元类型的形态特征，以提供对其功能作用的洞察。此外，神经元的形态异常通常与许多神经系统疾病如阿尔茨海默病，亨廷顿舞蹈病和自闭症的病理变化相关。因此，表征精细的神经细胞形态对于分类神经细胞类型和理解其功能属性至关重要。现有的自动重建软件主要被设计为自动追踪单个神经元形态，但是应用这些重建软件来正确地追踪密集交织的多个神经元仍然是具有挑战性的。
2019年4月2日，我中心张俊松团队联合南加州大学Hong-WeiDong团队在Nature Conmunications上发表题为“Precise segmentation of densely interweaving neuronclusters using G-Cut”的文章，建立了一种快速稳定的方法即G-Cut，G-Cut是一种强大而强大的信息学工具，在大量神经元的形态学重建中具有广泛的应用，因此加速了对大脑神经细胞类型进行编目的过程。
G-Cut被设计为信息学的一个组成部分，用于在3D图像中重建具有混合神经突的神经元群体。 在G-Cut中，给出了神经元簇（由交织的神经元组成）的连通图表示作为算法的输入。该图包含神经元细胞体和分支，其正确的细胞体分配尚未确定。在实践中，可以使用任何已知的单神经元重建算法。
用于从神经元群自动重建单个神经元的工作流程
考虑到不同细胞类型在不同物种（例如，C线虫，小鼠，大鼠，猴子和人类）或不同脑结构（例如视网膜，新皮质和主要嗅球）中显示丰富的形态变异，研究人员计算了GOF分别共有8种不同的物种和14种不同的脑结构。这些GOF分布允许用户根据物种或结构特征分割不同细胞类型的神经元簇。为了提高其适用性，G-Cut还允许用户从为特定研究目的提供的定制神经元形态学数据集中获得GOF的分布，允许对最合适的细胞类型进行进一步的计算。除非另有说明，否则G-Cut使用单个参数来指定要使用的物种或大脑区域特定的GOF分布（或应计算定制的GOF分布）。随后，该计算的GOF分布用于量化每个分支 - 体细胞对的适合度，以实现分支 - 体细胞分配的数据驱动确定。
总之，表征神经元的精确三维形态和解剖学背景对神经元细胞类型分类和电路映射至关重要。组织清除技术和显微镜技术的最新进展使得可以获得脑组织中完整的交织神经元簇的图像堆栈。由于大多数当前的3D神经元形态学重建方法仅适用于单个神经元，因此以数字方式重建这些簇仍然具有挑战性。 为了超越这些挑战，研究人员提出了一种快速而稳健的方法，名为G-Cut，能够自动分割来自交织神经元簇的单个神经元。 在各种密集互连的神经元簇中，G-Cut比其他最先进的算法具有更高的精度。 G-Cut旨在成为大规模脑图绘制项目的高吞吐量信息管道中的强大组件。
