在神经科学研究中，构建高分辨率、解剖学精确的大脑图谱是理解神经回路功能与行为的基础。传统的小鼠大脑图谱依赖人工标注，耗时且难以在全脑尺度捕捉微观结构多样性。近日，《Nature Communications》发表的一项研究提出了一种基于Transformer架构的数据驱动方法，实现了小鼠大脑区域的精细化自动发现与划分。

该研究利用Transformer模型强大的长距离依赖建模能力，对多模态神经影像数据进行深度特征提取。研究团队构建了处理空间分布特征的神经网络，通过学习不同脑区间的连接模式和基因表达相似性，自动识别功能一致的解剖边界。与传统的基于几何形状或单一标记物的分割方法不同，该模型能捕捉隐藏在复杂神经连接数据中的细微模式。

实验结果显示，该模型在多个数据集上表现出卓越的鲁棒性。通过对小鼠全脑连接组数据的分析，研究人员成功识别出一系列此前在标准图谱中被忽略或归并的微小脑区。这些新发现的区域在神经元投射模式和分子表达特征上高度特异，为解析特定行为背后的神经环路提供了新的解剖学依据。

该方法不仅提升了脑区划分精度，还极大缩短了处理大规模神经影像数据的时间成本。这种数据驱动的计算范式为未来构建个性化、动态的大脑图谱铺平了道路，对研究神经退行性疾病及精神类疾病中的脑网络重构具有重要临床转化潜力。

Journal Reference: Zheng, Z., et al. Data-driven fine-grained region discovery in the mouse brain with transformers. Nature Communications (2025).