材料和试剂

1. 5 ml注射器（Sigma-Aldrich，目录号：Z683582-100EA）

2. Vacutainer 安全锁采血套装（25 G × 3/4” × 12”，0.5 × 19 × 305 mm，Becton Dickinson，目录号：367283）

3. 尼龙扎带（4 英寸和 8 英寸长，LECO 塑料，部件号 L-4-18、L-8-50）

4. 50 ml锥形管（Corning，目录号：352070）

5. BALB/cByJ 小鼠（Jackson Laboratories，目录号：001026，8-10 周龄，雄性和雌性）

6. 水合氯醛（Sigma，目录号：102425）

7. 肝素（Sigma，目录号：H3393-50KU）

8. PBS（康宁，目录号：21-031）

9. Gadodiamide（Omniscan，CAS# 131410-48-5）

10. 10% 福尔马林溶液（PolyScience，目录号：08279-20）

11. 全氟聚醚（Fomblin ^®，PerkinElmer LLC，CAS# 69991067-9，Sigma-Aldrich，目录号：317926）

设备

1. 小鼠常规经心灌注工具（蠕动泵和管道、锋利的小剪刀、钝镊子、21 G 输液蝴蝶（Becton Dickinson，目录号：367281）、用于采血的大容器、用于固定鼠标的绝缘泡沫盒顶部, 和 23 G 针。

2. 水平 7 特斯拉 (T) 磁共振 (MR) 系统（Bruker Biospin，Billercia，MA，USA）或其他高场（7T 或更大）MRI 系统

3. 4 通道仅接收低温探针（Bruker Biospin，Billerica，MA，USA）

4. 72 mm 内径体积发射线圈（Bruker Biospin，Billerica，MA，美国）

5. 低温探针的动物支架（Bruker Biospin，Billerica，MA，USA）

6. 真空和真空室（例如，1-gal）

软件

1. Paravision（PV 6.0.1 或更高版本）

2. Matlab R2019b 或更高版本 ( www.mathworks.com )

3. DTIStudio ( www.mristudio.org )

4. AMIRA（thermofisher.com，版本 5.0 或更高版本）

5. DiffeoMap ( www.mristudio.org ) 或ANTs ( http://stnava.github.io/ANTs/ )

6. Mrtrix ( www.mrtrix.org )

7. 图论网络分析工具箱（GRETNA）（www.nitrc.org/projects/gretna）

8. GraphPad Prism（Windows 8.4.3 版，GraphPad 软件，美国加州拉霍亚）（www.graphpad.com）

程序

A. 离体大脑样品制备

1. 用水合氯醛麻醉小鼠（在无菌 PBS 中腹腔注射100 毫克/千克）。

2. 用 35 ml 冷 PBS/肝素（50 单位/ml）溶液经心灌注小鼠，然后加入 35 ml 10% 福尔马林。PBS 和福尔马林的灌注速率约为 12 毫升/分钟，良好的灌注通过肝脏颜色从深红色变为棕/灰色和动物尸体变得僵硬来评估。

3. 在颈中线（C3-C4 左右）处斩首鼠标，确保不会损伤脊髓，并将头部置于50 毫升锥形管中的 50 毫升 10% 福尔马林溶液中，在 4 °C 下放置 24 小时。

4. 固定后 24 小时后，用 PBS 替换福尔马林。此时样品可以储存在 4 °C ，直到准备好进行扫描。

5. 用 50 毫升 2 mM钆二胺的 PBS 溶液代替 PBS 溶液。

6. 将样品在 4 °C 下储存一周，以便gadodiamide扩散到组织中。

7. 修剪皮肤和肌肉组织，但保持头骨和眼球完好无损（图 1A）。去除下颌骨和舌头。

8. 将一个大脑放入 5 毫升注射器的桶中，鼻子朝向注射器的中心，然后在大脑的底部和背面放置 2-3 小块弯曲的扎带，以将标本正确固定在注射器内桶 (图 1A)。

9. 用松散的真空容器更换注射器的盖子，用全氟聚醚 (Fomblin ^®)填充注射器，插入柱塞，翻转注射器使针头朝上，然后取下盖子。

10. 将注射器的中心朝上放置在真空室中 30 分钟以去除气泡（图 1B）。

11. 从真空室中取出注射器，推出桶中剩余的空气和 PBS，并通过拧紧真空容器密封注射器的盖子（图 1C）。

B. 磁共振数据采集

1. 将注射器水平放置在低温探针的动物支架中，并调整样品位置，使大脑的背部尽可能靠近低温线圈，以最大限度地提高灵敏度。使用胶带将注射器固定到动物支架上（图 1D）。

2. 将动物支架插入低温探针下的磁铁中（图 1E）。

3. 使用 Bruker Localizer 协议获取试点扫描。对于任何 MRI 研究，Localizer 是第一个在三个正交平面上获取对象参考图像的扫描。结果扫描的图像出现在“几何编辑器”中，其中前三个视口显示轴向、矢状和冠状方向的参考脑切片。因此，定位器可以快速查看磁铁中的样品（图 1F）。检查样品是否在低温探头最敏感的区域，没有明显的向左或向右倾斜。在继续下一步之前，调整主体的位置并重新运行定位器协议。

4. 调整低温探头的调谐和匹配，并获取整个样品的主磁场（B ₀场）图。

5. 使用布鲁克 MapShim 程序调整匀场电流以实现相对均匀的 B ₀场。简而言之，选择特定的扫描来计算垫片。然后从设置选项卡中选择 Map_shim 并以立方体、圆柱体或椭圆体形状定义感兴趣的目标体积。在几何编辑器中移动、调整大小或旋转目标体积，使体积覆盖整个样本。运行扫描以根据上一步中测量的 B ₀图计算目标体积中的最佳垫片值。

6. 使用修改后的 3D 梯度和自旋回波 (GRASE) 序列（Wu 等人，2013 年）获取整个小鼠大脑的高角分辨率扩散加权成像（HARDI）（另一种方法是 3D 多脉冲扩散加权回波平面成像（ EPI) 序列由布鲁克提供) 并具有以下成像参数：

a. 回波时间 (TE)/重复时间 (TR)：33/400 分钟。

b. 非扩散加权图像的数量（b ₀s）：2。

c. 扩散加权图像 (DWI) 的数量：60，由序列自动生成。

d. b 值：5,000 s/mm ²。

e. 分辨率：100 µm 各向同性。

图 1. MRI 的准备工作。

A. 样品制备：小心取出头骨外的组织，不要损坏眼球（顶部面板）。将大脑放入 5ml 注射器中，并用小块拉链固定其位置（底部面板）。公元前。排除注射器中的空气：将注射器连接到一个松散捆绑的装有 Fomblin ^®的真空容器（如 C 所示）并放入真空室（如 B 所示）。取下真空吸尘器并打开真空 30 分钟以去除气泡。抽真空后排出剩余的空气，并通过拧紧真空吸尘器密封顶部。D. 将样品放置在制造商为低温探针设计的样品架中。D'。样本的放大视图。E. 将样品架插入磁铁的磁铁孔中。E'。支架的放大视图（由白色箭头指示）。F. 在 7 Tesla Bruker 临床前 MRI 系统上使用 Localizer 协议获取的三个正交平面图像。

数据分析

A. 数据预处理

对于每个数据集，相应地执行以下步骤：

1. 运动校正：使用 DTIStudio（Jiang等人，2006 年），将所有 DWI 与 b ₀s的平均值对齐，以消除长扫描期间由于振动和 B ₀场漂移引起的小样本位移（图 2A）。

2. 头骨剥离：使用 AMIRA 分割编辑器去除非脑组织并定义主题特定的全脑面具（图 2B）。

3. 扩散张量的估计：根据原始数据，使用 MRtrix（命令：dwi2tensor）（图 2C）（Tournier等人. , 2012)。

4. 计算平均 DWI 和分数各向异性 (FA)：使用 Matlab 从 60 个 DWI 计算平均 DWI (aDWI)，并使用 MRtrix（命令：tensor2metric）从张量计算 FA 图（Basser等人，1994 年；Tournier等人）., 2012)。

5. 图谱标签的图像配准和转移到受试者的原生空间：使用 DiffeoMap，通过多通道 (aDWI + FA)将 aDWI 和 FA 图归一化为基于 MRI 的图谱 (Chuang et al ., 2011; Arefin et al. , 2019) ) 大变形微分形态度量映射 (LDDMM)（Ceritoglu等人，2009 年）（图 3A）。接下来，使用来自 LDDMM 的逆映射将结构标签（即大脑区域或节点）转移到主体的本机空间（图 3B，另见注 1）。如果 DiffeoMap 不可用，则可以使用ANT ( http://stnava.github.io/ANTs/ ) 代替（图 2D）。

图 2. 数据预处理步骤的图示。

A.使用 DTIStudio 进行运动校正。运行自动图像配准（圆圈）以将所有扩散加权图像 (DWI) 与非扩散加权图像 (b ₀)对齐。B. 使用 AMIRA 分割编辑器为大脑生成二进制掩码（紫色）。C. 使用 Mrtrix 从原始数据计算张量和 FA 的步骤示意图。D. 使用 DiffeoMap 进行图像配准并将图集标签转换为主体的本机图像空间。

图 3. 图像配准管道。

A. 使用多通道 LDDMM 将 MR 数据（受试者）共同注册到组平均小鼠脑图谱模板中。B. 结构标签从基于 MRI 的地图集到受试者的原生空间的转换。

B. 数据后处理

评估大脑微观结构变化

首先，从 LDDMM 生成的图谱和对象图像之间的映射中计算每个体素的雅可比行列式值，并在 Matlab 中进行基于全脑体素的形态测量分析，以识别受饲养、性别及其相互作用影响的局部体积变化（ 2 × 2 方差分析，FDR 校正，α = 0.1，P < 0.0105，簇大小 > 25 个体素）。请参阅用于进行 2 × 2 方差分析的 Matlab 代码（源数据 1）（White等人，2020 年）。然后，类似地执行 2 × 2 方差分析（FDR 校正，α = 0.1，P < 0.007，簇大小 > 25 体素）以检查 FA 的体素变化（White等，2020）。这些分析将提供由于饲养、性别和按性别相互作用饲养的形态测量变化的公正概述。

用于结构连通性评估的大脑区域（节点）的选择

识别显示饲养介导的体积和 FA 变化的节点，以研究节点之间的结构连接变化，以及大脑全局和区域网络属性的修改（另见注 2）。这些节点对于左半球和右半球都是相同的。

使用纤维束成像评估大脑结构连接

在预处理数据和选择潜在的大脑节点后，对每个个体执行以下步骤，以使用 MRtrix 中的概率纤维束成像映射节点之间的轴突投影：

步骤 1：根据预处理的原始数据，估计球形反卷积的响应函数（命令：dwi2response ）（Tournier等人，2012；Tournier 等人，2013 年）。指定算法名称“tournier”（其他选项：dhollander、manual、fa、msmt_5tt、tax）、梯度表、脑膜和最大谐波度（l _max= 6）。

步骤 2：根据预处理的原始数据和相应的响应函数（命令：dwi2fod ）估计全脑纤维取向分布 (FOD) 图（Tournier等人，2007 年）。定义算法名称“CSD”、梯度表和大脑掩码。

步骤 3. 从 FOD 图（命令：tckgen ）生成全脑纤维束图（Tournier等人，2009 年）。使用全脑面罩作为“种子区域”，以便跟踪整个大脑的纤维以进行全脑束成像（全脑束图）（图 4A）。将牵引方法设置为概率, FOD 振幅截止为 0.05, 光纤的最小长度为 3 mm, 目标流线数为 500 万。

步骤 4：对于节点到节点的纤维束成像，步骤 3 中的全脑纤维束成像可能无法为小节点（例如，杏仁核）生成足够的流线。进一步增加流线总数（> 500 万）可能无法解决此问题，但需要大量计算资源。在这种情况下，使用 Matlab 从共同注册到主题的本地空间的地图集中提取感兴趣的区域 (ROI)。接下来，将特定节点定义为“种子区域”以启动光纤跟踪，将另一个节点定义为“目标”以定义光纤终端点。然后使用这两个节点使用tckedit命令提取连接两个节点（种子和目标）的流线（图 4B）。如果至少有一条流线终止于目标节点，则将两个节点视为“已连接”；否则，它们“未连接”。

图 4. 纤维束成像管道。

A. 从纤维取向分布 (FOD) 图中估计小鼠全脑纤维束图。红色、绿色和蓝色分别代表 x、y 和 z 轴上的纤维投影。每个受试者产生了 500 万根纤维；提取了 100 K 流线以更好地可视化大脑结构。B. 提取连接两个特定节点的纤维（种子 = 杏仁核，目标 = PFC）。

生成大脑结构连接组矩阵

重复步骤 4 以估计两个半球的所有可能节点对（忽略区域内连接）之间的结构连接（图 5A）。例如，对于一个半球中的 14 个节点，tractograms 的总数将是节点数 N = 14 乘以 N-1，或 14 × 13 = 182。最后，对于M个种子区域和N个目标区域，分别为左半球和右半球生成一个M × N矩阵。分别在水平轴和垂直轴上分配种子和目标区域，以便每个单元格代表连接相应种子和目标节点的流线数（图 5B）。考虑节点之间的流线数作为连接强度的度量。为所有主题生成连接组矩阵并根据主题 ID 为它们命名。

图 5. 小鼠大脑结构连接组的生成。

A. 连接种子和目标节点的纤维的提取。B. 从选定的种子和目标节点估计的牵引图生成结构连接组。蓝色单元格对应于 A 中显示的牵引图，白色单元格表示区域内连接（未计算）。C. 使用 GRETNA 软件计算全局和区域大脑网络属性。左侧的面板列出了所有可用于计算的可能属性。根据研究设计选择属性，并使用相应的箭头将它们传输到右侧面板上的管道选项。加载属于具有特定组 ID 的一组的所有受试者的连接组矩阵，然后加载具有不同 ID 的下一组。指定输出文件夹以存储结果并定义网络配置。最后，点击“运行”按钮开始计算。

脑网络特性分析

使用基于 Matlab 的图理论网络分析工具箱 (GRETNA) 计算大脑全局和区域网络属性（Wang等人，2015 年）。对基于大脑网络的分析相应地执行以下步骤（图 5C）：

1. 创建一个单独的数据文件夹，其中包含每个组的左右半球的两个子文件夹。

2. 在各自的文件夹中将连接组矩阵保存为“ .mat ”文件。

3. 在 Matlab 中打开 GRETNA 并选择“网络分析”（GRETNA >> 网络分析）。

4. 在“大脑连接矩阵”选项卡中，从一组加载一个半球的所有连接矩阵并分配组 ID。对另一组做同样的事情。

5. 在“输出目录”选项卡中找到用于保存结果的目录。

6. 接下来，从 Global Network Metrics 和 Nodal and Modular Network Metrics 选项卡中选择要计算的网络属性。

7. 对于全球大脑网络分析，请选择“全球 – 小世界 (SW)”和“全球 – 效率 (Geff)”。对于区域网络属性，选择“节点 – 聚类系数 (NCp) ”、“节点 – 效率 (Neff) ”和“节点 – 度中心性 (Dcent)” 。可以根据研究设计或要求选择其他属性。

8. 在“网络分析”选项卡中配置大脑网络，如下所示：

参数价值

矩阵的符号绝对

阈值法网络稀疏

阈值序列 0.05、0.1、0.15（或根据研究设计）

网络类型加权

随机网络号 1,000

9. 重新检查加载的数据和网络配置。如果一切正常，请点击“运行”按钮。计算时间取决于受试者的数量、连接组矩阵的大小、随机网络数和阈值序列。

10. 计算完成后，可以从输出目录中检索结果。如需进一步帮助，请参阅以下神经影像工具和资源协作实验室 (NITRC) 的手册：https ://www.nitrc.org/docman/view.php/668/2262/manual_v2.0.0.pdf 。

估计的结构连通性和大脑网络特性的统计分析

为了研究饲养和性别对大脑结构连接和大脑网络特性的影响，使用饲养条件（CTL 或 UPS）和性别作为固定因素进行双向方差分析，然后使用 Tukey 的 HSD 或 Sidak 的检验进行事后比较GraphPad棱镜。

笔记

1. 检查结构标签是否正确转移并与相应结构表现出良好的一致性非常重要。我们建议手动细化分割，逐个切片，沿着轴向方向，在必要时不注意其他两个方向以及前后的切片。

2. 选择用于脑网络分析的节点至关重要。使用基于体素的无偏分析，仅识别那些显示 UPS 介导的体积和 FA 改变并且基于 Allen Mouse Brain Connectivity Atlas（Oh等，2014）高度连接的节点。此外，选定的节点应该是非重叠的，与其他节点有一组独特的连接，并使用跨物种可比的标准分割方案很好地描绘（Kaiser，2011）。

致谢

这项工作得到了 NIMH R01MH119164（AK 和 JZ）、NIMH R01MH118332（AK 和 JZ）和 R01NS102904（JZ）的支持。有关使用该协议的原始研究论文，请参阅 White等人。(2020)。

利益争夺

作者宣称没有利益冲突。

伦理

动物实验：所有研究均经耶鲁大学机构动物护理和使用委员会 (IACUC) 批准，协议 #2020-10981，并按照 NIH 实验动物护理和使用指南的建议进行。

参考

1. Aggarwal, M.、Mori, S.、Shimogori, T.、Blackshaw, S. 和 Zhang, J. (2010)。用于小鼠大脑解剖特征的三维扩散张量显微成像。Magn Reson Med 64(1): 249-261。

2. Dorr, AE, Lerch, JP, Spring, S., Kabani, N. 和 Henkelman, RM (2008)。使用 40 只成年 C57Bl/6J 小鼠的平均磁共振图像的高分辨率三维脑图谱。神经影像42(1):60-9。

3. Badea, A., Ng, KL, Anderson, RJ, Zhang, J., Miller, MI 和 O'Brien, RJ (2019)。运动学习后小鼠大脑网络可塑性的磁共振成像。PLoS 一14（5）：e0216596。

4. Basser, PJ、Mattiello, J. 和 LeBihan, D. (1994)。磁共振扩散张量光谱和成像。生物物理学杂志66(1): 259-267。

5. Calabrese, E., Badea, A., Cofer, G., Qi, Y. 和 Johnson, GA (2015)。小鼠大脑的扩散 MRI 牵引成像连接组以及与神经元示踪数据的比较。Cereb皮质25（11）：4628-4637。

6. Ceritoglu, C., Oishi, K., Li, X., Chou, MC, Younes, L., Albert, M., Lyketsos, C., van Zijl, PC, Miller, MI 和 Mori, S. (2009) . 用于扩散张量成像的多对比度大变形微分形度量映射。神经影像47（2）：618-627。

7. Chuang, N., Mori, S., Yamamoto, A., Jiang, H., Ye, X., Xu, X., Richards, LJ, Nathans, J., Miller, MI, Toga, AW, Sidman, RL和 Zhang, J. (2011)。基于 MRI 的小鼠大脑图谱和数据库。神经影像54（1）：80-89。

8. Edwards, TJ, Fenlon, LR, Dean, RJ, Bunt, J., Consortium, IRC, Sherr, EH 和 Richards, LJ (2020)。在胼胝体完全和部分发育不全的小鼠模型中改变了结构连接网络。神经影像217：116868。

9. Feo, R. 和 Giove, F.（2019 年）。实现小型啮齿动物大脑的有效分割：简短的批判性评论。J Neurosci 方法323：82-89。

10. Helmstaedter, M., Briggman, KL, Turaga, SC, Jain, V., Seung, HS 和 Denk, W. (2013)。小鼠视网膜内丛状层的连接组学重建。自然500（7461）：168-174。

11. Jiang, H.、van Zijl, PC、Kim, J.、Pearlson, GD 和 Mori, S. (2006)。DtiStudio：用于扩散张量计算和纤维束跟踪的资源程序。计算方法程序生物医学 81(2): 106-116。

12. Kaffman, A., White, JD, Wei, L., Johnson, FK 和 Krystal, JH (2019)。增强临床前研究在神经精神病学药物开发中的效用。分子生物学方法2011：3-22。

13. Kaiser, M. (2011)。连接组分析教程：大脑网络的拓扑和空间特征。神经影像57（3）：892-907。

14. Le Bihan, D. (2003)。用扩散 MRI 观察大脑的功能结构。Nat Rev Neurosci 4(6): 469-80。

15. Lerch, JP, van der Kouwe, AJ, Raznahan, A., Paus, T., Johansen-Berg, H., Miller, KL, Smith, SM, Fischl, B. 和 Sotiropoulos, SN (2017)。使用 MRI 研究神经解剖学。纳特神经科学。20（3）：314-326。

16. Moldrich, RX, Pannek, K., Hoch, R., Rubenstein, JL, Kurniawan, ND 和理查兹, LJ (2010)。扩散磁共振成像的比较小鼠脑束成像。神经影像51(3)：1027-1036。

17. Mori, S. 和 van Zijl, PC (2002)。纤维跟踪：原则和策略 - 技术审查。核磁共振生物医学 15(7-8)：468-480。

18. Mori, S. 和 Zhang, J. (2006)。扩散张量成像原理及其在基础神经科学研究中的应用。神经元51(5)：527-539。

19. Muller, HP、Roselli, F.、Rasche, V. 和 Kassubek, J.（2020 年）。应用于神经退行性疾病动物模型的组级扩散张量成像研究。前神经科学14：734。

20. 诺维科夫，DS（2021 年）。微观结构 MRI 的现在和未来：从范式转变到常规科学。J Neurosci 方法351：108947。

21. Oh, SW, Harris, JA, Ng, L., Winslow, B., Cain, N., Mihalas, S., Wang, Q., Lau, C., Kuan, L., Henry, AM等。(2014)。小鼠大脑的中尺度连接组。自然508(7495)：207-214。

22. Pallast, N.、Wieters, F.、Nill, M.、Fink, GR 和 Aswendt, M.（2020 年）。小鼠皮层卒中后白质重组的理论量化图。神经影像217：116873。

23. Saleeba, C.、Dempsey, B.、Le, S.、Goodchild, A. 和 McMullan, S.（2019 年）。神经回路追踪学生指南。前神经科学13：897。

24. Takemura, SY, Bharioke, A., Lu, Z., Nern, A., Vitaladevuni, S., Rivlin, PK, Katz, WT, Olbris, DJ, Plaza, SM, Winston, P.等。(2013)。果蝇连接组学提出的视觉运动检测电路。自然500（7461）：175-181。

25. Toga, AW, Clark, KA, Thompson, PM, Shattuck, DW 和 Van Horn, JD (2012)。绘制人类连接组。神经外科71（1）：1-5。

26. Tournier, JD、Calamante, F. 和 Connelly, A. (2009)。由2改进概率流线示踪^第二阶积分过的纤维取向分布。Proc Intl Soc Mag Reson Med 18: 1670。

27. Tournier, JD、Calamante, F. 和 Connelly, A.（2012 年）。MRtrix：交叉纤维区域的扩散纤维束成像。国际 J 成像系统技术22(1): 53-66。

28. Tournier, JD、Calamante, F. 和 Connelly, A. (2007a)。扩散 MRI 中纤维取向分布的稳健测定：非负约束超分辨球面解卷积。神经影像35(4)：1459-1472。

29. Tournier, JD、Calamante, F. 和 Connelly, A. (2007b)。扩散 MRI 中纤维取向分布的稳健测定：非负约束超分辨球面解卷积。神经影像35(4)：1459-1472。

30. Tournier, JD、Calamante, F. 和 Connelly, A.（2013 年）。确定高角分辨率扩散加权成像的适当 b 值和梯度方向数量。核磁共振生物医学26(12)：1775-1786。

31. Tuch, DS, Reese, TG, Wiegell, MR, Makris, N., Belliveau, JW 和 Wedeen, VJ (2002)。高角分辨率扩散成像揭示了体素内白质纤维的异质性。Magn Reson Med 48(4): 577-582。

32. Van Essen, DC, Smith, SM, Barch, DM, Behrens, TE, Yacoub, E., Ugurbil, K. 和 Consortium, WU-MH (2013)。WU-Minn 人类连接组计划：概述。神经影像80：62-79。

33. Wang, J.、Wang, X.、Xia, M.、Liao, X.、Evans, A. 和 He, Y. (2015)。GRETNA：用于成像连接组学的图论网络分析工具箱。Front Hum Neurosci 9：386。

34. Wedeen, VJ, Wang, RP, Schmahmann, JD, Benner, T., Tseng, WY, Dai, G., Pandya, DN, Hagmann, P., D'Arceuil, H. 和 de Crespigny, AJ (2008)。交叉纤维的扩散谱磁共振成像 (DSI) 纤维束成像。神经影像41(4)：1267-1277。

35. White, JD, Arefin, TM, Pugliese, A., Lee, CH, Gassen, J., Zhang, J. 和 Kaffman, A. (2020)。早期生活压力会导致成人额叶边缘连接的性别特异性变化，从而不同地推动学习。Elife 9：e58301。

36. Wu, D.、Reisinger, D.、Xu, J.、Fatemi, SA、van Zijl、PC、Mori, S. 和 Zhang, J.（2014 年）。活小鼠大脑的局部扩散磁共振显微成像。神经影像91：12-20。

37. Wu, D.、Xu, J.、McMahon, MT、van Zijl, PC、Mori, S.、Northington, FJ 和 Zhang, J.（2013 年）。小鼠大脑的体内高分辨率扩散张量成像。神经影像83：18-26。

38. Wu, D. 和 Zhang, J.（2016 年）。使用高分辨率扩散 MRI 对小鼠海马体中宏观神经元投射的体内映射。神经影像125：84-93。

39. Xiong, J.、Ren, J.、Luo, L. 和 Horowitz, M. (2018)。无需 3D 重建即可将组织切片序列映射到 Allen 小鼠脑图谱。前神经信息 12：93 。