25000個神經元，2000萬個突觸

原創 Synced 機器之心

機器之心報道

參與：張倩、杜偉、蛋醬

人類終於繪製出了最大的果蠅大腦連線圖，還精細到了突觸連線級別。

生物科學家研究基因網路，社會科學家研究社會網路，那神經科學家自然研究神經網路。研究複雜系統的「網路」是描述系統的基本方式。

長期以來，大腦神經網路的工作方式一直是一個熱門研究話題，近年大熱的人工神經網路也是受到大腦神經元的啟發才建立的。

嘗試重建大腦（使用精細的成像技術繪製大腦物理路徑）是連線組學的一個方向，也是神經科學家對揭示大腦工作方式的一種探索。由於人類大腦過於複雜，研究者們嘗試從果蠅等較為簡單的生物入手，試圖重建果蠅大腦的完整神經連線圖。人類大腦有 1000 億個神經元，果蠅大腦只有 10 萬左右。

去年 8 月，谷歌宣佈，他們用數千塊 GPU 自動重建了果蠅大腦的完整神經圖，畫素高達 40 萬億。遺憾的是，當時的重建結果沒有識別突觸，因此算不上真正的神經圖。

但就在昨天，谷歌與霍華德·休斯醫學研究所 Janelia 研究園區的 FlyEM 研究團隊聯合釋出了他們的最新進展——一個擁有突觸級別連線的果蠅半腦連線圖。這是迄今為止人類繪製出的最大的突觸級別大腦連線圖。

這個新的連線圖包含 25000 個神經元、2000 萬個連線，大約相當於果蠅大腦體積的 1/3，但這 1/3 影響力不容小覷。因為這些部分包含與學習、記憶、嗅覺、導航等功能相關的重要區域。

果蠅半腦的一些統計資訊，綠色部分表示成像和重建的核心腦域。當前最大包含 2。5 萬個神經元，它們的突觸連線數量達到 2 千萬。

谷歌研究科學家 Viren Jain 表示，「這將是我們第一次真正細緻入微地觀察突觸數量達 10 萬級別的神經系統的組織結構。」有了這份詳盡的神經圖，研究者們將能夠解答大腦為何執行得如此之快。「這項研究將改變神經科學的研究方式。」

該研究進展是連線組學領域的一個里程碑。在此之前，只有一種單一生物體——「秀麗隱杆線蟲（C。 elegans）」的大腦曾經被如此細緻地描繪。

一直以來，「連線組學」在科學界譭譽參半。支持者認為這門學問可以揭示大腦物理層面與特定行為的關係，有助於實現神經科學的關鍵目標；不支援的人覺得繪製神經元圖耗費了大量精力，這些研究資源本應放到更重要的領域中去。

為了完成重建工作，研究者需要完成以下工作：

1。 藉助顯微鏡獲取果蠅大腦中神經元的清晰影象；

2。 藉助演算法將這些影象對齊並重新組合在一起形成 3D 影象；

3。 經過人工校對形成準確的重建結果；

4。 利用機器學習演算法自動監測出神經元之間的突觸來完成重建。

在這個過程中，每個步驟都困難重重。為了克服這些困難，研究人員已經努力了近十年。

如何獲取果蠅大腦神經元的清晰影象？

由於果蠅大腦的體積與一顆罌粟種子類似，所以準確地描述出果蠅大腦中 10 萬個神經元是一項非常大的挑戰。此外，很多微生物學家也質疑獲取果蠅大腦資料的價值。所以，描述果蠅電腦神經元及其之間的連線始終是一項難題。

首先，研究人員必須藉助於顯微鏡來獲取高解析度的大腦影象，然後為每個神經元繪製在兩個半腦中展開的神經聯結。就像為人類基因組排序一樣，完成相應的工作需要技術創新和大量的人力資源。

那麼這樣就迎來了第一項難題：如何獲取果蠅大腦中每個神經元的清晰影象？

利用顯微鏡實現果蠅大腦及神經元成像

如下圖所示，在一個安靜的房間裡，八臺巨大的顯微鏡正準備生成果蠅大腦的影象。並且，影象收集的過程不受任何外力的影響。

這些顯微鏡原本在設計時想要幾分鐘或幾小時內捕捉到資料。但是，如要獲得完整的果蠅大腦影象，一臺顯微鏡需要持續執行數月或數年。現在，顯微鏡能夠連續不斷地生成清晰的影象，並顯示果蠅大腦中錯綜複雜的神經元。此外，如果出現任何故障，顯微鏡可以自動停止資料收集併發出 SOS 訊號。

果蠅大腦影象所使用的顯微鏡。

在成像過程中，谷歌研究人員使用了聚焦離子束掃描電子顯微鏡（FIB-SEM）的技術，即透過聚焦離子束來擊碎果蠅腦組織。

接著計算機程式將這些影象拼接對齊，生成果蠅大腦的 3D 展示圖。

用於製作「線路圖」（wiring diagram）的影象全部來自一隻雌果蠅，這些影象已經收集了起來。但是，隨著顯微鏡功能的提升，它們現在也可以從雄果蠅的大腦中收集資料了，並且是要捕捉整個中樞神經系統。

如何得到準確的重建結果？

克服半腦連線組生成中的挑戰需要大量研究人員數以十年的合作研究和開發。在珍妮莉亞研究園區，研究人員曾開發出了一種新方法，為果蠅大腦染色，再將組織分割為 20 微米的厚片。接著使用聚焦離子束掃描為每個厚片生成 8x8x8nm^3 畫素的立體影象。之後利用計算方法將原始資料拼接和對齊到一個連貫的 26 萬億畫素的 3D 體積中。

但是，如果果蠅大腦中的神經元沒有精確的 3D 重建，則基於上述型別的成像資料不可能生成連線組。

在生成半腦連線組的過程中，谷歌選擇與 Janelia 研究園區的 FlyEM 團隊展開合作，並專注於自動化 3D 重建以生成連線組。

經過技術的迭代發展，谷歌於 2018 年 7 月份提出了名為 Flood-filling 網路（FFN）的演算法，並用於重建完整的半腦資料集。這種演算法能夠根據上下文影象和先驗預測來決定如何擴充套件果蠅神經元的形狀。谷歌在今日的部落格中又詳細描述了該網路。

在果蠅半腦資料中，利用 FFN 方法來分割或追蹤神經元組成部分。

FFN 能夠自動追蹤果蠅大腦中的每個神經元，是首個能夠給出足夠準確重建結果的自動分割技術

雖然該演算法大體上執行良好，但研究人員發現，當對齊效果不完美（連續切片中的影象內容不穩定）或切片和成像過程存在問題導致多個連續切片缺失時，該演算法的效能會下降。

為了應對這些問題，研究人員將 FFN 網路與以下兩個處理流程相結合：

其一，研究人員估計了 3D 影象各位置切片之間的一致性，然後在 FFN 追蹤每個神經元時確保各位置影象內容的穩定性；

其二，研究人員使用 Segmentation-Enhanced CycleGAN（SECGAN）計算出缺失切片的重構圖。

SECGAN 是一種專門用於影象分割的生成對抗網路。研究人員發現，當使用 SECGAN「想象」影象資料時，FFN 能夠更加魯棒地追蹤多個缺失切片的位置。

由 FFN 演算法自動給出的重建結果仍然需要人工校對，但與之前的自動重建方法相比，FFN 可以幫助研究人員節省大量時間，將校對時間從幾千萬縮短到幾十萬個小時。

研究展望

雖然演算法已經取得了很大的成功，但要繪製如此精確的神經連線圖依然需要大量人力。

在神經元的追蹤方面，人類在許多方面都要比演算法強，FlyEM 專案工作組組長 Steve Plaza 表示。人類擁有的常識和意識可以使其識別出資料中心的異常之處。例如，對於人眼來說，比較大的連線錯誤是非常明顯的，因此校對員可以迅速掃描大量資料，尋找嚴重畸形的神經元。而且，當發現一些異常情況時，他們可以進行更細緻的調查。

在此之後，研究者還將不斷更新這一果蠅大腦連線圖。研究人員感興趣的是，圖中的神經元與大腦中的其他神經元是怎麼連線在一起的。完整的連線圖可能還需要數年才能重建完成。現有的資料已經提供了一些見解，也帶來了一些新問題。

其中一個重要問題在於，「如何分析這個連線圖並理解你所觀察到的東西？」「資料已經有了，怎麼用？」

研究者開始嘗試用這個半腦連線圖對果蠅神經系統進行更深入地研究。例如，和興趣相關的腦部迴路是中央複合體（central complex），這個區域整合了感官資訊，並與導航、運動控制、睡眠有關。

果蠅大腦中央複合體「環狀神經元」檢視。

另一處於研究階段的腦部迴路是「蘑菇體」，主管果蠅大腦學習和記憶的功能。

除了公佈研究成果，谷歌還發布了一組與研究相關的資料集和工具，相關連結可以在谷歌部落格中找到。

參考連結：

http：//ai。googleblog。com/2020/01/releasing-drosophila-hemibrain。html

論文連結：https：//www。biorxiv。org/content/10。1101/2020。01。21。911859v1

https：//www。janelia。org/news/unveiling-the-biggest-and-most-detailed-map-of-the-fly-brain-yet

本文為機器之心報道，轉載請聯絡本公眾號獲得授權。

原標題：《25000個神經元，2000萬個突觸，谷歌等機構耗時十年重建突觸級果蠅半腦》

閱讀原文

（本文來自澎湃新聞，更多原創資訊請下載“澎湃新聞”APP）