Science封面重磅!3981小时重建了500000立方微米小鼠大脑,人造神经网络里程碑式研究!

简介: Science封面重磅!3981小时重建了500000立方微米小鼠大脑,人造神经网络里程碑式研究!

哺乳动物的大脑,从神经细胞数量和它们之间连接的密度来看,是已知的最复杂的网络。通过成像大脑组织中的每一个突触和所有神经丝,对神经元回路进行密集的映射一直是一个重大挑战。


近日,德国马克斯·普朗克大脑研究所的研究人员对小鼠的大脑皮层进行了成像和分析。通过使用先进的自动化成像和分析工具,以高空间分辨率重建了89个神经元的形态特征及其在小鼠桶状皮质(barrel cortex)中的连接。这项成果登上了本期Science封面。


image.png


研究人员应用了优化的基于AI的图像处理和有效的人机交互,以分析约40万个突触和约2.7米的神经元电缆。他们在大约7,000个轴突和大约3,700个突触后神经突之间建立了一个连接体,产生的连接体比六十年前从小鼠视网膜获得的连接体大26倍。重要的是,这种重建同时要比应用于视网膜的重建大,效率要高出33倍。这种方法揭示了有关皮层皮质和兴奋性丘脑皮质连接的抑制性和兴奋性突触的连通性的信息。

image.png


研究人员从小鼠桶状皮质的第4层重建了约500000立方微米的体积,比以前从哺乳动物的大脑皮层进行的密集重建约大300倍连接组数据能够提取几何信息无法预测的抑制性和兴奋性神经元亚型。研究人员量化了连接组的印迹,其产生了与饱和长期增强作用一致的回路部分的上界。这些数据建立了哺乳动物皮质局部致密神经元回路的连接组表型分这项研究的第一作者Alessandro Motta表示:“一些突触可塑性模型对学习例如识别树或猫时的突触重量增加做出了具体的预测,我们感到惊讶的是,即使在一块相对较小的皮质中也能找到这样的信息和精度。”


image.png


论文地址:

https://science.sciencemag.org/content/366/6469/eaay3134


接下来我们为大家解读这项研究:


人机数据分析的效率决定了连接组学的进展,研究提出3点提高分析效率


通过使用基于人工智能的方法,图像分析已经取得了关键进展,但是,致密神经组织的重建仍然很容易出错,以至于未展现其科学意义。为了解决这个问题,人类数据分析已经集成到连接组的生成中,而现在,这种人机数据分析的效率决定了连接组学的进展。


因此,研究人员重点关注如何提高分析效率,这主要有以下几点:


  • 提高自动分割质量;
  • 分析自动分割中可能存在错误的位置,并将人工工作仅引导到这些位置上;
  • 通过帮助注释者来优化人员数据交互,以便立即了解要解决的问题,从而实现浏览器内部并行数据的快速传输,并最大程度地减少注释程序查询之间的延迟。


先进显微镜+人工智能:3981小时完整重建一小块小鼠大脑的每个细胞


研究人员使用连续扫描电子显微镜(SBEM)从一只28天龄的小鼠的初级体感皮层的第4层(图1, A至D)获得了一个3D EM数据集
image.png

对于密集重建(图1,E到H),研究人员对图像进行3D对齐,并应用了一系列自动分析技术[SegEM, SynEM, ConnectEM和TypeEM],然后,有重点地进行人工注释(FocusEM)。研究人员在数据集中重建了89个神经元(图1、E和F),这些神经元仅占总连接长度的2.6%。

image.png

图1:小鼠初级体感皮层第4层的密集神经元连接组重建。


为了重建构成密集回路中大部分布线的轴突,研究人员采用了一种可扩展的分布式注释策略,该策略可识别自动重建中不确定的位置,然后通过有针对性的手工注释来解决。


为了减少所需的手工注释时间,获得具有低错误率的自动化重构、使用高效的算法来识别用于集中人工检查(查询)的位置、以及最大程度地减少每次查询所花费的时间至关重要。为此,如图2A所示,研究人员开发了基于人工智能的算法来评估EM图像数据和经卷积神经网络(CNN)过滤后的图像数据(图2B)。


image.png图2:高效密集连接组重建的方法。


使用这种灵活的注释结构,获得了2.69m的密集神经元突起的重建(图1,G和H),人工工作投入的时间仅为3981个小时。这比2017年K. Eichler等人重建果蝇幼虫大脑的工作快了10倍,比2013年科学家完整重构哺乳动物小块视网膜的工作快了20倍。
image.png

研究人员获得了34221个突触前轴突突起和11400个突触后突起之间的连接组(图3)。


image.png图3:突触后目标类和密集皮质连接组。


image.png图4:轴突类的连接组定义


是否可以仅从轴突和树突的几何结构中得出这些局部连接规则呢?研究人员首先量化了轴突和树突的空间分布与它们之间的突触建立之间的整体关系(图5)。


image.png图5:神经突的几何形状和膜可用性对皮层神经连接布线的影响。


讨论:基于获取的密集大脑电路重建,研究分析突出可塑性模型


使用FocusEM,研究人员从哺乳动物的大脑皮层中获得了第一个密集电路重建,这比以前的皮质中密集重建约大300倍,这个规模足以分析亚细胞内部轴突的轴突模式,优先支配某些突触后亚细胞区室的抑制性轴突类型可以仅基于连接的拓扑学信息来定义(图3和4)。


除了抑制性轴突,一部分兴奋性轴突也表现出这种亚细胞内分泌偏好(图4)。轴突和树突的几何排列仅解释了一部分突触内部变化,从而取消了皮质布线的粗略随机模型(图5)。L4中大量的TC突触梯度在单个皮层树突状细胞的水平上增强了突触输入成分的异质性(图6),同时伴随着来自AD优先抑制性输入的内源性降低。轴突和树突对之间突触大小的一致性表示电路的各个部分与饱和突触可塑性相一致,为电路的“学习”部分设置了上限(图7)。FocusEM可以使能够进行连接体筛选的通量对大脑皮层中的电路进行密集映射。image.png图7 塑性一致的连接组映射


沿着L4树突的突触输入组成


研究发现,L4兴奋性细胞的TC输入增强的协变,与来自AD优先IN的直接抑制输入的减少的协变(图6,H至K),可以在先前描述的抑制电路中找到解释。考虑到生长激素抑制素(SST)阳性IN优先靶向ADs和首选小体白蛋白(PV)阳性IN,这可能意味着基于SST IN的去抑制作用可以通过抑制前馈抑制所募集的过氧化物PV输入来增强TC输入,并同时降低来自SST IN的直接抑制成分。无论如何,这种针对树突状突触输入变化的发现指向一种电路配置,其中在皮质层4中相同兴奋类型的神经元之间,TC输入变异性得到了增强,并且还为基于树突状突触的输入组成的异质性增强提供了证据。


连接组的可塑性路径


研究人员根据可能经历过某些塑性模型的突触对的上限,解释了联合突触数据(图7)。尽管此分析检测到那些暴露于饱和可塑性的突触对(即可能的可塑性事件导致两个突触的最终重量状态),但另一种解释是动态电路,在任何给定时间点,仅一部分突触已经表现出饱和可塑性,而其他(或全部)突触正在经历塑性变化。研究人员期望整个电路的更精细的可塑性模型也将做出可测试的预测,通过连接组快照实验可以访问该预测。


人造神经网络里程碑式研究,有望推进全球相关的研究计划


该研究提出的方法和结论,为从各种皮质、层、物种、发育阶段、感觉经验和疾病状况出发,进行神经组织的结缔组织筛选开辟了道路。即使是一小块哺乳动物的皮质神经元,其形成的相关密度也很高,以至于可以提取出回路“学习性”可能的组学特征,这一事实使该方法有望成为研究哺乳动物神经系统的结构设置的方法。


经过近十年的工作,研究人员对他们的成就充满热情。Helmstaedter说:“能够获取一块皮层,进行艰苦的处理,然后从那个美丽的网络中获取整个通信图,这是我们过去十年来一直在努力的工作。”


他还表示,“在大脑皮层中映射神经元网络的目标是一次重大的科学冒险,也是因为我们希望能够提取有关大脑如何成为如此高效计算机的信息,这与当今的AI不同。


不仅如此,这项计划还有望推动全球的相关研究计划的进展Helmstaedter提到了包括Google在内的主要参与者的研究领域以及美国情报机构(IARPA)的研究计划,“全球主要计划都希望从生物神经网络中了解人造神经网络的未来。我们为获得第一个里程碑而感到自豪,这是使用最大的普朗克学会的公共资金,实现了致密的本地皮层连接组”。

相关文章
|
3月前
|
机器学习/深度学习 人工智能 TensorFlow
神经网络深度剖析:Python带你潜入AI大脑,揭秘智能背后的秘密神经元
【8月更文挑战第1天】在当今科技飞速发展的时代,AI已成为日常生活中不可或缺的一部分。神经网络作为AI的核心,通过模拟人脑中的神经元连接方式处理复杂数据模式。利用Python及其强大的库TensorFlow,我们可以轻松构建神经网络模型。示例代码展示了如何建立一个含有两层隐藏层的简单神经网络,用于分类任务。神经网络通过反向传播算法不断优化权重和偏置,从而提高预测准确性。随着技术的进步,神经网络正变得越来越深、越来越复杂,能够应对更加艰巨的挑战,推动着AI领域向前发展。
49 2
|
2月前
|
机器学习/深度学习 人工智能 TensorFlow
神经网络深度剖析:Python带你潜入AI大脑,揭秘智能背后的秘密神经元
【9月更文挑战第12天】在当今科技飞速发展的时代,人工智能(AI)已深入我们的生活,从智能助手到自动驾驶,从医疗诊断到金融分析,其力量无处不在。这一切的核心是神经网络。本文将带领您搭乘Python的航船,深入AI的大脑,揭秘智能背后的秘密神经元。通过构建神经网络模型,我们可以模拟并学习复杂的数据模式。以下是一个使用Python和TensorFlow搭建的基本神经网络示例,用于解决简单的分类问题。
49 10
|
3月前
|
机器学习/深度学习
深度学习的奥秘:如何通过神经网络模拟人类大脑
【8月更文挑战第23天】在这篇文章中,我们将探索深度学习的奥秘,特别是神经网络如何模拟人类大脑的工作方式。我们将从基础的神经网络开始,逐步深入到深度学习的核心概念,包括反向传播和卷积神经网络。我们还将讨论深度学习在现实世界中的应用,以及它如何改变了我们的生活。最后,我们将探讨深度学习的未来发展方向,以及它可能带来的影响。
|
3月前
|
机器学习/深度学习 数据可视化 数据挖掘
【Macos系统】安装VOSviewer及使用VOSviewer教程!!以ESN网络的研究进行案例分析
本文介绍了如何在MacOS系统上安装VOSviewer软件,并以ESN(Echo State Network)网络的研究为例,通过VOSviewer对相关科学文献进行可视化分析,以深入了解ESN在学术研究中的应用和发展情况。
269 0
【Macos系统】安装VOSviewer及使用VOSviewer教程!!以ESN网络的研究进行案例分析
|
6月前
BOSHIDA AC/DC电源模块在通信与网络设备中的应用研究
BOSHIDA AC/DC电源模块在通信与网络设备中的应用研究
BOSHIDA AC/DC电源模块在通信与网络设备中的应用研究
|
6月前
|
安全
AC/DC电源模块在通信与网络设备中的应用的研究
AC/DC电源模块在通信与网络设备中的应用的研究
AC/DC电源模块在通信与网络设备中的应用的研究
|
5月前
|
安全 网络安全 数据安全/隐私保护
网络安全威胁分析与防护技术研究
网络安全威胁分析与防护技术研究
54 0
|
6月前
|
机器学习/深度学习 存储 数据采集
随机森林填充缺失值、BP神经网络在亚马逊评论、学生成绩分析研究2案例合集1
随机森林填充缺失值、BP神经网络在亚马逊评论、学生成绩分析研究2案例合集
|
6月前
|
机器学习/深度学习 安全 网络安全
利用机器学习优化数据中心能效的研究数字堡垒的构建者:网络安全与信息安全的深层探索
【5月更文挑战第29天】在云计算和大数据时代,数据中心的能效问题成为关键挑战之一。本文通过集成机器学习技术与现有数据中心管理策略,提出了一种新型的智能优化框架。该框架能够实时分析数据中心的能耗模式,并自动调整资源分配,以达到降低能耗的目的。研究结果表明,应用机器学习算法可以显著提升数据中心的能源使用效率,同时保持服务质量。
|
6月前
|
机器学习/深度学习 自然语言处理 运维
随机森林填充缺失值、BP神经网络在亚马逊评论、学生成绩分析研究2案例合集2
随机森林填充缺失值、BP神经网络在亚马逊评论、学生成绩分析研究2案例合集

热门文章

最新文章

下一篇
无影云桌面