【為什麼我們要挑選這篇文章】大腦是複雜的器官,科學家努力解開它的面紗,想了解神經元的連結方式與運作模式。近期 Google 與哈佛大學的 Lichtman 實驗室合作,發布最新的數據集,並藉此重建 3D 大腦皮層地圖。這個數據集是史上最大的大腦皮層數據,對腦科學研究有重大的助益。(責任編輯:郭家宏)

本文經 新智元(公眾號 ID:AI_era)授權轉載,轉載請連繫出處
作者:新智元

突觸,是神經網絡的「橋樑」。

我們知道,人類大腦有 860 億個神經元,因為有了突觸,才可以把神經元上的電信號傳遞到下一個神經元。

長久以來,科學家們一直夢想透過繪製完整的大腦神經網絡的結構,以了解神經系統是如何工作的。

不知你是否看過高解析自動重建的 3D 大腦皮層地圖?

近日,Google 與哈佛大學的 Lichtman 實驗室合作,發佈了最新的「H01」數據集,這是一個 1.4 PB 的人類腦組織小樣本渲染圖。

H01 樣本透過連續切片電子顯微鏡以 4 nm 解析率成像,再透過自動運算技術重建和註釋,最後可以看到初步的人類大腦皮層結構。

(警告:密集恐懼者請繞行)

該數據集包括覆蓋大約一立方毫米的皮質組織,帶有數萬個神經元、數個神經重建元片段、1.3 億個帶註釋的突觸、104 個校對細胞以及許多其他亞細胞註釋和結構。

左:數據的小子;右:數據集中 5000 個神經元,以及興奮性(綠色)和抑制性(紅色)連接的子圖

所有的數據都可以透過 Neuroglencer 進行訪問。

H01 是迄今為止,所有生物中對大腦皮層進行這種程度的成像和重建的「最大樣本」。

也是「第一個大規模」研究人類大腦皮層的「突觸連接性」的樣本,這種連接性跨越了大腦皮層中所有層面的多種細胞類型。

這個專案的主要目標,是為研究人類大腦提供一種新的資源,並改進和擴展連接組學的基礎技術。

目前,這項研究的最新成果「A connectomic study of a petascale fragment of human cerebral cortex」已經發表在 bioRxiv 上:

論文位置

大腦皮層「地圖」:1.3 億個突觸,數萬個神經元

首先,你必須先了解神奇的大腦皮層(cerebral cortex)。

大腦皮層是脊椎動物大腦的薄表層,屬於腦和整個神經系統演化史上最晚出現、功能上最為高階的一部分,在不同的哺乳動物中顯示出「最大的尺寸差異」(尤其是人類)。

大腦皮層的每一部分分為 6 層,每層有不同種類的神經細胞(例如刺星狀神經細胞)。大腦皮層在大多數「高級認知功能」中起著關鍵作用,如思考、記憶、計劃、感知、語言和注意力。

雖然在理解這種非常複雜的組織的宏觀結構方面已經取得了一些進展,但是它在單個神經細胞水平上的結構及其相互連接的突觸,在很大程度上還是未知的。

人腦連接組學:從外科檢驗到 3D 數據庫

根據單個突觸的解析率繪製大腦結構圖需要高解析率的顯微技術,這種技術可以對生物化學穩定(固定)的組織進行成像。

研究團隊與麻州綜合醫院(Massachusetts General Hospital,MGH)的腦外科醫生合作,他們在進行治療癲癇的手術時,有時會切除正常人類大腦皮層的一部分,以便進入大腦深處癲癇正在發作的位置。

切除的組織通常會被丟棄的,研究團隊得到了病人的匿名捐贈,供 Lichtman 實驗室的同事做研究。

哈佛大學的研究人員使用自動化磁帶收集超微切片機,將組織切割成大約 5,300 個 30 奈米的切片,將這些切片放置在矽晶片上,然後在一個定製的 61 束平行掃瞄電子顯微鏡下,以 4 奈米的解析率對大腦組織成像,快速獲取圖像。

對 5300 個物理切片進行成像,產生了 2.25 億張獨立的二維圖像。

然後,研究團隊透過運算,將這些數據拼接(stitch)和對齊(align)產生一個單一的 3D 體積。

雖然數據的品質總體上是很好的,但這些對齊通道必須強健,這樣才能應對一些挑戰,包括成像偽影(imaging artifacts)、缺失部分、顯微鏡參數的變化,以及組織的物理拉伸和壓縮。

一旦對齊,一個使用了數以千計的 Google 雲 TPU、多尺度的 flood-filling Network(FNN)管道就會被應用於生成組織中每個單獨細胞的 3D 分割。

FFN 是第一種自動分割技術,能夠產生足夠精確的重建。

其他的機器學習管道被用來識別和描述「1.3 億個突觸」,將每個 3D 片段分成不同的「子區域」(例如軸突、樹突或細胞體),並識別其他感興趣的結構,例如髓磷脂和纖毛。

自動重建的結果並不完美,所以還需要人工來「校對」數據中的大約 100 個細胞。

隨著時間的推移,研究團隊希望透過額外的人工努力和自動化的進一步發展,在這個經過驗證的集合中添加額外的細胞。

大約 1 立方毫米的人腦組織在 1.4petabytes 的圖像捕獲:

Neuroglancer:大腦皮層視覺化工具

圖像數據、重建結果和註釋可以透過一個交互式的基於網絡的 3D 視覺化界面進行顯示,這個界面叫做 Neuroglancer,最初是為了視覺化果蠅的大腦而開發的。

Neuroglancer 是一種開源軟體,廣泛應用於連接組學領域。

為了支持 H01 數據集的分析,引入了一些新的特性,特別是支持基於數據集的類型或其他屬性,搜尋特定的神經元。

連接 H01 和註釋的 Neuroglancer 接口。用戶可以根據細胞的層次和類型選擇特定的細胞,可以查看輸入和輸出的突觸。

大腦地圖資訊量大,科學家面臨數據處理與儲存挑戰

2019 年,Google 與 Howard Hughes 醫學研究所、劍橋大學合作,透過 Flood-Filling Network 演算法和 TPU 晶片,將果蠅大腦切分成數千個 40 奈米的超薄切片,並使用透射電子顯微鏡生成每個切片的圖像,產生了 40 萬億像素以上的果蠅大腦影像,然後將 2D 圖像排列對齊,形成完整果蠅大腦的 3D 圖像。

首次成功重建了果蠅大腦神經元的 3D 模型,但並未揭示有關果蠅大腦神經元「連接性」的資訊。

40 兆像素下的果蠅大腦重建

2020 年,Google 發佈有史以來最大、最詳盡的果蠅大腦地圖,對果蠅大腦中神經元連接的高度詳細的繪製。

去年年初,Google 與 Howard Hughes 醫學研究所(HHMI)的 FlyEM 團隊等,發佈了「半腦」連接組( 「hemibrain」 connectome),繪製的圖像涵蓋了 25,000 個神經元,按體積計算,大約占果蠅大腦的三分之一。

目前的研究中,Google 研究人員依然面臨的技術難題。

因為,H01 是一個 PB 級的數據集,但只有整個人類大腦容量的百萬分之一。

將突觸級別的大腦映射到整個老鼠大腦(比 H01 大 500 倍)仍然存在嚴重的技術挑戰,更不用說整個人類大腦了。

其中一個挑戰就是數據儲存:老鼠的大腦可以產生價值 1 EB 的數據,而儲存這些數據的成本很高。

為了解決這個問題,Google 研究人員使用基於機器學習的去噪策略,來壓縮至少 17 倍的數據。

未來,數據集的龐大規模要求研究人員開發新的策略,來組織和訪問連接數據中固有的豐富資訊。

這將是 Google 研究者未來依然努力的方向。

參考資料

Google AI Blog

(本文經 新智元 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為〈谷歌发布史上最强人类大脑「地图」,在线可视3D神经元「森林」!〉;首圖來源:Google AI Blog。)

延伸閱讀

大腦會預測未來!讓受試者重複觀看 90 秒的影片,科學家發現前額葉的秘密
大腦如何分辨過去與現在?普林斯頓:大腦透過「旋轉資訊」來感知時間
一直工作會變腦殘!愛因斯坦、賈伯斯都用「non-time」重新活化大腦