3981小時重建了500000立方微米小鼠大腦

哺乳動物的大腦，從神經細胞數量和它們之間連接的密度來看，是已知的最複雜的網絡。通過成像大腦組織中的每一個突觸和所有神經絲，對神經元迴路進行密集的映射一直是一個重大挑戰。

近日，德國馬克斯·普朗克大腦研究所的研究人員對小鼠的大腦皮層進行了成像和分析。通過使用先進的自動化成像和分析工具，以高空間解析度重建了89個神經元的形態特徵及其在小鼠桶狀皮質（barrel cortex）中的連接。這項成果登上了本期Science封面。

研究人員應用了優化的基於AI的圖像處理和有效的人機互動，以分析約40萬個突觸和約2.7米的神經元電纜。他們在大約7,000個軸突和大約3,700個突觸後神經突之間建立了一個連接體，產生的連接體比六十年前從小鼠視網膜獲得的連接體大26倍。重要的是，這種重建同時要比應用於視網膜的重建大，效率要高出33倍。這種方法揭示了有關皮層皮質和興奮性丘腦皮質連接的抑制性和興奮性突觸的連通性的信息。

研究人員從小鼠桶狀皮質的第4層重建了約500000立方微米的體積，比以前從哺乳動物的大腦皮層進行的密集重建約大300倍。連接組數據能夠提取幾何信息無法預測的抑制性和興奮性神經元亞型。研究人員量化了連接組的印跡，其產生了與飽和長期增強作用一致的迴路部分的上界。這些數據建立了哺乳動物皮質局部緻密神經元迴路的連接組表型分析方法。

這項研究的第一作者Alessandro Motta表示：「一些突觸可塑性模型對學習例如識別樹或貓時的突觸重量增加做出了具體的預測，我們感到驚訝的是，即使在一塊相對較小的皮質中也能找到這樣的信息和精度。」

論文地址：

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

接下來我們為大家解讀這項研究：

人機數據分析的效率決定了連接組學的進展，研究提出3點提高分析效率

通過使用基於人工智慧的方法，圖像分析已經取得了關鍵進展，但是，緻密神經組織的重建仍然很容易出錯，以至於未展現其科學意義。為了解決這個問題，人類數據分析已經集成到連接組的生成中，而現在，這種人機數據分析的效率決定了連接組學的進展。

因此，研究人員重點關注如何提高分析效率，這主要有以下幾點：

• 提高自動分割質量；
• 分析自動分割中可能存在錯誤的位置，並將人工工作僅引導到這些位置上；
• 通過幫助注釋者來優化人員數據交互，以便立即了解要解決的問題，從而實現瀏覽器內部並行數據的快速傳輸，並最大程度地減少注釋程序查詢之間的延遲。

先進顯微鏡+人工智慧：3981小時完整重建一小塊小鼠大腦的每個細胞

研究人員使用連續掃描電子顯微鏡(SBEM)從一隻28天齡的小鼠的初級體感皮層的第4層(圖1, A至D)獲得了一個3D EM數據集。

對於密集重建(圖1，E到H)，研究人員對圖像進行3D對齊，並應用了一系列自動分析技術[SegEM， SynEM， ConnectEM和TypeEM]，然後，有重點地進行人工注釋(FocusEM)。研究人員在數據集中重建了89個神經元(圖1、E和F)，這些神經元僅佔總連接長度的2.6%。

圖1：小鼠初級體感皮層第4層的密集神經元連接組重建。

為了重建構成密集迴路中大部分布線的軸突，研究人員採用了一種可擴展的分布式注釋策略，該策略可識別自動重建中不確定的位置，然後通過有針對性的手工注釋來解決。

為了減少所需的手工注釋時間，獲得具有低錯誤率的自動化重構、使用高效的算法來識別用於集中人工檢查(查詢)的位置、以及最大程度地減少每次查詢所花費的時間至關重要。為此，如圖2A所示，研究人員開發了基於人工智慧的算法來評估EM圖像數據和經卷積神經網絡(CNN)過濾後的圖像數據(圖2B)。

圖2：高效密集連接組重建的方法。

使用這種靈活的注釋結構，獲得了2.69m的密集神經元突起的重建(圖1,G和H)，人工工作投入的時間僅為3981個小時。這比2017年K. Eichler等人重建果蠅幼蟲大腦的工作快了10倍，比2013年科學家完整重構哺乳動物小塊視網膜的工作快了20倍。

研究人員獲得了34221個突觸前軸突突起和11400個突觸後突起之間的連接組（圖3）。

圖3：突觸後目標類和密集皮質連接組。

圖4：軸突類的連接組定義

是否可以僅從軸突和樹突的幾何結構中得出這些局部連接規則呢？研究人員首先量化了軸突和樹突的空間分布與它們之間的突觸建立之間的整體關係（圖5）。

圖5：神經突的幾何形狀和膜可用性對皮層神經連接布線的影響。

討論：基於獲取的密集大腦電路重建，研究分析突出可塑性模型

使用FocusEM，研究人員從哺乳動物的大腦皮層中獲得了第一個密集電路重建，這比以前的皮質中密集重建約大300倍，這個規模足以分析亞細胞內部軸突的軸突模式，優先支配某些突觸後亞細胞區室的抑制性軸突類型可以僅基於連接的拓撲學信息來定義（圖3和4）。

除了抑制性軸突，一部分興奮性軸突也表現出這種亞細胞內分泌偏好（圖4）。軸突和樹突的幾何排列僅解釋了一部分突觸內部變化，從而取消了皮質布線的粗略隨機模型（圖5）。L4中大量的TC突觸梯度在單個皮層樹突狀細胞的水平上增強了突觸輸入成分的異質性（圖6），同時伴隨著來自AD優先抑制性輸入的內源性降低。軸突和樹突對之間突觸大小的一致性表示電路的各個部分與飽和突觸可塑性相一致，為電路的「學習」部分設置了上限（圖7）。FocusEM可以使能夠進行連接體篩選的通量對大腦皮層中的電路進行密集映射。

圖7 塑性一致的連接組映射

沿著L4樹突的突觸輸入組成

研究發現，L4興奮性細胞的TC輸入增強的協變，與來自AD優先IN的直接抑制輸入的減少的協變（圖6，H至K），可以在先前描述的抑制電路中找到解釋。考慮到生長激素抑制素（SST）陽性IN優先靶向ADs和首選小體白蛋白（PV）陽性IN，這可能意味著基於SST IN的去抑制作用可以通過抑制前饋抑制所募集的過氧化物PV輸入來增強TC輸入，並同時降低來自SST IN的直接抑制成分。無論如何，這種針對樹突狀突觸輸入變化的發現指向一種電路配置，其中在皮質層4中相同興奮類型的神經元之間，TC輸入變異性得到了增強，並且還為基於樹突狀突觸的輸入組成的異質性增強提供了證據。

連接組的可塑性路徑

研究人員根據可能經歷過某些塑性模型的突觸對的上限，解釋了聯合突觸數據（圖7）。儘管此分析檢測到那些暴露於飽和可塑性的突觸對（即可能的可塑性事件導致兩個突觸的最終重量狀態），但另一種解釋是動態電路，在任何給定時間點，僅一部分突觸已經表現出飽和可塑性，而其他（或全部）突觸正在經歷塑性變化。研究人員期望整個電路的更精細的可塑性模型也將做出可測試的預測，通過連接組快照實驗可以訪問該預測。

人造神經網絡裡程碑式研究，有望推進全球相關的研究計劃

該研究提出的方法和結論，為從各種皮質、層、物種、發育階段、感覺經驗和疾病狀況出發，進行神經組織的結締組織篩選開闢了道路。即使是一小塊哺乳動物的皮質神經元，其形成的相關密度也很高，以至於可以提取出迴路「學習性」可能的組學特徵，這一事實使該方法有望成為研究哺乳動物神經系統的結構設置的方法。

經過近十年的工作，研究人員對他們的成就充滿熱情。Helmstaedter說：「能夠獲取一塊皮層，進行艱苦的處理，然後從那個美麗的網絡中獲取整個通信圖，這是我們過去十年來一直在努力的工作。」

他還表示，「在大腦皮層中映射神經元網絡的目標是一次重大的科學冒險，也是因為我們希望能夠提取有關大腦如何成為如此高效計算機的信息，這與當今的AI不同。」

不僅如此，這項計劃還有望推動全球的相關研究計劃的進展。Helmstaedter提到了包括Google在內的主要參與者的研究領域以及美國情報機構(IARPA)的研究計劃，「全球主要計劃都希望從生物神經網絡中了解人造神經網絡的未來。我們為獲得第一個裡程碑而感到自豪，這是使用最大的普朗克學會的公共資金，實現了緻密的本地皮層連接組」。

本文轉載自公眾號：新智元

--------------完-----------------

薦：

【中國風動漫】除了《哪吒》，這些良心國產動畫也應該被更多人知道！

聲明

免責聲明：部分文章和信息來源於網際網路，不代表本訂閱號贊同其觀點和對其真實性負責。

編輯：Zero