七年终登Science封面：最强大脑皮层神经网络重建，揭示迄今哺乳动物最大神经线路图

大脑探索，今天更进一步。

最新Science杂志封面，发布了知名的德国马克斯·普朗克脑研究所的最新脑科学成果：

他们七年磨一剑，重建了非常复杂的大脑皮层神经网络，揭示了迄今为止最大哺乳动物神经线路图。

此前，人类只知大脑神经元的“样子”，现在，哺乳动物神经元如何连接——首次得到揭秘，并实现了更大量级的大脑皮层神经网络的重建。

并且AI的方法在其中发挥重要作用，研究者还说，这种突破还可能进一步为AI发展提供指导：

揭开生物神经网络连接秘密，或许可以进一步探明大脑高效计算原理。对于从生物神经网络中不断学习的人工神经网络大趋势里，这是第一个里程碑事件。

所以这究竟是一项怎样的突破性研究？

首次揭秘哺乳动物大脑神经元连接

哺乳动物的大脑皮层是一个非常复杂的神经过程网络：又长又薄，有分支，而且非常密集。

这种高堆积密度让皮层神经网络的重建工作具有相当大的挑战性。

以往的研究都停留在整体成像方面，但这一次，科学家们的重建工作真正深入到了神经元的连接。

来自德国马克斯·普朗克脑研究所的研究人员，利用人工智能的方法，通过高空间分辨率重建了小鼠桶状皮层89个神经元的形态特征及其连接。

而且此次的研究所覆盖的区域，比早期的神经解剖映射尝试的方法大了整整两个数量级，是以前哺乳动物大脑皮层致密重建体积的300倍。

通讯作者莫里茨·赫尔姆斯塔德特(Moritz Helmastaedter)介绍，这项研究发现，揭示了迄今为止最大的哺乳动物神经连接组。

并且，通过对连接组回路的分析，这种生物智能方面的研究突破，很有可能迁移到AI领域，对人工智能产生重大影响。

莫里茨说：

映射大脑皮层中的神经网络是一场重大的科学冒险，我们希望揭开大脑作为一个计算机器高效运作的真相，它的模式与当今的AI如此不同。

除此之外，还有一些惊人的细节：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。

研究团队认为，将他们的方法应用到不同大脑区域、皮质层、发育时间点和物种的皮层组织，可以揭示自然进化是如何设计了生物的神经网络，以及神经网络的细粒度结构是如何成形的。

此外，连接组筛查可以揭示神经病和相关脑部疾病的回路表型，告诉我们某些重要的脑部疾病，在多大程度上受到连接组和神经回路的影响。

最强大脑皮层神经网络重建

哺乳动物的大脑由极为密集的神经元网络组成，包括神经细胞的轴突和树突。

这些神经细胞的堆叠密度非常之高，过去用光学成像方法只能分辨哺乳动物大脑皮层中神经细胞一小部分。

三维电子显微镜技术的发展，让研究人员绘制神经元结构的立体图像成为可能。

尽管这种显微技术的程序速度有了很大的提高，但过去从2D图像重建3D图像容易出错，导致对3D图像数据的分析始终受限。

现在，基于AI的方法发挥了重要作用。

研究者将人类的数据分析集成到神经连接的数据生成中，并用人机数据分析的效率促进了神经连接组的进展。

他们提升效率的方式如下：

经过优化后，将近100个学生注释者，可以在29秒内解决成千上万个重建问题。

最后，他们只用了大约4000个工作小时内即可在小鼠体感皮层的第4层中重建了总共2.7米的神经元细丝。

这项工作重建的大脑皮层数据比之前大300倍，效率提高了20倍。

他们分析6979个突触前膜和3719个突触后膜之间的连接体，每个突触至少与10个突触相连，总共153,171个突触连接，然后分析了大脑皮层中的密集回路结构。

通过利用人机交互对神经元组织进行连接组分析，研究人员获得了迄今为止大脑皮层最大的连接组数据。

用这些数据，研究人员建立了哺乳动物大脑皮层局部致密神经元电路的连接表型分析方法，从而为从各种神经组织之间的连接组筛选提供了可能性。

那么实验究竟是如何设计并展开的？

实验方法解读

具体来说，研究人员首先对小鼠的组织进行了取样和染色。

在固定48小时后，将大脑从颅骨中取出，并使用玻璃纤维刀将其冠状切片。

使用1毫米活检穿刺机从距离大脑前部5毫米，厚度为1毫米的切片中提取两个样本，目标是右半球的体导皮层(somatosen-sory cortex)第四层。

然后将提取的组织染色，在60℃条件下硬化48小时。

而后是3D电子显微镜实验。

将嵌入的样本放置在一个铝存根(aluminum stub)上，并进行修剪，使样本的四面都能直接暴露组织。

样品的侧面用溅射镀膜机涂上了金，并将其放入SBEM装置中。

△SBEM：连续块面扫描电子显微镜，是一种从小样本生成高分辨率三维图像的方法。

在EM概览图像中， L4和L5A之间的过渡是通过两层之间的体细胞密度突然下降来识别（图1C）。

在这个过程中，共采集了3420个图像平面，共计194GB数据。

接下来就是图像对齐(alignment).

在获取3D EM数据集后，对所有图像进行人工检查并标记成像过程中，样品表面出现的碎片造成的成像伪影。

从前一平面或后一平面，在具有相同位置的图像上替换了带有碎片伪影的图像。

主要应用了如下修改方式：

当获得偏移量超过100个像素的移位矢量时，通过手动将最小二乘松弛(relaxation)中相应条目的权重减小1000倍(直到剩下的最高残留误差小于10像素)，来迭代地校正这些错误。

下图便是有效重建密集连接组(connectomic)的方法。

△有效重建密集连接组(connectomic)的方法。

首先使用自动的启发式方法检测血管和细胞体，然后使用基于机器学习的图像分割方法处理剩余的图像量，该处理的结果是1500万个片段，对应于轴突、树突和体细胞。

在此基础上，构造了片段之间的邻域图，并计算了直接相邻片段间的界面性质。

基于这些特征，研究人员训练了一个连接分类器(ConnectEM，上图中的A和B)来确定两个片段是否应该连接，或者是否应该断开连接。

使用SynEM分类器，研究人员确定了两个分离过程之间的一个接口是否对应于一个化学突触，如果是，就确定哪个是前突触，哪个是后突触。

接下来就是细胞神经元的重建。

研究人员使用了一组简单的增长规则(growth rule)来自动连接神经突片，这些规则基于片段到片段的邻近图以及连接和神经突类型分类器。

结果就是获得了神经元的体细胞和树突状过程的全自动重建。

对于89个细胞，只需9.7小时的额外人工修正，就可以在不存在合并错误的情况下重建这些新分子的树突轴，而保留分裂错误37个，树突长度召回率为87.3%。

而后就是密集组织重建。

从细胞体重建神经元并不是主要的挑战。

轴突和树突与数据集中的细胞体不连接，并在组织中密集分布，在这部分皮层中约占总神经元路径长度的97%(上图中的G)。

为了重建绝大多数的神经突(上图中的H)，研究人员使用了他们的连接性和神经突类型分类器(ConnectEM和TypeEM)，将神经突碎片合并成更大的树突和轴突团聚体(dendritic and axonal agglomerate)。

研究人员还对突触检测、突触后目标类型及连接体做了重建。

考虑到在组织中重建的突触前和突触后神经元，研究人员还提取了它们的连接体。为此，使用SynEM检测轴突突触前突和突触后突之间的突触。

值得一提的是，团队还使用只包含轴突触和soma突触的训练数据训练了一个专门的轴突触接口分类器。

毫无疑问，如此多种方法完成的大进展，也是跨学科、交叉创新下的结果。

跨学科交叉的研究团队

这项研究工作持续7年之久，研究团队来自德国马克斯·普朗克脑研究所。

四位共同一作分别是：

亚历桑德罗·莫塔（Alessandro Motta），马克斯·普朗克脑研究所在读博士生，师从通讯作者莫里茨·赫尔姆斯塔德特（Moritz Helmastaedter）。

曼努埃尔·伯宁（Manuel Berning），物理学家，神经科学家，同时是一位程序员。2014年至2017年间在马克斯·普朗克脑研究所读博，现为SAP（德国软件公司）数据科学家。

凯文·布尔根斯（Kevin M. Boergens），2018年从马克斯·普朗克脑研究所博士毕业，现就职于美国脑机接口企业Paradromics，担任机电工程师。

本尼迪克特·斯塔夫勒（Benedikt Staffler） ，本科数学专业，拥有数学物理学硕士学位，博士期间开始涉猎神经科学和机器学习。现为马克斯·普朗克脑研究所博士，也是博世人工智能中心（BCAI）的研究工程师。

通讯作者是马克斯·普朗克脑研究所主任莫里茨·赫尔姆斯塔德特，1978年出生于德国柏林。2011年从马克斯·普朗克医学研究所博士后出站，2014出任脑研究所主任。

论文的另外几位作者分别是马塞尔·贝宁（Marcel Beining），萨希尔·隆巴（Sahil Loomba），海科·威斯勒（Heiko Wissler），和马克斯·普朗克智能系统研究所的菲利普·亨尼格（Philipp Hennig）。

2019，脑科学研究突破的大年

今年，在脑科学方面的科学突破就不止一次引起人们的惊叹。

7月，在历时8年的研究之后，哥伦比亚大学的研究人员终于画完了秀丽隐杆线虫全部神经元的完整图谱，以及全部神经元之间所有的7000个连接，第一次比较明确地解释了大脑功能是如何从神经回路的运作中产生的。

8月，谷歌基于果蝇的大脑切片，自动重建了完整的果蝇大脑神经图。整个脑神经图拥有40万亿像素，重建过程使用了数千块TPU。

现在，德国马克斯·普朗克脑研究所的利用人工智能的方法，以高空间分辨率重建了小鼠桶状皮层89个神经元的形态特征及其连接，揭示了迄今为止最大的哺乳动物神经连接组。

这些不断问世的惊人研究，也都指出当前的种种成果，仅仅是一个开始。

人类对大脑的探索从未止步。

我们越接近大脑的真相，生物的奇妙之处，也便有了更深入的注解。

你怎么看呢？

传送门

Science论文：

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

参考资料

https://en.wikipedia.org/wiki/Serial_block-face_scanning_electron_microscopy

https://scitechdaily.com/deep-inside-the-brain-unraveling-dense-networks-in-the-cerebral-cortex-video/