突觸，是神經(jīng)網(wǎng)絡(luò)的「橋梁」。

我們知道，人類(lèi)大腦有860億個(gè)神經(jīng)元，因?yàn)橛辛送挥|，才可以把神經(jīng)元上的電信號(hào)傳遞到下一個(gè)神經(jīng)元。

長(zhǎng)久以來(lái)，科學(xué)家們一直夢(mèng)想通過(guò)繪制完整的大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，以了解神經(jīng)系統(tǒng)是如何工作的。

不知你是否看過(guò)高分辨自動(dòng)重建的3D大腦皮層地圖？

近日，谷歌與哈佛大學(xué)的Lichtman實(shí)驗(yàn)室合作，發(fā)布了最新的「H01」數(shù)據(jù)集，這是一個(gè)1.4 PB 的人類(lèi)腦組織小樣本渲染圖。

H01 樣本通過(guò)連續(xù)切片電子顯微鏡以 4nm 分辨率成像，再通過(guò)自動(dòng)計(jì)算技術(shù)重建和注釋?zhuān)詈罂梢钥吹匠醪降娜祟?lèi)大腦皮層結(jié)構(gòu)。

（警告：密集恐懼者請(qǐng)繞行）

該數(shù)據(jù)集包括覆蓋大約一立方毫米的皮質(zhì)組織，帶有數(shù)萬(wàn)個(gè)神經(jīng)元、數(shù)個(gè)神經(jīng)重建元片段、1.3 億個(gè)帶注釋的突觸、104個(gè)校對(duì)細(xì)胞以及許多其他亞細(xì)胞注釋和結(jié)構(gòu)。

△ 左：數(shù)據(jù)的小子| 右：數(shù)據(jù)集中 5000 個(gè)神經(jīng)元，以及興奮性（綠色）和抑制性（紅色）連接的子圖

所有的數(shù)據(jù)都可以通過(guò)Neuroglencer進(jìn)行訪問(wèn)。

H01是迄今為止所有生物中對(duì)大腦皮層進(jìn)行這種程度的成像和重建的「最大樣本」。

也是「第一個(gè)大規(guī)?！寡芯咳祟?lèi)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(xì)胞類(lèi)型。

這個(gè)項(xiàng)目的主要目標(biāo)是為研究人類(lèi)大腦提供一種新的資源，并改進(jìn)和擴(kuò)展連接組學(xué)的基礎(chǔ)技術(shù)。

目前，這項(xiàng)研究的最新成果「A connectomic study of a petascale fragment of human cerebral cortex」已經(jīng)發(fā)表在bioRxiv上：

△ 論文地址：
https://www.biorxiv.org/content/10.1101/2021.05.29.446289v1

大腦皮層「地圖」：1.3億個(gè)突觸，數(shù)萬(wàn)個(gè)神經(jīng)元

首先，你必須先了解下神奇的大腦皮層（cerebral cortex）。

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

大腦皮層的每一部分分為6層，每層有不同種類(lèi)的神經(jīng)細(xì)胞(例如刺星狀神經(jīng)細(xì)胞)。大腦皮層在大多數(shù)「高級(jí)認(rèn)知功能」中起著關(guān)鍵作用，如思考、記憶、計(jì)劃、感知、語(yǔ)言和注意力。

雖然在理解這種非常復(fù)雜的組織的宏觀結(jié)構(gòu)方面已經(jīng)取得了一些進(jìn)展，但是它在單個(gè)神經(jīng)細(xì)胞水平上的結(jié)構(gòu)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(xué): 從外科活檢到3D數(shù)據(jù)庫(kù)

根據(jù)單個(gè)突觸的分辨率繪制大腦結(jié)構(gòu)圖需要高分辨率的顯微技術(shù)，這種技術(shù)可以對(duì)生物化學(xué)穩(wěn)定(固定) 的組織進(jìn)行成像。

研究團(tuán)隊(duì)與馬薩諸塞州綜合醫(yī)院（Massachusetts General Hospital，MGH）的腦外科醫(yī)生合作，他們?cè)谶M(jìn)行治療癲癇的手術(shù)時(shí)，有時(shí)會(huì)切除正常人類(lèi)大腦皮層的一部分，以便進(jìn)入大腦深處癲癇正在發(fā)作的位置。

切除的組織通常會(huì)被丟棄的，研究團(tuán)隊(duì)得到了病人的匿名捐贈(zèng)，供Lichtman實(shí)驗(yàn)室的同事做研究。

哈佛大學(xué)的研究人員使用自動(dòng)化磁帶收集超微切片機(jī)，將組織切割成大約5300個(gè)30納米的切片，將這些切片放置在硅晶片上，然后在一個(gè)定制的61束平行掃描電子顯微鏡下以4納米的分辨率對(duì)大腦組織成像，快速獲取圖像。

對(duì)5300個(gè)物理切片進(jìn)行成像，產(chǎn)生了2.25億張獨(dú)立的二維圖像。

然后，研究團(tuán)隊(duì)通過(guò)計(jì)算將這些數(shù)據(jù)拼接（stitch）和對(duì)齊（align）產(chǎn)生一個(gè)單一的3D體積。

雖然數(shù)據(jù)的質(zhì)量總體上是很好的，但這些對(duì)齊通道必須強(qiáng)健，這樣才能應(yīng)對(duì)一些挑戰(zhàn)，包括成像偽影（imaging artifacts）、缺失部分、顯微鏡參數(shù)的變化以及組織的物理拉伸和壓縮。

一旦對(duì)齊，一個(gè)使用了數(shù)以千計(jì)的谷歌云TPU、多尺度的flood-filling Network（FNN）管道就會(huì)被應(yīng)用于生成組織中每個(gè)單獨(dú)細(xì)胞的3D分割。

FFN是第一種自動(dòng)分割技術(shù)，能夠產(chǎn)生足夠精確的重建。

其他的機(jī)器學(xué)習(xí)管道被用來(lái)識(shí)別和描述「1.3億個(gè)突觸」，將每個(gè)3D片段分成不同的「子區(qū)域」(例如軸突、樹(shù)突或細(xì)胞體) ，并識(shí)別其他感興趣的結(jié)構(gòu)，例如髓磷脂和纖毛。

自動(dòng)重建的結(jié)果并不完美，所以還需要人工來(lái)「校對(duì)」數(shù)據(jù)中的大約100個(gè)細(xì)胞。

隨著時(shí)間的推移，研究團(tuán)隊(duì)希望通過(guò)額外的人工努力和自動(dòng)化的進(jìn)一步發(fā)展，在這個(gè)經(jīng)過(guò)驗(yàn)證的集合中添加額外的細(xì)胞。

Neuroglancer：大腦皮層可視化工具

圖像數(shù)據(jù)、重建結(jié)果和注釋可以通過(guò)一個(gè)交互式的基于網(wǎng)絡(luò)的3D可視化界面進(jìn)行顯示，這個(gè)界面叫做Neuroglancer，最初是為了可視化果蠅的大腦而開(kāi)發(fā)的。

Neuroglancer是一種開(kāi)源軟件，廣泛應(yīng)用于連接組學(xué)領(lǐng)域。

為了支持 H01數(shù)據(jù)集的分析，引入了一些新的特性，特別是支持基于數(shù)據(jù)集的類(lèi)型或其他屬性搜索特定的神經(jīng)元。

△ 連接H01和注釋的Neuroglancer接口。用戶可以根據(jù)細(xì)胞的層次和類(lèi)型選擇特定的細(xì)胞，可以查看輸入和輸出的突觸。

繼最大果蠅大腦地圖和神經(jīng)元3D模型之后

2019年，谷歌與霍華德 • 休斯醫(yī)學(xué)研究所以及劍橋大學(xué)合作，通過(guò)Flood-Filling Network算法和TPU芯片，將果蠅大腦切分成數(shù)千個(gè)40納米的超薄切片，并且使用透射電子顯微鏡生成每個(gè)切片的圖像，產(chǎn)生了40萬(wàn)億像素以上的果蠅大腦影像，然后將2D圖像排列對(duì)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(jīng)元的3D模型，但并未揭示有關(guān)果蠅大腦神經(jīng)元「連接性」的信息。

△ 40 萬(wàn)億像素下的果蠅大腦重建

2020年，谷歌發(fā)布有史以來(lái)最大、最詳盡的果蠅大腦地圖，對(duì)果蠅大腦中神經(jīng)元連接的高度詳細(xì)的繪制。

去年年初，谷歌與霍華德 • 休斯醫(yī)學(xué)研究所（HHMI）的FlyEM團(tuán)隊(duì)等，發(fā)布了「半腦」連接組（ 「hemibrain」 connectome），繪制的圖像涵蓋了25000個(gè)神經(jīng)元，按體積計(jì)算，大約占果蠅大腦的三分之一。

目前的研究中，谷歌研究人員依然面臨的技術(shù)難題。

因?yàn)?，H01 是一個(gè)PB級(jí)的數(shù)據(jù)集，但只有整個(gè)人類(lèi)大腦容量的百萬(wàn)分之一。

將突觸級(jí)別的大腦映射到整個(gè)老鼠大腦 (比 H01 大500倍) 仍然存在嚴(yán)重的技術(shù)挑戰(zhàn)，更不用說(shuō)整個(gè)人類(lèi)大腦了。

其中一個(gè)挑戰(zhàn)就是數(shù)據(jù)存儲(chǔ): 老鼠的大腦可以產(chǎn)生價(jià)值 1EB 的數(shù)據(jù)，而存儲(chǔ)這些數(shù)據(jù)的成本很高。

為了解決這個(gè)問(wèn)題，谷歌研究人員使用基于機(jī)器學(xué)習(xí)的去噪策略來(lái)壓縮至少17倍的數(shù)據(jù)。

未來(lái)，數(shù)據(jù)集的龐大規(guī)模要求研究人員開(kāi)發(fā)新的策略來(lái)組織和訪問(wèn)連接數(shù)據(jù)中固有的豐富信息。

這將是谷歌研究者未來(lái)依然努力的方向。