人類對于生物大腦的探索是永無止境的，模仿生物的人工智能是否可以幫助我們進(jìn)行研究？最近，來自谷歌的研究人員提出了一種新的循環(huán)神經(jīng)網(wǎng)絡(luò)，它可以快速構(gòu)建生物大腦的 3D 神經(jīng)模型。谷歌稱，新的方法可以「將連接組學(xué)提升一個(gè)數(shù)量級」。目前，該研究的論文已經(jīng)發(fā)表在Nature 子刊《Nature Methods》上。

連接組學(xué)旨在綜合描繪在神經(jīng)系統(tǒng)中發(fā)現(xiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以更好地理解大腦的運(yùn)作模式。這一過程需要對大腦組織進(jìn)行納米級的 3D 成像（通常使用電子顯微鏡），然后分析成像數(shù)據(jù)結(jié)果以追蹤大腦的神經(jīng)突觸并識別單個(gè)突觸連接。由于成像分辨率高，即使是一立方毫米的大腦組織也能產(chǎn)生 1000 多 TB 的數(shù)據(jù)！這些圖像中的結(jié)構(gòu)相當(dāng)復(fù)雜、精細(xì)，因此大腦成像的主要瓶頸在于數(shù)據(jù)的自動(dòng)解讀，而非獲取。

如今，谷歌與馬克斯-普朗克神經(jīng)生物學(xué)研究所的研究人員合作，在《Nature Methods》雜志上發(fā)表了一篇名為《High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks》的論文。該論文介紹了一種新型的循環(huán)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)在自動(dòng)解讀連接組學(xué)數(shù)據(jù)的準(zhǔn)確性方面比以往的深度學(xué)習(xí)技術(shù)提高了一個(gè)數(shù)量級。

基于泛洪算法網(wǎng)絡(luò)（Flood-Filling Network）的 3D 圖像分割

追蹤大量電子顯微鏡數(shù)據(jù)中的神經(jīng)突觸是圖像分割問題的一個(gè)實(shí)例。傳統(tǒng)的算法將該過程至少分為兩步：利用邊緣檢測器或機(jī)器學(xué)習(xí)分類器找到神經(jīng)突觸之間的邊界，然后使用分水嶺或圖像分割等算法將未被邊界分隔的圖像像素組合在一起。2015 年，我們開始嘗試一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的替代方法，將這兩個(gè)步驟統(tǒng)一起來。該算法被嵌在特定的像素位置，然后使用循環(huán)卷積神經(jīng)網(wǎng)絡(luò)迭代地「填充」某一區(qū)域，該循環(huán)卷積神經(jīng)網(wǎng)絡(luò)用來預(yù)測哪些像素屬于與種子相同的對象。自 2015 年以來，我們一直致力于將這種新方法應(yīng)用于大規(guī)模的連接組學(xué)數(shù)據(jù)集，并嚴(yán)格量化其準(zhǔn)確率。

在 2D 圖像中分割物體的泛洪算法網(wǎng)絡(luò)。黃點(diǎn)是當(dāng)前焦點(diǎn)區(qū)域的中心；該算法在迭代檢查更多圖像區(qū)域的同時(shí)擴(kuò)展分割區(qū)域（藍(lán)色）。

通過預(yù)期運(yùn)行長度測量準(zhǔn)確率

我們與馬克思·普朗克研究所的研究人員合作，設(shè)計(jì)了一種被稱之為「預(yù)期運(yùn)行長度」（ERL）的度量標(biāo)準(zhǔn)，它測量以下內(nèi)容：給定大腦 3D 圖像中隨機(jī)神經(jīng)元內(nèi)的隨機(jī)點(diǎn)，在出錯(cuò)前，我們能追蹤神經(jīng)元多遠(yuǎn)？這是一個(gè)典型的「平均故障間隔時(shí)間」問題，只不過在這里我們測量的是故障間隔的空間量而不是時(shí)間量。對于工程師來說，ERL 的吸引力在于它將線性物理路徑長度與算法產(chǎn)生的個(gè)別錯(cuò)誤的頻率關(guān)聯(lián)起來，并且可以直接計(jì)算。對于生物學(xué)家來說，吸引力在于 ERL 的特定數(shù)值與生物相關(guān)的量相關(guān)，例如神經(jīng)系統(tǒng)不同部分中神經(jīng)元的平均路徑長度。

預(yù)期運(yùn)行長度（藍(lán)線）的進(jìn)展帶來了今天在《Nature Methods》上共享的結(jié)果。紅線表示「合并率」的進(jìn)展，合并率測量兩個(gè)分離的神經(jīng)突被錯(cuò)誤地追蹤為單個(gè)目標(biāo)的頻率；達(dá)到非常低的合并率對于實(shí)現(xiàn)手動(dòng)識別和校正重建中剩余誤差的有效策略至關(guān)重要。

圖像分割過程

鳴禽連接組學(xué)

我們用 ERL 測量了一百萬立方微米斑胸草雀大腦中一組基本真實(shí)神經(jīng)元的進(jìn)展，斑胸草雀大腦通過我們的合作伙伴使用肖特基場發(fā)射掃描電子顯微鏡而成像。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)我們的方法優(yōu)于之前應(yīng)用于同一數(shù)據(jù)集的其他深度學(xué)習(xí)方法。

谷歌提出的算法在鳴禽大腦中追蹤單個(gè)神經(jīng)突的 3D 過程。

谷歌研究人員正和馬克思·普朗克研究所的同僚們通過這種自動(dòng)化方法，輔以少量人力協(xié)助以解決一些疑難問題。他們現(xiàn)在正致力于研究鳴禽連接組以尋求新理解，如研究斑胸草雀如何唱歌，以及它們?nèi)绾螌W(xué)會(huì)唱歌。

展望

谷歌研究人員表示，他們在未來將繼續(xù)改進(jìn)連接組重構(gòu)技術(shù)，目標(biāo)是實(shí)現(xiàn)突觸級分辨率連接組的全自動(dòng)化，并為馬克思·普朗克研究所及其他機(jī)構(gòu)的連接組項(xiàng)目作出貢獻(xiàn)。為了幫助支持更大的研究團(tuán)隊(duì)開發(fā)連接組技術(shù)，他們開源了泛洪算法網(wǎng)絡(luò)方法的 TensorFlow 代碼（https://github.com/google/ffn/）以及用于 3D 數(shù)據(jù)集的 WebGL 可視化軟件，以幫助人們理解和改進(jìn)目前的方法。