2018年新技術：大數據時代的神經科學
機器學習（Machine-learning），特別是深度學習方法可以幫助處理和分析大量的數據。在監督式的深度學習中，卷積神經網路將訓練數據通過簡單模塊的多層網路進行學習。
成像技術和高通量記錄技術的進步正在以前所未有的速度生成神經科學數據，科學家們需要更加有效的數據分析方法，這在一些分支學科，如連接組學（connectomics），還有神經元活動的分析中尤其重要。
機器學習（Machine-learning），特別是深度學習方法可以幫助處理和分析大量的數據。在監督式的深度學習中，卷積神經網路將訓練數據通過簡單模塊的多層網路進行學習。這樣的網路逐步提取數據並提取特徵，這些特徵可以用於分析新數據。根據輸入數據和網路訓練的方式，提取的特徵可能差別很大。
基於圖像的數據，目前通常是手動分析，未來也許可以通過先進的機器學習來分析。例如，腦組織的電子顯微成像通常產生數TB的數據，這些數據要用手動分析和注釋，非常費力，如果採用諸如SyConn pipeline 或Multicut方法（Nat.Methods 14,435-442,2017; Nat.Methods 14,101-102,2017）等工具就能高效地分段，SyConn還能進一步分析這樣的數據集。
同樣，手動分析數小時的視頻記錄組成的數據集中的動物行為，也很枯燥乏味。如果採用諸如分類器之類的機器學習工具，以及更先進的已被用於分析果蠅或小鼠行為的方法就會方便很多。
鈣成像數據分析是最近出現機器學習方法湧入的另一個領域。這些數據背景非常多，提取神經元尖峰並不容易，尤其是記錄的信號取決於所使用的鈣指示劑的性質。如果採用監督式學習方法就可以很靈活，處理來自不同鈣指標的數據集。
此外，還有一些例子中，機器學習已被證明是分析神經科學研究中不斷增長數據的有用工具。但是，這項技術還沒有成為主流，要被更多科學家所接受，基於機器學習的方法必須在不同的條件下證明其穩健性。而且重要的是，這些應用也需要注重操作便捷性。
突觸連接推理流程（Synaptic Connectivity Inference Pipeline, SYCONN）
人腦是一個智能而複雜的機器。這種類比在某些方面是準確的，並且在大腦研究領域中提供了一種方法。我們都知道，人腦可以分為四個部分：額葉、頂葉、顳葉和枕葉。這種劃分的其中一個標準是功能性（functionality），或者說該區域負責行使哪種功能。例如，顳葉通常與聽覺處理和嗅覺有關，而枕葉通常與視覺信息處理有關。
然而，大腦中的大多數神經行為非常複雜，不同程度上涉及了人腦的多個區域。其功能性也並不局限於對特定大腦區域的劃分。歧義無所不在。因此，當發生腦部疾病並出現功能性障礙時，從宏觀層面來調查其中的深層原因是相當困難的。
回到機器的那個類比，科學家現在想弄清楚他們是否可以從微觀層面來消除這種」歧義「，即通過大腦基本單元之間的連接——神經元。一個連接組（connectome）就是一張大腦中神經連接的全景圖，顯示了神經元的連接以及行駛不同功能的方式。
體積電子顯微鏡（Volume EM）是一種常用的神經迴路重建技術。其中，對大腦體積的三維 EM 成像技術可以用來重建神經元形態及其連接關係的細節信息。volume EM 之間的開發差異始於對中樞神經系統（CNS）檢查的需要。正如導言所述，許多神經退化性疾病無法通過自上而下的方式來追究病因。因此，有必要使用足夠大的解析度來對軸突、樹突和單個突觸的活動進行分析。
熒游標記法通常適用於組織檢查，相比之下，標準的 EM 染料並不受限於對稀疏標記或超解析度光學成像的要求。這些染料可能會對所有的細胞膜和突觸進行相對無偏見的染色。因此，Volume EM 可以用來塑造某個神經元前後突觸結構的完整連接關係。此標準操作也可以拓展到腦體積中的所有神經元上，使我們能夠建立一張全面的腦神經接線圖或一個大腦連接組。
近年來，隨著數據處理技術的進步，定量方法變得越來越重要。通過來自大數據集的解剖學電路重建技術（Anatomical Circuit Reconstruction），Volume EM 可以為神經計算提供之前所無法獲得的見解。Volume EM 的技術進步以及計算能力的增強已經令使用足夠大的數據集來重建完整的神經微電路成為可能。這些新的發現為一些研究項目提供了支持和示範——解剖電路重建技術如何才能為神經計算提供之前所無法獲得的見解。
參考文獻：
Automated synaptic connectivity inference for volume electron microscopy
Multicut brings automated neurite segmentation closer to human performance
TAG:生物通 |