40萬億像素，谷歌AI自動繪製果蠅的大腦圖譜

谷歌最新的人工智慧研究深入到了果蠅的大腦。

最近，谷歌發表了一項研究結果：「基於洪水填充網路和局部調整的EM果蠅大腦連續切片自動重建」（Automated Reconstruction of a Serial-Section EM Drosophila Brain with Flood-Filling Networks and Local Realignment）,它探討了整個果蠅大腦每個神經元的自動重建，由谷歌與霍華德?休斯醫學研究所（HHMI）Janelia研究院和劍橋大學合作的。

參與這項研究的團隊給一隻果蠅的大腦細胞和突觸注入重金屬，用來標記每個神經元及其連接的輪廓。為了生成圖像，他們用一束電子束轟擊大約7062個大腦切片，然後電子束穿過了除含有重金屬部分以外的所有物體。

圖丨果蠅大腦圖（來源：谷歌）

這篇最新論文的共同作者希望，他們在連接組學方面的工作，如連接組的製作和研究、生物體神經系統內連接的綜合圖譜等，能加速 HHMI 和劍橋大學對果蠅大腦中學習、記憶和感知的研究。本著開源的精神，他們使用內部互動式 3D 界面 Neuroglancer 提供了可供下載和瀏覽的完整結果。

果蠅並不是隨意選取的目標。正如該論文的幾位合著者在一篇博客文章中所指出，果蠅的大腦相對較小（10 萬個神經元），與青蛙的大腦（超過 1000 萬個神經元）、老鼠的大腦（1 億個神經元）、章魚的大腦（5 億個神經元），以及人類的大腦（1000 億個神經元）相比是最佳選擇。這使得他們更容易做「完整的閉環」研究。

要繪製出一個果蠅的大腦，首先需要將它切成數千個 40 納米的超薄切片，然後用透射電子顯微鏡對其成像，並將其排列成整個大腦的三維立體圖像。接下來，成千上萬的由谷歌定製的人工智慧加速晶元——雲張量處理單元（TPUs），運行一種被稱為洪水填充網路（FFNs）特殊的演算法，這種演算法用於複雜和大型形狀，特別是組織的立體數據集的分割。隨著時間的推移，FFNs 會自動追蹤果蠅大腦中的每個神經元。

然而重建工作並非一帆風順。當連續切片中的圖像內容不穩定或多個連續切片丟失時（切片和成像過程存在一定的挑戰），FFNs 演算法的性能就會很差。

為了減少精度和準確度的下降，研究小組估計了各個切片之間 3D 大腦圖像的一致性，並在 FFNs 演算法突出每個神經元的同時局部穩定了圖像內容。此外，他們還使用了一種被稱為分段增強 CycleGAN （SECGAN）的人工智慧模型，來計算填補立體圖像中缺失的部分，該模型專門用於分割的生成式對抗網路。有了這兩種新方法，他們發現FFNs 演算法能夠「更可靠地」追蹤多個缺失切片的位置。

圖丨40 萬億像素的果蠅大腦重建圖。註：右下角為谷歌 AI 在 2016 年和 2018 年出版物中分析的較小的數據集。（來源：谷歌）

在對果蠅大腦完全成像的情況下，研究小組用前面提到的Neuroglancer解決了可視化的問題。

Neuroglancer 是開源的，目前被 Allen 腦科學研究所、哈佛大學、HHMI、馬克斯普朗克研究所、麻省理工學院、普林斯頓大學以及其他地方的學者使用。另外，它基於 WebGL，並在最新版本的 Chrome 和 Firefox 中得到支持，目前它公開了一個由三個正交橫斷面視圖組成的四窗格視圖，以及一個顯示選定對象的 3D 模型視圖(具有獨立的方向)。

除了能夠查看 PB 級的 3D 立體之外，Nueroglancer 還支持諸如任意軸橫斷面重新排列、基於線段的模型、多解析度網格以及通過與 Python 集成開發的自定義分析工作流等功能。此外，它能夠通過 HTTP 以多種格式攝取數據。

論文的合著者指出，他們的大腦圖像並不完美，仍然包含一些錯誤，並且跳過了對突觸的識別。但他們預計，分割方法的進步將帶來重建方面的進一步改進。他們還表示，他們正在與 Janelia 研究院的 FlyEM 團隊合作，利用聚焦離子束掃描電子顯微鏡的技術獲得圖像，創建一個「高度驗證的」、「詳盡的」果蠅大腦連接體。

-End-

編輯：李亞山

參考：

https://venturebeat.com/2019/08/05/googles-ai-maps-fruit-fly-brains/

坐標：北京·國貿

請隨簡歷附上3篇往期作品（實習生除外）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！