生物科學家研究基因網絡，社會科學家研究社會網絡，那神經科學家自然研究神經網絡。研究復雜系統的「網絡」是描述系統的基本方式。

長期以來，大腦神經網絡的工作方式一直是一個熱門研究話題，近年大熱的人工神經網絡也是受到大腦神經元的啟發才創建的。
嘗試重建大腦（使用精細的成像技術繪制大腦物理路徑）是連接組學的一個方向，也是神經科學家對揭示大腦工作方式的一種探索。由于人類大腦過于復雜，研究者們嘗試從果蠅等較為簡單的生物入手，試圖重建果蠅大腦的完整神經連接圖。人類大腦有1000億個神經元，果蠅大腦只有10萬左右。
去年8月，谷歌宣布，他們用數千塊 GPU 自動重建了果蠅大腦的完整神經圖，像素高達40萬億。遺憾的是，當時的重建結果沒有識別突觸，因此算不上真正的神經圖。
但就在昨天，谷歌與霍華德·休斯醫學研究所 Janelia 研究園區的 FlyEM 研究團隊聯合發布了他們的最新進展——一個擁有突觸級別連接的果蠅半腦連接圖。這是迄今為止人類繪制出的最大的突觸級別大腦連接圖。這個新的連接圖包含25000個神經元、2000萬個連接，大約相當于果蠅大腦體積的1/3，但這1/3影響力不容小覷。因為這些部分包含與學習、記憶、嗅覺、導航等功能相關的重要區域。果蠅半腦的一些統計信息，綠色部分表示成像和重建的核心腦域。當前最大包含2.5萬個神經元，它們的突觸連接數量達到2千萬。
谷歌研究科學家 Viren Jain 表示，「這將是我們第一次真正細致入微地觀察突觸數量達10萬級別的神經系統的組織結構?！褂辛诉@份詳盡的神經圖，研究者們將能夠解答大腦為何運行得如此之快?！?b>這項研究將改變神經科學的研究方式。」
該研究進展是連接組學領域的一個里程碑。在此之前，只有一種單一生物體——「秀麗隱桿線蟲（C. elegans）」的大腦曾經被如此細致地描繪。
一直以來，「連接組學」在科學界毀譽參半。支持者認為這門學問可以揭示大腦物理層面與特定行為的關系，有助于實現神經科學的關鍵目標；不支持的人覺得繪制神經元圖耗費了大量精力，這些研究資源本應放到更重要的領域中去。
為了完成重建工作，研究者需要完成以下工作：
1. 借助顯微鏡獲取果蠅大腦中神經元的清晰圖像；2. 借助算法將這些圖像對齊并重新組合在一起形成3D 圖像；3. 經過人工校對形成準確的重建結果；4. 利用機器學習算法自動監測出神經元之間的突觸來完成重建。
在這個過程中，每個步驟都困難重重。為了克服這些困難，研究人員已經努力了近十年。
如何獲取果蠅大腦神經元的清晰圖像？
由于果蠅大腦的體積與一顆罌粟種子類似，所以準確地描述出果蠅大腦中10萬個神經元是一項非常大的挑戰。此外，很多微生物學家也質疑獲取果蠅大腦數據的價值。所以，描述果蠅電腦神經元及其之間的連接始終是一項難題。
首先，研究人員必須借助于顯微鏡來獲取高分辨率的大腦圖像，然后為每個神經元繪制在兩個半腦中展開的神經聯結。就像為人類基因組排序一樣，完成相應的工作需要技術創新和大量的人力資源。
那么這樣就迎來了第一項難題：如何獲取果蠅大腦中每個神經元的清晰圖像？
利用顯微鏡實現果蠅大腦及神經元成像
如下圖所示，在一個安靜的房間里，八臺巨大的顯微鏡正準備生成果蠅大腦的圖像。并且，圖像收集的過程不受任何外力的影響。
這些顯微鏡原本在設計時想要幾分鐘或幾小時內捕捉到數據。但是，如要獲得完整的果蠅大腦圖像，一臺顯微鏡需要持續運行數月或數年?，F在，顯微鏡能夠連續不斷地生成清晰的圖像，并顯示果蠅大腦中錯綜復雜的神經元。此外，如果出現任何故障，顯微鏡可以自動停止數據收集并發出 SOS 信號。果蠅大腦圖像所使用的顯微鏡。
在成像過程中，谷歌研究人員使用了聚焦離子束掃描電子顯微鏡（FIB-SEM）的技術，即通過聚焦離子束來擊碎果蠅腦組織。
接著計算機程序將這些圖像拼接對齊，生成果蠅大腦的3D 展示圖。

用于制作「線路圖」（wiring diagram）的圖像全部來自一只雌果蠅，這些圖像已經收集了起來。但是，隨著顯微鏡功能的提升，它們現在也可以從雄果蠅的大腦中收集數據了，并且是要捕捉整個中樞神經系統。
如何得到準確的重建結果？
克服半腦連接組生成中的挑戰需要大量研究人員數以十年的合作研究和開發。在珍妮莉亞研究園區，研究人員曾開發出了一種新方法，為果蠅大腦染色，再將組織分割為20微米的厚片。接著使用聚焦離子束掃描為每個厚片生成8x8x8nm^3像素的立體圖像。之后利用計算方法將原始數據拼接和對齊到一個連貫的26萬億像素的3D 體積中。
但是，如果果蠅大腦中的神經元沒有精確的3D 重建，則基于上述類型的成像數據不可能生成連接組。
在生成半腦連接組的過程中，谷歌選擇與 Janelia 研究園區的 FlyEM 團隊展開合作，并專注于自動化3D 重建以生成連接組。
經過技術的迭代發展，谷歌于2018年7月份提出了名為 Flood-filling 網絡（FFN）的算法，并用于重建完整的半腦數據集。這種算法能夠根據上下文圖像和先驗預測來決定如何擴展果蠅神經元的形狀。谷歌在今日的博客中又詳細描述了該網絡。

在果蠅半腦數據中，利用 FFN 方法來分割或追蹤神經元組成部分。
FFN 能夠自動追蹤果蠅大腦中的每個神經元，是首個能夠給出足夠準確重建結果的自動分割技術
雖然該算法大體上運行良好，但研究人員發現，當對齊效果不完美（連續切片中的圖像內容不穩定）或切片和成像過程存在問題導致多個連續切片缺失時，該算法的性能會下降。
為了應對這些問題，研究人員將 FFN 網絡與以下兩個處理流程相結合：

· 其一，研究人員估計了3D 圖像各位置切片之間的一致性，然后在 FFN 追蹤每個神經元時確保各位置圖像內容的穩定性；

· 其二，研究人員使用 Segmentation-EnhancedCycleGAN（SECGAN）計算出缺失切片的重構圖。

SECGAN 是一種專門用于圖像分割的生成對抗網絡。研究人員發現，當使用 SECGAN「想象」圖像數據時，FFN 能夠更加魯棒地追蹤多個缺失切片的位置。
由 FFN 算法自動給出的重建結果仍然需要人工校對，但與之前的自動重建方法相比，FFN 可以幫助研究人員節省大量時間，將校對時間從幾千萬縮短到幾十萬個小時。
校對工作由經驗豐富的校對團隊進行，使用的工具和工作流程都是 Janelia 研究園制定的。他們會用 VR 眼鏡和定制的3D 目標編輯工具來檢查神經元形狀并修復自動重建過程中出現的錯誤。這些修正也用于重新訓練 FFN 網絡，使其重建結果更加準確，從而進一步減少校對時間。
校對之后，重建結果將于自動突觸檢測系統相結合。首先，Janelia 的研究者手動標記單個突觸，然后用這些標記數據訓練神經網絡分類器來將此任務自動化。經過多輪的數據標注，模型的泛化性能大大提高。
研究展望
雖然算法已經取得了很大的成功，但要繪制如此精確的神經連接圖依然需要大量人力。
在神經元的追蹤方面，人類在許多方面都要比算法強，FlyEM 項目工作組組長 Steve Plaza 表示。人類擁有的常識和意識可以使其識別出數據中心的異常之處。例如，對于人眼來說，比較大的連接錯誤是非常明顯的，因此校對員可以迅速掃描大量數據，尋找嚴重畸形的神經元。而且，當發現一些異常情況時，他們可以進行更細致的調查。
在此之后，研究者還將不斷更新這一果蠅大腦連接圖。研究人員感興趣的是，圖中的神經元與大腦中的其他神經元是怎么連接在一起的。完整的連接圖可能還需要數年才能重建完成?，F有的數據已經提供了一些見解，也帶來了一些新問題。
其中一個重要問題在于，「如何分析這個連接圖并理解你所觀察到的東西？」「數據已經有了，怎么用？」
研究者開始嘗試用這個半腦連接圖對果蠅神經系統進行更深入地研究。例如，和興趣相關的腦部回路是中央復合體（central complex），這個區域整合了感官信息，并與導航、運動控制、睡眠有關。

果蠅大腦中央復合體「環狀神經元」視圖。
另一處于研究階段的腦部回路是「蘑菇體」，主管果蠅大腦學習和記憶的功能。

總結

以上是生活随笔為你收集整理的谷歌等机构耗时十年重建突触级果蝇半脑的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。