半腦連接組（hemibrain connectome）可提供果蠅大腦某些部分的神經元的完整圖片，並詳細說明它們與大腦其他部分的連接方式。圖片：FlyEM/Janelia Research Campus
珍妮亞（Janelia）和Google科學家已經構建了有史以來最完整的蒼蠅大腦圖，精確定位了25,000個神經元之間的數百萬個連接。現在，整個大腦的接線圖已觸手可及。
在弗吉尼亞州阿什本市的一間暗室裡，成排的科學家坐在計算機屏幕前，觀看生動的3D圖像。只需點擊鼠標，他們便可以旋轉每個形狀以從各個角度對其進行檢查。科學家們正在霍華德·休斯醫學院的簡妮莉亞研究校園（Howard Hughes Medical Institute's Janelia Research Campus，HHMI）內的一幢混凝土建築內工作，該建築就位於一條叫做“螺旋線”的街道旁。但是他們的思想完全位於蒼蠅的大腦內部。
科學家屏幕上的每個形狀都代表果蠅神經元的一部分。這些研究人員和珍妮亞的其他研究人員正在解決一個似乎遙不可及的目標：概述蒼蠅大腦大約100,000個神經元中的每個神經元，並指出它們所連接的數百萬個位置。這樣的接線圖或連接套揭示了不同大腦區域的完整迴路以及它們如何鏈接。這項工作可以幫助解鎖參與記憶形成的網絡，例如，構成運動基礎的神經通路。
HHMI副總裁兼珍妮亞執行董事格里·魯賓（Gerry Rubin）十多年來一直支持這個項目。他說，這是理解大腦工作方式的必要步驟。該項目開始時，魯賓估計，利用現有方法，手工追蹤每個蒼蠅神經元之間的聯繫將需要250名工人工作二十年，這就是他所說的“5000人年的問題”。
現在，成像技術和深度學習算法的不斷髮展使連接組的夢想脫離了雲端，進入了可能性領域。高性能的定製顯微鏡、專門的神經校對人員和數據分析人員團隊以及與Google的合作關係，使這一過程大大加快了速度。
今天，一個由珍妮亞研究人員組成的小組報告達到了一個重要的里程碑：他們已經在被稱為“半腦”的雌性果蠅大腦的一部分中追蹤了每個神經元的路徑。該圖包含25000個神經元-按體積計算，大約佔蒼蠅大腦的三分之一-但其影響卻非常大。它包括科學家感興趣的區域，這些區域控制著學習、記憶、氣味和導航等功能。到目前為止，已經確定了超過2000萬個神經連接，這是有史以來最大，最詳盡的蒼蠅大腦圖。
名為FlyEM的連接組項目團隊正在免費提供數據以及使用該數據所需的所有工具。他們在 2020年1月21日發佈到bioRxiv的論文中描述了這項工作。目前，他們有望在2022年之前完成整個蒼蠅神經系統的連接圖。
Google研究科學家，珍妮亞（Janelia）前實驗室負責人維倫·賈恩（Viren Jain）說：“這是對人們認為幾乎不可能做的事情的大賭注。這將是我們第一次真正能夠對神經系統的組織進行細微的觀察，該神經系統的神經突觸規模為100000個。”
有了詳細的神經圖，科學家將能夠回答有關大腦如何比以往更快地運轉的問題。魯賓說：“這將改變人們做神經科學的方式。”
大腦的藍圖
迄今為止，只有一種生物已經繪製了完整的連接體圖譜-秀麗隱杆線蟲（Caenorhabditis elegans），這是一種細小的透明蠕蟲，僅有302個神經元和大約7,000個神經連接。科學家們用金剛石刀將狹長的組織刮掉，用電子顯微鏡捕獲圖像，然後手工追蹤蠕蟲神經系統中每個神經元的路徑。
這項工作需要細緻入微。但是蠕蟲的神經元並沒有蒼蠅、老鼠或人的蠕蟲神經元那麼多，而且它們之間的聯繫更少。解開較大動物大腦中的連接難度更大。連接項目組在在更復雜的大腦上進行的工作，他們要麼解決一小部分大腦的詳細細節，要麼繪製全部大腦圖像但是隻能捕捉部分細節。
蒼蠅的大腦可能很小，大約只有罌粟種子的大小，而將其100000個神經元精確地映射是一個全新的水平挑戰。賈恩說，十五年前，“許多神經生物學家對擁有這種關於大腦的數據的價值持懷疑態度，尤其是考慮到收集起來會很費力。”
首先，研究人員必須讓功能強大的顯微鏡提供的高分辨率大腦圖像。然後，他們必須為每個神經元映射穿過兩個半球的神經糾纏（neural snarls）。魯賓說，就像對人類基因組進行測序一樣，完成工作也不在於科學上的突破，而在於技術創新和人力調配。
這個半腦數據集包含了藍色突出顯示的蒼蠅大腦的一部分。該區域包括參與學習、導航、嗅覺、視覺和許多其他功能的神經元。圖片：FlyEM / Janelia Research Campus
對他來說，這是一個值得挑戰。他說：“我受到懷疑者的激勵。” 魯賓補充說：“我們知道我們必須使該過程的效率提高100倍以上，但這正是珍妮亞建立的那種項目。”
第一個障礙：清晰瞭解每個蜿蜒穿過蒼蠅大腦的神經元。
神經快照
在幾套鎖著的門和白色的落地窗簾的背後，有八隻笨重的顯微鏡準備成像蒼蠅的大腦。在這個安靜的房間中，沒有任何東西會干擾圖像收集。
哈拉德·赫斯（Harald Hess），徐（C. Shan Xu）和他們的同事已經準備好了這些顯微鏡。
簡妮亞高級小組負責人赫斯說：“我們稱其為'上帝保護室行動'。”
顯微鏡放在充氣氣墊上，以最大程度地減少振動。甚至房間本身就是為了抑制噪音而建造的。它坐落在獨立的混凝土板上，與建築物的其餘部分分開。
這些顯微鏡最初計劃在幾分鐘或幾小時內捕獲數據。但是要使整個蒼蠅大腦成像，顯微鏡需要連續運行數月或數年。赫斯說，數據中的單個缺陷可能會使所有內容丟掉。“它確實必須是完美的。” 因此，他的團隊花了將近十年的時間來微調圖像收集過程的每個部分，這在2019年11月的bioRxiv論文中進行了描述。顯微鏡現在可以產生始終如一的清晰圖像，從而揭示大腦中神經元迷宮的複雜細節。如果發生任何故障，顯微鏡將自動暫停數據收集併發送警報信號。
赫斯，徐及其同事使用一種稱為聚焦離子束掃描電子顯微鏡（focused-ion beam scanning electron microscopy，FIB-SEM）的技術。瞄準鏡使用聚焦的離子束來研磨飛蠅腦組織的細小增量，就像非常精密的噴砂機一樣。它在一塊組織上發射鎵離子，一個原子一個原子地拋光表面。顯微鏡拍攝組織表面的圖像，拋光掉另一個薄層，然後拍攝另一個圖片，一遍又一遍，直到整個樣品都被研磨掉。隨著物理樣本逐漸消失，其數字孿生體將被永久性地存儲。
然後，計算機程序將這些圖像對齊並將其縫合在一起，以創建蒼蠅大腦的3D表示。
用於接線圖的圖像（全部來自單個雌蠅）已被收集。但是範圍仍然很大：它們現在正在從雄蠅的大腦中收集數據。這次，目標是捕獲整個中樞神經系統。如果一切順利，顯微鏡將在2020年底之前完成該任務。
從單個大腦中存儲圖像將在硬盤上佔用約100 TB的數據。FlyEM項目團隊負責人史蒂夫·普拉扎（Steve Plaza,）說，這大約相當於計算機上的1億張照片。對於人類來說，手工整理的數據實在太多了。因此，研究人員找到了加快處理過程的方法，訓練計算機自動完成這項工作。
與科技巨頭合作
計算機可以執行各種與圖像相關的任務，例如識別衛星圖像中的人臉或發現道路。這些任務部分地依賴於一個稱為圖像分割的過程：將數字圖像分解成各個組成部分並標記每個部分。
多年來，Google一直在嘗試改善這一過程的方法。賈恩和他的同事們希望建立細分技術並將其應用於具有挑戰性的問題。分析神經元圖像非常合適。但是，教一個算法如何可靠地挑選出或分割圖像中的神經元，需要大量的訓練實例。因此，賈恩接觸了珍妮亞的FlyEM團隊，他們生成數據的速度遠超處理數據的速度。兩組開始共享數據，並利用Google的算法通過成像數據層跟蹤神經纖維的情況。
分段、分層掃描果蠅大腦
合成的果蠅大腦圖像
為了對果蠅半腦成像，研究人員將果蠅大腦切成薄片，用電子顯微鏡成像，然後將所有圖像縫合在一起。目標：創建一個立體圖像，使科學家能夠追蹤每個神經元穿過大腦的路徑。圖片：FlyEM / Janelia Research Campus
魯賓說：“谷歌提供了很多智力和計算能力。”他們擁有最新的技術，並擁有致力於在龐大數據集上測試算法的資源。“這是一次理想的合作-具有不同專業知識的團隊一起工作。”
賈恩說，理想情況下，計算機可以直接從顯微鏡圖像中挑選出神經元。但這很難做到，因為許多神經元在大片區域捲曲延伸，跨越許多圖像。過去，算法採用的是零碎的方法。首先，一種計算機算法確定了將神經元與大腦其他所有部位分開的細胞邊界。然後，另一種算法在這些邊界內著色，將每個部分定義為一塊神經元。最後，第三種算法將所有神經元鏈接在一起，形成每個神經元連接路徑的藍圖。
Google的算法取消了所有這些步驟，從而像人類一樣更有機地追蹤神經元。賈恩說，一種算法稱為洪水填充網絡，它在滾動顯示數據時直接端對端跟隨延伸的神經。它根據圖像上下文及其自身的先前預測來決定如何擴展神經元的形狀。賈恩和他在Google的同事在2020年1月22日的Google AI博客中描述了這項工作。
樹突段的3D結構
（a）樹突的3D模
（b）放大了一根樹突棘
（c）樹突棘的橫截面
（d）3D重建樹突棘
（e）樹突棘與質膜的2個連接點。
負責該項目的Google研究人員米哈爾·賈努謝夫斯基（Michal Januszewski）說，為了幫助該程序學習，研究小組向其提供了經過全面跟蹤的，經過人類驗證的神經元。這為算法提供了從大腦中解譯出各種類型和形狀的神經元的經驗。他說：“希望它能隨著時間的流逝而學習糾正原來必須手工糾正的錯誤。”
隨著算法的改進，人員的工作量減少了。魯賓估計，與Google的合作使該項目的運行速度提高了10倍以上。
全速前進
儘管該算法取得了成功，但計算機並沒有最終結果。回到珍妮亞，數十名人類校對員在擁擠著大屏幕顯示器的辦公桌上瀏覽數據。這些技術人員尋找算法產生的錯誤連接。
“仍然需要大量的人工工作，”領導神經元示蹤劑和校對人員的團隊的魯奇·帕雷克（Ruchi Parekh）說。在過去的四年中，她的團隊已發展到近50名員工，以跟上Google以更快的速度發送回的分段數據。由帕特·裡夫林（Pat Rivlin）領導的另一個團隊不斷評估和測試新技術，以使校對過程更加有效和準確。但是艱苦的工作仍然需要極大的耐心。校對人員滾動瀏覽數據層圖像，從多個角度瀏覽建議的連接點，以確定兩個神經元是否確實進行了交流。
說到神經元追蹤，人類在許多方面仍然比算法更好。他解釋說，人類擁有使他們能夠發現數據中奇異之處的常識和認識。
例如，大的連接錯誤通常對人眼是顯而易見的。因此，校對人員可以快速掃描大量數據，尋找畸形的神經元。當他們發現似乎不對勁的東西時，他們可以進行更詳細的查看。
該小組的最終目標是創造一種對其他科學家有用的資源。那也意味著要思考如何存儲和呈現數據。普拉扎和他的同事建立了一些程序，以使篩選數據集更加容易。他說：“我們有一個非常大的數據集，對人類來說太多了。“擁有一個允許您將數據分解為可解釋單位的工具是關鍵。” 現在，對特定神經元感興趣的科學家可以找出它的外觀和連接的細胞，以及哪些其他神經元具有相似的性質並且可能相關。
普拉扎和他的團隊將繼續完善其連接組併發布更新的版本。對這些已經映射的區域中的神經元如何連接到大腦其餘部分感興趣的研究人員將需要等待幾年才能得到完整的連接組。但是目前的數據已經在揭示一些答案並提出新的問題。
現在，科學家面臨的一個大問題是“如何分析連接體，然後理解所看到的？” 帕雷克說。“數據在那裡。您將如何處理？”
對於魯賓來說，他將在本月晚些時候卸任珍妮亞的執行董事，並全職回到他的珍妮亞實驗室工作，這是一個里程碑。他說：“看到它取得成功，我感到很滿意，這是我擔任董事以來最自豪的一項科學成就，部分原因是它需要來自眾多合作十年的優秀人才的貢獻。但是就我個人而言，我有興趣使用這種知識來學習大腦的工作原理。”
閱讀更多 孜然實驗室 的文章
