


Avec 130 000 neurones annotés et 53 millions de synapses, l'Université de Princeton et d'autres ont publié le premier connectome cérébral complet de « mouche des fruits adulte »
De Caenorhabditis elegans (302 neurones) à Drosophila melanogaster (~ 100 000 neurones), il existe aujourd'hui de nombreux projets qui ont cartographié le connectome du cerveau entier de divers organismes. Drosophila melanogaster est l'un des organismes les plus étudiés par l'homme. Depuis 2017, huit prix Nobel ont été décernés à des recherches utilisant des mouches des fruits.
Les recherches des chercheurs sur la drosophile se poursuivent. Récemment, des chercheurs de l'Université de Princeton et d'autres institutions ont publié le connectome cérébral entier de la drosophile, comprenant environ 130 000 neurones annotés et des dizaines de millions de types de synapses.
Tout le monde sait dans une certaine mesure qu'un système nerveux de base existe depuis les animaux anciens, mais l'émergence du système cérébral remonte à 500 millions d'années. La recherche montre que diviser le cerveau en différentes régions aide à comprendre sa fonction.
Cependant, depuis de nombreuses années, il existe une controverse sur la carte des connexions neuronales au niveau neuronal et synaptique. La principale raison de ce phénomène est que les humains ne disposent pas de la technologie nécessaire pour reconstruire de telles cartes de connexion. Les choses n’ont commencé à changer qu’au début du 21e siècle, avec l’évolution de la technologie.
Aujourd'hui, des chercheurs de l'Université de Princeton et d'autres institutions ont publié le connectome cérébral entier de la drosophile, qui est la première carte complète des connexions neuronales du cerveau de la drosophile adulte.
Photos
Adresse papier : https://www.biorxiv.org/content/10.1101/2023.06.27.546656v1.full.pdf
Photos
Après la publication des résultats , quelqu'un a déclaré : « De nombreux projets ont cartographié le connectome du cerveau entier de divers organismes, de Caenorhabditis elegans (302 neurones) à Drosophila melanogaster (environ 100 000 neurones). Avec notre puissance de calcul actuelle, pourquoi ne pouvons-nous pas le cartographier dans un environnement virtuel ? Qu'en est-il des simulations informatiques précises de ces organismes dans un environnement 3D ? "
La première carte complète des connexions neuronales du cerveau d'une mouche adulte
Le cerveau d'une mouche des fruits semble petit, avec 10 ^ 5 neurones et 10 ^8 synapses, néanmoins, grâce à celles-ci, les mouches des fruits peuvent voir, sentir, entendre, marcher et bien sûr voler.
Depuis longtemps, les chercheurs reconstruisent des parties du cerveau de la drosophile grâce à des images de microscopie électronique (EM). Ces images ont une bonne clarté et peuvent montrer les petites branches des neurones et les synapses connectées. La carte de connectivité des circuits neuronaux qui en résulte fournit des informations clés sur la manière dont le cerveau génère des comportements sociaux, des comportements liés à la mémoire et des comportements de navigation.
Cependant, bien que les méthodes EM aient été appliquées à des parties du cerveau et reconstruites des cartes informatives de connectivité locale, cette méthode n'est pas suffisante pour une compréhension plus complète de la fonction cérébrale.
Auparavant, les chercheurs ont construit une grille synapse unique basée sur les recherches d'Ito et al. La grille utilisée dans cet article est basée sur le modèle cérébral standard JFRC2 qui générait auparavant une segmentation complète du cerveau. Projet Cerveau (simulation de drosophile). Cette étude déplace ces maillages de l'espace JFRC2 vers l'espace FlyWire (FAFB14.1) via une série de transformations non rigides.
Remarque : FlyWire est une plateforme de connectomique du cerveau entier pour explorer le cerveau de la drosophile. Depuis 2019, des scientifiques et des correcteurs expérimentés utilisent FlyWire pour relire les segmentations IA des cerveaux entiers de mouches des fruits. En juin 2023, plus de 120 000 neurones avaient été relus dans FlyWire, y compris l’ensemble du cerveau central.
Comme le montre la figure ci-dessous, l'ensemble du cerveau de la drosophile adulte reconstruit dans cette étude contient 127 978 neurones (Figure 1a) avec 53 millions de synapses entre eux. Des images du cerveau entier de Drosophila melanogaster femelle adulte (Fig. 1e, f) avaient déjà été obtenues par transfert de coupe en série EM et publiées dans le domaine public par Zheng et al.
photos
Cet article montre que la carte de connexion obtenue en reconstruisant l'intégralité du cerveau de la drosophile dans cette étude est suffisamment complète pour être appelée « connectome ». Le connectome est significativement amélioré par rapport à Caenorhabditis elegans (300 neurones, moins de 10^4 synapses) et aux larves de premier stade de drosophile (3 000 neurones, 5×10^5 synapses) Un bond en avant : le connectome ne dépasse pas seulement la moitié du cerveau de la drosophile en quantité, il couvre également la zone sous-œsophagienne (SEZ) du cerveau central de la drosophile, qui est très importante pour le goût et la perception mécanique. De plus, le connectome couvre également les processus qui conduisent les motoneurones du cerveau de la drosophile vers le bas.
La figure ci-dessous montre les catégories de neurones. La figure (a) montre que les neurones du cerveau de la drosophile sont classés selon leur « flux » : intrinsèques, afférents et efférents. Chaque classe de flux est ensuite divisée en « superclasses » en fonction de l'emplacement et de la fonction. Le premier œil composé rendu public manquait environ 8 000 cellules rétiniennes et quatre minuscules globes oculaires d'un hémisphère, parties indiquées par des barres hachurées. (b) À l'aide de ces annotations neuronales, l'étude a créé une carte synaptique agrégée entre les superclasses du cerveau de la drosophile. (c) Rendu de tous les neurones de chaque superclasse. (d) En plus du nerf ophtalmique et du tissu conjonctif cervical (CV), il y a 8 nerfs dans chaque hémisphère. Tous les neurones qui traversent le nerf sont reconstruits et expliqués. (e) Les neurones sensoriels peuvent être subdivisés en fonction de leurs réponses aux modalités sensorielles. Dans FlyWire, presque tous les neurones sensoriels ont été classés par modalité. (f) Rendu de tous les neurones sensoriels non visuels.
Photo
L'image suivante montre le flux d'informations à travers le cerveau central d'une mouche des fruits :
Photo
Photos
La plus grande jamais vue collecte validée de cellules types
Le connectome FlyWire est le connectome le plus grand et le plus complexe jamais obtenu. Dans un autre article, "Un atlas consensuel de types de cellules à partir de connectomes multiples révèle les principes de stéréotypie et de variation des circuits", l'équipe a soulevé et répondu à quelques questions clés pour expliquer davantage les connectomes de cette échelle :
1) Comment Quels bords sont importants pour savoir?
2) Comment simplifier les diagrammes de connectome pour faciliter l'analyse automatisée ou manuelle ?
3) Dans quelle mesure ce connectome est-il un instantané d'un seul cerveau ou représentatif de l'espèce dans son ensemble ?
Pictures
Lien papier : https://www.biorxiv.org/content/10.1101/2023.06.27.546055v1.full.pdf
Ces problèmes sont liés à la fois à l'intérieur et à l'ensemble des ensembles de données. L'annotation du connectome de l'ensemble est inextricablement liée à l'identification du type de cellule.
Au niveau le plus élémentaire, naviguer dans cet ensemble connecté serait très difficile sans un système d'annotation complet. Ainsi, les annotations de l'équipe pour cet article fournissent une liste indexée et hiérarchique de parties lisibles par l'homme, permettant aux biologistes d'explorer les systèmes et les neurones qui les intéressent.
L'annotation Connectome est également cruciale pour garantir la qualité des données car elle révèle inévitablement des erreurs de segmentation qui doivent être corrigées. En outre, la drosophile a une riche histoire d'exploration des circuits d'un large éventail de comportements innés et acquis, ainsi que de leurs origines génétiques développementales. La réalisation du plein potentiel de l'ensemble de données ne sera obtenue qu'en identifiant de manière croisée les types de cellules au sein du connectome ; avec ceux précédemment identifiés dans la caractérisation dans la littérature publiée et en cours.
La comparaison avec les connectomes partiels de l'hémicerveau confirme que la plupart des types de cellules de mouche sont hautement stéréotypés ; et que les connexions au sein de connectomes heuristiques simples et généraux sont fiables et plus susceptibles d'être fonctionnelles. Cependant, cela a également révélé des changements inattendus dans certains types de cellules et a montré que de nombreux types de cellules initialement signalés dans les hémi-cerveaux ne peuvent pas être réidentifiés de manière fiable. Cette découverte a conduit au développement et à l’application d’une méthode nouvelle et puissante pour définir les types de cellules dans des ensembles de données connectomiques.
Dans cette étude, les chercheurs ont généré des annotations lisibles par l'homme à différents niveaux de granularité (superclasse, classe cellulaire, classe de lignée, etc.) pour tous les neurones du cerveau de la mouche.
La carte de 4 179 types de cellules fournie par les chercheurs n’est pas la plus grande jamais réalisée (la moitié du cerveau en compte 5 620, et des travaux récents sur le cerveau de souris ont fourni jusqu’à 5 000 amas moléculaires). Cependant, il s’agit en quelque sorte de la plus grande collection validée de types de cellules jamais assemblée.
Le type cellulaire est une hypothèse prouvable sur la variabilité biologique au sein et entre les animaux. Chez C. elegans, 118 types de cellules déduits du connectome initial ont été sans équivoque étayés par l'analyse ultérieure du connectome et des données moléculaires. Chez certains mammifères, la génération de catalogues de 100 types de cellules est possible et a été validée avec des données multimodales comme dans la rétine ou le cortex moteur.
Cependant, les cartes moléculaires à grande échelle produisent des hiérarchies très informatives, mais aucune tentative n’a été faite pour définir avec précision les types de cellules terminales – les unités les plus fines parmi les individus. Les chercheurs ont testé pour la première fois cette hypothèse de type cellulaire falsifiable sur plus de 5 000 types de cellules, confirmant ou corrigeant environ 3 166 types de cellules dans les données du connectome de 3 hémisphères.
Il convient de noter que les données du connectome sont particulièrement significatives pour la délimitation des types de cellules : elles sont intrinsèquement multimodales (en fournissant la morphologie et la connectivité) et sont capables de voir toutes les cellules du cerveau (complet). Il est très peu probable que les types de cellules qui réussissent ce test rigoureux soient modifiés (de façon permanente). Sur la base de cette compréhension, 850 types de cellules supplémentaires définis dans seulement deux hémisphères de l’ensemble de données FlyWire devraient également être précis et permanents. Les chercheurs pensent que les données du connectome deviendront la référence en matière de types de cellules. Par conséquent, relier les types de cellules moléculaires et connectomiques sera essentiel.
Les gens peuvent être un peu surpris, voire déçus, que plus d'un tiers de la moitié des types de cellules du cerveau ne puissent pas encore être identifiés dans FlyWire. Les chercheurs réaffirment que la plupart des cellules peuvent être identifiées et qu’ils espèrent continuer à apporter des améliorations progressives aux plates-formes et outils actuels grâce à leurs propres efforts et à ceux des autres.
Néanmoins, les résultats actuels révèlent plusieurs problèmes importants : premièrement, les nombreux types de cellules identifiés à l'aide des données d'un seul hémisphère cérébral nécessitent désormais des modifications, deuxièmement, de nouvelles méthodes de typage multi-connectomes (Figure 6) qui fournissent une méthode puissante et efficace ; approche du problème. Troisièmement, les exemples de variation continue chez les mouches adultes sont souvent associés à des types de cellules de mammifères, et les chercheurs disposent désormais des outils et des données nécessaires pour gérer cette variation avec une précision auparavant impossible.
Typage des cellules cérébrales croisées
Dans l'ensemble, ce travail jette les bases d'une étude approfondie du connectome normal actuel et attendu de la mouche, et peut également aider le futur dimorphisme sexuel, la recherche sur la plasticité dépendante de l'expérience, développement à l’échelle du cerveau entier et maladie.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Les classements majeurs nationaux en informatique 2024CSRankings viennent d’être publiés ! Cette année, dans le classement des meilleures universités CS aux États-Unis, l'Université Carnegie Mellon (CMU) se classe parmi les meilleures du pays et dans le domaine de CS, tandis que l'Université de l'Illinois à Urbana-Champaign (UIUC) a été classé deuxième pendant six années consécutives. Georgia Tech s'est classée troisième. Ensuite, l’Université de Stanford, l’Université de Californie à San Diego, l’Université du Michigan et l’Université de Washington sont à égalité au quatrième rang mondial. Il convient de noter que le classement du MIT a chuté et est sorti du top cinq. CSRankings est un projet mondial de classement des universités dans le domaine de l'informatique initié par le professeur Emery Berger de la School of Computer and Information Sciences de l'Université du Massachusetts Amherst. Le classement est basé sur des objectifs

Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.
