13萬個註釋神經元,5,300萬個突觸,普林斯頓大學等發布首個完整「成年果蠅」大腦連結組
從秀麗隱桿線蟲 (302 個神經元) 到果蠅 (約 10 萬個神經元),截止到今天,已經有許多項目繪製了各種生物的全腦連接組圖譜。而黑腹果蠅是人類研究得最徹底的生物之一,截至 2017 年,已有 8 個諾貝爾獎頒發給使用果蠅的研究。
研究者對果蠅的研究仍在繼續,近日,普林斯頓大學等機構的研究者發布了果蠅的全腦連接組,包括約130k 個註釋神經元和數千萬個類型突觸。
大家多少都了解,從古老的動物開始就存在基本的神經系統,但大腦系統的出現要追溯到5 億年前。研究顯示將大腦劃分為不同區域有助於理解其功能。
然而,多年來,關於神經元和突觸層面的神經連接圖一直存在爭議,造成這一現象的主要原因在於人類缺乏能夠重建此類連接圖的技術。隨著科技的發展,情況在 21 世紀初才開始改變。
直到今天,普林斯頓大學等機構的研究者發布了果蠅的全腦連接組,這是第一個完整的成年果蠅大腦神經連接圖。
圖片
論文網址:https://www.biorxiv.org/content/10.1101/2023.06.27.546656v1. full.pdf
圖片
#在該成果發布之後,有人表示:「許多項目繪製了各種生物的全腦連結組圖,從秀麗線蟲(302 個神經元)到果蠅(約100k 神經元)。以我們目前的運算能力,為什麼不能在一個虛擬的3D 環境中對這些生物進行精確的電腦模擬呢? 」
首個完整的成年果蠅大腦神經連接圖
#果蠅的大腦看起來很小,擁有10^5 個神經元和10^8 個突觸,儘管如此,果蠅借助這些能夠完成看、聞、聽、走,當然還能飛。
長期以來,研究者透過電子顯微鏡(EM)影像已經對果蠅大腦的部分區域進行了重建,這些影像清晰度還不錯,能夠顯示出神經元的細小分支和相連的突觸。由此得到的神經迴路的連結圖為研究者理解大腦如何產生社交行為、與記憶相關的行為以及導航行為提供了關鍵見解。
然而,EM 方法雖然已經應用於大腦的部分區域,並重建了資訊豐富的局部連接圖,但對於更全面地理解大腦功能來說,這種方法還不足夠。
先前,研究者基於Ito 等人的研究來構建單一神經突觸網格,本文採用的網格是基於先前生成完整大腦分割的JFRC2 標準腦模板,這些網格也被用於Virtual Fly Brain(模擬果蠅)專案。透過一系列非剛性變換,該研究將這些網格從 JFRC2 空間移動到 FlyWire(FAFB14.1)空間中。
註:FlyWire 是用來探索果蠅大腦的全腦連結組學平台。自 2019 年以來,科學家和經驗豐富的校對員一直在使用 FlyWire 來校對 AI 對整個果蠅大腦的分割。截至 2023 年 6 月,在 FlyWire 中已經校對了超過 120,000 個神經元,包括整個中央大腦。
如下圖所示,該研究重建的整個成年果蠅大腦包含 127,978 個神經元(圖 1a),它們之間有 5300 萬個突觸。成年雌性果蠅的全腦影像 (圖 1e, f) 先前透過串列切片傳輸 EM 獲得,並由 Zheng et al. 發佈到公共領域。
圖片
本文表明,該研究對整個果蠅大腦的重建所得到的連接圖已經足夠完整,足以被稱為「連接組(connectome)」。與秀麗隱桿線蟲(300 個神經元,小於10^4 個突觸)和果蠅第一齡幼蟲(3,000 個神經元,5×10^5 個突觸)相比,其連接組有了明顯的飛躍:連接組不僅僅是數量上超越了果蠅半個大腦,它還涵蓋了果蠅中央大腦的食道下區(SEZ),該區域對味覺和機械感知等非常重要,此外,連接組還涵蓋了從果蠅大腦向下驅動運動神經元的過程。
下圖為神經元類別,圖(a)顯示將果蠅大腦中的神經元依「流」分類:內在的、傳入的、傳出的。然後每個流類別根據位置和功能進一步劃分為“超類別”。第一次公開發布的複眼缺失了約 8000 個視網膜細胞和一個半球的四個小眼珠,這些部分以陰影條表示。 (b)利用這些神經元註釋,該研究在果蠅大腦的超類之間創建了一個聚合的突觸圖。 (c) 每個超類中所有神經元的效果圖。 (d) 除了眼神經和頸結締組織 (CV) 外,每個半球還有 8 個神經。所有穿過神經的神經元都被重建和解釋了。 (e) 感覺神經元可依其對感覺模態的反應進行細分。在 FlyWire 中,幾乎所有的感覺神經元都已經以模態進行了分類。 (f) 所有非視覺感覺神經元的渲染圖。
圖片
下圖為果蠅大腦負責處理視覺訊息的圖示:
#圖片
下圖為訊息通過果蠅的中央大腦流動:
圖片
有史以來最大的細胞類型的驗證集合
FlyWire 連接組是迄今為止獲得的最大和最複雜的連接組。在另外一篇論文《A consensus cell type atlas from multiple connectomes reveals principles of circuit stereotypy and variation》中,團隊提出並回答了一些關鍵問題,進一步解釋了這種規模的連接組:
##1)如何知道哪些edge 是重要的?
2)如何簡化連結組圖以協助自動或手動分析?
3)這個連結組在多大程度上是單一的大腦的快照或代表這個物種的整體?
圖片
論文連結:https://www.biorxiv.org/content/10.1101/2023.06.27.546055v1. full.pdf
這些問題,都與資料集內和跨資料集的連接組註釋和細胞類型鑑定有著密不可分的聯繫。
在最基本的層面上,如果沒有一個全面的註釋系統,導航這個連結組將是非常具有挑戰性的。所以,團隊這篇論文的註釋提供了一個索引和分層的人類可讀部件列表,使生物學家們能夠探索他們感興趣的系統和神經元。
連接組註解對於確保資料品質也是至關重要的,因為它不可避免地揭示了必須修正的分割錯誤。此外,果蠅有豐富的歷史,探究廣泛的先天和後天行為的電路基礎,以及它們的發育遺傳起源;想要實現數據集的全部潛力,只有通過交叉識別連接組內的細胞類型與那些先前在已發表和正在進行的文獻中的特徵。
與部分半腦連接組的對比證實了,大多數蒼蠅細胞類型是高度定型的;以及,定義簡單和一般啟發式的連接組內的連接是可靠的,也更可能是功能性的。然而,這也揭示了一些細胞類型的意外變化,並表明許多細胞類型最初在半腦中的報告不能可靠地重新識別。這項發現使研究者認為有必要開發和應用一種新的強有力的方法來定義跨連接組學資料集的細胞類型。
在這項研究中,研究者為蒼蠅大腦中的所有神經元生成了人類可讀的不同粒度水平上(超類、細胞類、血緣類等)的註釋。
研究者提供的4179 種細胞類型圖譜並不是有史以來最大的(半腦有5620 種,小鼠腦中的最新工作提供了多達5000 個分子簇) 。然而,某種程度上說,它是有史以來最大的細胞類型的驗證集合。
細胞類型是一個關於動物內部和跨動物的生物變異性的可證實的假設。在秀麗隱桿線蟲中,從最初的連接組推斷出的 118 個細胞類型已被隨後的連接組和分子數據的分析所明確支持。在一些哺乳動物中,生成 100 個細胞類型的目錄是可能的,並且已被例如在視網膜或運動皮質的多模態資料所驗證。
然而,大規模的分子圖譜產生了高資訊量的層次結構,但還沒有嘗試精確地定義終端細胞類型 —— 跨個體的最細單元。研究者首次對 5000 多種細胞類型測試了這個可證偽的細胞類型假設,在 3 個半球的連接體數據中確認或修正了約 3166 種細胞類型。
值得注意的是,連結組資料對細胞類型的劃分特別有意義:它本身是多模態的(透過提供形態學和連結性),而且能夠看到大腦內的所有細胞(完整性)。通過這項嚴格測試的細胞類型是非常不可能被修改的(永久性)。基於這種理解,僅在 FlyWire 資料集的兩個半球內定義的另外 850 個細胞類型也應該是準確且永久的。研究者認為,連接組數據將成為細胞類型的黃金標準。因此,將分子和連接組學的細胞類型聯繫起來將是關鍵。
在 FlyWire 中,超過三分之一的半腦細胞類型還不能被識別,可能人們會感到有些驚訝甚至失望。研究者重申,大多數細胞是可以被識別的,而且他們期望透過自己和其他同行的努力,在現在的平台和工具上繼續逐步改進。
儘管如此,目前的結果揭示了幾個重要的問題:首先,使用單一腦半球的數據所確定的許多細胞類型現在需要修改;其次,新的多連接組成型方法(圖6)為此問題提供了一個強大而有效的方法;第三,成年蒼蠅連續變異的例子通常與哺乳動物細胞類型相關,研究者現在也有工具和數據,能夠以此前不可能的精確度來處理這種變異。
跨腦細胞分型
#總體來說,這項工作奠定了某些基礎,既可以深入研究目前和預期中正常的蒼蠅連結組,也可協助未來的性雙態、經驗依賴的可塑性、全腦規模發展和疾病等方向的研究。
以上是13萬個註釋神經元,5,300萬個突觸,普林斯頓大學等發布首個完整「成年果蠅」大腦連結組的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

2024CSRankings全美電腦科學專業排名,剛剛發布了!今年,全美全美CS最佳大學排名中,卡內基美隆大學(CMU)在全美和CS領域均名列前茅,而伊利諾大學香檳分校(UIUC)則連續六年穩定地位於第二。佐治亞理工學院則排名第三。然後,史丹佛大學、聖迭戈加州大學、密西根大學、華盛頓大學並列世界第四。值得注意的是,MIT排名下跌,跌出前五名。 CSRankings是由麻省州立大學阿姆赫斯特分校電腦與資訊科學學院教授EmeryBerger發起的全球院校電腦科學領域排名計畫。該排名是基於客觀的

想像一下,一個人工智慧模型,不僅擁有超越傳統運算的能力,還能以更低的成本實現更有效率的效能。這不是科幻,DeepSeek-V2[1],全球最強開源MoE模型來了。 DeepSeek-V2是一個強大的專家混合(MoE)語言模型,具有訓練經濟、推理高效的特點。它由236B個參數組成,其中21B個參數用於啟動每個標記。與DeepSeek67B相比,DeepSeek-V2效能更強,同時節省了42.5%的訓練成本,減少了93.3%的KV緩存,最大生成吞吐量提高到5.76倍。 DeepSeek是一家探索通用人工智

AI,的確正在改變數學。最近,一直十分關注這個議題的陶哲軒,轉發了最近一期的《美國數學學會通報》(BulletinoftheAmericanMathematicalSociety)。圍繞著「機器會改變數學嗎?」這個話題,許多數學家發表了自己的觀點,全程火花四射,內容硬核,精彩紛呈。作者陣容強大,包括菲爾茲獎得主AkshayVenkatesh、華裔數學家鄭樂雋、紐大電腦科學家ErnestDavis等多位業界知名學者。 AI的世界已經發生了天翻地覆的變化,要知道,其中許多文章是在一年前提交的,而在這一

波士頓動力Atlas,正式進入電動機器人時代!昨天,液壓Atlas剛「含淚」退出歷史舞台,今天波士頓動力就宣布:電動Atlas上崗。看來,在商用人形機器人領域,波士頓動力是下定決心要跟特斯拉硬剛一把了。新影片放出後,短短十幾小時內,就已經有一百多萬觀看。舊人離去,新角色登場,這是歷史的必然。毫無疑問,今年是人形機器人的爆發年。網友銳評:機器人的進步,讓今年看起來像人類的開幕式動作、自由度遠超人類,但這真不是恐怖片?影片一開始,Atlas平靜地躺在地上,看起來應該是仰面朝天。接下來,讓人驚掉下巴

本月初,來自MIT等機構的研究者提出了一種非常有潛力的MLP替代方法—KAN。 KAN在準確性和可解釋性方面表現優於MLP。而且它能以非常少的參數量勝過以更大參數量運行的MLP。例如,作者表示,他們用KAN以更小的網路和更高的自動化程度重現了DeepMind的結果。具體來說,DeepMind的MLP有大約300,000個參數,而KAN只有約200個參數。 KAN與MLP一樣具有強大的數學基礎,MLP基於通用逼近定理,而KAN基於Kolmogorov-Arnold表示定理。如下圖所示,KAN在邊上具

谷歌力推的JAX在最近的基準測試中表現已經超過Pytorch和TensorFlow,7項指標排名第一。而且測試並不是JAX性能表現最好的TPU上完成的。雖然現在在開發者中,Pytorch依然比Tensorflow更受歡迎。但未來,也許有更多的大型模型會基於JAX平台進行訓練和運行。模型最近,Keras團隊為三個後端(TensorFlow、JAX、PyTorch)與原生PyTorch實作以及搭配TensorFlow的Keras2進行了基準測試。首先,他們為生成式和非生成式人工智慧任務選擇了一組主流

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

特斯拉機器人Optimus最新影片出爐,已經可以在工廠裡打工了。正常速度下,它分揀電池(特斯拉的4680電池)是這樣的:官方還放出了20倍速下的樣子——在小小的「工位」上,揀啊揀啊揀:這次放出的影片亮點之一在於Optimus在廠子裡完成這項工作,是完全自主的,全程沒有人為的干預。而且在Optimus的視角之下,它還可以把放歪了的電池重新撿起來放置,主打一個自動糾錯:對於Optimus的手,英偉達科學家JimFan給出了高度的評價:Optimus的手是全球五指機器人裡最靈巧的之一。它的手不僅有觸覺
