作者:Shelly Fan参与:张倩、王淑婷

blingbling,爱丁堡大学用AI点亮大脑10亿突触星图

如果能够把大脑中的突触以地图的形式画下来并标注,那将是一件多么壮观的事情!近日,来自英国爱丁堡大学一个研究团队用小鼠做实验,画出了小鼠大脑的突触图,并使用技术点亮了这些突触,使得其看起来像星夜一样漂亮!

想象一幅包含整个银河系中每一颗星星的地图。这个地图非常详细,它展示了每一颗星星的样子、材质,以及它如何通过宇宙物理定律和另一颗星星产生联系。

尽管我们目前没有此类天体图,但上周 Neuron 上发表了一项重要研究,展示了大脑的「天体图」。

假设每个神经元是一个银河系,那么突触就是其中的星星。在一项重要技术突破中,来自英国爱丁堡大学的团队首次构建了小鼠大脑中包含每一个突触的详细地图。

该团队使用基因改造过的小鼠,使小鼠大脑中的每一个突触在荧光灯下被点亮,像星夜一样。与星星之间的差异类似,该团队发现突触之间的差别也很大,不过脉冲的模式可能支持记忆和思考。

「人脑中的突触比银河系中的星星数量还多。大脑是我们已知最复杂的物体,在这种层面上理解突触之间的联系是揭开大脑神秘面纱的关键一步。」主要作者、临床脑科学中心(Center for Clinical Brain Sciences)的 Dr. Seth Grant 说道。

该详细地图揭示了大脑活动的基本法则。在机器学习的帮助下,该团队把大脑中的大约 10 亿个突触划分为 37 个子类别。当神经元集合收到电子信息,如试图在多个问题解决方案中选择一个时,不同神经元中的某种突触子类别全都发光。

也就是说:突触是分类别的。每种类型可能控制一种想法、决策或记忆。这引发了神经科学界人士在推特上的热烈讨论。明尼苏达大学的 Ben Saunders 博士评论道:「哇哦。」

神经遗传学家 Kevin Mitchell 博士发推写道,这是「一篇非常棒的论文,介绍了小鼠大脑中突触子类别的多样性和分布。」它「强调了这一事实:突触是神经系统中关键的计算元素。」

神经连接组(Connectome)连接

该团队的兴趣是构建「突触组」(synaptome)——小鼠大脑中突触的首个完整分类,这来源于更大的项目:连接组。

简而言之,连接组是大脑中所有的神经元连接。Sebastian Seung 博士在 TED 演讲中宣讲,连接组是你的生物学基础——你的记忆、个性以及你如何思考和推理。捕获你的连接组,某一天科学家也许能够重建一个你——这就是所谓的全脑仿真。

既然连接组只描述了神经元如何在功能上相互交流,那它在大脑的什么地方被物理编码呢?

突触。神经科学家早就知道突触利用化学物质和电流在神经元之间传递信息。也有迹象表明,突触的蛋白质种类差异巨大,但一直以来这种差异大多被忽略。直到最近,大多数科学家开始认为,实际计算发生在神经元体,也就是神经元的球状部分,神经元的分支从该部分伸出。

研究人员解释说,到目前为止,还没有一种方法可以观察整个大脑突触的形态和功能。而我们一直致力于在小范围内绘制这些关键连接点。

「突触组图可以用来询问 [不同的] 突触空间分布是否与连接组结构有关。」研究小组推断。

如果是这样的话,未来的大脑模拟器可能最终可以抓住一些固态的东西。

突触图(SYNMAP)

为了构建小鼠的突触组,研究者们开发了一个通道并将其称之为「突触图」。他们从基因改造后的小鼠入手,这些小鼠的突触发出不同颜色的光。每个突触用不同的蛋白质填充,PSD-95 和 SAP102 是其中最主要的两种蛋白。研究者将发光的蛋白质添加到这些突触中,充当「火炬」照亮大脑中的每一个突触。

该团队首先在荧光灯下对一只有发光突触的老鼠进行生物工程处理。

接下来,他们费力地将大脑切成薄片,使用显微镜捕捉不同大脑区域中的突触图像并将图像拼到一起。

对于未经训练的眼睛来说,突触的图像看起来像一幅密集的星图。对每个突触进行分类超出了人类研究者的能力范围(及时间投入上限),因此该团队利用新的机器学习分类技术开发了一种新的算法,可以在无人监督的条件下自动分析这些数据(超过 10TB)。

一个物理连接组

实验伊始,该团队就被发光突触构成的「精美图案」打动了。一种被标记的蛋白质——PSD-95——似乎游离在大脑偏外层的部分,这里负责更高级的认知功能。尽管图案有重叠的部分,但其它发光蛋白质都分布在大脑偏内侧的区域。

大脑中显示两种发光突触蛋白(PSD-95 和 SAP102)的显微图像。

研究人员解释说,经过近距离观察,他们发现这两种发光的蛋白质代表不同类别的突触。大脑的每个区域都有一种独特的「突触组标记」。就像人的指纹在形态和大小方面存在差异,不同的大脑区域包含的突触在蛋白质、大小、数目等方面也不同。

该团队利用内部开发的机器学习算法将突触分成了 37 个子类别。值得注意的是,与高级推理及思考能力相关的大脑区域也包含最多样的突触群,但「爬行动物脑区」(如脑干)的突触子类别更加一致。

显示每个区域中最常见突触子类别的大脑横截面图。每种颜色代表不同的突触子类别。「Box 4」区域是海马体。

为什么?

为了观察突触多样性是否有助于信息处理,研究小组使用计算机模拟来观察突触如何对海马体中常见的电流模式做出反应,海马体是大脑中呈海马形状的区域,对学习和记忆至关重要。海马体是突触子类别表现出显著多样性的区域之一,每个子类别都以惊人的方式分布在整个大脑结构中。

值得注意的是,每种类型的电流信息处理都转换成了独特的突触组图——改变输入,等于改变突触组。

这表明大脑可以利用同一区域处理多个电流信息,因为该区域具有不同的突触组。

研究小组发现,当他们使用老鼠记录的电流模式在三种奖励中进行选择时结果相似。当选择正确或错误时,不同的突触组会发光。就像进入内部思维的地图一样,突触组绘制了一幅生动的图像,展示了老鼠做出选择时的思维。

每种行为都会激活一个特定的突触组。每一个突触组都像一个思维过程的独特指纹。

突触组改编

就像计算机代码一样,突触组似乎是计算输出的基础——决策或思想。那么如果代码被搞砸了怎么办?

精神疾病通常有影响突触蛋白质的遗传原因。研究小组使用表现出类似精神分裂症或孤独症症状的老鼠,绘制了它们的突触组图,结果发现大脑中各种突触子类别的结构和连接方式发生了巨大的变化。

例如,响应于某些正常的大脑电流模式,一些突触图只是微弱地出现,而在突变的小鼠大脑中,一些突触组图变得异常强大。

突变可以改变突触组,还可能导致精神失常。

研究人员得出结论:某些精神疾病似乎「改编」了突触组。因此,事实上某些更强或新的突触组图可能是精神分裂症患者产生错觉和幻觉的原因。

所以你是你的突触组绘制出来的那样吗?

也许吧。你的本质——记忆、思维模式——似乎被蚀刻到了不同的突触是如何响应输入而激活的。就像记忆和决策的指纹一样,可以通过「读取」突触组来解读思维。

但是正如研究人员所说,这项研究只是开始。随着这篇论文的发表,该团队启动了一个突触组探索工具,帮助神经科学家进一步分析突触和人体之间的复杂联系。

Grant 说:「这张地图开辟了大量新的研究途径,应该会改变我们对反常行为和脑部疾病的理解。」

文章的共同第一作者爱丁堡大学的裘振博士 (Dr. Zhen Qiu) 说道:多年来在机器学习领域人工神经网路一直是根据大脑的电突触模型建立的,我们的文章第一次在全脑范围对10亿个突触中每个突触的分子模型进行了深入的研究,结果 表明了突触分子模型和电模型相比有着极为复杂的结构。我们希望我们的结果和数据除了对生物领域,也能够对人工智能以及类脑研究领悟有一些新的启发和帮助。

论文:Architecture of the Mouse Brain Synaptome

论文链接:https://www.cell.com/neuron/fulltext/S0896-6273(18)30581-6

图文摘要:突触在大脑中数量庞大,且包含复杂的蛋白质组。我们开发了基因标记、成像方法来检测小鼠大脑各个区域的单个兴奋性突触中的突触蛋白,并从十亿个突触的分子和形态特征中得出突触分类表。每个突触子类别显示了一种独特的解剖分布,而每个大脑区域显示了一种独特的突触子类别标记。全脑突触组图揭示了从树突到整个系统层次的空间结构和以前未知的解剖特征。线路突触组图显示了突触多样性和结构、功能连接组之间的对应关系。神经活动的行为相关模式触发了对突触组图结构敏感的时空突触后反应。控制高级认知功能的区域包含最丰富的突触多样性,而导致认知紊乱的突变又重组了突触组图。突触组技术和资源在正常和患病大脑的研究中有着广泛的应用。

理论神经网络脑科学
3
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

暂无评论
暂无评论~