人類對于生物大腦的探索是永無止境的，模仿生物的人工智能是否可以幫助我們進行研究？最近，來自谷歌的研究人員提出了一種新的循環神經網絡，它可以快速構建生物大腦的 3D 神經模型。谷歌稱，新的方法可以「將連接組學提升一個數量級」。目前，該研究的論文已經發表在Nature 子刊《Nature Methods》上。

連接組學旨在綜合描繪在神經系統中發現的神經網絡結構，以更好地理解大腦的運作模式。這一過程需要對大腦組織進行納米級的 3D 成像（通常使用電子顯微鏡），然后分析成像數據結果以追蹤大腦的神經突觸并識別單個突觸連接。由于成像分辨率高，即使是一立方毫米的大腦組織也能產生 1000 多 TB 的數據！這些圖像中的結構相當復雜、精細，因此大腦成像的主要瓶頸在于數據的自動解讀，而非獲取。

如今，谷歌與馬克斯-普朗克神經生物學研究所的研究人員合作，在《Nature Methods》雜志上發表了一篇名為《High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks》的論文。該論文介紹了一種新型的循環神經網絡，該網絡在自動解讀連接組學數據的準確性方面比以往的深度學習技術提高了一個數量級。

基于泛洪算法網絡（Flood-Filling Network）的 3D 圖像分割

追蹤大量電子顯微鏡數據中的神經突觸是圖像分割問題的一個實例。傳統的算法將該過程至少分為兩步：利用邊緣檢測器或機器學習分類器找到神經突觸之間的邊界，然后使用分水嶺或圖像分割等算法將未被邊界分隔的圖像像素組合在一起。2015 年，我們開始嘗試一種基于循環神經網絡的替代方法，將這兩個步驟統一起來。該算法被嵌在特定的像素位置，然后使用循環卷積神經網絡迭代地「填充」某一區域，該循環卷積神經網絡用來預測哪些像素屬于與種子相同的對象。自 2015 年以來，我們一直致力于將這種新方法應用于大規模的連接組學數據集，并嚴格量化其準確率。

在 2D 圖像中分割物體的泛洪算法網絡。黃點是當前焦點區域的中心；該算法在迭代檢查更多圖像區域的同時擴展分割區域（藍色）。

通過預期運行長度測量準確率

我們與馬克思·普朗克研究所的研究人員合作，設計了一種被稱之為「預期運行長度」（ERL）的度量標準，它測量以下內容：給定大腦 3D 圖像中隨機神經元內的隨機點，在出錯前，我們能追蹤神經元多遠？這是一個典型的「平均故障間隔時間」問題，只不過在這里我們測量的是故障間隔的空間量而不是時間量。對于工程師來說，ERL 的吸引力在于它將線性物理路徑長度與算法產生的個別錯誤的頻率關聯起來，并且可以直接計算。對于生物學家來說，吸引力在于 ERL 的特定數值與生物相關的量相關，例如神經系統不同部分中神經元的平均路徑長度。

預期運行長度（藍線）的進展帶來了今天在《Nature Methods》上共享的結果。紅線表示「合并率」的進展，合并率測量兩個分離的神經突被錯誤地追蹤為單個目標的頻率；達到非常低的合并率對于實現手動識別和校正重建中剩余誤差的有效策略至關重要。

圖像分割過程

鳴禽連接組學

我們用 ERL 測量了一百萬立方微米斑胸草雀大腦中一組基本真實神經元的進展，斑胸草雀大腦通過我們的合作伙伴使用肖特基場發射掃描電子顯微鏡而成像。實驗結果發現我們的方法優于之前應用于同一數據集的其他深度學習方法。

谷歌提出的算法在鳴禽大腦中追蹤單個神經突的 3D 過程。

谷歌研究人員正和馬克思·普朗克研究所的同僚們通過這種自動化方法，輔以少量人力協助以解決一些疑難問題。他們現在正致力于研究鳴禽連接組以尋求新理解，如研究斑胸草雀如何唱歌，以及它們如何學會唱歌。

展望

谷歌研究人員表示，他們在未來將繼續改進連接組重構技術，目標是實現突觸級分辨率連接組的全自動化，并為馬克思·普朗克研究所及其他機構的連接組項目作出貢獻。為了幫助支持更大的研究團隊開發連接組技術，他們開源了泛洪算法網絡方法的 TensorFlow 代碼（https://github.com/google/ffn/）以及用于 3D 數據集的 WebGL 可視化軟件，以幫助人們理解和改進目前的方法。