将连接组学提高一个数量级

lixia01

连接组学 领域旨在全面绘制神经系统中的神经元网络结构，以便更好地了解大脑的工作方式。这个过程需要以纳米分辨率对脑组织进行 3D 成像（通常使用电子显微镜），然后分析生成的图像数据以追踪大脑的神经突并识别单个突触连接。由于成像分辨率高，即使一立方毫米的脑组织也能产生超过 1,000 TB 的数据！再加上这些图像中的结构可能非常微妙和复杂，脑图谱绘制的主要瓶颈在于自动解释这些数据，而不是获取数据本身。今天，我们与马克斯普朗克神经生物学研究所的同事
合作，在《自然方法》杂志上发表了“使用洪水填充网络的高精度自动重建神经元” ，该论文展示了一种新型的循环神经网络如何将自动解释连接组数据的准确性提高一个数量级，远远高于之前的深度学习技术。该研究的开放获取版本也可从biorXiv (2017) 获得。使用洪水填充网络进行 3D 图像分割 在大规模电子显微镜数据中追踪神经突是图像分割问题的一个例子。传统算法将这个过程分为至少两个步骤：使用边缘检测器或机器学习分类器找到神经突之间的边界，然后使用分水岭或图切割等算法将没有边界分隔的图像像素分组在一起。2015 年，我们开始尝试一种基于循环神经网络的替代方法，将这两个步骤统一起来。该算法在特定像素位置播种，然后使用循环卷积神经网络迭代“填充”某个区域，该网络可预测哪些像素与种子属于同一对象。自 2015 年以来，我们一直致力于将这种新方法应用于大规模连接组学数据集，并严格量化其准确性。
通过预期运行长度测量准确度
我们与马克斯普朗克研究所的合作伙伴一起，设计了一个称为“预期运行长度”（ERL）的指标，它可以测量以下内容：给定大脑 3D 图像中随机神经元内的随机点，在犯某种错误之前我们可以追踪该神经元多远？这是一个平均故障间隔时间指标的示例，只是在这种情况下，我们测量的是故障之间的空间量而不是时间量。对于工程师来说，ERL 的吸引力在于它将线性物理路径长度与算法犯单个错误的频率联系起来，并且可以用一种直接的方式计算出来。对于生物学家来说，吸引力在于 ERL 的特定数值可以与生物学相关量相关联，例如神经系统不同部分神经元的平均路径长度。
鸣禽连接组学我们使用 ERL 来测量我们在 100 万立方微米斑胸草雀鸣禽大脑
中真实神经元集的进展，我们的合作者使用连续块面扫描电子显微镜对其进行了成像，并发现我们的方法比以前应用于相同数据集的深度学习管道表现得更好。
我们的算法在运行中追踪鸣禽大脑中 3D 形式的单个神经突。
我们使用新的洪水填充网络方法对斑胸草雀鸣鸟大脑的一小部分中的每个神经元进行了分割，如下所示：
斑胸草雀大脑部分重建  。颜色表示使用洪水填充网络自动生成的分割中的不同对象。金色球体代表使用先前发布的方法自动识别的突触位置。
通过将这些自动化结果与修复剩余错误所需的少量额外人力相结合，我们在马克斯普朗克研究所的合作者现在能够研究鸣禽连接组，以对斑胸草雀如何唱歌产生新的见解，并测试与它们如何学习歌曲相关的理论。
下一步
我们将继续改进连接组学重建技术，旨在完全自动化突触分辨率连接组学，并为马克斯普朗克研究所和其他地方正在进行的连接组学项目做出贡献。 为了帮助支持更大的研究社区开发连接组学技术，我们还开源了用于洪水填充网络方法的TensorFlow 代码，以及我们开发的用于 3d 数据集的 WebGL 可视化软件，以帮助我们理解和改进我们的重建结果。
致谢
我们要感谢 Tim Blakely、Peter Li、Larry Lindsey、Jeremy Maitin-Shepard、Art Pope 和 Mike Tyka（谷歌），以及 Joergen Kornfeld 和 Winfried Denk（马克斯普朗克研究所）的核心贡献。