W styczniu 2020 mamy wydany locie „hemibrain” konektom – elektroniczna baza danych zapewniając morfologiczną strukturę i synaptycznej łączność z grubsza połowa mózgu muszki owocowej ( Drosophila melanogaster ). Ta baza danych i jej wizualizacja wspieranie został przeformułować tak, że obwody neuronowe są badane i rozumiane w mózgu latać. Podczas gdy mózg muszki owocowej jest wystarczająco mały, aby uzyskać stosunkowo kompletną mapę przy użyciu nowoczesnych technik mapowania, uzyskane wglądy są w najlepszym razie tylko częściowo pouczające do zrozumienia najciekawszego obiektu w neuronauce — ludzkiego mózgu.

Dzisiaj, we współpracy z Lichtman Laboratory na Uniwersytecie Harvarda, publikujemy zestaw danych „H01” , renderujący 1,4 petabajta małej próbki ludzkiej tkanki mózgowej, wraz z towarzyszącym artykułem „ Badanie konektomiczne fragmentu człowieka w petaskali kora mózgowa ”. Próbka H01 została zobrazowana w rozdzielczości 4 nm za pomocą seryjnej mikroskopii elektronowej, zrekonstruowany i opatrzony adnotacjami za pomocą zautomatyzowanych technik obliczeniowych oraz przeanalizowany pod kątem wstępnego wglądu w strukturę kory ludzkiej. Zestaw danych zawiera dane obrazowe, które obejmują około jednego milimetra sześciennego tkanki mózgowej i obejmują dziesiątki tysięcy zrekonstruowanych neuronów, miliony fragmentów neuronów, 130 milionów synaps z adnotacjami, 104 komórki z korektą oraz wiele dodatkowych adnotacji i struktur subkomórkowych — wszystko to jest łatwo dostępne dzięki interfejs przeglądarki Neuroglancer . H01 jest jak dotąd największą próbką tkanki mózgowej zobrazowaną i zrekonstruowaną na tym poziomie szczegółowości, u dowolnego gatunku, a także pierwszym wielkoskalowym badaniem połączeń synaptycznych w korze ludzkiej, obejmującym wiele typów komórek we wszystkich warstwach kory.. Głównym celem tego projektu jest stworzenie nowego źródła do badania ludzkiego mózgu oraz udoskonalenie i skalowanie podstawowych technologii konektomicznych.

Petabajtowa rekonstrukcja konektomiczna objętości ludzkiej kory nowej. Po lewej: mały podobjętość zbioru danych. Po prawej: podwykres 5000 neuronów i połączeń pobudzających (zielonych) i hamujących (czerwonych) w zbiorze danych. Pełny wykres (konektom) byłby zbyt gęsty, aby można go było sobie wyobrazić.

Czym jest kora ludzka? Kora mózgowa jest cienka warstwa powierzchniowa mózgu u zwierząt kręgowych, który ewoluował ostatnio, pokazując największe różnice w wielkości pomiędzy różnymi ssaków (to jest szczególnie duże u ludzi). Każda część kory mózgowej składa się z sześciu warstw (np. L2 ), z różnymi rodzajami komórek nerwowych (np. kolczaste
) w każdej warstwie. Kora mózgowa odgrywa kluczową rolę w większości funkcji poznawczych wyższego poziomu, takich jak myślenie, pamięć, planowanie, percepcja, język i uwaga. Chociaż poczyniono pewne postępy w zrozumieniu makroskopowej organizacji tej bardzo skomplikowanej tkanki, jej organizacja na poziomie poszczególnych komórek nerwowych i ich łączących się ze sobą synaps jest w dużej mierze nieznana.

Łącznik ludzkiego mózgu: od biopsji chirurgicznej do bazy danych 3D
Mapowanie struktury mózgu w rozdzielczości poszczególnych synaps wymaga technik mikroskopii o wysokiej rozdzielczości, które mogą obrazować ustabilizowaną ( utrwaloną ) tkankę biochemicznie . Współpracowaliśmy z neurochirurgami w Massachusetts General Hospital w Bostonie (MGH), którzy czasami usuwają fragmenty normalnej ludzkiej kory mózgowej podczas operacji leczenia padaczki , aby uzyskać dostęp do miejsca w głębi mózgu, w którym rozpoczyna się napad padaczkowy. Pacjenci anonimowo przekazali tę tkankę, która zwykle jest wyrzucana, naszym kolegom z laboratorium Lichtmana. Naukowcy z Harvardu pocięli tkankę na ~5300 pojedynczych 30-nanometrowych odcinków za pomocązautomatyzowany ultramikrotom zbierający taśmy , montujący te skrawki na waflach krzemowych, a następnie obrazujący tkankę mózgową w rozdzielczości 4 nm w dostosowanym 61-wiązkowym, równoległym skaningowym mikroskopie elektronowym w celu szybkiej akwizycji obrazu.

Obrazowanie ~5300 fizycznych sekcji dało 225 milionów pojedynczych obrazów 2D. Nasz zespół następnie połączył i dopasował te dane w celu uzyskania pojedynczej objętości 3D. Chociaż jakość danych była ogólnie doskonała, te rurociągi wyrównania musiały solidnie poradzić sobie z wieloma wyzwaniami, w tym artefaktami obrazowania, brakującymi sekcjami, zmiennością parametrów mikroskopu oraz fizycznym rozciąganiem i kompresją tkanki. Po wyrównaniu zastosowano wieloskalowy potok sieciowy do wypełniania powodziowego (przy użyciu tysięcy jednostek Google Cloud TPU ), aby utworzyć segmentację 3D każdej pojedynczej komórki w tkance. Zastosowano dodatkowe potoki uczenia maszynowego, aby zidentyfikować i scharakteryzować 130 milionów synaps, zaklasyfikuj każdy fragment 3D do różnych „podprzedziałów” (np. akson , dendryt lub ciało komórkowe ) i zidentyfikuj inne interesujące struktury, takie jak mielina i rzęski . Wyniki zautomatyzowanej rekonstrukcji były niedoskonałe, więc ręczne wysiłki zostały wykorzystane do „sprawdzenia” około stu komórek w danych. Z biegiem czasu spodziewamy się dodać kolejne komórki do tego zweryfikowanego zestawu poprzez dodatkowe ręczne działania i dalsze postępy w automatyzacji.

Objętość H01: około jednego milimetra sześciennego ludzkiej tkanki mózgowej uchwyconej w 1,4 petabajtach obrazów.

Dane obrazowania, wyniki rekonstrukcji i adnotacje można przeglądać za pomocą interaktywnego internetowego interfejsu wizualizacji 3D o nazwie Neuroglancer , który został pierwotnie opracowany w celu wizualizacji mózgu muszki owocowej. Neuroglancer jest dostępny jako oprogramowanie o otwartym kodzie źródłowym i szeroko stosowany w szerszej społeczności konektomicznej. Wprowadzono kilka nowych funkcji wspierających analizę zbioru danych H01, w szczególności wsparcie wyszukiwania określonych neuronów w zbiorze danych na podstawie ich typu lub innych właściwości.

Objętość obejmuje wszystkie sześć warstw korowych Podświetlanie interneuronów warstwy 2 Pobudzające i hamujące synapsy przychodzące
Klasyfikacja podprzedziałów neuronalnych Komórka żyrandola i niektóre neurony piramidalne, które hamuje Naczynia krwionośne prześledzone w całej objętości
Szeregowy kontakt między parą neuronów Akson o skomplikowanych strukturach spiralnych Neuron z niezwykłą skłonnością do kontaktu z samym sobą (Źródło: Rachael Han)
Interfejs Neuroglancer do woluminu H01 i adnotacji. Użytkownik może wybierać określone komórki na podstawie ich warstwy i typu, przeglądać synapsy przychodzące i wychodzące dla komórki i wiele więcej. (Kliknij na powyższe obrazy, aby przejść do pokazanego widoku Neuroglancer.)

Analiza ludzkiej kory mózgowej
załączonym wstępie pokazujemy, w jaki sposób H01 został już wykorzystany do badania kilku interesujących aspektów organizacji ludzkiej kory mózgowej. W szczególności odkryto nowe typy komórek, a także obecność „odstających” wejść aksonalnych, które ustanawiają silne połączenia synaptyczne z docelowymi dendrytami. Chociaż te odkrycia są obiecującym początkiem, ogrom danych H01 zapewni podstawę do wielu lat dalszych badań prowadzonych przez naukowców zainteresowanych korą człowieka.

W celu przyspieszenia analizy H01 zapewniamy również osadzanie danych H01, które zostały wygenerowane przez sieć neuronową wytrenowaną przy użyciu wariantu techniki samonadzorowanego uczenia SimCLR . Osadzenia te zapewniają bardzo pouczające reprezentacje lokalnych części zbioru danych, które można wykorzystać do szybkiego opisywania nowych struktur i opracowywania nowych sposobów grupowania i kategoryzowania struktur mózgu według kryteriów opartych wyłącznie na danych. Przeszkoliliśmy te osadzania za pomocą podów Google Cloud TPU, a następnie przeprowadziliśmy wnioskowanie w około czterech miliardach lokalizacji danych rozmieszczonych w całym woluminie.

Zarządzanie rozmiarem zestawu danych za pomocą ulepszonej kompresji
H01 to zestaw danych w skali petabajtów, ale stanowi zaledwie milionową objętość całego ludzkiego mózgu. Poważne wyzwania techniczne pozostają w skalowaniu mapowania mózgu na poziomie synapsy do całego mózgu myszy (500 razy większego niż H01), nie mówiąc już o całym ludzkim mózgu. Jednym z tych wyzwań jest przechowywanie danych: mózg myszy może wygenerować dane o wartości eksabajta, których przechowywanie jest kosztowne. Aby rozwiązać ten problem, publikujemy dziś również artykuł „ Oparta na odszumianiu kompresja obrazu dla łączności ””, który szczegółowo opisuje, w jaki sposób strategia odszumiania oparta na uczeniu maszynowym może być wykorzystana do kompresji danych, takich jak H01, co najmniej 17-krotnie (linia przerywana na poniższym rysunku), z nieznaczną utratą dokładności w automatycznej rekonstrukcji.

Jakość rekonstrukcji zaszumionych i pozbawionych szumów obrazów w funkcji stopnia kompresji dla kodeków JPEG XL (JXL) i AV Image Format (AVIF). Punkty i linie pokazują średnie, a zacieniony obszar obejmuje ±1 odchylenie standardowe wokół średniej.

Przypadkowe zmiany w procesie obrazowania za pomocą mikroskopii elektronowej prowadzą do szumu obrazu, który jest trudny do kompresji nawet w zasadzie, ponieważ szumowi brakuje korelacji przestrzennych lub innej struktury, którą można by opisać mniejszą liczbą bajtów. Dlatego uzyskaliśmy obrazy tego samego kawałka tkanki zarówno w trybie „szybkiego” pozyskiwania (co skutkuje dużymi ilościami szumu), jak i „powolnego” reżimu pozyskiwania (skutkującego niskim poziomem szumu), a następnie wytrenowaliśmy sieć neuronową, aby wnioskować „ powolne” skany od „szybkich” skanów. Standardowe kodeki kompresji obrazu były wówczas w stanie (stratnie) skompresować „wirtualne” powolne skany z mniejszą liczbą artefaktów w porównaniu z danymi surowymi. Uważamy, że ten postęp ma potencjał, aby znacząco złagodzić koszty związane z przyszłymi projektami konektomiki na dużą skalę.

Kolejne kroki
Ale przechowywanie to nie jedyny problem. Sama wielkość przyszłych zbiorów danych będzie wymagała opracowania nowych strategii dla badaczy w celu organizowania i uzyskiwania dostępu do bogatych informacji nieodłącznie związanych z danymi konektomicznymi. Są to wyzwania, które będą wymagały nowych sposobów interakcji między ludźmi a danymi mapowania mózgu, które będą w przyszłości.

https://ai.googleblog.com/