pimennetyssä huoneessa Ashburnissa Virginiassa tiedemiehet istuvat tietokoneruuduilla näyttäen eläväisiä 3D-muotoja. Hiiren painalluksella ne pyöräyttävät jokaista muotoa tutkiakseen sitä joka puolelta. Tutkijat työskentelevät Howard Hughes Medical Instituten Janelia Research Campuksen betonirakennuksessa, Helix Drive-nimisen kadun varrella. Mutta niiden mieli on jossain aivan muualla-kärpäsen aivoissa.
jokainen tutkijoiden näytöissä oleva muoto edustaa hedelmäkärpäsneuronin osaa. Nämä tutkijat ja muut janelian tutkijat käsittelevät tavoitetta, joka kerran näytti saavuttamattomissa: hahmotellaan kunkin kärpäsen aivojen noin 100000 neuronia ja paikantaa miljoonia paikkoja ne yhdistävät. Tällainen kytkentäkaavio, tai connectome, paljastaa täydellinen piiri eri aivoalueiden ja miten ne liittyvät toisiinsa. Teos voisi auttaa esimerkiksi muistin muodostumiseen osallistuvien verkostojen tai liikkeiden taustalla olevien hermoratojen avaamisessa.
Gerry Rubin, Hhmi: n varapuheenjohtaja ja Janelian toiminnanjohtaja, on puolustanut hanketta yli vuosikymmenen ajan. Se on välttämätön askel aivojen toiminnan ymmärtämisessä, hän sanoo. Kun projekti alkoi, Rubin arvioi, että käytettävissä olevilla menetelmillä jokaisen kärpäsneuronin välisten yhteyksien jäljittäminen käsin veisi 250 ihmistä työskentelemään kaksi vuosikymmentä – mitä hän kutsuu ”5000 henkilötyövuoden ongelmaksi.”
nyt kuvantamistekniikan ja syväoppivien algoritmien kehitysvirta on kiskonut unelman kärpäskommektomista pilvistä todennäköisyyden valtakuntaan. Suuritehoiset räätälöidyt mikroskoopit, ryhmä omistautuneita neurotodentutkijoita ja data-analyytikkoja sekä yhteistyö Googlen kanssa ovat nopeuttaneet prosessia suuruusluokittain.
tänään janelian tutkijaryhmä kertoo saavuttaneensa tärkeän virstanpylvään: he ovat jäljittäneet jokaisen hermosolun osan hedelmäkärpäsen aivoista, joita he ovat kutsuneet ”hemibrainiksi.”Kartta käsittää 25000 hermosolua – tilavuudeltaan noin kolmanneksen kärpäsen aivoista-mutta sen vaikutus on suurempi. Se sisältää alueita, jotka kiinnostavat tutkijoita-ne, jotka hallitsevat toimintoja, kuten oppimista, muistia, hajua ja navigointia. Yli 20 miljoonaa hermoyhteyttä on löydetty.se on suurin ja yksityiskohtaisin kartta kärpäsen aivoista.
connectome-projektiryhmä, joka tunnetaan nimellä FlyEM, tuo datan — ja kaikki sen käyttämiseen tarvittavat työkalut-ilmaiseksi saataville. He kuvailevat teosta biorxiviin 21.tammikuuta 2020 lähetetyssä paperissa. He ovat parhaillaan saamassa valmiiksi yhteyden koko kärpäsen hermojärjestelmään vuoteen 2022 mennessä.
”tämä oli iso veto asialle, jota ihmiset pitivät lähes mahdottomana tehdä”, sanoo Googlen tutkija ja Janelian entinen laboratoriopäällikkö Viren Jain. ”Tämä on ensimmäinen kerta, kun voimme todella tarkastella vivahteikkaasti sellaisen hermoston organisaatiota, jossa on 100000 neuronia synaptisessa mittakaavassa.”
yksityiskohtainen hermokartta kädessä tutkijat pystyvät vastaamaan kysymyksiin siitä, miten aivot toimivat nopeammin kuin koskaan aiemmin. ”Tämä tulee muuttamaan ihmisten tapaa tehdä neurotieteitä”, Rubin sanoo.
a blueprint of the brain
tähän mennessä vain yhdellä organismilla on ollut täydellinen yhteys-Caenorhabditis elegans, pieni, läpinäkyvä mato, jolla on vain 302 hermosolua ja noin 7000 hermoyhteyttä. Tiedemiehet leikkasivat kudosnauhat pois timanttiveitsellä, ottivat kuvia elektronimikroskoopilla ja jäljittivät sitten käsin madon hermoston jokaisen hermosolun reitin.
työ vaati huolellista yksityiskohtien huomioimista. Madoneuroneja ei kuitenkaan ole läheskään yhtä paljon kuin kärpästen, hiirten tai ihmisten hermosoluja – ja niillä on taipumus muodostaa vähemmän yhteyksiä. Isompien eläinten aivojen läpi kiemurtelevien lonkeroiden selvittäminen on huomattavasti vaikeampaa. Connectome-projektit monimutkaisemmilla aivoilla ovat joko käsitelleet pientä osaa aivoista hyvin yksityiskohtaisesti, tai ne ovat kartoittaneet neuroneja koko aivoissa, mutta vanginneet vain murto-osan soluista.
niin pieniltä kuin kärpäsen aivot näyttävätkin-ne ovat noin unikonsiemenen kokoisia-niiden 100 000 hermosolun kartoittaminen yksityiskohtaisesti on haaste aivan uudella tasolla. Viisitoista vuotta sitten” monet neurobiologit olivat epäileväisiä sen suhteen, miten arvokasta on saada tällaista tietoa aivoista”, varsinkin kun otetaan huomioon, miten työlästä sen kerääminen olisi, Jain sanoo.
ensin tutkijoiden täytyy houkutella korkearesoluutioisia aivokuvia voimakkaista mikroskoopeista. Sitten heidän on kartoitettava kummankin aivopuoliskon läpi avautuvat hermoromahdukset kullekin hermosolulle. Kuten ihmisen perimän sekvensointi, työn tekeminen ei perustunut tieteelliseen läpimurtoon, Rubin sanoo, vaan teknologiseen innovaatioon ja ihmisen logistiikkaan.
hänelle se oli varteenotettava haaste. ”Epäilijät motivoivat minua”, hän sanoo. ”Tiesimme, että meidän oli tehtävä prosessista yli 100 kertaa tehokkaampi, mutta juuri sellaista projektia varten Janelia perustettiin”, Rubin lisää.
ensimmäinen este: saa selkeän, raikkaan kuvan jokaisesta hermosolusta, joka meanderoi kärpäsen aivojen läpi.
Neuraalikuvat
useiden lukittujen ovien ja valkoisten lattiapituisten verhojen takana on kahdeksan painavaa mikroskooppia, jotka kuvaavat kärpäsen aivoja. Tässä hiljaisessa huoneessa mikään ei häiritse kuvien keräämistä. Harald Hess, C. Shan Xu kollegoineen on valmistanut mikroskoopit kaikkeen muuhun paitsi maailmanloppuun.
”kutsumme sitä’ Jumalankestävän huoneen teoksi'”, Janelian vanhempi ryhmänjohtaja Hess kertoo.
mikroskoopit lepäävät täytettyjen ilmatyynyjen päällä tärinän minimoimiseksi. Jopa itse huone on rakennettu vaimentamaan melua; se istuu omalla betonilaatallaan erillään muusta rakennuksesta.
nämä mikroskoopit suunniteltiin alun perin tallentamaan dataa minuuttien tai tuntien ajalta. Mutta koko kärpäsen aivojen kuvaamiseksi tähtäimen täytyy toimia yhtäjaksoisesti kuukausia tai vuosia. Yksittäinen aukko tiedoissa voi heittää kaiken menemään, Hess sanoo. ”Sen täytyy olla täydellinen.”Joten hänen tiiminsä on viettänyt lähes vuosikymmenen hienosäätöä jokaisen osan kuvankeruuprosessin, kuvattu marraskuussa 2019 biorxiv paperi. Mikroskoopit voivat nyt tuottaa jatkuvasti teräviä kuvia, jotka paljastavat aivojen hermosolujen labyrintin hyvin yksityiskohtaisesti. Jos jokin menee vikaan, scopes keskeyttää automaattisesti tiedonkeruun ja lähettää SOS.
Hess, Xu ja heidän kollegansa käyttävät tekniikkaa, jota kutsutaan fokusoiduksi ionisuihku-pyyhkäisyelektronimikroskopiaksi eli FIB-SEM: ksi. Tähtäin käyttää keskittynyttä ionisädettä, – joka myllää pois kärpäsen aivokudosta, – kuten tarkka hiekkapuhallinlaite. Se ampuu galliumioneja kudoslohkareeseen kiillottaen pinta-atomin atomilla. Mikroskoopilla napataan kuva kudoksen pinnasta, kiillotetaan toinen ohut kerros ja napataan toinen kuva-yhä uudelleen, kunnes koko näyte on jyrsitty pois. Kun fyysinen yksilö hitaasti katoaa, sen digitaalinen kaksonen varastoituu ikuisesti, pala palalta.
sitten tietokoneohjelmat tasaavat nämä kuvat ja ompelevat ne takaisin yhteen luodakseen 3D-esityksen kärpäsen aivoista.
Drosophila hemibrainin kuvaamiseksi tutkijat leikkasivat kärpäsen aivot laatoiksi, kuvasivat ne elektronimikroskoopilla ja ompelivat sitten kaikki kuvat yhteen. Tavoitteena on luoda kuvavolyymi, jonka avulla tutkijat voivat jäljittää jokaisen hermosolun reitin aivojen läpi.
kytkentäkaaviossa käytetyt kuvat-kaikki yhdestä naaraskärpäsestä-on jo kerätty. Mutta scopes on edelleen vahva: he keräävät nyt tietoa uroskärpäsen aivoista. Tällä kertaa tavoitteena on vangita koko keskushermosto. Jos kaikki menee ongelmitta, scopes saa tehtävän päätökseen vuoden 2020 loppuun mennessä.
Kuvien tallentaminen yhdestä kärpäsen aivosta veisi kovalevyltä noin 100 teratavua. Se on suurin piirtein vastaava 100 miljoonaa kuvaa tietokoneellasi, sanoo FlyEM-projektiryhmän johtaja Steve Plaza. Se on aivan liian paljon tietoa ihmisten haravoitavaksi käsin — strategiat, jotka toimivat C. elegansilla, epäonnistuvat. Niinpä tutkijat ovat keksineet keinoja nopeuttaa prosessia kouluttamalla tietokoneita tekemään työn automaattisesti.
teknologiajätin
tietokoneet voivat tehdä kaikenlaisia kuvaan liittyviä tehtäviä, kuten tunnistaa kasvoja tai bongata teitä satelliittikuvista. Nämä tehtävät perustuvat osittain prosessiin, jota kutsutaan kuvan segmentoinniksi: digitaalisen kuvan pilkkominen sen osiin ja jokaisen merkitseminen.
Google on jo vuosia kokeillut keinoja parantaa tätä prosessia. Jain ja hänen kollegansa halusivat rakentaa segmentointiteknologiaa ja soveltaa sitä haastavaan ongelmaan. Neuronien kuvien analysointi sopii kuvaan. Mutta algoritmin opettaminen, miten kuvien neuronit voidaan luotettavasti valita, vaatii paljon harjoitusesimerkkejä. Jain otti yhteyttä Janelian flyem-tiimiin, joka suolsi dataa nopeammin kuin pystyi analysoimaan sitä. Kaksikko alkoi jakaa dataa ja seurata, kuinka hyvin Googlen algoritmit seuraavat neurokuituja kuvantamisdatan kerrosten läpi.
”Google tarjosi paljon älyllisiä hevosvoimia ja paljon laskennallisia hevosvoimia”, Rubin sanoo – heillä oli uusinta teknologiaa ja resursseja käyttää algoritmien testaamiseen valtavilla datajoukoilla. ”Se oli ihanteellinen yhteistyö-tiimit, joilla oli erilaista osaamista yhdessä.”
Ihannetapauksessa tietokoneet voisivat Jainin mukaan vain poimia neuronit suoraan mikroskooppikuvista. Mutta se on vaikeaa, koska monet hermosolut splay tendrils yli suuret karhot aivojen, ulottuu monia kuvia. Aiemmin algoritmit ovat ottaneet palasia. Ensinnäkin tietokonealgoritmi tunnistaa solujen rajat, jotka erottavat neuronit kaikesta muusta aivoissa. Sitten toinen algoritmi värittää näiden rajojen sisällä ja määrittelee jokaisen osan hermosolun palaksi. Lopuksi kolmas algoritmi yhdistää kaikki hermopalat toisiinsa muodostaen piirustukset kunkin hermosolun sotkuisesta polusta.
Googlen algoritmit romuttavat kaikki nuo vaiheet jäljittäen neuroneja orgaanisemmin-kuin ihminen. Eräs algoritmi, jota kutsutaan tulvien täyttöverkoksi, seuraa suoraan hermojänteitä päästä päähän, kun se rullaa kuvantamisdatan läpi, Jain sanoo. Se tekee päätökset siitä, miten neuronin muotoa laajennetaan kuvakontekstin ja sen omien ennakkoennusteiden perusteella. Jain ja hänen kollegansa Googlella kuvaavat työtä tammikuun 22, 2020, postitse Google AI blogi.
auttaakseen ohjelmaa oppimaan tiimi on syöttänyt sille täysin jäljitettyjä, ihmisen vahvistamia neuroneja, kertoo projektissa työskentelevä Googlen tutkija Michal Januszewski. Tämä antaa algoritmille kokemuksen eri hermosolujen eri muotojen tulkinnasta eri puolilta aivoja. ”Toivottavasti se oppii ajan myötä korjaamaan virheet, jotka alun perin piti korjata käsin”, hän sanoo.
algoritmin parantuessa ihmisen työmäärä vähenee. Yhteistyö Googlen kanssa on saanut projektin kulkemaan yli 10 kertaa nopeammin, Rubin arvioi.
täyttä höyryä eteenpäin
algoritmin menestyksestä huolimatta tietokoneet eivät saa viimeistä sanaa. Janeliassa kymmenet ihmisten oikolukijat poraavat dataa, – pulpettien ääressä, jotka ovat täynnä suurikokoisia Monitoreja. Nämä teknikot etsivät paikkoja, joissa algoritmi on virheellisesti yhdistänyt eri neuroneihin kuuluvia hermohaaroja tai virheellisesti jakanut haaran erilleen.
”tarvitaan vielä paljon manuaalista työtä”, sanoo Ruchi Parekh, joka johtaa neuronien merkkiaineiden ja oikolukijoiden ryhmää. Viimeisen neljän vuoden aikana hänen tiiminsä on kasvanut lähes 50 henkiseksi pysyäkseen segmentoidun datan tahdissa, jota Google lähettää takaisin yhä nopeammin. Toinen tiimi Pat Rivlinin johdolla Arvioi ja testaa jatkuvasti uusia teknologioita, jotta oikolukuprosessi olisi tehokkaampi ja tarkempi. Vaivalloinen työ vaatii silti valtavasti kärsivällisyyttä. Oikolukijat selaavat kuvantamisdatan kerroksia ja tarkastelevat ehdotettuja yhteyspisteitä monesta kulmasta selvittääkseen, kommunikoivatko nämä kaksi neuronia todella keskenään.
neuronien jäljittämisessä ihmiset ovat silti monin tavoin algoritmeja parempia, Plaza sanoo. Ihmisillä on yleissivistys ja tietoisuus, jonka avulla he voivat bongata aineistosta kummallisuuksia, hän selittää. ”Pohjimmiltaan ihmisillä on tervettä järkeä.”
esimerkiksi suuret kytkentävirheet ovat ihmissilmälle yleensä ilmeisiä. Oikolukijat voivat siis nopeasti skannata suuria datakimpaleita etsien dramaattisesti epämuodostuneita hermosoluja. Kun he huomaavat jotain, mikä tuntuu vialliselta, he voivat tutkia tarkemmin.
ryhmän perimmäinen tavoite on luoda muille tutkijoille hyödyllinen resurssi. Se on tarkoittanut sitä, että on ajateltava myös sitä, miten tietoja tallennetaan ja esitetään. Plaza kollegoineen on rakentanut ohjelmia, joiden avulla aineiston läpikäyminen on helpommin lähestyttävää. ”Meillä on todella iso aineisto – se on paljon kenelle tahansa ymmärtää”, hän sanoo. ”Avainasemassa on työkalu, jonka avulla voit jakaa tiedot tulkittaviksi yksiköiksi.”Nyt tietystä hermosolusta kiinnostuneet tiedemiehet voivat saada selville, miltä se näyttää ja mihin soluihin se liittyy – ja mitkä muut hermosolut ovat ominaisuuksiltaan samanlaisia ja saattavat liittyä toisiinsa.
Plaza tiimeineen jatkaa connectomen hiomista ja päivitettyjen versioiden julkaisemista. Tutkijat, jotka ovat kiinnostuneita siitä, miten näiden jo kartoitettujen alueiden hermosolut kytkeytyvät muuhun aivoihin, joutuvat odottamaan pari vuotta, ennen kuin koko yhteys on valmis. Mutta nykytiedot paljastavat jo oivalluksia ja avaavat uusia kysymyksiä.
suuri kysymys tiedemiehille on nyt ” miten voit analysoida konnektomea ja sitten tehdä tolkkua siitä, mitä näet?”Parekh sanoo. ”Data on siellä. Mitä sillä tehdään?”
Rubinille, joka luopuu Janelian toiminnanjohtajasta myöhemmin tässä kuussa ja palaa kokopäiväisesti Janelian laboratorioonsa, tämä virstanpylväs on vasta alkua. ”On tyydyttävää nähdä sen onnistuvan-se on tieteellinen saavutus, että olen kaikkein ylpeä minun aikaa johtaja, osittain siksi, että se vaati täydentäviä panoksia niin monia lahjakkaita ihmisiä työskennellä yhdessä yli vuosikymmenen,” hän sanoo. ”Mutta henkilökohtaisesti olen kiinnostunut käyttämään tätä tietoa oppiakseni, miten aivot toimivat.”
sitaatti
C. Shan Xu et al. ”Yhteys aikuisen Drosophilan Keskusaivoihin.”Lähetetty bioRxiv.org tammikuuta 2020. doi: 10.1101/2020.01.21.911859
