i et mørkt rom I Ashburn, Virginia, sitter rader av forskere ved dataskjermer som viser levende 3-D-former. Med et museklikk spinner de hver form for å undersøke den fra alle sider. Forskerne jobber inne i en betongbygning På Howard Hughes Medical Institutes Janelia Research Campus, like ved en gate Som heter Helix Drive. Men deres sinn er et helt annet sted-inne i hjernen til en flue.
hver form på forskernes skjermer representerer en del av en fruktflueneuron. Disse forskerne og Andre På Janelia takler et mål som en gang virket utenfor rekkevidde: skisserer hver av flygehjernens omtrent 100 000 nevroner og identifiserer de millioner av steder de forbinder. Et slikt koblingsskjema, eller connectome, avslører hele kretsen av forskjellige hjerneområder og hvordan de er koblet sammen. Arbeidet kan bidra til å låse opp nettverk som er involvert i minneformasjon, for eksempel, eller nevrale veier som ligger til grunn for bevegelser.
Gerry Rubin, visepresident FOR HHMI og administrerende direktør For Janelia, har kjempet for dette prosjektet i mer enn et tiår. Det er et nødvendig skritt for å forstå hvordan hjernen fungerer, sier han. Da prosjektet begynte, estimerte Rubin at med tilgjengelige metoder, ville sporing av forbindelsene mellom hver flueneuron for hånd ta 250 personer som jobbet i to tiår – det han refererer til som » et 5000 personårsproblem.»
nå har en strøm av fremskritt innen bildeteknologi og dyplæringsalgoritmer dratt drømmen om et flykonnektom ut av skyene og inn i sannsynlighetsområdet. Kraftige tilpassede mikroskoper, et team av dedikerte nevrale korrekturlesere og dataanalytikere, og et partnerskap Med Google har økt prosessen med størrelsesordener.
I Dag rapporterer Et team Av Janelia-forskere å treffe en kritisk milepæl: de har sporet banen til hver nevron i en del av den kvinnelige fruktfluehjernen de har kalt «hemibrain».»Kartet omfatter 25.000 nevroner-omtrent en tredjedel av fly hjernen, i volum-men dens innvirkning er overdimensjonert. Det inkluderer regioner av stor interesse for forskere-de som styrer funksjoner som læring, minne, lukt og navigasjon. Med mer enn 20 millioner nevrale forbindelser oppdaget så langt, er det det største og mest detaljerte kartet over flyhjernen som er fullført.
connectome-prosjektteamet, Kjent Som FlyEM, gjør dataene — og alle verktøyene som er nødvendige for å bruke det — tilgjengelig gratis. De beskriver arbeidet i et papir lagt ut til bioRxiv 21. januar 2020. Og de er for tiden på vei til å fullføre en tilkobling av hele fluenervesystemet innen 2022.
«Dette var en stor innsats på noe folk trodde var nesten umulig å gjøre,» Sier Viren Jain, forsker Ved Google og tidligere laboratorieleder Ved Janelia. «Dette vil være første gang vi virkelig kan få et nyansert blikk på organisasjonen av et nervesystem med 100.000 nevroner på synaptisk skala.»
med et detaljert nevralt kart i hånden, vil forskere kunne svare på spørsmål om hvordan hjernen fungerer raskere enn noen gang før. «Dette kommer til å forandre måten folk gjør nevrovitenskap på,» Sier Rubin.
en blåkopi av hjernen
Til dags dato har Bare en organisme hatt sin komplette connectome kartlagt-Caenorhabditis elegans, en liten, gjennomsiktig orm med bare 302 nevroner og omtrent 7000 nevrale forbindelser. Forskere barbert av bånd av vev ved hjelp av en diamantkniv, tatt bilder med et elektronmikroskop, og deretter spores banen til hver nevron i ormens nervesystem – for hånd.
arbeidet krevde omhyggelig oppmerksomhet på detaljer. Men ormen nevroner er ikke på langt nær så mange som de av fluer, mus eller mennesker – og de har en tendens til å gjøre færre tilkoblinger. Untangling tendrils snaking gjennom hjernen til større dyr er monumentalt vanskeligere. Connectome prosjekter på mer komplekse hjerner har enten taklet en liten del av hjernen i detalj, eller de kartlagt nevroner gjennom en hel hjerne, men fanget bare en brøkdel av cellene.
så lite som fluehjernen kan virke-det handler om størrelsen på et valmuefrø – kartlegging av sine 100.000 nevroner i utsøkt detalj er en utfordring på et helt nytt nivå. For femten år siden var mange neurobiologer skeptiske til verdien av å ha denne typen data om hjernen, » spesielt gitt hvor arbeidskrevende det ville være å samle, Sier Jain.
først må forskerne samle høyoppløselige hjernebilder fra kraftige mikroskoper. Deretter må de kartlegge nevrale snarls som utfolder seg gjennom begge halvkule, for hver nevron. Som sekvensering av det menneskelige genomet, hvilte jobben ikke på et vitenskapelig gjennombrudd, Sier Rubin, men heller på teknologisk innovasjon og menneskelig logistikk.
for ham var det en verdig utfordring. «Jeg ble motivert av skeptikerne,» sier han. «Vi visste at vi måtte gjøre prosessen mer enn 100 ganger mer effektiv, men Det er akkurat den typen prosjekt Janelia ble etablert for å gjennomføre,» legger Rubin til.
det første hinderet: å få en klar, skarp visning av hver nevron som slynger seg gjennom flyhjernen.
Nevrale øyeblikksbilder
bak flere sett med låste dører og hvite gulvlengde gardiner er åtte heftige mikroskoper klare til å se hjernen til en flue. I dette hushed rommet forstyrrer ingenting bildesamlingen. Harald Hess, C. Shan Xu, og deres kolleger har forberedt disse mikroskoper for alt, men apokalypsen.
» Vi kaller Det ‘Lov Av Gud-Bevis Rom’, » sier Hess, en senior gruppeleder På Janelia.
Mikroskoper hviler på oppblåste luftputer for å minimere vibrasjon. Selv selve rommet ble bygget for å dempe støy; det sitter på sin egen betongplate, skilt fra resten av bygningen.
disse mikroskoper ble opprinnelig utviklet for å fange opp data over minutter eller timer. Men for å vise hele flyhjernen, må et omfang løpe kontinuerlig i måneder eller år. Et enkelt gap i dataene kan kaste alt av, Sier Hess. «Det må virkelig være perfekt.»Så teamet hans har brukt nesten et tiår på å finjustere alle deler av bildeinnsamlingsprosessen, beskrevet i et biorxiv-papir fra November 2019. Mikroskopene kan nå kaste ut konsekvent skarpe bilder, og avsløre hjernens labyrint av nevroner i intrikate detaljer. Hvis noe feil, scopes automatisk pause datainnsamling og sende ut EN SOS.
Hess, Xu, og deres kolleger bruker en teknikk som kalles fokusert-ion stråle skanning elektronmikroskopi, ELLER FIB-SEM. Omfanget bruker en fokusert ionstråle til å miste fine trinn av fly hjernevev, som en veldig presis sandblaster. Det skyter galliumioner på en del av vev, polering overflaten atom for atom. Mikroskopet snaps et bilde av vevsoverflaten, polerer av et annet tynt lag – og snaps et annet bilde-igjen og igjen til hele prøven er malt bort. Når den fysiske prøven sakte forsvinner, lagres den digitale tvillingen for alltid, bit for bit.
deretter justerer dataprogrammer disse bildene og setter dem sammen igjen for å skape en 3d-representasjon av flyhjernen.
for å vise Drosophila hemibrain, kuttet forskerne en flyhjerne i plater, avbildet hver med et elektronmikroskop, og syet alle bildene sammen. Målet: å skape et bildevolum som lar forskere spore hver neurons sti gjennom hjernen.
bildene som brukes til ledningsdiagrammet-alt fra en enkelt kvinnelig fly – er allerede samlet. Men omfanget kjører fortsatt sterkt: de samler nå data fra en mannlig flue hjerne. Denne gangen er målet å fange hele sentralnervesystemet. Hvis alt går uten problemer, vil scopes fullføre den oppgaven innen utgangen av 2020.
Lagring av bilder fra en enkelt fly hjerne ville ta opp ca 100 terabyte på en harddisk. Det er omtrent tilsvarende 100 millioner bilder på datamaskinen din, sier Steve Plaza, leder Av FlyEM-prosjektteamet. Det er altfor mye data for mennesker å kamme gjennom for hånd-strategiene som fungerte På C. elegans, blir korte. Så forskere har funnet måter å fremskynde prosessen, trening datamaskiner for å gjøre jobben automatisk.
Samarbeider med en teknologigigant
Datamaskiner kan gjøre alle slags bilderelaterte oppgaver, for eksempel å gjenkjenne ansikter eller spotte veier i satellittbilder. Disse oppgavene er delvis avhengige av en prosess som kalles bildesegmentering: å bryte opp et digitalt bilde i dets bestanddeler og merke hver enkelt.
I årevis Har Google eksperimentert med måter å forbedre denne prosessen på. Jain og hans kolleger ønsket å bygge segmenteringsteknologi og bruke den på et utfordrende problem. Analysere bilder av nevroner passer regningen. Men å lære en algoritme hvordan man pålitelig kan plukke ut eller segmentere nevroner i bilder, krever mange treningseksempler. Så, jain nådde Ut Til FlyEM-teamet På Janelia, som slår ut data raskere enn de kunne analysere det. De to gruppene begynte å dele data og spore hvor godt Googles algoritmer fulgte nevrale fibre gjennom lag av bildedata.
«Google ga mye intellektuell hestekrefter og mye beregningshestekrefter,» Sier Rubin – De hadde den nyeste teknologien og ressursene til å bruke til å teste algoritmer på store datasett. «Det var et ideelt samarbeid-team som hadde forskjellig kompetanse som jobbet sammen.»
Ideelt Sett kan jain Bare plukke ut nevroner direkte fra mikroskopbildene. Men det er vanskelig å gjøre, fordi mange nevroner sprer tendrils over store deler av hjernen, som spenner over mange bilder. Tidligere har algoritmer tatt en stykkevis tilnærming. Først identifiserer en datamaskinalgoritme cellegrenser som skiller nevroner fra alt annet i hjernen. Deretter farger en annen algoritme innenfor disse grensene, og definerer hver seksjon som et stykke neuron. Til slutt knytter en tredje algoritme alle nevrale stykker sammen, og danner en blåkopi av hver nevronens sammenflettede bane.
Googles algoritmer skraper alle disse trinnene, sporer nevroner mer organisk-som et menneske. En algoritme, kalt et flomfyllingsnettverk, følger direkte nevrale tendrils ende-til-ende når Den ruller gjennom bildedata, Sier Jain. Det tar beslutninger om hvordan man utvider en neurons form basert på bildekontekst og egne tidligere spådommer. Jain og hans kolleger på Google beskriver arbeidet 22. januar 2020, i Et innlegg På Google AI-bloggen.
for å hjelpe programmet å lære, har teamet matet det fullt sporede, menneskevaliderte nevroner, sier Michal Januszewski, En Google-forsker som jobber med prosjektet. Det gir algoritmen erfaring tolke varierte typer og former av nevroner, fra hele hjernen. «Forhåpentligvis lærer det over tid å rette feilene som opprinnelig måtte korrigeres for hånd,» sier han.
etter hvert som algoritmen forbedres, reduseres den menneskelige arbeidsbelastningen. Å jobbe Med Google har gjort prosjektet mer enn 10 ganger raskere, Anslår Rubin.
Full damp fremover
til Tross for algoritmens suksess, får datamaskiner ikke det siste ordet. Tilbake På Janelia, dusinvis av menneskelige korrekturlesere pore over data, på pulter overfylt med storskjerm skjermer. Disse teknikerne søker etter steder der algoritmen feilaktig har fusjonert nevrale grener som tilhører forskjellige nevroner eller feilaktig splittet en gren fra hverandre.
«det er fortsatt mye manuell innsats som kreves,» sier Ruchi Parekh, som leder et team av nevronsporere og korrekturlesere. I løpet av de siste fire årene har teamet hennes vokst til nesten 50 personer, for å holde tritt Med De segmenterte dataene Som Google sender tilbake til stadig raskere priser. Et annet team, ledet Av Pat Rivlin, evaluerer og tester kontinuerlig ny teknologi for å gjøre korrekturlesingsprosessen mer effektiv og nøyaktig. Men det omhyggelige arbeidet krever fortsatt enorm tålmodighet. Korrekturlesere bla gjennom lag av bildedata, peering på foreslåtte tilkoblingspunkter fra flere vinkler for å avgjøre om de to nevronene virkelig kommuniserer.
når det gjelder å spore nevroner, er mennesker fortsatt bedre enn algoritmer på mange måter, sier Plaza. Mennesker har den generelle kunnskapen og bevisstheten som lar dem oppdage rariteter i dataene, forklarer han. «I utgangspunktet har mennesker sunn fornuft.»
for eksempel er store tilkoblingsfeil vanligvis åpenbare for det menneskelige øye. Så korrekturlesere kan raskt skanne store biter av data, på jakt etter dramatisk misdannede nevroner. Når de oppdager noe som virker galt, kan de undersøke i finere detalj.
lagets endelige mål er å skape en ressurs som er nyttig for andre forskere. Det har betydd å tenke gjennom hvordan data lagres og presenteres også. Plaza og hans kolleger har bygget programmer for å gjøre sifting gjennom datasettet mer tilnærmet. «Vi har et veldig stort datasett – det er mye for alle å forstå,» sier han. «Å ha et verktøy som lar deg dekomponere dataene i tolkbare enheter er nøkkelen.»Nå kan forskere som er interessert i en bestemt nevron, finne ut hvordan det ser ut og hvilke celler det kobles til – og hvilke andre nevroner har lignende egenskaper og kan være relatert.
Plaza og Teamet hans vil fortsette å finjustere connectome og publisere oppdaterte versjoner. Forskere som er interessert i hvordan nevroner i disse allerede kartlagte områdene kobler seg til resten av hjernen, må vente et par år for at hele forbindelsen skal fullføres. Men de nåværende dataene avslører allerede innsikt og åpner nye spørsmål.
et stort spørsmål for forskere nå er «Hvordan analyserer du connectome og deretter gjøre følelse av hva du ser?»Parekh sier. «Dataene er der. Hva gjør du med den?»
For Rubin, som vil gå av som administrerende direktør For Janelia senere denne måneden og returnere heltid Til Sin Janelia lab, er denne milepælen bare begynnelsen. «Det er tilfredsstillende å se det lykkes — det er den vitenskapelige prestasjonen som jeg er mest stolt av fra min tid som regissør, delvis fordi det krevde komplementære bidrag fra så mange talentfulle mennesker som jobbet sammen i over et tiår,» sier han. «Men personlig er jeg interessert i å bruke denne kunnskapen til å lære hvordan hjernen fungerer.»
Sitat
C. Shan Xu et al. «En Connectome Av Den Voksne Drosophila Sentrale Hjernen.»Posted on bioRxiv.org den 21. januar 2020. doi:10.1101 / 2020.01.21.911859
