w zaciemnionym pomieszczeniu w Ashburn w Wirginii, rzędy naukowców siedzą przy ekranach komputerów wyświetlających żywe kształty 3d. Jednym kliknięciem myszy obracają każdy kształt, aby zbadać go ze wszystkich stron. Naukowcy pracują w betonowym budynku w Janelia Research Campus Instytutu Medycznego Howarda Hughesa, tuż przy ulicy Helix Drive. Ale ich umysły są zupełnie gdzie indziej-w mózgu muchy.
każdy kształt na ekranach naukowców reprezentuje część neuronu muszki owocowej. Ci badacze i inni z Janeli zmierzają do celu, który kiedyś wydawał się nieosiągalny: nakreślenia każdego z około 100 000 neuronów mózgu muchy i określenia milionów miejsc, które łączą. Taki schemat okablowania, lub konektom, ujawnia kompletny obwód różnych obszarów mózgu i jak są one połączone. Praca może pomóc odblokować sieci zaangażowane w tworzenie pamięci, na przykład, lub ścieżki neuronowe, które leżą u podstaw ruchów.
Gerry Rubin, wiceprezes HHMI i dyrektor wykonawczy Janelia, wspiera ten projekt od ponad dekady. Mówi, że jest to niezbędny krok w zrozumieniu, jak działa mózg. Kiedy rozpoczęto projekt, Rubin oszacował, że dzięki dostępnym metodom, ręczne śledzenie połączeń między każdym neuronem muchowym zajęłoby 250 osób pracujących przez dwie dekady – co nazywa ” problemem trwającym 5000 osób rocznie.”
teraz strumień postępu w technologii obrazowania i algorytmów głębokiego uczenia wyrwał marzenie o muchowym konektomie z chmur i do królestwa prawdopodobieństwa. Wysoce wydajne mikroskopy, zespół wyspecjalizowanych korektorów neuronowych i analityków danych oraz współpraca z Google przyspieszyły proces o rząd wielkości.
dzisiaj zespół badaczy Janelii donosi, że osiągnął krytyczny kamień milowy: prześledzili ścieżkę każdego neuronu w części mózgu samicy muszki owocowej, którą nazwali ” hemibrain.”Mapa obejmuje 25 000 neuronów-mniej więcej jedną trzecią objętości mózgu muchy – ale jej wpływ jest znacznie większy. Obejmuje regiony, które są szczególnie interesujące dla naukowców – te, które kontrolują funkcje takie jak uczenie się, pamięć, węch i nawigacja. Z ponad 20 milionami połączeń neuronowych zidentyfikowanych do tej pory, jest to największa i najbardziej szczegółowa mapa mózgu muchy, jaką kiedykolwiek ukończono.
zespół projektu connectome, znany jako FlyEM, udostępnia Dane — i wszystkie narzędzia niezbędne do ich wykorzystania — za darmo. Opisują one pracę w artykule opublikowanym w bioRxiv 21 stycznia 2020 roku. Obecnie są na dobrej drodze do ukończenia konektomu całego układu nerwowego much do 2022 roku.
„to był duży zakład na coś, co ludzie uważali za prawie niemożliwe do zrobienia”, mówi Viren Jain, naukowiec w Google i były kierownik laboratorium w Janelia. „To będzie pierwszy raz, kiedy będziemy mogli naprawdę szczegółowo przyjrzeć się organizacji układu nerwowego ze 100 000 neuronów w skali synaptycznej.”
dzięki szczegółowej mapie neuronów naukowcy będą w stanie odpowiedzieć na pytania o to, jak mózg działa szybciej niż kiedykolwiek wcześniej. „To zmieni sposób, w jaki ludzie robią neuronaukę”, mówi Rubin.
Plan mózgu
do tej pory tylko jeden organizm miał swój kompletny konektom — Caenorhabditis elegans, mały, przezroczysty robak z zaledwie 302 neuronami i około 7000 połączeniami neuronowymi. Naukowcy ogolili wstążki tkanki za pomocą diamentowego noża, uchwycili obrazy za pomocą mikroskopu elektronowego, a następnie ręcznie prześledzili ścieżkę każdego neuronu w układzie nerwowym robaka.
praca wymagała skrupulatnej dbałości o szczegóły. Ale neurony robaczkowe nie są tak liczne, jak u much, myszy czy ludzi – i mają tendencję do tworzenia mniej połączeń. Rozplątanie wąsów snujących się przez mózgi większych zwierząt jest monumentalnie trudniejsze. Projekty konektomów na bardziej złożonych mózgach albo zajmowały się małą częścią mózgu bardzo szczegółowo, albo mapowały neurony w całym mózgu, ale uchwyciły tylko ułamek komórek.
tak mały jak mucha mózg może się wydawać – jest wielkości maku – odwzorowanie jego 100 000 neuronów w najdrobniejszych szczegółach jest wyzwaniem na zupełnie nowym poziomie. Piętnaście lat temu „wielu neurobiologów było sceptycznych co do wartości posiadania tego typu danych o mózgu”, zwłaszcza biorąc pod uwagę, jak pracochłonne byłoby zbieranie, mówi Jain.
po pierwsze, naukowcy muszą nakłonić obrazy mózgu o wysokiej rozdzielczości z potężnych mikroskopów. Następnie muszą mapować Warki nerwowe, które rozwijają się przez obie półkule, dla każdego neuronu. Podobnie jak sekwencjonowanie ludzkiego genomu, wykonanie zadania nie polegało na naukowym przełomie, ale raczej na innowacjach technologicznych i ludzkiej logistyce.
dla niego to było wyzwanie warte zachodu. „Byłem motywowany przez sceptyków”, mówi. „Wiedzieliśmy, że musimy uczynić ten proces ponad 100 razy bardziej wydajnym, ale właśnie taki projekt Janelia została powołana do realizacji”, dodaje Rubin.
pierwsza przeszkoda: uzyskanie wyraźnego, wyraźnego obrazu każdego neuronu meandrującego przez mózg muchy.
migawki neuronowe
za kilkoma zamkniętymi drzwiami i białymi zasłonami na podłodze, osiem potężnych mikroskopów jest gotowych, aby zobrazować mózg muchy. W tym wyciszonym pokoju nic nie zakłóca kolekcji obrazów. Harald Hess, C. Shan Xu i ich koledzy przygotowali te mikroskopy na wszystko oprócz apokalipsy.
„nazywamy to” pokojem odpornym na działanie Boga „” -mówi Hess, starszy lider grupy w Janelii.
Mikroskopy spoczywają na napompowanych poduszkach powietrznych, aby zminimalizować wibracje. Nawet sam pokój został zbudowany w celu tłumienia hałasu; znajduje się na własnej płycie betonowej, oddzielonej od reszty budynku.
te mikroskopy zostały pierwotnie zaprojektowane do przechwytywania danych w ciągu minut lub godzin. Ale aby zobrazować cały mózg muchy, luneta musi działać nieprzerwanie przez miesiące lub lata. Jedna luka w danych może wyrzucić wszystko, mówi Hess. „To naprawdę musi być idealne.”Tak więc jego zespół spędził prawie dekadę na dopracowywaniu każdej części procesu zbierania obrazów, opisanego w artykule bioRxiv z listopada 2019 roku. Mikroskopy mogą teraz wytwarzać konsekwentnie ostre obrazy, ujawniając labirynt neuronów mózgu w skomplikowanych szczegółach. W przypadku awarii zakresy automatycznie wstrzymują zbieranie danych i wysyłają sygnał SOS.
Hess, Xu i ich współpracownicy używają techniki zwanej skaningową mikroskopią elektronową z skupioną wiązką jonów lub FIB-sem. Luneta wykorzystuje skupioną wiązkę jonów do mielenia drobnych przyrostów tkanki mózgowej muchy, jak bardzo precyzyjna piaskarka. Strzela jonami galu do kawałka tkanki, polerując powierzchnię atom po atomie. Mikroskop przyciąga obraz powierzchni tkanki, poleruje kolejną cienką warstwę i przyciąga kolejny obraz – w kółko, aż cała próbka zostanie zmielona. W miarę jak fizyczny okaz powoli znika, jego cyfrowy bliźniak jest przechowywany na zawsze, kawałek po kawałku.
następnie programy komputerowe wyrównują te obrazy i łączą je z powrotem, tworząc trójwymiarową reprezentację mózgu muchy.
aby zobrazować Drosophila hemibrain, naukowcy przecięli mózg muchy na płyty, zobrazowali każdy za pomocą mikroskopu elektronowego, a następnie połączyli wszystkie obrazy razem. Cel: stworzyć objętość obrazu, która pozwoli naukowcom prześledzić ścieżkę każdego neuronu przez mózg.
obrazy użyte do schematu połączeń-wszystkie z jednej żeńskiej muchy – zostały już zebrane. Ale lunety wciąż są mocne: zbierają dane z mózgu muchy. Tym razem celem jest uchwycenie całego ośrodkowego układu nerwowego. Jeśli wszystko pójdzie bez przeszkód, zakresy zakończą to zadanie do końca 2020 roku.
przechowywanie obrazów z pojedynczego mózgu muchy zajmowałoby około 100 terabajtów na dysku twardym. To mniej więcej równowartość 100 milionów zdjęć na twoim komputerze, mówi Steve Plaza, lider zespołu projektowego FlyEM. To o wiele za dużo danych dla ludzi, aby przeczesać je ręcznie — strategie, które działały na C. elegans, są niewystarczające. Naukowcy znaleźli sposoby na przyspieszenie tego procesu, szkoląc komputery, aby wykonywały tę pracę automatycznie.
Współpraca z gigantem technologicznym
komputery mogą wykonywać wszelkiego rodzaju zadania związane z obrazem, takie jak rozpoznawanie twarzy lub dostrzeganie dróg na zdjęciach satelitarnych. Zadania te polegają częściowo na procesie zwanym segmentacją obrazu: rozbiciu obrazu cyfrowego na części składowe i oznakowaniu każdego z nich.
od lat Google eksperymentuje ze sposobami poprawy tego procesu. Jain i jego współpracownicy chcieli zbudować technologię segmentacji i zastosować ją do trudnego problemu. Analiza obrazów neuronów pasuje do rachunku. Ale uczenie algorytmu, jak niezawodnie wybierać lub segmentować neurony w obrazach, wymaga wielu przykładów szkoleniowych. Więc Jain skontaktował się z zespołem FlyEM w Janelii, który zbierał dane szybciej niż mogli je przeanalizować. Obie grupy zaczęły udostępniać Dane i śledzić, jak dobrze algorytmy Google śledziły włókna nerwowe przez warstwy danych obrazowych.
„Google zapewniło dużo mocy intelektualnej i dużo mocy obliczeniowej”, mówi Rubin-mieli najnowszą technologię i zasoby, które mogli poświęcić na testowanie algorytmów na ogromnych zbiorach danych. „Była to idealna współpraca – zespoły, które miały różne doświadczenia, współpracowały ze sobą.”
najlepiej byłoby, gdyby komputery wyłapywały neurony bezpośrednio z obrazów mikroskopowych. Ale trudno to zrobić, ponieważ wiele neuronów rozlewa wąsy na dużych połaciach mózgu, obejmujących wiele obrazów. W przeszłości algorytmy miały fragmentaryczne podejście. Po pierwsze, algorytm komputerowy identyfikuje granice komórkowe oddzielające neurony od wszystkiego innego w mózgu. Następnie inny algorytm koloruje wewnątrz tych granic, definiując każdą sekcję jako fragment neuronu. Wreszcie, trzeci algorytm łączy wszystkie neurony razem, tworząc plan splątanej ścieżki każdego neuronu.
algorytmy Google usuwają wszystkie te kroki, śledząc neurony bardziej organicznie – jak człowiek. Jeden algorytm, zwany siecią wypełniającą powódź, bezpośrednio śledzi wąsy nerwowe od końca do końca, gdy przewija dane obrazowe, mówi Jain. Podejmuje decyzje o tym, jak rozszerzyć kształt neuronu w oparciu o kontekst obrazu i własne wcześniejsze przewidywania. Jain i jego koledzy z Google opisują pracę 22 stycznia 2020 r. w poście na blogu Google AI.
aby pomóc programowi w nauce, zespół karmił go w pełni śledzonymi, zwalidowanymi przez człowieka neuronami, mówi Michał Januszewski, badacz Google, który pracuje nad projektem. Daje to algorytmowi doświadczenie interpretowania różnych rodzajów i kształtów neuronów z całego mózgu. „Mam nadzieję, że z czasem nauczy się poprawiać błędy, które pierwotnie musiały być poprawiane ręcznie”, mówi.
wraz z poprawą algorytmu zmniejsza się obciążenie pracą człowieka. Współpraca z Google sprawiła, że projekt poszedł ponad 10 razy szybciej, szacuje Rubin.
Full steam ahead
pomimo sukcesu algorytmu, komputery nie dostają ostatniego słowa. W Janelii dziesiątki ludzkich korektorów przeglądają dane, przy biurkach wypełnionych monitorami z dużym ekranem. Technicy Ci szukają miejsc, w których algorytm nieprawidłowo połączył gałęzie neuronowe należące do różnych neuronów lub błędnie rozdzielił gałąź.
„jest jeszcze wiele wysiłku ręcznego wymagane”, mówi Ruchi Parekh, który prowadzi zespół znaczników neuronów i korektorów. W ciągu ostatnich czterech lat jej zespół powiększył się do prawie 50 osób, aby nadążyć za segmentowanymi danymi, które Google wysyła z powrotem w coraz szybszym tempie. Inny zespół, kierowany przez Pata Rivlina, stale ocenia i testuje nowe technologie, aby proces korekty był bardziej wydajny i dokładny. Ale żmudna praca nadal wymaga ogromnej cierpliwości. Korektorzy przewijają warstwy danych obrazowych, przyglądając się proponowanym punktom połączeń pod wieloma kątami, aby określić, czy te dwa neurony naprawdę się komunikują.
jeśli chodzi o śledzenie neuronów, ludzie wciąż są lepsi od algorytmów pod wieloma względami, mówi Plaza. Ludzie mają ogólną wiedzę i świadomość, która pozwala im dostrzec dziwactwa w danych, wyjaśnia. „Zasadniczo ludzie mają zdrowy rozsądek.”
na przykład duże błędy połączenia są zwykle oczywiste dla ludzkiego oka. Tak więc korektorzy mogą szybko skanować duże kawałki danych, szukając radykalnie zniekształconych neuronów. Kiedy zauważą coś, co wydaje się nie tak, mogą zbadać w najdrobniejszych szczegółach.
ostatecznym celem zespołu jest stworzenie zasobu przydatnego innym naukowcom. Oznaczało to również przemyślenie sposobu przechowywania i prezentacji danych. Plaza i jego współpracownicy stworzyli programy, które sprawiają, że przesiewanie danych jest bardziej przystępne. „Mamy naprawdę duży zbiór danych – to wiele do zrozumienia dla każdego”, mówi. „Kluczowe jest posiadanie narzędzia, które pozwala na rozłożenie tych danych na jednostki interpretowalne.”Teraz naukowcy zainteresowani konkretnym neuronem mogą dowiedzieć się, jak on wygląda i z którymi komórkami się łączy – a które inne neurony mają podobne cechy i mogą być ze sobą powiązane.
Plaza i jego zespół będą nadal udoskonalać swój connectome i publikować zaktualizowane wersje. Naukowcy zainteresowani tym, jak neurony w tych już zmapowanych regionach łączą się z resztą mózgu, będą musieli poczekać kilka lat na ukończenie pełnego konektomu. Ale obecne dane już ujawniają spostrzeżenia i otwierają nowe pytania.
wielkim pytaniem dla naukowców jest teraz ” jak analizować konektom, a następnie zrozumieć to, co widzisz?”Parekh mówi. „Dane tam są. Co z nim robisz?”
dla Rubina, który jeszcze w tym miesiącu ustąpi ze stanowiska dyrektora wykonawczego Janelii i powróci na pełen etat do swojego laboratorium Janelii, ten kamień milowy to dopiero początek. „To satysfakcjonujące, że udało mi się to osiągnąć — jest to osiągnięcie naukowe, z którego jestem najbardziej dumny od czasu mojej pracy jako dyrektora, częściowo dlatego, że wymagało to komplementarnego wkładu od tak wielu utalentowanych ludzi pracujących razem przez ponad dekadę”, mówi. „Ale osobiście, jestem zainteresowany wykorzystaniem tej wiedzy, aby dowiedzieć się, jak działa mózg.”
cytat
C. Shan Xu et al. „A Connectome of the Adult Drosophila Central Brain.”Posted on bioRxiv.org 21 stycznia 2020 roku. doi: 10.1101 / 2020.01.21.911859
