动物实验 中国实验动物信息网 2020-09-02 635

　　人脑是一个智能而复杂的机器，这种类比在几个方面都是准确的，并为脑研究领域提供了一种方法。众所周知，人脑分为四个部分：额叶，顶叶，颞叶和枕叶。此分类中的标准之一是区域负责的功能或功能类型。例如，颞叶通常与听觉处理和嗅觉相关联，枕叶通常与视觉信息处理相关联。但是，大脑中的大多数神经行为非常复杂，并在不同程度上涉及人脑的多个区域。它的功能不仅限于特定大脑区域的划分。歧义无处不在。因此，当发生脑部疾病和功能障碍时，很难从宏观层面研究根本原因。回到机器的类比，科学家现在想了解我们是否可以通过脑神经元基本单位之间的联系在微观水平上消除这种“歧义”。连接组是大脑中神经连接的全景图，显示了神经元的连接以及它们如何驱动各种功能。体积电子显微镜（VolumeEM）是重建神经回路的常用技术。其中，脑体积的三维EM成像技术可用于重建神经元形状及其连接的详细信息。 volumeEM发展的差异始于对中枢神经系统（CNS）测试的需求。如开头所述，许多神经退行性疾病无法通过自上而下的方法进行追踪。因此，必须使用足够大的分辨率来分析轴突，树突和单个突触活动。通常，荧光标记适合于组织学，但是标准的EM染料不限于稀疏标记或超分辨率光学成像要求。这些色素可能会沾染所有细胞膜并相当均匀地突触。因此，VolumeEM可用于在特定神经元的前突触结构和后突触结构之间形成完整的连接。此标准操作可以扩展到大脑体积中的所有神经元，因此您可以构建全面的大脑神经接线图或一组大脑连接。近年来，随着数据处理技术的发展，定量方法变得越来越重要。通过从大型数据集重建解剖回路，VolumeEM可以提供神经计算中以前没有的见解。 VolumeEM的技术进步和计算能力使重建具有足够大数据集的完整神经微电路成为可能。这些新发现为多个研究项目提供了支持和示范。解剖电路重建技术可以提供以前在神经计算中无法获得的见解。突触连接推理管道（SYCONN）脊椎动物和无脊椎动物神经系统与神经元紧密缠绕在一起，它们的轴突，树突和突触相互连接或重叠。我是。因此，解密数千个神经元之间的连接细节并不是一件容易的事。从VolumeEM的大数据集重建而成，此连接组是一个高维网络。简而言之，该分析需要大量时间和精力。技术的进步提供了足够的数据和足够的分辨率，但是分析过程仍然是一个问题。如图1所示，手动分析需要数百万小时才能重建所有细节。

　　因此，为了使连接组的构建更可行，我们需要开发一种可以自动分析所有可用数据的方法。在本文中，研究人员介绍了一种自动突触连接推断过程（SyConn）。该模型必须使用生成的神经突骨骼和分类器训练数据作为输入，并为工作表提供大量用于连接图或连接组组件的注释信息。在这个推理过程模型中，*步是重建神经突骨架。然后，它转换图像数据中的突触和其他超精细对象，例如囊泡和线粒体。超微结构检测可以进一步增强神经突重塑效果。

　　SyConn框架使用深度卷积神经网络和随机森林分类器（RandomForestClassifier，RFC）来自动识别线粒体，突触和其他细胞类型，以及带有注释信息的丰富的突触连接矩阵。产生。 ElektroNN是高级卷积神经网络（CNN）库，可以有效地使用图形处理单元（GPU）进行计算，尤其是集成到SyConn中。通过消除冗余计算和稀疏训练标签，ElektroNN针对大型数据集的模型训练时间和推理速度进行了优化。要将

　　骨架转换为体积重建，我们可以训练一个递归3D卷积神经网络模型来检测神经突之间的屏障区域（膜和细胞外空间，ECS）。然后，您可以使用ECS准备用于细分的样本。研究人员选择一起测试囊泡云和线粒体，以衡量两个神经元是否相互连接，而不是两个神经元相互接触。这些超结构对象在突触前和突触后神经元中很丰富，因为它们是神经元之间的重要信号元件。因此，检测囊泡云和线粒体的同时存在是一个相关的好兆头。从技术上讲，已经训练了多类卷积神经网络来处理这一步骤。

　　请注意，您从这些报告中获得的*佳培训结果取决于测试集的大小。多类卷积神经网络可以在小型测试集上很好地工作。这可能是因为该卷的连接数仍可管理。实验中显示的性能前景光明，但我不确定是否可以将其推广到较大的数据集，但*后，大型数据集的差异很大。基于先前检测到的超精细结构物体，SyConn可以通过将其相对位置分配给神经突的不同部位来进一步改善重建模型。此过程有助于对细胞内部分和神经细胞类型进行分类。在本文中，研究人员加入了一个随机森林分类器，对树突棘，树突棘或树突棘进行分类。单元类型识别需要增强的单元重塑，并且此识别程序在连接矩阵的构建和后续分析中起着重要作用。通过比较神经突上线粒体和囊泡云的体积密度，研究人员发现，发射频率*高的神经元类型密度*高。对神经元超微结构和相关释放速率的研究可能会为化学固定之前的生命生理特性提供一些见识。

　　讨论

　　Connectomics（Connectomics）近年来取得了长足的进步。密集连接混合分析受突触注释时间限制，并遵循电路分析程序。 SyConn可以降低错误率（在可接受的错误范围内）并显着减少分析时间，从而无需进行工作校准。对于数据集质量限制SyConn性能的问题，手动检查可以提高准确性。结果还表明，使用训练有素的网络和训练后程序，超卷积神经网络需要*少的训练数据才能提取超精细结构化对象的信息。