研究人员扫描了苍蝇大脑，并制成最大、最详尽的3D模型

半脑连接组（hemibrain connectome）可提供果蝇大脑某些部分的神经元的完整图片，并详细说明它们与大脑其他部分的连接方式。图片：FlyEM/Janelia Research Campus

珍妮亚（Janelia）和Google科学家已经构建了有史以来最完整的苍蝇大脑图，精确定位了25,000个神经元之间的数百万个连接。现在，整个大脑的接线图已触手可及。

在弗吉尼亚州阿什本市的一间暗室里，成排的科学家坐在计算机屏幕前，观看生动的3D图像。只需点击鼠标，他们便可以旋转每个形状以从各个角度对其进行检查。科学家们正在霍华德·休斯医学院的简妮莉亚研究校园（Howard Hughes Medical Institute's Janelia Research Campus，HHMI）内的一幢混凝土建筑内工作，该建筑就位于一条叫做“螺旋线”的街道旁。但是他们的思想完全位于苍蝇的大脑内部。

科学家屏幕上的每个形状都代表果蝇神经元的一部分。这些研究人员和珍妮亚的其他研究人员正在解决一个似乎遥不可及的目标：概述苍蝇大脑大约100,000个神经元中的每个神经元，并指出它们所连接的数百万个位置。这样的接线图或连接套揭示了不同大脑区域的完整回路以及它们如何链接。这项工作可以帮助解锁参与记忆形成的网络，例如，构成运动基础的神经通路。

HHMI副总裁兼珍妮亚执行董事格里·鲁宾（Gerry Rubin）十多年来一直支持这个项目。他说，这是理解大脑工作方式的必要步骤。该项目开始时，鲁宾估计，利用现有方法，手工追踪每个苍蝇神经元之间的联系将需要250名工人工作二十年，这就是他所说的“5000人年的问题”。

现在，成像技术和深度学习算法的不断发展使连接组的梦想脱离了云端，进入了可能性领域。高性能的定制显微镜、专门的神经校对人员和数据分析人员团队以及与Google的合作关系，使这一过程大大加快了速度。

今天，一个由珍妮亚研究人员组成的小组报告达到了一个重要的里程碑：他们已经在被称为“半脑”的雌性果蝇大脑的一部分中追踪了每个神经元的路径。该图包含25000个神经元-按体积计算，大约占苍蝇大脑的三分之一-但其影响却非常大。它包括科学家感兴趣的区域，这些区域控制着学习、记忆、气味和导航等功能。到目前为止，已经确定了超过2000万个神经连接，这是有史以来最大，最详尽的苍蝇大脑图。

名为FlyEM的连接组项目团队正在免费提供数据以及使用该数据所需的所有工具。他们在 2020年1月21日发布到bioRxiv的论文中描述了这项工作。目前，他们有望在2022年之前完成整个苍蝇神经系统的连接图。

Google研究科学家，珍妮亚（Janelia）前实验室负责人维伦·贾恩（Viren Jain）说：“这是对人们认为几乎不可能做的事情的大赌注。这将是我们第一次真正能够对神经系统的组织进行细微的观察，该神经系统的神经突触规模为100000个。”

有了详细的神经图，科学家将能够回答有关大脑如何比以往更快地运转的问题。鲁宾说：“这将改变人们做神经科学的方式。”

大脑的蓝图

迄今为止，只有一种生物已经绘制了完整的连接体图谱-秀丽隐杆线虫（Caenorhabditis elegans），这是一种细小的透明蠕虫，仅有302个神经元和大约7,000个神经连接。科学家们用金刚石刀将狭长的组织刮掉，用电子显微镜捕获图像，然后手工追踪蠕虫神经系统中每个神经元的路径。

这项工作需要细致入微。但是蠕虫的神经元并没有苍蝇、老鼠或人的蠕虫神经元那么多，而且它们之间的联系更少。解开较大动物大脑中的连接难度更大。连接项目组在在更复杂的大脑上进行的工作，他们要么解决一小部分大脑的详细细节，要么绘制全部大脑图像但是只能捕捉部分细节。

苍蝇的大脑可能很小，大约只有罂粟种子的大小，而将其100000个神经元精确地映射是一个全新的水平挑战。贾恩说，十五年前，“许多神经生物学家对拥有这种关于大脑的数据的价值持怀疑态度，尤其是考虑到收集起来会很费力。”

首先，研究人员必须让功能强大的显微镜提供的高分辨率大脑图像。然后，他们必须为每个神经元映射穿过两个半球的神经纠缠（neural snarls）。鲁宾说，就像对人类基因组进行测序一样，完成工作也不在于科学上的突破，而在于技术创新和人力调配。

这个半脑数据集包含了蓝色突出显示的苍蝇大脑的一部分。该区域包括参与学习、导航、嗅觉、视觉和许多其他功能的神经元。图片：FlyEM / Janelia Research Campus

对他来说，这是一个值得挑战。他说：“我受到怀疑者的激励。” 鲁宾补充说：“我们知道我们必须使该过程的效率提高100倍以上，但这正是珍妮亚建立的那种项目。”

第一个障碍：清晰了解每个蜿蜒穿过苍蝇大脑的神经元。

神经快照

在几套锁着的门和白色的落地窗帘的背后，有八只笨重的显微镜准备成像苍蝇的大脑。在这个安静的房间中，没有任何东西会干扰图像收集。

哈拉德·赫斯（Harald Hess），徐（C. Shan Xu）和他们的同事已经准备好了这些显微镜。

简妮亚高级小组负责人赫斯说：“我们称其为'上帝保护室行动'。”

显微镜放在充气气垫上，以最大程度地减少振动。甚至房间本身就是为了抑制噪音而建造的。它坐落在独立的混凝土板上，与建筑物的其余部分分开。

这些显微镜最初计划在几分钟或几小时内捕获数据。但是要使整个苍蝇大脑成像，显微镜需要连续运行数月或数年。赫斯说，数据中的单个缺陷可能会使所有内容丢掉。“它确实必须是完美的。” 因此，他的团队花了将近十年的时间来微调图像收集过程的每个部分，这在2019年11月的bioRxiv论文中进行了描述。显微镜现在可以产生始终如一的清晰图像，从而揭示大脑中神经元迷宫的复杂细节。如果发生任何故障，显微镜将自动暂停数据收集并发送警报信号。

分段、分层扫描果蝇大脑

赫斯，徐及其同事使用一种称为聚焦离子束扫描电子显微镜（focused-ion beam scanning electron microscopy，FIB-SEM）的技术。瞄准镜使用聚焦的离子束来研磨飞蝇脑组织的细小增量，就像非常精密的喷砂机一样。它在一块组织上发射镓离子，一个原子一个原子地抛光表面。显微镜拍摄组织表面的图像，抛光掉另一个薄层，然后拍摄另一个图片，一遍又一遍，直到整个样品都被研磨掉。随着物理样本逐渐消失，其数字孪生体将被永久性地存储。

然后，计算机程序将这些图像对齐并将其缝合在一起，以创建苍蝇大脑的3D表示。

用于接线图的图像（全部来自单个雌蝇）已被收集。但是范围仍然很大：它们现在正在从雄蝇的大脑中收集数据。这次，目标是捕获整个中枢神经系统。如果一切顺利，显微镜将在2020年底之前完成该任务。

合成的果蝇大脑图像

从单个大脑中存储图像将在硬盘上占用约100 TB的数据。FlyEM项目团队负责人史蒂夫·普拉扎（Steve Plaza,）说，这大约相当于计算机上的1亿张照片。对于人类来说，手工整理的数据实在太多了。因此，研究人员找到了加快处理过程的方法，训练计算机自动完成这项工作。

与科技巨头合作

计算机可以执行各种与图像相关的任务，例如识别卫星图像中的人脸或发现道路。这些任务部分地依赖于一个称为图像分割的过程：将数字图像分解成各个组成部分并标记每个部分。

多年来，Google一直在尝试改善这一过程的方法。贾恩和他的同事们希望建立细分技术并将其应用于具有挑战性的问题。分析神经元图像非常合适。但是，教一个算法如何可靠地挑选出或分割图像中的神经元，需要大量的训练实例。因此，贾恩接触了珍妮亚的FlyEM团队，他们生成数据的速度远超处理数据的速度。两组开始共享数据，并利用Google的算法通过成像数据层跟踪神经纤维的情况。

为了对果蝇半脑成像，研究人员将果蝇大脑切成薄片，用电子显微镜成像，然后将所有图像缝合在一起。目标：创建一个立体图像，使科学家能够追踪每个神经元穿过大脑的路径。图片：FlyEM / Janelia Research Campus

鲁宾说：“谷歌提供了很多智力和计算能力。”他们拥有最新的技术，并拥有致力于在庞大数据集上测试算法的资源。“这是一次理想的合作-具有不同专业知识的团队一起工作。”

贾恩说，理想情况下，计算机可以直接从显微镜图像中挑选出神经元。但这很难做到，因为许多神经元在大片区域卷曲延伸，跨越许多图像。过去，算法采用的是零碎的方法。首先，一种计算机算法确定了将神经元与大脑其他所有部位分开的细胞边界。然后，另一种算法在这些边界内着色，将每个部分定义为一块神经元。最后，第三种算法将所有神经元链接在一起，形成每个神经元连接路径的蓝图。

Google的算法取消了所有这些步骤，从而像人类一样更有机地追踪神经元。贾恩说，一种算法称为洪水填充网络，它在滚动显示数据时直接端对端跟随延伸的神经。它根据图像上下文及其自身的先前预测来决定如何扩展神经元的形状。贾恩和他在Google的同事在2020年1月22日的Google AI博客中描述了这项工作。

树突段的3D结构

（a）树突的3D模

（b）放大了一根树突棘

（c）树突棘的横截面

（d）3D重建树突棘

（e）树突棘与质膜的2个连接点。

负责该项目的Google研究人员米哈尔·贾努谢夫斯基（Michal Januszewski）说，为了帮助该程序学习，研究小组向其提供了经过全面跟踪的，经过人类验证的神经元。这为算法提供了从大脑中解译出各种类型和形状的神经元的经验。他说：“希望它能随着时间的流逝而学习纠正原来必须手工纠正的错误。”

随着算法的改进，人员的工作量减少了。鲁宾估计，与Google的合作使该项目的运行速度提高了10倍以上。

全速前进

尽管该算法取得了成功，但计算机并没有最终结果。回到珍妮亚，数十名人类校对员在拥挤着大屏幕显示器的办公桌上浏览数据。这些技术人员寻找算法产生的错误连接。

“仍然需要大量的人工工作，”领导神经元示踪剂和校对人员的团队的鲁奇·帕雷克（Ruchi Parekh）说。在过去的四年中，她的团队已发展到近50名员工，以跟上Google以更快的速度发送回的分段数据。由帕特·里夫林（Pat Rivlin）领导的另一个团队不断评估和测试新技术，以使校对过程更加有效和准确。但是艰苦的工作仍然需要极大的耐心。校对人员滚动浏览数据层图像，从多个角度浏览建议的连接点，以确定两个神经元是否确实进行了交流。

说到神经元追踪，人类在许多方面仍然比算法更好。他解释说，人类拥有使他们能够发现数据中奇异之处的常识和认识。

例如，大的连接错误通常对人眼是显而易见的。因此，校对人员可以快速扫描大量数据，寻找畸形的神经元。当他们发现似乎不对劲的东西时，他们可以进行更详细的查看。

该小组的最终目标是创造一种对其他科学家有用的资源。那也意味着要思考如何存储和呈现数据。普拉扎和他的同事建立了一些程序，以使筛选数据集更加容易。他说：“我们有一个非常大的数据集，对人类来说太多了。“拥有一个允许您将数据分解为可解释单位的工具是关键。” 现在，对特定神经元感兴趣的科学家可以找出它的外观和连接的细胞，以及哪些其他神经元具有相似的性质并且可能相关。

普拉扎和他的团队将继续完善其连接组并发布更新的版本。对这些已经映射的区域中的神经元如何连接到大脑其余部分感兴趣的研究人员将需要等待几年才能得到完整的连接组。但是目前的数据已经在揭示一些答案并提出新的问题。

现在，科学家面临的一个大问题是“如何分析连接体，然后理解所看到的？” 帕雷克说。“数据在那里。您将如何处理？”

对于鲁宾来说，他将在本月晚些时候卸任珍妮亚的执行董事，并全职回到他的珍妮亚实验室工作，这是一个里程碑。他说：“看到它取得成功，我感到很满意，这是我担任董事以来最自豪的一项科学成就，部分原因是它需要来自众多合作十年的优秀人才的贡献。但是就我个人而言，我有兴趣使用这种知识来学习大脑的工作原理。”