参与：Joni、Rick R、吴攀

人脑是一个智能而复杂的机器。这种类比在某些方面是准确的，并且在大脑研究领域中提供了一种方法。我们都知道，人脑可以分为四个部分：额叶、顶叶、颞叶和枕叶。这种划分的其中一个标准是功能性（functionality），或者说该区域负责行使哪种功能。例如，颞叶通常与听觉处理和嗅觉有关，而枕叶通常与视觉信息处理有关。

然而，大脑中的大多数神经行为非常复杂，不同程度上涉及了人脑的多个区域。其功能性也并不局限于对特定大脑区域的划分。歧义无所不在。因此，当发生脑部疾病并出现功能性障碍时，从宏观层面来调查其中的深层原因是相当困难的。回到机器的那个类比，科学家现在想弄清楚他们是否可以从微观层面来消除这种「歧义」，即通过大脑基本单元之间的连接——神经元。一个连接组（connectome）就是一张大脑中神经连接的全景图，显示了神经元的连接以及行驶不同功能的方式。

体积成像电子显微镜（Volume Electron Microscopy）

体积电子显微镜（Volume EM）是一种常用的神经回路重建技术。其中，对大脑体积的三维 EM 成像技术可以用来重建神经元形态及其连接关系的细节信息。volume EM 之间的开发差异始于对中枢神经系统（CNS）检查的需要。正如导言所述，许多神经退化性疾病无法通过自上而下的方式来追究病因。因此，有必要使用足够大的分辨率来对轴突、树突和单个突触的活动进行分析。

荧光标记法通常适用于组织检查，相比之下，标准的 EM 染料并不受限于对稀疏标记或超分辨率光学成像的要求。这些染料可能会对所有的细胞膜和突触进行相对无偏见的染色。因此，Volume EM 可以用来塑造某个神经元前后突触结构的完整连接关系。此标准操作也可以拓展到脑体积中的所有神经元上，使我们能够建立一张全面的脑神经接线图或一个大脑连接组。

近年来，随着数据处理技术的进步，定量方法变得越来越重要。通过来自大数据集的解剖学电路重建技术（Anatomical Circuit Reconstruction），Volume EM 可以为神经计算提供之前所无法获得的见解。Volume EM 的技术进步以及计算能力的增强已经令使用足够大的数据集来重建完整的神经微电路成为可能。这些新的发现为一些研究项目提供了支持和示范——解剖电路重建技术如何才能为神经计算提供之前所无法获得的见解。

突触连接推理流程（Synaptic Connectivity Inference Pipeline, SYCONN）

脊椎动物和无脊椎动物的神经系统中都密密麻麻地交织着神经元，它们的轴突、树突和突触相互连接或彼此重叠。因此，试图破解成千上万个神经元之间的连接细节不是一件容易的事。从 Volume EM 的大数据集中重建的这种连接组是一个高维网络，这意味着对它的分析需要花费大量的时间和精力。虽然技术的进步使我们可以获得足够多具有良好分辨率的数据，但是分析过程仍然是一个问题。如图 1 所示，要想重建全部细节，人工分析需要花费数百万个小时的时间。

图 1：对不同数据集进行人工分析的预算时间。j0126（斑胸草雀，21,850 个神经元片段）、 斑马鱼幼体的大脑（100,000 个神经元）和小鼠脑（灰质，71,000,000 个神经元）。顶部颜色栏显示，atv，除了最初手工重建的部分（红色），SyConn 将剩下的所有步骤（绿色部分）自动化。图表纵队显示了从 Volume EM 数据集中生成一个连接矩阵所需的步骤。

因此有必要开发一种能够自动分析所有可用数据的方法，使连接组的构建更具有可行性。在这篇论文中，研究人员介绍了一种自动化突触连接的推论流程（SyConn），该模型需要使用所生成的神经突起骨架以及分类器训练数据作为输入，并提供了一张有着丰富注解信息的接线图或是某个连接组的组件。在该推理流程模型中，第一步是对神经突起骨架进行体积重建。然后是对图像数据中的突触及其它超微结构对象（比如囊泡、线粒体）进行转换。对超微结构的检测可进一步增强神经突起的重建效果。

SyConn 框架采用深度卷积神经网络和随机森林分类器（Random Forest Classifier, RFC）来自动识别线粒体、突触及其它细胞类型，从而产生拥有丰富注解信息的突触连接矩阵。ElektroNN 是一个可有效利用图形处理单元（GPU）进行计算的高层次卷积神经网络（CNN）库，它被专门用来整合进 SyConn。通过消除冗余的计算和稀疏的训练标记，ElektroNN 在模型训练时间以及大数据集推理速度方面得到优化。