人类大脑神经网络系统十分复杂，其神经元多达 860 亿个，许多大脑疾病的发生与发展机制都与神经元形态异常紧密相关。如何高效、准确、协作共享地重建神经元形态，成为全球科学家聚焦的重点。 单神经元追踪对于科学家理解大脑至关重要，追踪结果能够帮助研究者研究神经元多样性、形态和功能之间的联系，以及单神经元尺度上的大脑连通性映射。然而，目前用于单个神经元追踪和校对的方法主要是劳动密集型的，需要大量的人工工作，耗费人力且产量低下。 随着 AI 技术的发展和世界各国对脑科学研究的重视，中国脑计划、欧洲脑计划、美国脑计划等大型项目都迫切希望能够研发出一种新型工具，以更好地理解现有自动重建算法的性能以及它们对特定任务的适用情况，从而更加准确高效地重建神经元形态。
基于此，东南大学脑科学与智能技术研究院彭汉川教授团队领导多国际研究团队发起 BigNeuron 项目。他们利用超级计算设备，通过多功能计算资源，形成一种前所未有的基准测试矩阵。在这个矩阵中，研究人员能够对大量的、广泛多样的神经元图像进行所有主要神经元重建算法测试。 该项目与之前在单神经元追踪领域的成果相比，采用了本质上不同的视角。其生成了空前庞大的单个神经元显微图像集、通用平台中的标准化追踪算法，以及结合多种算法结果以提供高度可靠结果的共识树算法。 该项目在开发用于单个神经元追踪的自动化工具方面向前迈出重要的一步，为神经科学界提供了宝贵的资源。 该论文共同第一作者、东南大学脑科学与智能技术研究院研究员林霁尔（Linus Manubens-Gil）表示：“借由这一举措，追踪算法的标准化已成为构建增量测试集的垫脚石，该测试集可用于评估现有算法和新算法的性能。这将极大地促进自动追踪的使用，从而提高单神经元解剖研究的吞吐量和质量。” 此外，该团队希望 BigNeuron 项目能够激发新算法和参数优化框架的开发，从而在特定成像条件下改进追踪质量。该项目代表了一种强大的工具，可以促进科学家对大脑及其复杂神经元网络的理解。
近日，相关论文以《BigNeuron：一种用于光学显微镜数据集的神经元自动追踪算法基准测试和性能预测的资源》（BigNeuron: A resource to benchmark and predict performance of algorithms for automated tracing of neurons in light microscopy datasets）为题发表在 Nature Methods 上[1]。东南大学脑科学与智能技术研究院研究员林霁尔为论文共同第一作者。 该研究从开源的角度得到了国内外机构的支持，包括美国艾伦脑科学研究所、美国霍华德·休斯医学研究所、惠康基金会、国际神经信息学协调机构、美国橡树岭国家实验室、美国劳伦斯伯克利国家实验室、英国剑桥大学、英国伦敦帝国理工学院、美国华盛顿大学、美国密歇根大学、日本东京大学、腾讯等。
建成神经元自动追踪算法基准测试强大矩阵
BigNeuron 项目旨在为神经元追踪生成开放标准。它于 2015 年正式宣布，该项目可能促使神经科学家努力解决对神经元进行分类的基本问题。研究人员包括数据提供者、生成手动神经元追踪（黄金标准）的注释者和算法开发人员。 该项目的目标是对来自不同物种（包括果蝇、斑马鱼、小鼠和人类）的数以万计的单个神经元进行详细描述。其提出最佳的计算机算法，从显微镜图像数据中提取这些细胞的精细分支形状。 在本次的新研究中，该团队采集并共享了大量的三维神经元图像数据集（三万个左右），通过自动追踪算法对它们进行基准测试，最终得到 140 万个重建结果，建立了截至目前最大的神经元重建基准测试数据集。 在上述三维神经元图像数据集中，研究人员挑选了 166 个神经元图像，专家通过手动重建这些图像中的神经元获得了神经元的“金标准”重建形态，产生的“金标准”重建数据被命名为“Gold166 数据集”，用于自动追踪算法的后验基准测试。 这个过程涉及到由注释者生成手动神经元追踪，同时讨论和设置重建质量标准。这一步对于建立高质量神经元追踪的共同理解至关重要。 NeuroMorpho.org 是全球最大的神经元结构公开数据库，“Gold166 数据集”与 NeuroMorpho.org 相比，其形态特征的变异系数相近甚至更高，这表明“Gold166 数据集”具有足够丰富的多样性，能够对异构神经元类型中的自动追踪算法的性能进行采样。
针对单神经元自动追踪算法，研究人员利用 3D 可视化辅助分析（3D Visualization-Assisted Analysis，Vaa3D）平台对其进行基准测试，开展了一系列编程马拉松和活动。林霁尔指出，“这一步特别重要，因为它允许我们在单一平台上标准化所有算法以便进行后验基准测试，同时也激励算法开发人员与实验人员之间的交流。” 为此，研究团队开发了十六种自动追踪算法，参考“金标准”重建数据，对三十五种自动追踪算法（十六种自动追踪算法的变体）的追踪质量进行了相关量化。
此外，他们还开发了一种交互式网络应用程序。通过该程序，用户以及开发者不仅能可视化图像数据以及神经元重建结果，还可分析这些数据。他们在研究中发现，基于不同的算法，其提供的信息可互补。为统一重建结果，他们还建立了迭代组合不同算法的方法，通过这样的方式将自动重建方法的可访问性、准确性和效率提升。 与此同时，该团队开发了一个可提供最适自动追踪算法建议的工具。利用该工具，用户将图像质量特征和相关自动重建结果输入其中，便能评估神经元自动追踪算法的准确性。
已促成超过 250 篇出版物的刊发 在该论文中，研究团队已经展示了该资源的潜在用途，比如预测未包含在项目中的成像数据集中的追踪算法性能：荧光显微光学切片断层扫描（fMOST）。他们认为，手动注释数据集的扩展和基于基准测试结果的参数自动优化，是未来将探索的方向。 BigNeuron 项目是希望以数字方式重建神经形态的研究人员的中心枢纽，无论物种、大脑区域、细胞类型、标记方法、组织学细节或成像模式如何。它由具有开源理念的顶级机构支持的国际合作努力，跨越、融合了多个学科，包括计算机科学、神经科学、神经信息学等，也是神经科学方法论集体进步的前所未有的案例。
通过该项目，全球先进实验室当前应用的自动追踪算法的性能获得了极大理解，产生了极其宝贵的知识。BigNeuron 项目的价值不止于此，据悉，该项目还促成了超过 250 篇出版物的刊发，并应用于几个重大的、大脑研究方向的科学项目。 一方面，BigNeuron 项目为算法标准化和渐进式测试集的创建铺平了道路，从而可以评估现有算法和创新算法。另一方面，这将增强自动追踪的使用，提高单个神经元解剖学研究的质量和速度，由此产生社区之间的大型数据集共享将促进科学的共同进步。 支持：Ren 参考资料： https://www.nature.com/articles/520013a 1.Manubens-Gil, L., Zhou, Z., Chen, H. et al. BigNeuron: a resource to benchmark and predict performance of algorithms for automated tracing of neurons in light microscopy datasets. Nature Methods20, 824–835 (2023). https://doi.org/10.1038/s41592-023-01848-5 |
 |
标题 >> |
科学家建成神经元自动追踪算法测试矩阵，助力脑科学智能技术发展 |
