|
来源：生物谷原创 2024-09-19 14:14 本文研究中，研究人员提出了一种新型策略，该策略能揭示了一种能从链接性测量中产生关于神经回路功能机制的详细假设。 如今研究人员能成功测定神经回路中每个神经元的连接性，但无法测定其它的生物学细节，包括每个神经元的动态变化特性，而对连接性测定在多大程度上能影响对大脑神经计算的理解，研究人员仍然并不清楚。近日，一篇发表在国际杂志Nature上题为“Connectome-constrained networks predict neural activity across the fly visual system”的研究报告中，来自图宾根大学等机构的科学家们通过研究成功利用人工智能（AI）和连接组的潜能来预测机体大脑细胞的活性。 有了神经元和AI方法之间的联系图谱，研究人员就能完成此前从未想过的研究，即预测单一神经元的活性，且并不需要在活体大脑中进行单一测量。几十年来，神经科学家们在实验室中花费了大量时间来测定活体动物大脑中神经元的活性，从而梳理出大脑如何促进机体行为的发生，这些实验能对研究大脑发挥作用的机制提供开创性的见解，但其仅仅触及到了研究表面，关于大脑研究的很多领域，目前研究人员还未进行。如今，研究人员利用AI和连接组（由大脑组织所产生的神经元及其连接的图谱）就能预测活体大脑中神经元发挥的作用。研究人员仅利用从果蝇视觉视同连接组中所收集到的有关神经回路连接性的信息，以及对该回路所发挥的作用进行相应推测，从而就创建了果蝇视觉系统的AI模拟，这就能帮助他们预测大脑回路中单个神经元的活性。 研究者Srini Turaga博士表示，如今我们有了一种计算方法，其能将连接组的测量结果转化为对神经回路和大脑功能的预测，且并不需要首先从难以获得的每个神经元的神经活动的测量开始。文章中，研究人员利用连接组创建了一个详细的深度机制性网络来模拟果蝇的视觉系统，其中模型中的每个神经元和突触都对应大脑中的真实神经元和突触。尽管研究人员并不知道每个神经元和突触的动态变化，但来自连接组中的数据就能促使他们利用深度学习方法来推断这些未知的参数，同时他们还能将这些信息与有关回路目标（运动检测）的知识结合起来。
科学家成功结合人工智能技术和连接组的潜能来预测大脑细胞的活性 图片来源：Nature (2024). DOI:10.1038/s41586-024-07939-3 在这一点上，一切都到位了，研究人员最终就能阐明是否链接组约束模型能给他们一个良好的大脑模型。这种新型模型就能帮助预测果蝇视觉系统中64种神经元对视觉输出的反应所产生的神经元活性，并能准确再现过去20多年以来所进行的二十几项实验研究。通过让研究人员仅利用连接组来预测单一神经元的活性，这项最新研究或能改变神经科学家们产生并测试关于大脑工作机制假设的方式；从原则上来讲，目前科学家们能利用这一模型来模拟任何实验并产生能在实验室中进行测试的详细预测结果。 这项研究提供了从新模型中所收集到的450多页的预测结果，包括识别出了此前并不知晓能参与运动检测的细胞，如今研究人员就能在活体果蝇中对此进行检测了。研究人员提出了一种新型策略，其能将多项研究所产生的连接组数据转化为对活体大脑的高级深入理解。连接组的静态快照与活体大脑中真实计算的动态之间或许存在巨大差距，但问题是，研究人员是否能在该模型中弥合这一差距呢？本文研究中，研究人员以果蝇为例揭示了一种能弥合这一差距的新型策略。 综上，本文研究中，研究人员提出了一种新型策略，该策略能揭示了一种能从链接性测量中产生关于神经回路功能机制的详细假设，当神经元连接稀疏时，这种策略或许会更加成功，而这也是跨物种和大脑区域的生物学神经网络普遍观察到的一种特征。（生物谷Bioon.com） 参考文献： Janne K Lappalainen, Fabian D Tschopp, Sridhama Prakhya, et al. Connectome-constrained networks predict neural activity across the fly visual system, Nature (2024). DOI:10.1038/s41586-024-07939-3.   |
|
|
