主菜单(手机) - 块

主菜单 - 块

Scheffer实验室

janelia7_blocks-janelia7_secondary_menu |堵塞
在这个实验室着陆页中更多
custom_misc-custom_misc_lab_updates |堵塞
节点:field_content_header |Entity_field
目前的研究
节点:field_content_summary |Entity_field

我们实验室的主要目标是能够快速,可靠地从一系列神经组织中提取详细的结构和连接。从生物学上讲,这种能力可用于了解神经系统的详细作用。弄清楚它如何发展成成人形式;并比较不同的动物和遗传变异。

节点:身体|Entity_field

重建由电子显微镜(EM)照片的自动分析组成,然后进行手动校对。校对步骤涉及大量的手动工作,并代表了重建中花费的大部分时间。这使其成为我们可以重建有机体大小的限制因素。

需要几个步骤来改善大型生物神经系统的重建:

基于通信和编码理论的技术,用软决策和全球优化代替有限范围的艰难决定。

将生物学知识纳入重建过程中。这些信息的大部分来自遗传学和光学显微镜的技术,这些技术在返回的数据的类型,尺度和分辨率方面非常不同。这种不同的数据必须对其进行调解,然后才能帮助重建。基于用于集成电路设计和验证的图形系统的工程经验,提高了手动校对的用户界面和生产率。

采用并适应用于芯片设计的神经重建技术。一个有许多人处理常见问题的项目(数百万个组件)将涉及许多因素,而不是仅仅算法。使用现有工具,所使用的数据库,劳动分工甚至命名惯例等平凡的细节的方法论,都会对拟议重建规模的项目产生很大的影响。芯片设计师在这些问题上具有丰富的经验,我们应该利用这种经验。此外,还有许多潜在的途径尚未得到足够的探索来确定它们是否会有所帮助。

所有这些改进以及尚未考虑的情况都将被需要,因为总体目标是对神经系统的重建和理解,其中许多是比尚未尝试的任何数量级。这种努力有一些希望,因为电气工程(EE)的生产力提高,处理了零件和连接之间的广泛相似结构。在EE领域,作为一系列较小的创新序列获得了生产率(50倍或更多)的巨大提高,我希望这里有类似的事件。

根据概率重建重建基础架构

目前,所有重建决策都是二进制的 - 两个区域是同一单元的一部分,或者不是同一单元的一部分。在相邻部分中检测到的两个特征是连接的,也没有连接。重建过程的其余部分取决于这些决定的结果。

但是,这种方法丢弃了大量信息。寻找基础结构将需要重新审视一些早期的分类决策。直观地,推翻一个可疑的决定要比非常坚实的决定要好得多。在诸如通信理论之类的领域中,可以对这种直觉进行量化和分析。结果,例如,您的手机使用了诸如Viterbi解码等技术,这些技术在整个过程中传播了不确定性,以找​​到最可能的总体结果。

第一步是用概率术语表达检测到的对象之间的关系。那么,在错误校正代码中使用的算法(例如信仰传播)可用于找到最有可能产生已知测量的潜在结构。这可以在重建的所有阶段应用:两个相邻特征是同一神经元的一部分的几率?连续两个部分中检测到的特征属于相同的生物结构的几率是多少?此外,概率结构还提供了一种简单的方法来增加生物学和人类输入。它还提供了一种将校对的方法,将不确定性最大的区域或从歧义中获得最高收益的区域。

必须开发的主要机制是链接图的增量和实时维护,该机制定义了如何将每个图像中检测到的特征组合到神经元等生物学元素中。例如,当人类校对者指出两个结构绝对是同一单元的一部分时,这些更改应随后通过重建的其余部分传播,因为系统试图找到结合此新数据的配置。

结合生物学知识

最初重建的许多改进可以通过将生物知识纳入重建过程中的驱动。自高尔基亚时代以来,已经知道了神经元类型的不同拓扑,大小和形状。从最近的EM重建和遗传技术以及复杂的光学显微镜结合使用,这些知识正在迅速改善。必须以机器可读的形式输入这些已知神经元类型的描述,以便软件可以自动对其遇到的许多神经元进行分类并识别其无法识别的神经元。在校对之前,每个神经元都会获得一个标签,具体取决于最接近的比赛(以及该比赛的信心)。校对后,我们拥有有关每个神经元的更多定量数据 - 这将使我们能够更新模板并制作更准确的未来匹配项。

此外,从部分重建中,我们知道哪些类型的神经元以各种方式相关联(例如,在同一束中相邻,终止在同一层中)。这也可以用来帮助重建。还有更多一般的生物学原理 - 明骨软件完全包含在细胞内,每个细胞完全包含一个核 - 可以帮助重建。这些也可以在概率框架内处理。

下一步,一旦我们识别并标记了所有神经元,就是找到它们之间的所有连接(突触)。现在,这是由生物学家和从现有照片中工作的校对者完成的,突触的外观取决于所研究的动物。此步骤需要自动化以应对更大的感兴趣系统。

最终连接应包括我们可以检测到的所有生物学元素。尽管主要目标是神经元和突触,但细胞内其他机械的位置也可能很重要。我们不仅要找到和去除线粒体和囊泡,还应将这些附加结构与最终神经元构型联系起来。

提高校对生产率

校对是当前重建的限制性步骤,并且可能仍然如此,因为其他任务(例如图像采集和计算机分析)很容易平行(因此可以根据需要加速,仅受预算约束)。在组织和改善大型数据集执行的交互式图形任务方面,有大量的知识和经验。这可以应用于校对软件。技术包括记录和重建用户会话,确定在各种任务上花费时间的统计方法,相关错误率的测量以及符合人体工程学研究,以检查不同输入和显示设备的效果。可以改进的区域包括使用视觉线索,例如颜色,亮度,间距,文本与图形输入,自定义,现实和符号显示以及菜单和命令结构。新用户的学习便利性和专家用户的生产力对于此应用程序都很重要。

即使没有正规研究,很明显,例如,简单的神经元类型标签和颜色的使用来指示重建状态,可以大大改善该过程。此外,应使用概率基础架构来订购用户决策,并根据最佳可用信息对尚未校对的区域进行整体影响和重新评估决策。

使用芯片设计的工程经验

重建苍蝇大脑(也许是1亿个连接)的项目不仅需要算法。它需要许多人,可能是在多个站点上分发的。这提出了许多工程问题,与科学问题无关。

如何分割工作?数据如何存储在哪里,您如何阻止两个用户对同一数据进行冲突的更改?如何处理软件修订?需要哪种网络连接,如果网络下降会发生什么?当一个合作者需要另一个作品的结果时,他们看到了什么 - 最新版本可能正在进行中或以前稳定的版本?如果需要的话,他们如何选择?即使看似较小的问题,例如命名惯例,也可能造成破坏,即使不及早考虑。

芯片设计已经遇到了所有这些问题,以及许多其他相关问题。在3-4亿美元的EDA(电子设计自动化)行业中,很大一部分致力于解决这种性质的问题。随着重建项目的扩大,他们应该研究那些努力与类似规模和复杂性系统合作的人的经验。在综合电路世界中改编的这些问题的许多解决方案可能直接或类比适用于神经重建。

改进

上述改进几乎可以肯定会起作用,我们首先攻击它们。但是,改善重建过程的其他可能性更具投机性,但可能会有所帮助,我们也正在研究这些过程。其中许多已在Dmitri Chklovskii(HHMI,Janelia)组,包括层析成像或倾斜视图,相同样品的光学和EM成像以及按类型进行突触标记。金博宝188登录其中的每一个(如果采用)将需要研究将新数据结合到重建过程中的最佳方法。