【“TWINHOW 推好”高質量發(fā)展科技觀察：生命科學領域科與自動化科技】

1、中國科學院自動化研究所劉靜助理研究員、上海科技大學生命科學與技術學院漆俊倩博士、中國科學院自動化研究所陳曦研究員和李貞辰博士生為本文的共同第一作者，楊揚研究員、韓華研究員、謝啟偉教授為本文的共同通訊作者。

2、劉靜博士、韓華研究員：近年來，人工智能算法已經(jīng)深入應用到生命科學領域，加速甚至革新了生物學的研究進程。在連接組領域，面對海量的高分辨電鏡數(shù)據(jù)，借助人工智能算法繪制神經(jīng)元的線路圖是一個必不可少的環(huán)節(jié)。在本文中，我們設計了一套深度學習算法工具集，可以自動識別序列電鏡圖像中神經(jīng)元、突觸以及線粒體并恢復其三維形態(tài)。深度學習算法的應用大大提高了識別效率，將人從大量冗余復雜的標注工作中解放出來，加速了研究進程。

3、楊揚研究員：電鏡圖像的密集重構對運算量的要求很高，工作量極大。而本文所使用的方法可以在不做密集重構的前提下，選擇性識別和分割出研究者感興趣的亞細胞結構，如本文關注的突觸、線粒體，也可以推廣到其他有特殊結構的細胞器。已有的突觸或線粒體的自動重構算法多是像素或體素分割模型，也就是將圖像中的像素或體素分類成前景或者背景。

生命科學領域：楊揚/韓華團隊成功開發(fā)小鼠聽覺皮層亞細胞結構的三維電鏡重構算法

Cell Press對話上海科技大學、中科院自動化所科學家

2022年8月2日，上?？萍即髮W生命科學與技術學院楊揚團隊與中國科學院自動化研究所韓華團隊合作，在Cell Press細胞出版社期刊Cell Reports上以長文形式發(fā)表了題為“Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data”的研究論文，該研究通過對恐懼學習小鼠聽覺皮層突觸的三維電鏡重建和大規(guī)模比較分析，探究了小鼠聽覺皮層中與恐懼記憶相關的神經(jīng)元突觸等亞細胞結構的變化情況，并用模型分析方法揭示了突觸連接模式變化引起的信息存儲容量的大幅提升。

中國科學院自動化研究所劉靜助理研究員、上?？萍即髮W生命科學與技術學院漆俊倩博士、中國科學院自動化研究所陳曦研究員和李貞辰博士生為本文的共同第一作者，楊揚研究員、韓華研究員、謝啟偉教授為本文的共同通訊作者。

大腦中的神經(jīng)網(wǎng)絡由神經(jīng)元通過復雜的突觸連接構成，神經(jīng)元編碼、處理和存儲信息從根本上依賴于突觸的連接模式以及在此基礎之上的協(xié)調(diào)活動，解析突觸的連接模式對理解大腦的結構與功能至關重要。在哺乳類動物大腦中，除了由單個軸突小結（axonal bouton）與單個樹突棘（dendritic spine）形成的1-1型連接，即單位點突觸連接外，大腦中的突觸連接模式還包括由單個軸突小結與多個樹突棘形成的1-N型連接，或多個軸突小結與單個樹突棘的N-1型連接，統(tǒng)稱為多位點突觸（multiple-contact synapses，MCS）。此前，已有很多研究通過光學顯微鏡發(fā)現(xiàn)學習記憶可以改變突觸的組織結構，由于突觸間隙寬度僅有幾十納米（低于一般光學顯微鏡的衍射極限），因此在光學顯微鏡下觀察突觸結構的精細變化非常困難。與此同時，突觸三維結構的光學數(shù)據(jù)獲取和分析高度依賴于人工，更是極大限制了突觸結構的重建數(shù)量和分析規(guī)模。

為探究學習記憶如何促進突觸多位點連接模式的形成及效果，本項研究以經(jīng)典的聽覺條件恐懼學習（auditory fear conditioning）為范式設置了實驗組和對照組，基于大規(guī)模序列電子顯微鏡成像技術和深度學習識別模型，實現(xiàn)了電鏡圖像中多種亞細胞三維結構的自動提取，重構了小鼠聽覺皮層135,000個線粒體和160,000個突觸。實驗組和對照組的大規(guī)模對比分析表明，盡管恐懼學習訓練沒有改變突觸的空間密度與空間分布，卻特異性地增加了1-N型突觸的比例。進一步分析發(fā)現(xiàn)，絕大多數(shù)1-N型突觸中的樹突棘來自不同樹突主干，并且這種多樹突1-N型突觸在神經(jīng)元網(wǎng)絡中能夠起到信號廣播的作用。

為了進一步分析多樹突1-N型突觸的信息編碼能力，本項研究建立了基于香農(nóng)信息熵來計算突觸信息存儲容量（information storage capacity，ISC）的組合數(shù)學模型。在無新增突觸的靜態(tài)網(wǎng)絡和包含新增突觸的可塑性動態(tài)網(wǎng)絡兩種條件下，分別計算了引入多樹突1-N型突觸的ISC增量。在靜態(tài)網(wǎng)絡中，引入此類突觸只是略微增加了ISC容量，而在動態(tài)可塑性網(wǎng)絡中，此類突觸將信息存儲容量顯著提高了50%。

綜上，基于序列電子顯微鏡成像技術和深度學習計算方法，研究者開發(fā)了小鼠聽覺皮層亞細胞結構的三維電鏡重構算法，自動重建精度可以滿足大規(guī)模分析的精度需求，有效地節(jié)省了人工校驗時間消耗，極大提高了分析效率。大規(guī)模電鏡重構和對比分析結果在亞細胞水平揭示了學習記憶對大腦皮層突觸、線粒體的組織結構和連接模式的影響，為類腦計算仿生模型的精確建模提供了結構基礎和啟發(fā)依據(jù)。

 Cell Press細胞出版社公眾號特別邀請楊揚研究員、劉靜博士和韓華研究員代表研究團隊接受了專訪，請他們?yōu)榇蠹疫M一步詳細解讀。

CellPress：過去也有基于電鏡圖像重構來探究突觸和線粒體的研究報道，有的還完成了更大規(guī)模的密集重構。本文的方法和思路與過去的研究有何不同？

楊揚研究員：電鏡圖像的密集重構對運算量的要求很高，工作量極大。而本文所使用的方法可以在不做密集重構的前提下，選擇性識別和分割出研究者感興趣的亞細胞結構，如本文關注的突觸、線粒體，也可以推廣到其他有特殊結構的細胞器。已有的突觸或線粒體的自動重構算法多是像素或體素分割模型，也就是將圖像中的像素或體素分類成前景或者背景。本文所使用的region-based卷積神經(jīng)網(wǎng)絡是一種實例分割網(wǎng)絡，可端到端的完成目標實例的檢測和分割。另外，針對強各向異性的序列電鏡數(shù)據(jù)，本文提出一種2D到3D的重構方法，首先在2D上識別和分割亞細胞結構，隨后應用3D連接算法完成3D的重構。這種方式可有效避免直接應用3D卷積神經(jīng)網(wǎng)絡帶來的目標尺度在特征空間和圖像空間不一致的問題。

CellPress：人工智能算法在這個研究中發(fā)揮著怎樣的作用？

劉靜博士、韓華研究員：近年來，人工智能算法已經(jīng)深入應用到生命科學領域，加速甚至革新了生物學的研究進程。在連接組（Connectomics）領域，面對海量的高分辨電鏡數(shù)據(jù)，借助人工智能算法繪制神經(jīng)元的線路圖是一個必不可少的環(huán)節(jié)。在本文中，我們設計了一套深度學習算法工具集，可以自動識別序列電鏡圖像中神經(jīng)元、突觸以及線粒體并恢復其三維形態(tài)。深度學習算法的應用大大提高了識別效率，將人從大量冗余復雜的標注工作中解放出來，加速了研究進程。

CellPress：可否用簡要的語言解釋文中所提及的突觸連接靜態(tài)網(wǎng)絡和動態(tài)網(wǎng)絡，兩者最核心的區(qū)別是什么？具有何種生物學意義？

劉靜博士、韓華研究員：突觸連接網(wǎng)絡是指根據(jù)神經(jīng)元的幾何拓撲特征來模擬突觸連接模式的一種建模方式。其中，靜態(tài)模型中僅考慮穩(wěn)定的突觸連接，假設沒有新突觸的形成或舊突觸的消亡，本文使用信息熵定義靜態(tài)網(wǎng)絡的信息存儲容量。而動態(tài)模型則將突觸可塑性引入到網(wǎng)絡中，允許新突觸的形成，本文使用信息熵的增益表示新突觸形成帶來的信息存儲容量的增加。動態(tài)模型通過模擬突觸可塑性，與真實的大腦神經(jīng)網(wǎng)絡更為相似。

CellPress：您認為該項研究對類腦計算有什么啟發(fā)嗎？

劉靜博士、韓華研究員：類腦智能（Brain-inspired Intelligence）本身就是通過模仿和借鑒人類神經(jīng)系統(tǒng)的工作原理以構建新型的計算結構和智能形態(tài)。然而，目前人對大腦的生理機制還知之甚少。類腦研究的第一步就是要理解大腦，突觸作為神經(jīng)元連接的橋梁，是大腦中最重要的結構之一。突觸的可塑性（synaptic plasticity）被認為與長時程記憶（long-term memory）有關。本文通過恐懼學習實驗范式和電鏡成像技術，發(fā)現(xiàn)了恐懼記憶能促進小鼠聽覺皮層中一種特殊的1-N突觸連接模式的形成，且這種連接模式大大增強了局部環(huán)路的信息編碼能力。本研究中發(fā)現(xiàn)的這種局部神經(jīng)環(huán)路信息傳遞模式或許能夠作為一種記憶存儲模塊啟發(fā)新型的類腦計算模型。

注：本文轉載自CellPress細胞科學微信公眾號