客觀日本

京都大學構建神經元迴路探究新方法

2020年01月28日 資訊通信

到目前為止,大腦一直被認為是最複雜的系統之一。儘管我們在對大腦的理解方面已取得了很大的進展,但能夠提出的問題遠遠多於能夠給出的答案。不過現在,由京都大學領導的研究團隊開發了一種機器學習模型,允許科學家通過測量神經元本身的信號來重建神經元迴路。該模型具有能夠闡明大腦不同區域神經元計算差異的潛力。該研究結果於2019年10月2日發表在《自然通訊》上。

京都大學構建神經元迴路探究新方法

圖 通過運行GLMCC(交叉相關的通用線性模式)程序來獲得大腦迴路圖的方法(圖片由京都大學/筱本實驗室提供)

要理解大腦,我們必須先研究構成大腦的神經元。我們所感知到的世界遍佈在大腦中的數十億個細胞上。而且,它們之間連接的數量(稱為突觸)隨細胞數量呈指數增加,這使問題變得更加複雜,也使理解過程充滿了挑戰。

該項目的負責人京都大學理學院的筱本滋教授解釋道,儘管我們可以記錄大腦中單個神經元的活動,並且在過去二十年中能夠記錄的神經元數量已經急劇增加,但轉列這些細胞彼此之間的相互連接仍然是一項挑戰。「曾經有人建議,可以通過分析神經元信號之間的相關來估計神經元的環通度。」 筱本繼續解釋說,「但是我們很難獲得準確的推斷,因為來自其它神經元的外部噪音數量太大了。」

該團隊構建了一種新的分析方法,可以從單個神經元中提取信號,並從中考量神經元間的連接。為了消除背景雜訊數據,他們將通用線性模式(GLM,一種機器學習中的基本模型)應用於交叉相關圖(CC),後者記錄了神經元之間激發的相關。「我們將該分析模型稱為GLMCC。這種分析以突觸膜電位為單位考量了神經連接的強度。」國立資訊學研究所(NII)的小林亮太說,「為了確認我們的數據是否能反映連接數的真實性,我們對大型神經元網路進行了模擬,並藉此評估了其準確性。經確認,新模型的準確率高達97%,遠高於之前的所有方法。」 該模型隨後被應用於大鼠海馬神經元活動的實驗數據。分析得出,計算出來的連接數與其他線索推斷的結果相配對分組。新模型的原始碼及其「即時可用型」版本可線上使用。該研究團隊希望世界各地的神經科學家都可以使用它。

筱本總結說:「隨著技術的進步,我們收集的神經學數據的數量將會急劇增加。我們的新分析模型對於這些資訊的處理至關重要,它將使我們更好地瞭解我們的大腦是如何處理周圍世界的。」

英文發布原文

【論文資訊】
題目: Reconstructing neuronal circuitry from parallel spike trains
期刊:Nature Communications
DOI: 10.1038/s41467-019-12225-2

文:JST客觀日本編輯部翻譯整理