到目前爲止，大腦一直被認爲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式，允許科學家透過測量神經元本身的訊號來重建神經元迴路。該模式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。
圖 透過運行GLMCC（交叉相關的通用的線性模式）程式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（稱爲突觸）隨細胞數量呈指數增加，這使問題變得更加複雜，也使理解程序充滿了挑戰。
該專案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，可以透過分析神經元訊號之間的相關來估計神經元的環通度。」 筱本繼續操作解釋說，「但是我們很難獲得準確的推斷，因爲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訊號，並從中考量神經元間的連接。爲了消除背景雜訊資料，他們將通用的線性模式（GLM，一種機器學習中的基本模式）應用於交叉相關圖（CC），後者記錄了神經元之間激發的相關。「我們將該分析模式稱爲GLMCC。這種分析以突觸膜電位爲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，「爲了應答我們的資料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類比，並藉此評估了其準確性。經應答，新模式的準確率高達97％，遠高於之前的所有方法。」 該模式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。新模式的原始碼及其「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：「隨着技術的進步，我們收集的神經學資料的數量將會急劇增加。我們的新分析模式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。」
【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
