大脑是有史以来最繁芜的器官。
它的功能由数百亿个密集的神经元组成的网络支持，数万亿个神经元连接在一起交流信息和进行打算。
试图理解大脑的繁芜性可能会令人眼花缭乱。
然而，如果我们希望理解大脑是如何事情的，我们就必须能够绘制神经元图谱并研究它们是如何连线的。

现在，九州大学的研究职员在《自然-通讯》（Nature Communications）上揭橥文章，他们开拓了一种新的人工智能工具，称为 QDyeFinder，可以从小鼠大脑图像中自动识别和重修单个神经元。
这个过程包括用超级多色标记协议标记神经元，然后让人工智能通过匹配类似的颜色组合自动识别神经元的构造。

图片来源：九州大学/今井武志

\"大众神经科学面临的最大寻衅之一是绘制大脑及其连接图。
然而，由于神经元非常密集，要将神经元及其轴突和树突--从其他神经元发送和吸收信息的延伸部分--相互区分开来非常困难，也非常耗时，\"大众领导这项研究的医学科学研究生院教授今井武志阐明说。
\"大众轴突和树突只有大约一微米厚，比人类的标准头发丝还要细100倍，它们之间的空间也更小。
\"大众

识别神经元的一种策略是用特定颜色的荧光蛋白标记细胞。
然后，研究职员可以追踪这种颜色，重修神经元及其轴突。
通过扩大颜色范围，可以同时追踪更多的神经元。
2018 年，今井和他的团队开拓出了 Tetbow 系统，该系统可以用光的三原色给神经元涂上鲜艳的颜色。

用七色 Tetbow 标记小鼠皮层 2/3 锥体神经元。
用 7 种荧光蛋白（mTagBFP2、mTurquoise2、mAmetrine1.1、mNeonGreen、Ypet、mRuby3 和 tdKatushka2）的组合来不雅观察神经元的密集布线。
然后通过 QDyeFinder 程序对 7 通道图像进行剖析，以揭示单个神经元的布线模式。
资料来源：九州大学/今井武

\公众我喜好利用的一个例子是东京地铁线路图。
该系统有 13 条线路、286 个车站，横跨 300 多公里。
在地铁舆图上，每条线路都用颜色编码，因此你可以很随意马虎地识别哪些车站是相连的，\"大众论文的第一作者之一、当时的助理教授 Marcus N. Leiwe 阐明说。
\公众Tetbow让追踪神经元和找到它们之间的连接变得更加随意马虎\公众。

然而，两个紧张问题依然存在。
神经元仍旧须要手工细致地描记，而且仅利用三种颜色不敷以辨别更大的神经元群。

研究小组努力将颜色的数量从三种增加到七种，但当时更大的问题是人类对颜色感知的极限。
仔细不雅观察电视屏幕，你会创造像素是由三种颜色组成的：蓝、绿、红。
我们能感知到的任何颜色都是这三种颜色的组合，由于我们的眼睛里有蓝色、绿色和赤色传感器。

\公众而机器则没有这样的限定。
因此，我们致力于开拓一种能够自动分辨这些不同颜色组合的工具，\"大众Leiwe 说。
\"大众我们还使这一工具能够自动将相同颜色的神经元和轴突拼接在一起，并重修它们的构造。
我们将这一系统命名为 QDyeFinder。
\"大众

QDyeFinder 的事情事理是首先自动识别给定样本中的轴突和树突片段。
然后识别每个片段的颜色信息。
然后，利用团队开拓的名为 dCrawler 的机器学习算法，将颜色信息分组，从而识别出同一神经元的轴突和树突。

Leiwe 阐明说：\"大众当我们将 QDyeFinder 的结果与人工追踪神经元的数据进行比较时，它们的准确率基本相同。
纵然与充分利用机器学习的现有描记软件比较，QDyeFinder 也能以更高的准确率识别轴突\"大众。
\"大众

研究小组希望他们的新工具能推动目前绘制大脑连接图的事情。
他们还想理解新方法能否运用于其他繁芜细胞类型（如癌细胞和免疫细胞）的标记和追踪。

\公众大概有一天，我们能读懂大脑中的连接，并理解它们对这个人意味着什么或代表什么。
我疑惑这是否会在我有生之年发生，但我们的事情代表着在理解我们存在的大概是最繁芜和最神秘的层面方面向前迈出了实实在在的一步，\"大众今井总结道。

编译自/ScitechDaily