到目前为止，大脑一直被认为是最复杂的系统之一。尽管我们在对大脑的理解方面已取得了很大的进展，但能够提出的问题远远多于能够给出的答案。不过现在，由京都大学领导的研究团队开发了一种机器学习模型，允许科学家通过测量神经元本身的信号来重建神经元回路。该模型具有能够阐明大脑不同区域神经元计算差异的潜力。该研究结果于2019年10月2日发表在《自然通讯》上。
图 通过运行GLMCC（交叉相关的通用线性模型）程序来获得大脑回路图的方法（图片由京都大学/筱本实验室提供）
要理解大脑，我们必须先研究构成大脑的神经元。我们所感知到的世界遍布在大脑中的数十亿个细胞上。而且，它们之间连接的数量（称为突触）随细胞数量呈指数增加，这使问题变得更加复杂，也使理解过程充满了挑战。
该项目的负责人京都大学理学院的筱本滋教授解释道，尽管我们可以记录大脑中单个神经元的活动，并且在过去二十年中能够记录的神经元数量已经急剧增加，但绘制这些细胞彼此之间的相互连接仍然是一项挑战。“曾经有人建议，可以通过分析神经元信号之间的相关性来估计神经元的连通性。” 筱本继续解释说，“但是我们很难获得准确的推断，因为来自其它神经元的外部噪声数量太大了。”
该团队构建了一种新的分析方法，可以从单个神经元中提取信号，并从中考量神经元间的连接。为了消除背景噪声数据，他们将通用线性模型（GLM，一种机器学习中的基本模型）应用于交叉相关图（CC），后者记录了神经元之间激发的相关性。“我们将该分析模型称为GLMCC。这种分析以突触膜电位为单位考量了神经连接的强度。”国立信息学研究所（NII）的小林亮太说，“为了确认我们的数据是否能反映连接数的真实性，我们对大型神经元网络进行了模拟，并借此评估了其准确性。经确认，新模型的准确率高达97％，远高于之前的所有方法。” 该模型随后被应用于大鼠海马神经元活动的实验数据。分析得出，计算出来的连接数与其他线索推断的结果相匹配。新模型的源代码及其“即时可用型”版本可在线使用。该研究团队希望世界各地的神经科学家都可以使用它。
筱本总结说：“随着技术的进步，我们收集的神经学数据的数量将会急剧增加。我们的新分析模型对于这些信息的处理至关重要，它将使我们更好地了解我们的大脑是如何处理周围世界的。”
【论文信息】
题目： Reconstructing neuronal circuitry from parallel spike trains
期刊：Nature Communications
DOI: 10.1038/s41467-019-12225-2
文：JST客观日本编辑部翻译整理
