我们的大脑不仅仅是神经元的总和，因为我们意识和人格的秘密也是脑细胞相互作用的方式。但是这个“连接图”太复杂了，直到现在似乎都没有希望详细解码。然而，现在研究人员已经开始使用人工智能。神经网络——以大脑为模型的计算机程序——应该能帮助我们探索思维器官。
神经需要伙伴：虽然单个细胞几乎无能为力，但神经细胞结合成一个强大的网络，例如，控制我们的行为。细胞交换关于它们的接触点和突触的信息。知道哪些神经细胞在何时何地相互连接，有助于理解基本的大脑功能和更高级别的过程，如学习、记忆、意识和神经系统疾病。毕竟，研究人员认为，这一切的关键在于人脑中大约1000亿个细胞的相互连接。然而，要使用这个键，需要检测连接组——大脑中的每个神经细胞都有成千上万个接触和伙伴细胞。就在几年前，像这样的事情似乎完全不可能——至少在合理的时间内。一方面，记录和绘制游丝需要时间，但神经细胞之间有许多联系。另一方面，即使是最好的计算机算法也太不准确，无法可靠地跟踪神经细胞的过程，也无法远距离识别突触。因此，人们仍然需要数小时的屏幕工作来识别电子显微镜图像堆栈中的突触。可靠地跟踪远处神经细胞的进程，并识别突触。因此，人们仍然需要数小时的屏幕工作来识别电子显微镜图像堆栈中的突触。可靠地跟踪远处神经细胞的进程，并识别突触。因此，人们仍然需要数小时的屏幕工作来识别电子显微镜图像堆栈中的突触。
超微显微镜和神经网络作为助手。
然而现在，马丁斯里德马克斯普朗克神经生物学研究所的科学家已经解决了这两个问题。近年来，他们开发了染色和显微镜方法，在自动化过程中将脑组织样本转换成3D高分辨率电子显微镜图像。他们最新的显微镜被用作原型，在下一个样品平面被揭开之前，用91束电子束平行扫描样品表面。这使数据采集率提高了50多倍。整个老鼠大脑可以在几十年内被捕获，而不是几十年。然而，随着数据的数字化，这还不够。接下来，基于该信息，必须完成三维连接网络的重建。马克斯普朗克神经生物学研究所的约根科费尔德和他的同事们已经迈出了这一步。他们用这种方法训练了几个人工神经网络，可以大大加速神经细胞图的重建。
人工神经网络是一种可以在我们的大脑模型上工作的学习算法。分层计算节点协同工作，可以从实例和经验中学习，并总结这些知识。该神经网络已成功应用于图像处理和模式识别。“没有办法用人工网络来分析真正的神经网络，”科恩菲尔德说。这并不像听起来那么容易。在几个月的工作中，科学家们通过所谓的“卷积神经网络”训练和测试了图像数据中细胞过程、细胞成分和突触的识别和区分。由此产生的SyConn网络现在可以在短暂的学习期后独立识别这些结构。鸣禽大脑记录的应用表明，SyConn非常可靠，人为错误读取变得多余。
“这绝对是美妙的，因为错误率如此之低，以至于我们没有预料到，”科恩菲尔德高兴而成功地说。对新开发的人工神经网络来说，一种合理的快乐可以删除未来神经生物学家数千小时的单调工作——因此，解密Konnektoms的时间可能会因为多年的意识而缩短。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！