【“TWINHOW 推好”高质量发展科技观察：生命科学领域科与自动化科技】

1、中国科学院自动化研究所刘静助理研究员、上海科技大学生命科学与技术学院漆俊倩博士、中国科学院自动化研究所陈曦研究员和李贞辰博士生为本文的共同第一作者，杨扬研究员、韩华研究员、谢启伟教授为本文的共同通讯作者。

2、刘静博士、韩华研究员：近年来，人工智能算法已经深入应用到生命科学领域，加速甚至革新了生物学的研究进程。在连接组领域，面对海量的高分辨电镜数据，借助人工智能算法绘制神经元的线路图是一个必不可少的环节。在本文中，我们设计了一套深度学习算法工具集，可以自动识别序列电镜图像中神经元、突触以及线粒体并恢复其三维形态。深度学习算法的应用大大提高了识别效率，将人从大量冗余复杂的标注工作中解放出来，加速了研究进程。

3、杨扬研究员：电镜图像的密集重构对运算量的要求很高，工作量极大。而本文所使用的方法可以在不做密集重构的前提下，选择性识别和分割出研究者感兴趣的亚细胞结构，如本文关注的突触、线粒体，也可以推广到其他有特殊结构的细胞器。已有的突触或线粒体的自动重构算法多是像素或体素分割模型，也就是将图像中的像素或体素分类成前景或者背景。

 

 

 

 

生命科学领域：杨扬/韩华团队成功开发小鼠听觉皮层亚细胞结构的三维电镜重构算法

Cell Press对话上海科技大学、中科院自动化所科学家

 

 

 

2022年8月2日，上海科技大学生命科学与技术学院杨扬团队与中国科学院自动化研究所韩华团队合作，在Cell Press细胞出版社期刊Cell Reports上以长文形式发表了题为“Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data”的研究论文，该研究通过对恐惧学习小鼠听觉皮层突触的三维电镜重建和大规模比较分析，探究了小鼠听觉皮层中与恐惧记忆相关的神经元突触等亚细胞结构的变化情况，并用模型分析方法揭示了突触连接模式变化引起的信息存储容量的大幅提升。

 

中国科学院自动化研究所刘静助理研究员、上海科技大学生命科学与技术学院漆俊倩博士、中国科学院自动化研究所陈曦研究员和李贞辰博士生为本文的共同第一作者，杨扬研究员、韩华研究员、谢启伟教授为本文的共同通讯作者。

 

 

大脑中的神经网络由神经元通过复杂的突触连接构成，神经元编码、处理和存储信息从根本上依赖于突触的连接模式以及在此基础之上的协调活动，解析突触的连接模式对理解大脑的结构与功能至关重要。在哺乳类动物大脑中，除了由单个轴突小结（axonal bouton）与单个树突棘（dendritic spine）形成的1-1型连接，即单位点突触连接外，大脑中的突触连接模式还包括由单个轴突小结与多个树突棘形成的1-N型连接，或多个轴突小结与单个树突棘的N-1型连接，统称为多位点突触（multiple-contact synapses，MCS）。此前，已有很多研究通过光学显微镜发现学习记忆可以改变突触的组织结构，由于突触间隙宽度仅有几十纳米（低于一般光学显微镜的衍射极限），因此在光学显微镜下观察突触结构的精细变化非常困难。与此同时，突触三维结构的光学数据获取和分析高度依赖于人工，更是极大限制了突触结构的重建数量和分析规模。

 

 

 

为探究学习记忆如何促进突触多位点连接模式的形成及效果，本项研究以经典的听觉条件恐惧学习（auditory fear conditioning）为范式设置了实验组和对照组，基于大规模序列电子显微镜成像技术和深度学习识别模型，实现了电镜图像中多种亚细胞三维结构的自动提取，重构了小鼠听觉皮层135,000个线粒体和160,000个突触。实验组和对照组的大规模对比分析表明，尽管恐惧学习训练没有改变突触的空间密度与空间分布，却特异性地增加了1-N型突触的比例。进一步分析发现，绝大多数1-N型突触中的树突棘来自不同树突主干，并且这种多树突1-N型突触在神经元网络中能够起到信号广播的作用。

 

为了进一步分析多树突1-N型突触的信息编码能力，本项研究建立了基于香农信息熵来计算突触信息存储容量（information storage capacity，ISC）的组合数学模型。在无新增突触的静态网络和包含新增突触的可塑性动态网络两种条件下，分别计算了引入多树突1-N型突触的ISC增量。在静态网络中，引入此类突触只是略微增加了ISC容量，而在动态可塑性网络中，此类突触将信息存储容量显著提高了50%。

 

综上，基于序列电子显微镜成像技术和深度学习计算方法，研究者开发了小鼠听觉皮层亚细胞结构的三维电镜重构算法，自动重建精度可以满足大规模分析的精度需求，有效地节省了人工校验时间消耗，极大提高了分析效率。大规模电镜重构和对比分析结果在亚细胞水平揭示了学习记忆对大脑皮层突触、线粒体的组织结构和连接模式的影响，为类脑计算仿生模型的精确建模提供了结构基础和启发依据。

 

 

 

 Cell Press细胞出版社公众号特别邀请杨扬研究员、刘静博士和韩华研究员代表研究团队接受了专访，请他们为大家进一步详细解读。

 

CellPress：过去也有基于电镜图像重构来探究突触和线粒体的研究报道，有的还完成了更大规模的密集重构。本文的方法和思路与过去的研究有何不同？

 

杨扬研究员：电镜图像的密集重构对运算量的要求很高，工作量极大。而本文所使用的方法可以在不做密集重构的前提下，选择性识别和分割出研究者感兴趣的亚细胞结构，如本文关注的突触、线粒体，也可以推广到其他有特殊结构的细胞器。已有的突触或线粒体的自动重构算法多是像素或体素分割模型，也就是将图像中的像素或体素分类成前景或者背景。本文所使用的region-based卷积神经网络是一种实例分割网络，可端到端的完成目标实例的检测和分割。另外，针对强各向异性的序列电镜数据，本文提出一种2D到3D的重构方法，首先在2D上识别和分割亚细胞结构，随后应用3D连接算法完成3D的重构。这种方式可有效避免直接应用3D卷积神经网络带来的目标尺度在特征空间和图像空间不一致的问题。

 

CellPress：人工智能算法在这个研究中发挥着怎样的作用？

刘静博士、韩华研究员：近年来，人工智能算法已经深入应用到生命科学领域，加速甚至革新了生物学的研究进程。在连接组（Connectomics）领域，面对海量的高分辨电镜数据，借助人工智能算法绘制神经元的线路图是一个必不可少的环节。在本文中，我们设计了一套深度学习算法工具集，可以自动识别序列电镜图像中神经元、突触以及线粒体并恢复其三维形态。深度学习算法的应用大大提高了识别效率，将人从大量冗余复杂的标注工作中解放出来，加速了研究进程。

 

CellPress：可否用简要的语言解释文中所提及的突触连接静态网络和动态网络，两者最核心的区别是什么？具有何种生物学意义？

刘静博士、韩华研究员：突触连接网络是指根据神经元的几何拓扑特征来模拟突触连接模式的一种建模方式。其中，静态模型中仅考虑稳定的突触连接，假设没有新突触的形成或旧突触的消亡，本文使用信息熵定义静态网络的信息存储容量。而动态模型则将突触可塑性引入到网络中，允许新突触的形成，本文使用信息熵的增益表示新突触形成带来的信息存储容量的增加。动态模型通过模拟突触可塑性，与真实的大脑神经网络更为相似。

 

CellPress：您认为该项研究对类脑计算有什么启发吗？

刘静博士、韩华研究员：类脑智能（Brain-inspired Intelligence）本身就是通过模仿和借鉴人类神经系统的工作原理以构建新型的计算结构和智能形态。然而，目前人对大脑的生理机制还知之甚少。类脑研究的第一步就是要理解大脑，突触作为神经元连接的桥梁，是大脑中最重要的结构之一。突触的可塑性（synaptic plasticity）被认为与长时程记忆（long-term memory）有关。本文通过恐惧学习实验范式和电镜成像技术，发现了恐惧记忆能促进小鼠听觉皮层中一种特殊的1-N突触连接模式的形成，且这种连接模式大大增强了局部环路的信息编码能力。本研究中发现的这种局部神经环路信息传递模式或许能够作为一种记忆存储模块启发新型的类脑计算模型。

 

 

注：本文转载自CellPress细胞科学微信公众号