論文：https://www.biorxiv.org/content/biorxiv/early/2019/04/11/605634.full.pdf
近日，谷歌與霍華德·修斯醫學研究所（HHMI）珍妮莉亞研究園區（Janelia Research Campus）以及劍橋大學展開合作，共同在細胞雜誌上發表了論文《Automated Reconstruction of a Serial-p EM Drosophila Brain with Flood-Filling Networks and Local Realignment》，深入果蠅大腦的所有 神經元和突觸。
為了生成詳盡的大腦影像，研究人員使用了多達 7062 個大腦切片，共計 2100 萬張圖片——其背後使用的演算法和硬體可謂強大。
谷歌 AI 負責人，計算機大神 Jeff Dean 點評了這項最新研究：TPU 帶你飛！
這一連線組學研究有望加速人類對於果蠅——乃至所有生物學習、記憶和 感知方面的研究。目前該成果已開源，人們可以在 Neuroglancer 上對果蠅的大腦進行 3D 預覽。這項研究的作者之一、Janelia 研究組長 Davi Bock 表示：「此前人類從未對果蠅大腦實現 神經元連線級別的成像。」這種級別的細節是繪製大腦電路的關鍵——只有獲取精確的 神經元連線網路，我們才能瞭解果蠅行為的生成機制。
連線組學研究的目標是繪製大腦的「接線圖」，以瞭解神經系統的工作方式。果蠅是生物學上公認的一種研究動物，果蠅的大腦更是近來研究的主要目標物件。截至目前，已有八項諾貝爾獎授予了果蠅相關研究，這些研究推動了分子生物學、遺傳學和 神經科學的發展。果蠅研究的重大優勢在於它們的大小：與老鼠大腦（1 億個 神經元）、章魚大腦（5 億個 神經元）或人類大腦（1000 億個 神經元）相比，果蠅大腦相對較小（只有 10 萬個 神經元）。這種優勢使得研究人員更容易將果蠅大腦作為一個完整迴路來研究。
40 萬億畫素下的果蠅大腦重建，任何人都可以互動瀏覽。
40 萬億畫素下的果蠅大腦自動重建
谷歌在霍華德·修斯醫學研究所的合作者將果蠅大腦切分成數千個 40 奈米的超薄切片，並且使用透射電子顯微鏡生成每個切片的影像（由此產生了 40 萬億畫素以上的果蠅大腦影像），然後將 2D 影像排列對齊形成完整果蠅大腦的 3D 影像。這項研究用到了數千塊谷歌 Cloud TPU 和泛洪演算法網路（Flood-Filling Network，FNN），後者能夠自動跟蹤果蠅大腦中的每個 神經元。
雖然該演算法大體上執行良好，但研究人員發現，當對齊效果不完美（連續切片中的影像內容不穩定）或切片和成像過程存在問題導致多個連續切片缺失時，該演算法的效能會下降。
為了應對這些問題，研究人員將泛洪演算法網路與以下兩個處理流程相結合：
其一，研究人員估計了 3D 影像各位置切片之間的一致性，然後在 FFN 跟蹤每個 神經元時確保各位置影像內容的穩定性；
其二，研究人員使用 Segmentation-Enhanced CycleGAN（SECGAN）計算出缺失影像的近似圖。
SECGAN 是一種專門用於影像分割的生成對抗網路。研究人員發現，當使用 SECGAN 幻覺影像資料時，FFN 能夠更加魯棒地跟蹤多個缺失切片的位置。
果蠅大腦在 Neuroglancer 的互動式視覺化
使用 3D 影像重建大腦之後還有一個問題，就是怎麼展示：當影像包含上萬億畫素時，視覺化顯得極其重要和困難。
受到谷歌新視覺化技術的啟發，研究人員設計了一種可擴充套件且功能強大的工具。目前，任何有瀏覽器且支援 WebGL 的裝置都可以前往觀察該研究的開源結果。
它以 Neuroglancer 技術呈現：https://bit.ly/2GKmDF2
谷歌表示，這項技術可以幫助人們展示 PB 級的 3D 內容，並支援很多高階功能，如任意軸橫截面的重新拼接、多解析度網格，以及通過 Python 開發自定義分析任務的強大能力與 Python 整合。
研究展望
谷歌表示，其在 HHMI 和劍橋大學的合作者們已經開始了基於該研究的進一步探索，儘管目前的研究結果還不是真正的 神經元連線圖——建立連線組還需要識別突觸。但作者正在與 FlyEM 團隊共同構建一個具有高度可驗證性且詳盡的果蠅大腦連線體。
參考內容：
https://www.biorxiv.org/content/biorxiv/early/2019/04/11/605634.full.pdf
https://ai.googleblog.com/2019/08/an-interactive-automated-3d.html
https://www.sciencedaily.com/releases/2018/07/180719142110.htm