Facebook加入
LINE加入
2021/12/25
【新智元導讀】華中科技大學（蘇州）腦空間信息技術研究院啟動在即，旨在使工業級高解析度腦圖成為神經科學的標準工具。這一項目由華中科技大學生物醫學成像研究者駱清銘領導。駱清銘自稱為一個「腦空間信息學家」，並建立了該研究院的高速腦成像系統。駱清銘表示，研究院還將繪製人類腦圖，並計劃成為一個國際性研究中心，幫助研究人員繪製神經元連接圖譜，其應用領域包括阿爾茨海默病研究和受大腦啟發的人工智慧項目等。后附該「腦空間信息計劃」的詳細介紹。
為了繪製「千迴百轉」的大腦神經元迴路，神經科學家們可謂煞費苦心，不過很快他們將看到本領域發展至工業級規模。據開發人員介紹，下個月，一台能轉化高解析度腦圖的大型設施將在蘇州啟動。
典型的實驗室可能只使用一套或兩套腦成像系統，而這一新設施擁有50台自動化機器，可以快速切割小鼠大腦，捕捉每個切片的高解析度圖像，並將其重構成3D圖像。美國艾倫腦科學研究所的分子生物學專家曾紅葵認為這樣的工業級設施將「大大加快進度」。她說：「工業級大規模、標準化數據生成將改變神經科學的發展方式。」
這張重構圖像顯示了長程神經元橫穿小鼠大腦的情況。
這一新設施名為華中科技大學（蘇州）腦空間信息技術研究院，由華中科技大學生物醫學成像研究者駱清銘領導。該研究院擁有長達5年、高達人民幣4.5億元的預算，未來將聘用120名左右的科學家和技術人員。駱清銘表示，研究院還將繪製人類腦圖，並計劃成為一個國際性研究中心，幫助研究人員繪製神經元連接圖譜，其應用領域包括阿爾茨海默病研究和受大腦啟發的人工智慧項目等。駱清銘自稱為一個「腦空間信息學家」，並建立了該研究院的高速腦成像系統。
熱點話題
「肯定會有巨大的需求，」紐約冷泉港實驗室的神經科學家Josh Huang說。他也在和該研究院合作，他認為獲取高通量、快速成像腦圖有望改變神經科學家對大腦神經元連接情況的認識，就像高通量測序幫助遺傳學家在21世紀初解密人類基因組一樣。他說：「這將對繪製多種物種的細胞解析度腦圖產生重大影響。」
哺乳動物的大腦有數以百萬計的細胞，人類的大腦甚至有數十億。這些細胞大約分為10000種不同的類型，各自形狀不同，大小不同，表達的基因也不同。神經科學家希望通過繪製出它們的結構及相互作用，來認清它們的功能。德國萊布尼茨神經生物學研究所的腦成像研究人員Jürgen Goldschmidt表示，通過比較多個大腦的特定類型神經元，科學家也許能夠鑒定某疾病或後天習得行為對細胞結構的影響。
但是，這樣的圖譜通常需要花費數月或數年的時間才能完成。在這個過程中，研究人員需要使用金剛石刀片將幾厘米長的小鼠大腦切成15,000個超薄切片，再用化學物質或熒游標簽對每個切片進行標記以凸顯特定特徵，然後用顯微鏡對每一層進行成像，最後將圖像重構成3D圖譜。
高速繪製圖譜
華中科技大學（蘇州）腦空間信息技術研究院正好可以在這方面大顯身手。合作者說，研究院擁有數量眾多的機器，其速度和解析度令人驚嘆。據曾紅葵介紹，這些設備在兩個星期內可以收集到的小鼠大腦細節信息，如果換成其它技術，如共焦超高分辨成像，可能要花上幾個月的時間。
今年2月，在美國馬里蘭州貝塞斯達舉行的美國「推進創新神經技術腦研究計劃」（Brain Research through Advancing Innovative Neurotechnologies）會議上，與會者看到了一張包裹小鼠大腦的單個神經元的圖像，親眼目睹了該技術的實力。艾倫研究所的神經科學家Christof Koch與駱清銘的小組合作完成了這項工作，Koch認為該神經元的廣泛覆蓋面表明它在協調大腦的輸入和輸出以形成意識方面發揮了作用。
華中科技大學（蘇州）腦空間信息技術研究院將生成大量數據：駱清銘說每個小鼠腦圖都有8 TB。但人腦的體積是小鼠大腦的近1500倍；以研究院目前的速度來看，一台單機大約需要20年的時間才能對人腦進行數字重構。駱清銘計劃提高機器的速度，同時并行使用多台設備。
駱清銘期待全球合作；除艾倫研究所和冷泉港實驗室之外，斯坦福大學也正與研究院籌劃建立合作關係。但是駱清銘表示，雖然外界表達了濃厚的興趣，但是研究院無法滿足每個人的需求。「我們已經在婉拒別人了。」
駱清銘：腦空間信息學——連接腦科學與類腦人工智慧的橋樑
原文發表於《科學: 生命科學》（網路版）
駱清銘. 腦空間信息學——連接腦科學與類腦人工智慧的橋樑. 科學: 生命科學, 2017, 47.
摘要 提出腦空間信息學是示蹤、測量、分析、處理和呈現跨層次多尺度腦空間信息數據的一門綜合與集成的科學。討論了腦空間信息學的研究內容、技術體系和關鍵科學問題，分析了其學科定位，展望了其應用前景。以顯微光學切片斷層成像為核心的全腦網路可視化技術體系的建立，標誌著腦空間信息學這一新興交叉學科日臻成熟。基於具有明確時空尺度和位置信息的神經元類型、神經環路和網路、血管網路等三維精細腦結構與功能大數據，提取跨層次、多尺度的腦連接時空特徵，腦空間信息學將幫助科學家更好地破譯腦功能與腦疾病，並推動類腦人工智慧的發展。
關鍵詞 腦空間信息學, 全腦網路可視化, 腦連接, 數字腦, 類腦智能
從認識腦、保護腦和創造腦角度，腦科學一般分為神經生物學、臨床神經科學和計算神經科學等學科。神經生物學被定義為研究人和動物的神經系統的結構、功能及其相互關係的科學，旨在分子、細胞、神經迴路或網路、乃至系統和整體水平上，闡明神經系統特別是腦的物質、能量、信息的基本活動規律，可進一步細分為分子神經生物學、細胞神經生物學、系統神經生物學、行為神經生物學、發育神經生物學和比較神經生物學等分支學科。
眾所周知，腦是一個極其複雜的巨系統。腦內神經元、膠質細胞、血管等結構與功能信息高度複雜，時空尺度的跨度可達十幾個數量級[1]。腦連接及腦活動是在不同時間-空間尺度上演化和變化的，其物質、能量和信息高度耦合，具有空間位置不確定性、空間關係不確定性以及時域不確定性等。如何在大跨度的時間-空間尺度上研究腦連接及腦活動的演化和變化規律是腦科學研究面臨的重大挑戰，然而前述分支學科都不能很好地定義這一新興的交叉研究領域。
研究表明，學科成熟的重要標誌包括獨立的研究內容、成熟的研究方法和規範的學科體制等，其中相對成熟的研究方法或完備的技術體系至關重要。Seung[2] 在《連接組: 造就獨一無二的你》中提到，神經科學家缺少足夠的技術去測繪神經元之間的連接，因為這個原因，連接主義（connectionism）從來沒有被視為一門真正的科學。由此可見技術體系在學科發展過程中的地位。
美國 Harvard 大學 Lichtman 教授領導的團隊[3] 以電子顯微鏡為觀察手段，用時15個月以 4nm×6nm×28nm 體素解析度測繪了 0.07mm3 P32 小鼠（Mus musculus）外側膝狀體核並重建 400 多個神經元。美國 Allen 腦科學研究所重建了 100μm 分辨的小鼠腦連接圖譜[4]。他們所採用的手段都沒能在小鼠全腦範圍內獲取單神經元分辨水平的神經環路精細結構圖譜，當然更談不上獲取功能連接信息。由此可見，如何在小鼠全腦範圍獲取神經元分辨水平的結構與功能圖譜在國際上仍然是未獲解決的瓶頸問題。
功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）主要通過測量磁共振信號來量化血氧飽和度和血流量的變化，對流向特定腦區血液的變化進行檢測，從而間接反映腦神經活動所伴隨的能量消耗。它可同時提供腦的解剖和功能視圖。該技術的突出優點包括無損傷、無輻射、可重複測量，空間解析度在毫米量級。DNA 雙螺旋結構發現人之一、諾貝爾生理學或醫學獎獲得者 Crick 和 Jones[5] 在給 Nature 的評論中寫道：「我無法忍受我們沒有繪製出人類大腦的連接圖。沒有它，很難有希望能了解我們的大腦是如何工作的。」他還測算過，1mm3 的人腦視皮層包括超過 40000 個神經元。顯然，fMRI 離神經元分辨水平還有很大差距。
以顯微光學切片斷層成像[6]（micro-optical sectioning tomography, MOST）為標誌的全腦高分辨精準空間定位與成像方法的日益成熟和應用，使得在全腦範圍測量和繪製三維精細的腦連接圖譜、建立標準化的數據體系成為可能。這裡所說的三維精細腦連接圖譜不是傳統的、由若干帶有註釋信息的、離散的斷面圖片的集合，而是指空間間隔為亞微米（准連續）、能分辨出單個神經元、具有明確空間尺度和位置信息的全腦結構及功能（包括基因組、轉錄組、蛋白質組和代謝組等信息）連接圖譜。為此，有必要建立規範的腦空間信息研究科學體系，即運用現代信息科學理論、技術與方法，從信息科學角度，以高的體素解析度（voxel resolution），如細胞/軸突/毛細血管分辨水平，在全腦範圍測量（surveying）與繪製（mapping）腦結構和功能信息的三維空間分佈，如神經元投射、神經/血管分佈、基因組/蛋白組/代謝組/轉錄組分佈等，從而揭示腦連接及活動的時空特徵和變化規律，如神經元和血管走向、同類型神經元的覆蓋範圍、神經元之間的時空連接特徵及投射方向等。腦空間信息學的提出正是順應這一發展趨勢的體現。
腦空間信息學的定義
腦空間信息學（brain-spatial information science, brainsmatics）是以腦連接的基本結構與功能單元為研究對象，揭示腦連接空間信息機制，引導腦疾病防治與智能技術發展的新興交叉學科。該學科是認知腦功能並進而探討意識本質的科學前沿，是溝通腦科學與智能科學的橋樑。腦空間信息學將腦作為一個完整的系統，順應智能技術發展需求，以腦科學和信息科學的基本理論為指導，運用新興的全腦高分辨精準空間定位與成像方法，同時結合多種前沿腦科學研究技術，標記、獲取、分析和可視化具有明確空間尺度和位置的精細腦網路結構與功能信息，從大數據中提取跨層次、多尺度的腦連接時空特徵，揭示感知、記憶、意識和情感等腦連接空間信息機制，從而促進腦健康與智能技術的跨越式發展。
腦空間信息學的研究內容、技術體系及關鍵科學問題
這裡從腦連接的示蹤、測量、可視化以及時空信息特徵的提取與模擬等 4 個方面簡要討論腦空間信息學的研究內容、技術體系及關鍵科學問題。腦空間信息學的技術體系是指貫穿腦空間信息示蹤、測量、分析、處理、呈現、傳播和應用等一系列技術方法所構成的完整技術方法的總和。它是實現腦空間信息從獲取到應用的技術保證，並能在自動化、時效性、詳細程度和可靠性等方面滿足人們的需要。
對比腦科學的其他分支學科可以看出，雖然研究對象都是腦神經系統，腦空間信息學具有相對獨特而成熟的技術體系，特別是介觀尺度的全腦高分辨精準空間定位與成像，為獲取具有明確空間尺度和位置的精細腦網路結構與功能信息，並從大數據中提取跨層次、多尺度的腦連接時空特徵提供了技術保證。與過於理想的連接主義[2] 不同的是，可行的技術體系標誌著腦空間信息學這一新興交叉學科日臻成熟。
腦連接的示蹤
腦連接的示蹤主要研究並運用各種示蹤技術，從分子、突觸、單細胞，到環路、網路和腦區等不同層次，為多模態原位獲取精細腦連接結構和功能信息，提供特異、高效、可控的標記方法。19 世紀末和 20 世紀初，義大利科學家 Camillo Golgi 和西班牙學者 Santiago Ramón y Cajal 先後開發利用高爾基銀染法對神經元進行染色，並獲得 1906 年的諾貝爾生理學或醫學獎，由此可見示蹤方法的重要性。
現有示蹤技術包括: 藉助化學、病毒學和基因組、蛋白質組、轉錄組、代謝組等組學技術，發展不同尺度下腦空間信息的原位標記技術，如轉基因技術[7]、示蹤標記技術[8]（免疫標記、染色示蹤、轉染標記等）、基因編輯技術[9] 等，實現對不同層次腦連接基本單元的特異、高亮標記。從實現測量的角度，通常被忽視的樣品製備技術[10~13] 往往是最重要制約因素。圖1 展示了 Thy1-eYFP-H 轉基因小鼠腦內初級運動皮層神經元（綠色、紫色）和初級視覺皮層神經元（黃色、藍色）的長程投射及分佈。
圖1 小鼠初級運動皮層神經元(綠色、紫色)和初級視覺皮層神經元(黃色、藍色)的長程投射及分佈
Jiang 等人[14]研究了成年小鼠新皮層不同神經元的形態差異並初步證實神經元可被歸類為有限的細胞類型，且每一種神經元類型都有其固定的連接模式。據此，可以大膽假設，不同類型的神經元、神經環路/網路與神經系統之間的關係，可以類比於化學元素、化合物與生命有機體，也可類比於分立的電子元器件（如電阻、電容、電感、三極體等）、基礎電路（如電源電路、音頻電路、放大電路等）與電子系統（通信電子系統、飛機電子系統、導彈電子系統等）。
關鍵科學問題主要包括：(ⅰ) 如何增強腦空間信息的示蹤效率，實現對微觀精細結構、介觀完整形態和宏觀整體信息的高對比度、完整標記？ (ⅱ)如何提高標記的特異性，實現不同類型神經元和腦細胞（可進一步區分為亞類）、神經環路、以及由多個環路所組成的神經網路乃至神經系統等不同層次結構和功能信息的示蹤？如何實現針對特定類型神經元、環路和網路的稀疏數量可控、跨突觸級數可控？
全腦範圍腦連接的測量
全腦範圍腦連接的測量主要研究不同尺度下全腦、高分辨精準成像與空間定位方法，建立與之相應的定位基準，並將數據採集過程標準化，實現具有明確空間尺度和定位含義的精細腦網路結構與功能信息的獲取和分析，為提取腦連接時空特徵提供跨層次、多尺度的大數據，從而揭示和掌握腦空間信息的時空變化特徵及規律。
在介觀尺度下最有特色的全腦範圍腦連接的測量技術是以 MOST 為基礎的系列全腦高分辨精準空間定位與成像技術[15~22]。此外，連續雙光子層析成像[23]（serial two-photon tomography, STP）、光片照明顯微成像[24]（light sheet microscopy, LSM）、多光子顯微成像[25] 等也可以為研究腦空間連接信息提供部分技術支持。介觀尺度的測量技術可以與宏觀尺度的測量技術，如 fMRI[26]、正電子發射斷層成像[27]（positron emission tomography, PET）、腦電[28](electroencephalogram, EEG)、功能近紅外光學成像[29~31]（functional near-infrared imaging, fNIRI）、X 射線計算機層析成像（X-CT）、超聲成像等，以及微觀尺度的成像技術，如電子顯微鏡成像[32]、超分辨熒光納米顯微成像[33]等，相互配合與交互。腦空間信息測量的定位基準和數據採集過程的標準化是推動腦科學研究成果產業化的重要保障，這也是腦空間信息測量技術最迫切需要解決的問題。
關鍵科學問題主要包括：(ⅰ) 如何實現介觀和微觀尺度下腦連接空間信息的獲取？現有技術已能解析宏觀尺度下的腦連接，但仍缺乏介觀和微觀空間尺度水平時空變化的測量手段。(ⅱ) 如何建立不同尺度的定位基準？定位基準是在不同條件下所獲取的腦空間信息進行匹配及比較的前提條件。目前，宏觀尺度的定位基準已初步建立，尚缺乏介觀及微觀尺度的定位基準，亟待確定。(ⅲ) 如何實現測量標準化？測量設備及測量過程的全過程標準化管理是保證腦空間信息數據可靠性和有效性的重要前提，也是開展對比性研究的重要基礎。
腦連接的可視化
研究內容主要包括腦空間信息的數據可視化、科學可視化、信息可視化和知識可視化[34~36]。可視化的目標是將跨層次、多維度的腦空間信息時空變化過程，通過運用高維數據場、虛擬現實等技術直觀、高效地呈現出來，以供用戶觀察、模擬和計算。開展腦連接的可視化研究一方面需要建立涵蓋數據管理、運算、分析和展現等手段在內的一整套技術方案，另一方面還要構建數據編碼標準、數據表示標準、數據質量標準、數據交換標準、空間定位標準、流程式控制制規範等完整標準體系。實現腦連接的可視化首先要完成腦空間信息大數據的數字化和知識化，其中，數字化又是知識化的基礎，研究從多維圖像大數據中準確、高效地分割重建出腦區核團、神經元形態等特定結構，實現圖像到圖形的變換。知識化是研究運用計算機輔助技術並結合專家知識，將數字化的圖形圖像數據準確變換為結構化的知識，並通過資料庫、圖譜等基本組織形式對腦空間信息知識進行收集、分類、檢索和調用。
三維腦連接信息的可視化對於建立腦認知模型並最終理解腦工作機制至關重要。16 世紀義大利藝術家 Giuseppe Arcimboldo 曾神奇地把蔬菜、水果和花組合成人像，猶如幾十種不同的化學元素最終能組成人體。人類依據還原論思想，成功地對自然界加深了認識，然而另一方面，也需要整體論或系統論思想的指導。如何實現對海量腦連接大數據的準確展示，將是腦科學研究面臨的重大挑戰。
腦空間信息數據量巨大，技術體系涉及大數據存儲與傳輸，在數據結構、數據壓縮、雲存儲等多方面都需要技術支撐[37~41]。此外，在數字化方面，需要運用和發展現代數字圖像處理、雲計算、統計學、機器學習等技術；在知識化方面，需要借鑒和採用數據挖掘、資料庫、情報學等技術；在可視化方面，則需要運用和發展計算機圖形學、虛擬現實等技術。
關鍵科學問題主要包括：(ⅰ) 如何靈活運用專家介入和自動化技術，在複雜大數據中實現腦空間信息準確而高效的數字化？(ⅱ) 如何應用虛擬現實等技術，對時空變化過程中獲取的大數據進行互動式可視化？(ⅲ) 如何利用有限的計算資源，實現對大數據的存儲、傳輸、運算和呈現？
腦連接時空信息特徵的提取與模擬
主要內容是通過整合多模態、跨層次、多尺度的全腦高時空分辨信息，模擬特定功能(運動、視覺、聽覺、情感、記憶等)神經環路和網路的時空動態過程，進行空間上的形態分析、時間上的過程分析和發生上的因果分析，實現對腦空間信息的定性解譯和定量反演，揭示腦連接的時空變化規律，進而實現全腦的功能模擬，為類腦和智能技術提供全新的理論基礎。
採用全腦網路可視化（visible brain-wide networks, VBN）技術測繪的小鼠桶狀腦皮層發現[22]，同一腦區存在多種形態的神經元，其投射模式也不一樣，有局部，也有長程。如圖2(A) 所示，匯流排有限的數據傳輸速率被稱為「馮·諾依曼瓶頸」，顯然，腦信息處理的機制是完全不一樣的，但實際情況是什麼？不同腦區之間如何實現信息交互？是圖2(B) 所示的具有少量捷徑連接的小世界網路[42] 嗎？需要在全腦範圍、運用系統生物學思想來研究這個問題，通過建立跨層次多尺度模型，模擬並最終認識腦連接的基本規律。
圖2 腦網路連接與小世界網路的對比
技術體系中，需要採用對所獲得的數據進行解析和理解的方法，包括統計信號處理[43]、高維數據分析[44]、大數據處理[45] 等，而對所理解的知識進行建模的方法，則包括統計建模[46]、機器學習[47]、深度學習[48] 等。
關鍵科學問題主要包括：(ⅰ) 如何從多模態跨層次多尺度和多維度的腦連接大數據中，揭示特定腦功能的時空變化規律？(ⅱ) 如何針對類腦研究的需求，構建腦空間信息的數學模型？
大數據時代的腦空間信息學
大腦非常複雜，全面理解大腦必將帶來多層次、多模式的海量數據。例如，基於 MOST 成像技術，以微米體素解析度採集一個完整小鼠腦的數據量達 8TB[6]，如果是熒光圖像數據量則更大[22]。對於人腦而言，若以相同體素解析度採集，預計數據量將達到 11PB，相當於 20 萬部 4K 高清電影，或 500 家三甲醫院產出的全年數據。如果用正在普及的 10M 寬頻，僅數據傳輸就需要耗時 300 年。此外，腦研究中數據類型具有多樣性，維度、深度、密度、數據結構、壓縮方式，以及所代表的物理量及其對應的生物信息量各不相同。因此，腦研究產生的海量數據必將對數據處理、存儲、分析、管理和共享等方式帶來全方位的挑戰。
數據的計算、存儲、傳輸等技術的需求從某種意義上來講具有「大數據」的共性，但如何科學地組織、共享和管理這些神經信息數據，提高數據的使用率和價值，是對現代信息技術特別是計算機技術提出了前所未有的巨大挑戰[49]。大數據的計算離不開高性能計算領域的參與，歐盟「人類腦計劃」在巨型計算機上對人腦建模[50]，通過超級計算機描繪和模擬大腦神經元活動的海量數據，對大腦的功能和活動進行模擬。美國「腦計劃」也將建立大規模神經信息數據計算平台列為重要任務之一[51]。
大數據時代，開展腦空間信息學研究正當時，機遇與挑戰並存。
腦空間信息學的應用
具有跨層次、多尺度時空變化特徵的腦空間信息學有望在繪製腦結構及功能的三維甚至四維圖譜，並進而在認知腦功能、防治腦疾病和發展智能技術等方面發揮重要作用。
1. 認知腦功能
利用所建立的腦空間信息知識庫，回答神經元種類及繪製腦圖譜等問題，並對研究認知和行為的神經活動機制等腦科學問題提供基礎數據。基於腦內原位多種信息共存的空間信息構建的模型將為腦科學研究提供模擬和分析平台。
由於在介觀尺度缺乏有效的研究工具，目前對高等哺乳動物神經環路連接信息的認識還極度匱乏。複雜腦功能往往需要局部神經環路和長程神經環路的協同作用才能完成，其中長程神經環路可能從皮層一直投射至脊髓，幾乎跨越全腦範圍[15,22]。小鼠全腦在任意方向上都是厘米量級；腦中的特定結構，如海馬，在毫米量級；一般神經元胞體的直徑約為 5~30μm，胞體發出的突起直徑往往小於 1μm。要在全腦範圍獲取精細神經結構，需要跨越 4~5 個數量級的幾何尺度進行高解析度成像——這是現有成像技術必須克服的技術瓶頸。目前，人們僅對擁有 302 個神經元的線蟲進行了較完整的神經環路研究[52]，而對於擁有約 10 萬個神經元的果蠅（Drosophila melanogaster）腦的相關研究還只是剛剛起步[53]。相比之下，高等哺乳動物大腦由數億到數百億計的神經元構成，在介觀尺度繪製哺乳動物腦連接圖譜對傳統成像技術而言無疑是不可能完成的任務。作為腦空間信息學領域最有特色的研究手段之一，以 MOST 為基礎的全腦高分辨精準空間定位與成像技術體系的日益成熟，為在介觀尺度（具有神經元/細胞分辨度）建立小鼠或非人靈長類（獼猴）全腦網路精細結構與功能連接圖譜提供了重要的研究工具和技術平台。
2. 防治腦疾病
通過全腦空間精細信息的整合，對比不同模態下腦部結構與功能的差異，有助於系統地研究腦部疾病及大腦發育的機制，為腦部重大疾病如神經遺傳與發育性疾病（自閉症等）、精神性疾病（抑鬱症等）和神經退行性疾病（老年痴呆症等）的臨床防治提供支撐，並為兒童教育等提供理論指導。
腦疾病防治是腦科學研究最重要的需求導向之一。由於對腦的結構和功能缺乏認識，不能及時有效地治療老年痴獃、帕金森氏病、抑鬱和自閉等腦疾病，導致腦疾病已經成為社會負擔最重的病種[54]。在單神經元分辨水平揭示全腦神經環路的空間連接信息，不僅是闡明各種高級腦功能機制所必需的，也是徹底認識和征服腦疾病的重要前提。特定神經系統疾病往往伴隨著相關神經環路的異常。獲得病理模型下特定神經環路精細圖譜，對研發腦重大疾病的早期診斷、精準干預（包括病前干預和療后康復）的新技術、新方法是至關重要的。
理想情況下，完美模擬大腦不僅意味著知曉了大腦如何工作，也將知道腦功能被破壞的原因，即腦疾病的致病機制。控制論的創始人 Wiener[55] 就鼓勵人們從計算機工作原理的角度去理解人類大腦。通過有效的計算機模擬，有望使科學家能夠釐清腦部疾病的某些細節，進而篩選出可行的治療途徑，甚至革命性地改觀現有的藥物研發方式，從而形成重要的應用價值。
3. 發展類腦智能技術
通過模擬、解譯和反演等多種手段，利用腦空間信息模型探究記憶、學習、決策等原理，構建並規範全腦空間的功能計算模型，在類腦人工智慧的設計上模擬模擬和再現腦局部和整體功能的工作結構，發展類腦人工智慧演算法，以此讓機器獲得更好的概括能力、更好的抽象能力以及對稀疏數據的使用能力。
經過60年的發展，人工智慧已經取得了一系列令人矚目的成就。1997 年，IBM 深藍計算機因為擊敗了世界國際象棋冠軍卡斯帕羅夫而名聲大噪。2016 年，Google 的 AlphaGo 又在全世界人民面前大敗圍棋世界冠軍李世石，掀起了智能技術新一輪的熱潮。智能技術如今已成功應用在非常多的領域，例如，機器翻譯、智能控制、專家系統、機器人學、語言和圖像理解、航天應用等重要領域，以代替人類去執行複雜或規模龐大的任務。但是，現有的智能技術還限制於弱人工智慧的發展階段，它的顯著特徵是僅具備某項認知能力，無法推廣至實現其他功能。譚鐵牛院士形象地評價「有智能，沒有智慧；有智商，沒有情商；會計算，不會算計；有專能，無全能」。究其原因，還是人工智慧向腦工作機制的學習還不夠，「類腦」不夠，當然人類對腦的認識本身也還十分粗淺。目前的人工神經網路只是參考了神經元間的部分拓撲結構而搭建的數學模型，其核心演算法是計算機科學研究者發明的，而非來自於生物神經系統的解析，尚與大腦的原理和能力相去甚遠。
瑞士洛桑聯邦理工學院的「藍腦計劃」[56] 從 2005 年開始就試圖模擬人腦功能，其初始目標是對構成鼠腦新皮層中功能柱單元的 1 萬個神經元及 3 千萬個突觸連結進行模擬。這個模型雖然基於十幾年來的各種實驗數據，如神經形態學、基因表達、離子通道、突觸連接，以及很多鼠腦活動的電生理記錄，但仍然不是真實完整的神經元網路。美國腦計劃於在 2015 年啟動了腦皮層模擬項目（MICrONS）[57]，旨在通過重建一立方毫米腦區內的神經環路連接，模擬腦皮層功能，研發下一代機器智能系統。醞釀中的腦計劃也將類腦研究列為重要目標之一。
由此可見，腦空間信息機制研究是認知腦功能並發展類腦人工智慧的必由之路。智能技術正從狹義的人工智慧向類腦人工智慧發展，基於腦連接三維甚至四維圖譜的腦空間信息學的發展將是成敗的關鍵。
綜上，有理由認為，腦空間信息學研究將為理解腦功能與防治腦疾病打下堅實基礎，也為發展類腦人工智慧技術提供重要指導。腦計劃已箭在弦上，以重大需求為導向，通過發展核心關鍵技術，建立科學的研究體系，應該成為腦計劃實現突破並引領國際的重要路徑[58~60]。
討論與展望
考察生物信息學的發展歷程我們可以看到，正是由於 DNA 測序技術的快速發展，催生了一個從積累數據向解釋數據的時代轉變，這是歷史發展的必然。同樣，隨著介觀尺度全腦網路可視化[20,21] 技術的發展，產生了 PB 級腦空間信息的數據。如何利用信息技術，特別是計算機技術，解析腦連接時空變化特性，正成為腦科學研究的前沿。因此，腦空間信息學是腦科學與信息科學交叉融合與發展的必然結果。
從研究方法角度，以 VBN 為核心技術體系的腦空間信息學是系統論研究和還原論研究的重要結合點。
腦空間信息學是由腦科學和信息科學高度交叉而形成的一門新興的學科，其最重要的目標是認識腦，並且其研究成果對於保護腦和創造腦同樣意義重大。腦空間信息學最重要的特點是採用了以 VBN 為核心的獨特技術體系，這一新的技術體系以亞微米甚至更高的體素解析度，全局(全腦範圍)、動態(腦發育的不同階段)地為腦科學研究提供前所未有的數據，包括神經元分辨水平的基因組、轉錄組、蛋白質組和代謝組等表達信息。腦空間信息學不僅在研究對象上面臨著人類的終極挑戰——腦，在研究手段方面，對現代信息科學與技術的發展也提出了前所未有的挑戰。為此，有必要對這一新興學科進行更深入更全面的規劃和建設，不斷完善其學科體系，引領腦科學與智能技術的發展。
需要特彆強調的是，支撐腦空間信息學的技術體系不只是 VBN，也包括以電子顯微鏡為代表的局域腦組織高分辨成像和以 fMRI 為代表的宏觀水平的全腦成像。電子顯微鏡的成像解析度很高，但成像範圍極其有限，Luo 等人[61]測算過，1 mm3 的腦組織，如果用電子顯微鏡成像，需要 1 萬人/年的工作量。fMRI雖然能快速觀測全腦，但不能在神經元/細胞分辨水平真實反映腦結構與功能活動[5]。只有基於 MOST 或熒光 MOST（fluorescence micro-optical sectioning tomography, fMOST）的技術體系既能在亞細胞分辨水平、又能在全腦範圍實現腦結構與功能的觀測。
MOST/fMOST 與電子顯微鏡和 fMRI 等技術互相補充、融合，將構建出更完備的腦空間信息技術體系框架，使得腦空間信息學不再是空中樓閣。
致 謝
科學院武漢物理與數學研究所葉朝輝、國家自然科學基金委員會曹河圻、華中科技大學龔輝提出了重要修改意見，華中科技大學李安安、袁菁、李向寧、許彤輝、楊孝全、張智紅、王平、黃松林、張小宇、吳昊、齊毅松、周偉、曾紹群、施華等參加了調研與討論。
國家自然科學基金創新研究群體項目（批准號：61421064）和國家自然科學基金（批准號：91232000）資助。
參考文獻
Mitra P P. The circuit architecture of whole brains at the mesoscopic scale. Neuron, 2014, 83: 1273–1283
Seung S. Connectome: how the brain』s wiring makes us and who we are. Houghton Mifflin Harcour, 2013, 117: 1513–1514
Morgan J L, Berger D R, Wetzel A W, et al. The fuzzy logic of network connectivity in mouse visual thalamus. Cell, 2016, 165: 192–206
Oh S W, Harris J A, Ng L, et al. A mesoscale connectome of the mouse brain. Nature, 2014, 508: 207–214
Crick F, Jones E. Backwardness of human neuroanatomy. Nature, 1993, 361: 109–110
Li A, Gong H, Zhang B, et al. Micro-optical sectioning tomography to obtain a high-resolution atlas of the mouse brain. Science, 2010, 330: 1404–1408
Huang Z J, Zeng H. Genetic approaches to neural circuits in the mouse. Annu Rev Neurosci, 2013, 36: 183–215
Marshel J H, Mori T, Nielsen K J, et. al. Targeting single neuronal networks for gene expression and cell labeling in vivo. Neuron, 2010, 67: 562–574
Izpisua Belmonte J C, Callaway E M, Caddick S J, et al. Brains, genes, and primates. Neuron, 2015, 86: 617–631
Zhang B, Li A, Yang Z, et al. Modified Golgi-Cox method for micrometer scale sectioning of the whole mouse brain. J Neurosci Methods, 2011, 197: 1–5
Wang Q, Li A, Gong H, et al. Quantitative study on the hygroscopic expansion of spurr resin to obtain a high-resolution atlas of the mouse brain. Exp Biol Med (Maywood), 2012, 237: 1134–1141
Yang Z, Hu B, Zhang Y, et al. Development of a plastic embedding method for large-volume and fluorescent-protein-expressing tissues. PLoS ONE, 2013, 8: e60877
Xiong H, Zhou Z, Zhu M, et al., Chemical reactivation of quenched fluorescent protein molecules enables resin-embedded fluorescence microimaging. Nat Commun, 2014, 5: 3992
Jiang X, Shen S, Cadwell C R, et al. Principles of connectivity among morphologically defined cell types in adult neocortex. Science, 2015, 350: 6264: aac9462
Gong H, Zeng S, Yan C, et al. Continuously tracing brain-wide long-distance axonal projections in mice at a one-micron voxel resolution. NeuroImage, 2013, 74: 87–98
Xu D, Jiang T, Li A, et al. Fast optical sectioning obtained by structured illumination microscopy using a digital mirror device. J Biomed Opt, 2013, 18: 060503
Zheng T, Yang Z, Li A, et al. Visualization of brain circuits using two-photon fluorescence micro-optical sectioning tomography. Opt Express, 2013, 21: 9839–9850
Qi X L, Xiong H Q, Lv X H, et al. Improved detectability of neuronal connectivity on mechanical sectioning setup by using confocal detection. J Biomed Opt, 2013, 18: 50506
Wu J, He Y, Yang Z, et al. 3D BrainCV: simultaneous visualization and analysis of cells and capillaries in a whole mouse brain with one-micron voxel resolution. NeuroImage, 2014, 87: 199–208
Luo Q M. Visible brain-wide networks at single-neuron resolution with micro-optical sectioning tomography. Conf Laser Electr, 2014
Yuan J, Gong H, Li A, et al. Visible rodent brain-wide networks at single-neuron resolution. Front Neuroanat, 2015, 9: 70
Gong H, Xu D, Yuan J, et al. High-throughput dual-colour precision imaging for brain-wide connectome with cytoarchitectonic landmarks at the cellular level. Nat Commun, 2016, 7: 12142
Ragan T, Kadiri L R, Venkataraju K U, et al. Serial two-photon tomography for automated ex vivo mouse brain imaging. Nat Meth, 2012, 9: 255–258
Dodt H U, Leischner U, Schierloh A, et al. Ultramicroscopy: three-dimensional visualization of neuronal networks in the whole mouse brain. Nat Meth, 2007, 4: 331–336
Ouzounov D G, Wang T, Wang M, et al. In vivo three-photon imaging of activity of GCaMP6-labeled neurons deep in intact mouse brain. Nat Meth, 2017, 14: 388–390
Eisenberger N I, Lieberman M D, Williams K D. Does rejection hurt? An fMRI study of social exclusion. Science, 2003, 302: 290–292
Duncan J, Seitz R J, Kolodny J, et al. A neural basis for general intelligence. Science, 2000, 289: 457–460
Makeig S, Westerfield M, Jung T P, et al. Dynamic brain sources of visual evoked responses. Science, 2002, 295: 690–694
Sun B, Zhang L, Gong H, et al. Detection of optical neuronal signals in the visual cortex using continuous wave near-infrared spectroscopy. NeuroImage, 2014, 87: 190–198
Sun J Y, Sun B L, Zhang L, et al. Correlation between hemodynamic and electrophysiological signals dissociates neural correlates of conflict detection and resolution in a Stroop task: a simultaneous near-infrared spectroscopy and event-related potential study. J Biomed Opt, 2013, 18: 6014
Zhang Z, Sun B, Gong H, et al. A fast neuronal signal-sensitive continuous-wave near-infrared imaging system. Rev Sci Instruments, 2012, 83: 094301–094301
Kasthuri N, Hayworth K J, Berger D R, et al. Saturated reconstruction of a volume of neocortex. Cell, 2015, 162: 648–661
Balzarotti F, Eilers Y, Gwosch K C, et al. Nanometer resolution imaging and tracking of fluorescent molecules with minimal photon fluxes. Science, 2017, 355: 606–612
Akil H, Martone M E, Van Essen D C. Challenges and opportunities in mining neuroscience data. Science, 2011, 331: 708–712
Walter T, Shattuck D W, Baldock R, et al. Visualization of image data from cells to organisms. Nat Methods, 20107, 3: S26–S41
Chen M, Ebert D, Hagen H, et al. Data, information, and knowledge in visualization. IEEE Computer Graph Appl, 2009, 29: 12–19
Quan T, Zheng T, Yang Z, et al. NeuroGPS: automated localization of neurons for brain circuits using L1 minimization model. Sci Rep, 2013, 3: 1414
Yan C, Li A, Zhang B, et al. Automated and accurate detection of soma location and surface morphology in large-scale 3D neuron images. PLoS ONE, 2013, 8: e62579
Ding W, Li A, Wu J, et al. Automatic macroscopic density artefact removal in a Nissl-stained microscopic atlas of whole mouse brain. J Microscopy, 2013, 251: 168–177
Quan T, Zhou H, Li J, et al. NeuroGPS-Tree: automatic reconstruction of large-scale neuronal populations with dense neuritis. Nat Methods, 2016, 13: 51–54
Feng Z, Li A, Gong H, et al. An automatic method for nucleus boundary segmentation based on a closed cubic spline. Front Neuroinform, 2016, 10: 21
Whigham P A, Dick G, Parry M. Collective dynamics of 『small-world』 networks. Nature, 1998, 393: 440–442
Oweiss K G. Statistical Signal Processing for Neuroscience and Neurotechnology. Burlington: Academic Press/Elsevier, 2010
Duchesne S, Valdivia F, Mouiha A, et al. Single time point high-dimensional morphometry in Alzheimer』s disease: group statistics on longitudinally acquired data. Neurobiol Aging, 2015, 36 Suppl 1: S11–S22
Fan J, Han F, Liu H. Challenges of Big Data analysis. Natl Sci Rev, 2014, 1: 293–314
Srivastava A, Lee A B, Simoncelli E P, et al. On advances in statistical modeling of natural images. J Math Imag Vision, 2003, 18: 17–33
Pereira F, Mitchell T, Botvinick M. Machine learning classifiers and fMRI: a tutorial overview. NeuroImage, 2009, 45: S199–S209
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521: 436–444
Landhuis E. Neuroscience: big brain, big data. Nature, 2017, 541: 559–561
Markram H, Muller E, Ramaswamy S, et al. Reconstruction and simulation of neocortical microcircuitry. Cell, 2015, 163: 456–492
Bargmann C, Newsome W, Anderson A, et al. BRAIN 2025: a scientific vision. Brain Research Through Advancing Innovative Neurotechnologies (BRAIN) Working Group Report to the Advisory Committee to the Director, NIH. Available online at: http://www.nih.gov/science/brain/2025/ (US National Institutes of Health, 2014), 2014
Long F, Peng H, Liu X, et al. A 3D digital atlas of C. elegans and its application to single-cell analyses. Nat Methods, 2009, 6: 667–672
Chiang A S, Lin C Y, Chuang C C, et al. Three-dimensional reconstruction of brain-wide wiring networks in Drosophila at single-cell resolution. Curr Biol, 2011, 21: 1–11
Whiteford H A, Ferrari A J, Degenhardt L, et al. The global burden of mental, neurological and substance use disorders: an analysis from the Global Burden of Disease Study 2010. PLoS ONE, 2015, 10: e0116820
Wiener N. Cybernetics or, Control and Communication in the Animal and the Machine, 2d ed., New York: M.I.T. Press, 1961
Markram H. The blue brain project, nature reviews. Neuroscience, 2006, 7: 153–160
Underwood E. Neuroscience. Barcoding the brain. Science, 2016, 351: 799–800
楊雄里. 為腦計劃吶喊. 科學: 生命科學, 2016, 46: 201–202
郭愛克. 智能時代腦科學的核心是探索智力的本質及其實現. 科學: 生命科學, 2016, 46: 203–205
駱清銘. 需求導向, 基礎領先, 技術取勝. 科學: 生命科學, 2016, 46: 206–207
Luo L, Callaway E M, Svoboda K. Genetic dissection of neural circuits. Neuron, 2008, 57: 634–660
熱門推薦
留言回覆
