На пути к компьютерному микроскопу для нейробиологии

ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ
развитие интерфейсов пользователя и компьютерного зрения дают надежду на
то, что весь процесс может стать управляемым.
Расшифровка полной принципиальной схемы человеческого мозга представляет собой одну из величайших задач 21 века. Продвижения на биологическом
и техническом уровне определенно приведут к новым успехам и открытиям и
скорее всего они помогут ответить на фундаментальные вопросы о том, как наш
мозг мечтает или думает.
ССЫЛКИ
[1] J. Livet, T. A. Weissman, H. Kang, R. W. Draft, J. Lu, R. A. Bennis, J. R. Sanes, and
J. W. Lichtman, «Transgenic strategies for combinatorial expression of fluorescent
proteins in the nervous system» Nature, vol. 450, pp. 56–62, 2007, doi: 10.1038/
nature06293.
[2] S. Hell, «Microscopy and its focal switch» Nature Methods, vol. 6, pp. 24–32, 2009,
doi: 10.1038/ NMeth.1291.
[3] D. Bock, W. C. Lee, A. Kerlin, M. L. Andermann, E. Soucy, S. Yurgenson, and R. C.
Reid, «High- throughput serial section electron microscopy in mouse primary visual
cortex following in vivo two-photon calcium imaging» Soc. Neurosci. Abstr., vol.
769, no. 12, 2008.
[4] W. Denk and H. Horstmann, «Serial block-face scanning electron microscopy to
reconstruct three-dimensional tissue nanostructure» PLoS Biol., vol. 2, p. e329, 2004,
doi: 10.1017/ S1431927606066268.
[5] K. J. Hayworth, N. Kasthuri, R. Schalek, and J. W. Lichtman, «Automating the
Collection of Ultrathin Serial Sections for Large Volume TEM Reconstructions»
Microsc. Microanal., vol. 12, pp. 86–87, 2006.
[6] K. Ohki, S. Chung, Y. H. Ch’ng, P. Kara, and R. C. Reid, «Functional imaging with
cellular resolution reveals precise microarchitecture in visual cortex» Nature, vol.
433, pp. 597–603, 2005, doi:10.1038/nature03274.
[7] K. Ohki, S. Chung, P. Kara, M. Hübener, T. Bonhoeffer, and R. C. Reid, «Highly
ordered arrangement of single neurons in orientation pinwheels» Nature, vol. 442,
pp. 925–928, 2006, doi:10.1038/nature05019.
[8] W. Jeong, J. Beyer, M. Hadwiger, A. Vazquez, H. Pfister, and R. Whitaker, «Scalable
and Interactive Segmentation and Visualization of Neural Processes in EM Datasets»
IEEE Trans. Visual. Comput. Graphics, Oct. 2009.
[9] A. Vazquez, E. Miller, and H. Pfister, «Multiphase Geometric Couplings for
the Segmentation of Neural Processes» Proceedings of the IEEE Conference on
Computer Vision Pattern Recognition (CVPR), June 2009.
82
ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ
На пути к компьютерному
микроскопу
для нейробиологии
Х
ЭРИК ГОРВИЦ
(ERIC HORVITZ)
Microsoft Research
УИЛЬЯМ
КРИСТЕН
(WILLIAM
KRISTAN)
Калифорнийский
университет, Сан-Диего
(University of California,
San Diego)
отя нейробиология развивается большими шагами,
мы до сих пор не понимаем, как симфония связей
между нейронами приводит к богатому и осознанному поведению животных. Как местные взаимодействия между нейронами сливаются в поведенческую динамику нервных систем, давая животным их впечатляющие
возможности чувствовать, учиться, принимать решения и
действовать в окружающем мире? Множество подробностей
остается под покровом тайны. Новые знания появятся благодаря применению вычислительных методов, в особенности
машинного обучения и процедур логического вывода, для
создания объяснительных моделей из данных о действиях популяций нейронов.
НОВЫЕ ИНСТРУМЕНТЫ ДЛЯ НЕЙРОБИОЛОГОВ
Большую часть истории электрофизиологии, нейробиологи отслеживали свойства мембран нейронов позвоночных и
беспозвоночных животных при помощи стеклянных микропипеток, заполненных проводящим раствором. Овладевая
техниками, которые могли бы впечатлить даже лучших часовщиков, нейробиологи изготовили стеклянные электроды
с наконечниками диаметром зачастую меньше микрона, и
использовали специальные машины для проведения наконечников в тело клетки отдельных нейронов — надеясь, что нейроны будут работать так же как и в более крупных группах.
Этот метод предоставил данные о напряжениях мембраны и
потенциале действий отдельной или нескольких клеток.
ЧЕТВЕРТАЯ ПАРАДИГМА
83
Однако взаимосвязь между нейробиологами и данными о нервных системах
изменяется. Новые регистраторы предоставляют данные по действию больших
популяций нейронов. Такие данные делают процедуры вычислений все более
важными, вместе с экспериментальными инструментами для нового понимания
взаимосвязей, архитектуры и общего комплекса нервных систем.
Новые возможности для экспериментов и моделирования в более крупном
масштабе стали доступными с приходом быстрых методов оптического построения изображений. В этом методе для отслеживания уровней кальция и потенциалов мембраны нейронов используются красители и фотоувеличители с высоким пространственным и временным разрешением. Такие оптические записи
с высокой степенью достоверности позволяют нейробиологам исследовать одновременную деятельность популяций от десятков до тысяч нейронов. В относительно короткое время доступные данные об активности нейронов выросли из
тонкой струйки информации, собранной путем отбора небольшого количества
нейронов, в крупномасштабные наблюдения нейронной активности.
Пространственно-временные наборы данных по поведению популяций нейронов создают привлекательные дедуктивные задачи и возможности. Следующая волна открытий о нейрофизиологической основе когнитивных способностей, возможно, придет через применение новых типов вычислительных линз,
направляющих информационно-теоретическую «оптику» в потоки данных о
пространственно-временных популяциях.
Мы полагаем, что нейробиологи, изучающие популяции нейронов, со временем начнут пользоваться инструментами, которые служат в качестве вычислительных микроскопов — систем, объединяющих машинное обучение, оценку
и визуализацию для помощи ученым в формулировании и проверке гипотез
на основании данных. Выводы, полученные из потоков пространственно-временных данных подготовки, могут даже накладываться на традиционные оптические изображения во время проведения экспериментов, дополняя такие
изображения аннотациями, которые могут помочь в выборе направления для
проведения исследования.
Интенсивный компьютерный анализ станет основой для моделирования и
визуализации данных по высокоразмерным популяциям, где множество нейронов взаимодействует и принимает участие в действиях других нейронов и групп,
и где взаимодействия потенциально чувствительны к контексту — цепи и потоки
могут существовать динамически, кратковременно и даже одновременно на общем нейронном субстрате.
ВЫЧИСЛЕНИЯ И СЛОЖНОСТЬ
Мы видим многочисленные возможности для объединения движущихся быстрым темпом вычислений, чтобы помочь нейробиологам с вопросом понимания данных о популяциях нейронов. В исследованиях популяций нейронов уже
используется статистический анализ. Например, статистические методы использовались для идентификации и определения характеристик нейронной актив-
84
ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ
ности в виде траекторий в крупных пространствах динамических состояний [1].
Мы восхищены возможностью применения более мощного машинного обучения и механизмов оценки для создания объяснительных моделей из библиотек
случаев данных о популяциях нейронов. Вычислительные процедуры помогут
ученым в получении знаний из необработанных данных нейронной активности
путем поиска по более крупным наборам альтернатив и оценки достоверности
различных объяснительных моделей. Вычислительные методы могут работать
с различной степенью детализации, от исследования локальных связей и функций нейронов одной цепи до потенциально ценных обобщений более высокого
уровня популяций нейронов — которые могут дать упрощенное представление
о работе нервных систем.
Кроме создания пояснений из наблюдений, дедуктивные модели можно использовать для вычисления ожидаемой ценности информации, что поможет
нейробиологам определять, какие тесты лучше провести или какую информацию лучше собрать в свете текущих целей и неопределенности. Вычисление
ценности информации может помочь в направлении интервенционных исследований, например, руководства по стимуляции отдельных единиц, соединения напряжения отдельных клеток или выборочной модификации клеточной
активности при помощи агонистических и антагонистических фармакологических средств.
Мы уверены в потенциале автоматических и интерактивных систем, включая такие, которые используются в качестве настольных инструментов для процессов в реальном времени. Однажды компьютерные инструменты даже смогут
предоставить указания для датчиков и интервенций посредством визуализации
и рекомендаций, которые динамически создаются при исследовании изображений.
Выходя за пределы исследований отдельных систем животных, компьютерные инструменты для анализа данных популяций нейронов скорей всего будут
ценными в изучении строения нервных систем во время эмбриогенеза, а также
при сравнении нервных систем различных видов животных. Такие исследования смогут выявить изменения в цепях и функциях в процессе развития, а также
под давлением эволюционной адаптации.
СПЕКТР СЛОЖНОСТИ
Нейробиологи исследуют нервные системы позвоночных и беспозвоночных
животных по всему спектру сложности. Мозг человека состоит примерно из
100 млрд нейронов, которые взаимодействуют друг с другом при помощи примерно 100 трлн синапсов. А мозг нематоды Caenorhabditis elegans (C. elegans)
имеет всего 302 нейрона. Такие нервные системы беспозвоночных дают возможность изучить принципы неврональных систем, которые можно обобщить
до более сложных систем, включая нашу. Например, C. elegans была эталонной
системой для исследования структуры нейронных цепей, и в составлении карты
точных связей между ее нейронами достигнуты большие успехи.
ЧЕТВЕРТАЯ ПАРАДИГМА
85
Многие нейробиологи останавливаются на изучении более простых нервных
систем, даже если ими движут вопросы о нейробиологической природе человеческого интеллекта. Нервные системы получаются в процессе улучшений и модификаций, поэтому очень вероятно, что ключевые аспекты обработки нейронной информации заключены в головном мозге разной сложности. Хотя новые
обобщения, слои и взаимодействия могли появляться в более сложных нервных
системах, виды мозга разной степени сложности скорее всего основываются на
схожих нервных тканях — о которых мы многого еще не знаем.
В работе с нашими коллегами Эшишем Капуром (Ashish Kapoor), Эриком
Честейном (Erick Chastain), Джонсоном Апасиблем (Johnson Apacible), Дэниэлом Вагенааром (Daniel Wagenaar) и Пэкстоном Фреди (Paxon Frady) мы используем машинное обучение, механизмы оценки и визуализацию для понимания
базовых механизмов принятия решений у Hirudo — европейской медицинской
пиявки. Мы применяем компьютерный анализ для получения информации из
оптических данных об активности популяций нейронов в сегментальной ганглии Hirudo. Ганглия состоит примерно из 400 нейронов, и оптическая система
создания изображения обнаруживает активность около 200 нейронов одновременно — то есть всех нейронов с одной стороны нервного узла. Несколько кадров оптических изображений Hirudo показаны на рисунке 1. Яркость каждого
из показанных нейронов представляет уровень деполяризации клеток, который
является основой для потенциалов действия.
Мы разрабатываем инструменты анализа и сбора в стремлении к разработке
компьютерных микроскопов для понимания активности популяций нейронов и
ее связи с поведением. В одном методе мы создаем графические вероятностные
временные модели, которые могут прогнозировать будущее поведение Hirudo
РИСУНОК 2.
Возможные соединения и скопления, полученные из данных
популяции при построении
изображения Hirudo.
РИСУНОК 3.
Предполагаемые информационные взаимосвязи между нейронами в сегментальном нервном
узле Hirudo. Схожая динамика в
активности нейронов по времени выделена дугами и скоплениями.
РИСУНОК 1.
Изображение последовательности нейронов Hirudo
перед принятием решения ползти или плыть.
86
ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ
ЧЕТВЕРТАЯ ПАРАДИГМА
87
на основании анализа данных популяции. Модели создаются методом поиска
в большом пространстве допустимых моделей, где нейроны и абстракции нейронов служат случайными переменными, среди которых возможны временные
и вневременные зависимости. Эти методы могут определить модули нейронов,
которые действуют вместе и могут динамически проявляться в ходе активности,
которая приводит к принятию животным решения. В дополнительной работе
мы рассматриваем роль состояний нейронов при определении траекторий через пространство состояний динамической системы.
ПОЯВЛЕНИЕ КОМПЬЮТЕРНОГО МИКРОСКОПА
ляций нейронов. Мы уверены, что компьютерные методы приведут нас к эффективным представлениям и языкам для понимания нейронных систем, и что
они станут основными инструментами нейробиологов для получения знаний о
тысячах загадок, связанных с чувствованием, обучением и принятием решений
нервной системой.
ССЫЛКИ
[1] K. L. Briggman, H. D. I. Abarbanel, and W. B. Kristan, Jr., «Optical imaging of
neuronal populations during decision-making,» Science, vol. 307, pp. 896–901, 2005,
doi: 10.1126/science.110.
Мы начали создавать интерактивные средства просмотра и инструменты, которые позволяют ученым управлять дедуктивными предположениями и параметрами, а также визуально проверять последствия. Например, ползунки позволяют плавно изменять пороги допустимых связей между нейронами, а также
испытывать прочность взаимосвязей и членства в модулях. Мы очень хотим
увидеть мир, где подобные инструменты будут широко использоваться нейробиологами и дополняться компонентами обучения, логического вывода и визуализации, разработанными сообществом этих ученых.
На рисунке 2 показан снимок экрана прототипа инструмента, который мы
называем MSR Computational Microscope, разработанного Эшишем Капуром,
Эриком Честейном и Эриком Горвицем в Microsoft Research в процессе более
широкого сотрудничества с Вильямом Кристеном из Калифорнийского университета в Сан-Диего, и Дэниэлом Вагенааром из Калифорнийского технологического института (California Institute of Technology). Этот инструмент позволяет
пользователям визуализировать активность нейронов за отдельный период
времени, и затем интерактивно исследовать взаимосвязи между ними. Пользователи могут выбирать различные механизмы логического вывода и указывать
предположения для создания моделей. Они также могут выделять отдельные
нейроны и их поднаборы в качестве фокусных точек анализа. На рисунке 2 показан анализ активности нейронов в сегментальной ганглии Hirudo. Предполагаемые информационные взаимосвязи между клетками отображаются в виде
выделенных нейронов и дуг между нейронами. Такие предположения могут помочь в направлении исследований и подтверждении физических связей между
нейронами.
На рисунке 3 показан другой информационный анализ, который пространственно объединяет клетки, ведущие себя схожим образом в ганглии Hirudo при
проведении группы тестов. Анализ дает предварительное видение того, как информационно-теоретический анализ когда-нибудь сможет помогать нейробиологам в обнаружении и проверке взаимосвязей внутри и между неврональными
подсистемами.
Мы пока находимся в самом начале этого многообещающего направления
исследований, но ожидаем увидеть расцвет анализа, инструментов и более
широкой субдисциплины, которая фокусируется на нейроинформатике попу-
88
ЗДОРОВЬЕ И БЛАГОПОЛУЧИЕ
ЧЕТВЕРТАЯ ПАРАДИГМА
89