Huazhong Bilim ve Teknoloji Üniversitesi Luo Qingming: Beyin bilimi ile beyin benzeri yapay zekayı birbirine bağlamak için "Beyin Mekansal Bilgi Projesi" ni açın
Xinzhiyuan önerilir
Sinirbilimciler, beynin nöronal devrelerini "binlerce devrim" ile haritalandırmak için büyük çaba sarf ettiler, ancak yakında alanın endüstriyel ölçekte geliştiğini görecekler. Geliştiriciye göre, önümüzdeki ay, Suzhou'da yüksek çözünürlüklü beyin haritalarını dönüştürebilen büyük ölçekli bir tesis açılacak.
Tipik bir laboratuvar yalnızca bir veya iki beyin görüntüleme sistemi kullanabilir ve bu yeni tesis, fare beyinlerini hızlı bir şekilde kesebilen, her bir dilimin yüksek çözünürlüklü görüntülerini yakalayabilen ve bunları 3D olarak yeniden yapılandırabilen 50 otomatik makineye sahiptir. görüntü. Amerika Birleşik Devletleri Allen Institute for Brain Science'da moleküler biyoloji uzmanı olan Zeng Hongkui, bu tür endüstriyel sınıf tesislerin "ilerlemeyi önemli ölçüde hızlandıracağına" inanıyor. "Endüstriyel ölçekte büyük ölçekli, standartlaştırılmış veri üretimi sinirbilimin gelişimini değiştirecek" dedi.
Bu yeniden yapılandırılmış görüntü, uzun menzilli nöronların fare beynini nasıl geçtiğini gösteriyor.
Bu yeni tesis Huazhong Bilim ve Teknoloji Üniversitesi (Suzhou) Beyin Uzayı Bilgi Teknolojisi Araştırma Enstitüsü olarak adlandırılıyor ve Huazhong Bilim ve Teknoloji Üniversitesi'nde biyomedikal görüntüleme araştırmacısı Luo Qingming tarafından yönetiliyor. Enstitünün beş yıllık 450 milyon yuan bütçesi var ve gelecekte yaklaşık 120 bilim adamı ve teknisyeni istihdam edecek. Luo Qingming, enstitünün ayrıca insan beyninin bir haritasını çizeceğini ve araştırmacıların nöron bağlantılarının bir haritasını çıkarmasına yardımcı olmak için uluslararası bir araştırma merkezi olmayı planlayacağını söyledi.Uygulama alanları arasında Alzheimer hastalığı araştırmaları ve beyinden ilham alan yapay zeka projeleri bulunuyor. Luo Qingming kendisine "beyin mekansal bilişim" adını verdi ve enstitünün yüksek hızlı beyin görüntüleme sistemini kurdu.
Sıcak konu
New York'taki Cold Spring Harbor Laboratuvarı'ndan bir sinirbilimci olan Josh Huang, "Kesinlikle büyük bir talep olacak," dedi. Aynı zamanda enstitü ile de işbirliği yapıyor. Yüksek verimli ve hızlı görüntüleme beyin haritalarının elde edilmesinin, sinirbilimcilerin beyin nöron bağlantılarına ilişkin anlayışını değiştirmesinin beklendiğine inanıyor, tıpkı yüksek verimli dizilimin genetikçilerin 21. yüzyılın başlarında insan genomunun şifresini çözmesine yardımcı olması gibi. aynı. Dedi ki: "Bu, birden çok türün hücre çözünürlüğünde beyin haritalarının çizilmesinde büyük bir etkiye sahip olacak."
Memeli beyninde milyonlarca hücre vardır ve insan beyninde milyarlarca hücre vardır. Bu hücreler kabaca her biri şekil, boyut ve ifade edilen genler bakımından farklı olan 10.000 farklı türe bölünmüştür. Sinirbilimciler, yapılarını ve etkileşimlerini haritalayarak işlevlerini anlamayı umuyorlar. Almanya'daki Leibniz Nörobiyoloji Enstitüsü'nde beyin görüntüleme araştırmacısı olan Jürgen Goldschmidt, bilim insanlarının birden fazla beyindeki belirli nöron türlerini karşılaştırarak bir hastalığın veya edinilmiş davranışın hücre yapısı üzerindeki etkilerini belirleyebileceğini söyledi.
Ancak böyle bir haritanın tamamlanması genellikle aylar veya yıllar alır. Bu süreçte, araştırmacıların birkaç santimetre fare beynini 15.000 ultra ince bölüme kesmek için bir elmas bıçak kullanması ve ardından her bölümü belirli özellikleri vurgulamak için kimyasal veya floresan bir etiketle işaretlemesi ve ardından her bölümü incelemek için bir mikroskop kullanması gerekir. Bir katmanın görüntüsünü alın ve son olarak görüntüyü bir 3D atlas olarak yeniden oluşturun.
Yüksek hızlı haritalama
Huazhong Bilim ve Teknoloji Üniversitesi (Suzhou), Beyin Uzayı Bilgi Teknolojisi Enstitüsü, bu alandaki yeteneklerini gösterebilir. Ortak çalışanlar, enstitünün inanılmaz hız ve çözünürlüğe sahip çok sayıda makineye sahip olduğunu söylediler. Zeng Hongkui'ye göre, bu cihazların iki hafta içinde toplayabileceği fare beyni hakkında ayrıntılı bilgi, konfokal ultra yüksek çözünürlüklü görüntüleme gibi diğer teknolojilerle değiştirilirse birkaç ay sürebilir.
Bu yılın Şubat ayında Maryland, Bethesda'da düzenlenen Amerikan "Yenilikçi Nöroteknolojileri Geliştirerek Beyin Araştırması" konferansında katılımcılar, bir farenin beynini saran tek bir nöronun resmini gördüler. Görüntüler, teknolojinin gücüne şahit oldu. Allen Enstitüsünde bir sinirbilimci olan Christof Koch, bu çalışmayı tamamlamak için Qingming Luo'nun ekibiyle işbirliği yaptı. Koch, nöronun geniş kapsamının, beynin bilinç oluşturmak için girdi ve çıktılarını koordine etmede rol oynadığına inanıyor.
Huazhong Bilim ve Teknoloji Üniversitesi (Suzhou) Beyin Uzayı Bilgi Teknolojisi Araştırma Enstitüsü çok miktarda veri üretecek: Luo Qingming, her bir fare beyin haritasının 8 TB olduğunu söyledi. Ancak insan beyninin boyutu, fare beyninin yaklaşık 1500 katı; araştırma enstitüsünün şu anki hızında, tek bir makinenin insan beynini dijital olarak yeniden yapılandırması yaklaşık 20 yıl sürüyor. Luo Qingming, birden fazla cihazı paralel olarak kullanırken makinenin hızını artırmayı planlıyor.
Luo Qingming küresel işbirliğini dört gözle bekliyor; Allen Enstitüsü ve Cold Spring Harbor Laboratuvarı'na ek olarak, Stanford Üniversitesi de Enstitü ile işbirliğine dayalı bir ilişki kurmayı planlıyor. Ancak Luo Qingming, dış dünyanın büyük ilgi göstermesine rağmen, enstitünün herkesin ihtiyaçlarını karşılayamayacağını söyledi. "Başkalarını zaten reddediyoruz."
Luo Qingming: Brain Spatial Informatics - beyin bilimi ile beyin benzeri yapay zekayı birbirine bağlayan bir köprü
Orijinal metin "Science China: Life Sciences" da yayınlandı (çevrimiçi sürüm)
Luo Qingming. Brain Spatial Informatics - beyin bilimi ve beyin benzeri yapay zeka arasında bir köprü. Science in China: Life Sciences, 2017, 47.
Yazar birimi:
Biyomedikal Fotonik Anahtar Laboratuvarı, Eğitim Bakanlığı, Biyomedikal Mühendisliği Bölümü, Huazhong Bilim ve Teknoloji Üniversitesi, Wuhan 430074;
Huazhong Bilim ve Teknoloji Üniversitesi-Wuhan Ulusal Optoelektronik Laboratuvarı (hazırlık aşamasında) Britton Chance Biyomedikal Fotonik Araştırma Merkezi, Wuhan 430074
Özet Beyin mekansal bilişiminin, çapraz seviyeli ve çok ölçekli beyin mekansal bilgi verilerini izleme, ölçme, analiz etme, işleme ve sunma konusunda kapsamlı ve entegre bir bilim olduğu ileri sürülmektedir. Beyin uzaysal bilişiminin araştırma içeriğini, teknik sistemini ve temel bilimsel konularını tartıştı, konu yönelimini analiz etti ve uygulama olasılıklarını dört gözle bekledi. Mikro-optik dilim tomografisi ile tüm beyin ağı görselleştirme teknolojisi sisteminin kurulması, yeni disiplinler arası beyin mekansal bilişiminin olgunluğuna işaret ediyor. Üç boyutlu ince beyin yapısına ve nöron türleri, sinir devreleri ve ağları gibi büyük verilere ve net zamansal ve uzamsal ölçek ve konum bilgisine sahip vasküler ağlara dayanarak, katmanlar ve çoklu ölçekler arasındaki beyin bağlantılarının zamansal ve uzamsal özellikleri çıkarılır. Beyin mekansal bilişim bilim insanlarına yardımcı olacaktır Beyin işlevini ve beyin hastalıklarını daha iyi deşifre edin ve beyin benzeri yapay zekanın gelişimini teşvik edin.
Anahtar kelimeler beyin mekansal bilişim, tüm beyin ağı görselleştirme, beyin bağlantısı, dijital beyin, beyin benzeri zeka
Beyni anlama, beyni koruma ve beyni yaratma perspektifinden, beyin bilimi genellikle nörobiyoloji, klinik sinirbilim ve hesaplamalı sinirbilim olarak ikiye ayrılır. Nörobiyoloji, insan ve hayvanların sinir sisteminin yapısını, işlevini ve birbiriyle ilişkisini inceleyen bilim olarak tanımlanır.Sinir sisteminin materyalini, özellikle beyni, moleküler, hücre, sinir devresi veya ağında ve hatta sistem ve genel düzeyde netleştirmeyi amaçlamaktadır. Enerji, enerji ve bilginin temel aktivite yasaları ayrıca moleküler nörobiyoloji, hücre nörobiyolojisi, sistem nörobiyolojisi, davranışsal nörobiyoloji, gelişimsel nörobiyoloji ve karşılaştırmalı nörobiyoloji gibi alt disiplinlere ayrılabilir.
Hepimizin bildiği gibi, beyin son derece karmaşık dev bir sistemdir. Beyindeki nöronların, glial hücrelerin ve kan damarlarının yapı ve işlev bilgileri oldukça karmaşıktır ve zaman ve uzay aralığı, ondan fazla büyüklük düzeyine ulaşabilir. Beyin bağlantıları ve beyin aktiviteleri, farklı zaman-uzay ölçeklerinde evrimleşir ve değişir ve bunların maddesi, enerjisi ve bilgisi, uzamsal konum belirsizliği, uzamsal ilişki belirsizliği ve zaman alanı belirsizliği ile yüksek oranda eşleşir. Beyin bağlantılarının ve beyin aktivitesinin evrimi ve değişiminin geniş bir zaman-uzay ölçeğinde nasıl çalışılacağı, beyin bilimi araştırmaları için büyük bir zorluktur.Ancak, yukarıda bahsedilen alt disiplinlerin hiçbiri, ortaya çıkan bu disiplinler arası araştırma alanını iyi tanımlayamaz.
Araştırmalar, konu olgunluğunun önemli işaretlerinin, aralarında görece olgun araştırma yöntemleri veya eksiksiz teknik sistemlerin gerekli olduğu bağımsız araştırma içeriği, olgun araştırma yöntemleri ve standartlaştırılmış konu sistemlerini içerdiğini göstermektedir. Seung, "Connectivity: Making You Unique" kitabında sinirbilimcilerin nöronlar arasındaki bağlantıları haritalamak için yeterli teknolojiye sahip olmadıklarından bahsetmiş, bu nedenle bağlantısallık hiçbir zaman gerçek bir bilim olarak görülmemiştir. Bu, teknolojik sistemin disiplinin gelişimindeki konumunu gösterir.
Amerika Birleşik Devletleri Harvard Üniversitesi'nden Profesör Lichtman liderliğindeki ekip, gözlem yöntemi olarak elektron mikroskoplarını kullandı. 4 nm × 6 nm × 28 nm'lik bir voksel çözünürlüğe sahip 0,07 mm3 P32 farenin (Mus musculus) dış genikülat çekirdeğini haritalamak ve 400'den fazla yeniden yapılandırmak 15 ay sürdü Nöronlar. Amerika Birleşik Devletleri'ndeki Allen Beyin Bilimi Enstitüsü, 100 m çözünürlüklü bir fare beyin bağlantı haritasını yeniden oluşturdu. Kullandıkları yöntemlerin hiçbiri, işlevsel bağlantı bilgilerini elde etmek bir yana, tüm fare beynindeki tek nöron çözünürlük seviyesinde sinir devresinin ince bir yapı haritasını elde edemedi. Tüm fare beynindeki nöron çözünürlük seviyesinin yapı ve fonksiyon haritasının nasıl elde edileceği, dünyada hala çözülmemiş bir darboğaz sorunu olarak görülebilmektedir.
Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI), temel olarak manyetik rezonans sinyallerini ölçerek kan oksijen satürasyonu ve kan akışındaki değişiklikleri ölçer ve belirli beyin bölgelerine giden kan akışındaki değişiklikleri tespit ederek dolaylı olarak beyin sinir aktivitesinin etkilerini yansıtır. enerji tüketimi. Beynin hem anatomik hem de fonksiyonel görünümlerini sağlayabilir. Bu teknolojinin göze çarpan avantajları arasında hasar olmaması, radyasyon olmaması, tekrarlanabilir ölçüm olması ve uzamsal çözünürlüğün milimetre düzeyinde olmasıdır. DNA çift sarmal yapısını keşfedenlerden ve Fizyoloji veya Tıp dalında Nobel Ödülü kazananlardan Crick ve Jones, Nature dergisine şöyle yazmıştı: "İnsan beyninin bağlantı şemasını çizmemiş olmamıza dayanamıyorum. O olmadan umut sahibi olmak zor. Beynimizin nasıl çalıştığını anlayabilir. "Ayrıca insan görsel korteksinin 1 mm3'ünün 40.000'den fazla nöron içerdiğini hesapladı. Açıkçası, fMRI hala nöron çözünürlüğü seviyesinden çok uzak.
Mikro optik bölümleme tomografisi (MOST) ile işaretlenmiş tüm beyin için yüksek çözünürlüklü hassas uzaysal konumlandırma ve görüntüleme yöntemlerinin artan olgunluğu ve uygulaması, beyin boyunca üç boyutlu ince beyin bağlantı haritalarının ölçülmesini ve çizilmesini sağladı, Standartlaştırılmış bir veri sistemi kurmak mümkündür. Burada bahsedilen üç boyutlu ince beyin bağlantı haritası, açıklamalı bilgiler içeren ayrı kesitsel resimlerden oluşan geleneksel bir koleksiyon değildir, ancak bireysel nöronları ayırt edebilen ve net olan mikron altı (yarı sürekli) uzaysal aralığı ifade eder. Tüm beyin yapısı ve işlevi (genom, transkriptom, proteom ve metabolom bilgileri dahil) uzamsal ölçek ve konum bilgilerinin bağlantı haritası. Bu nedenle, bilgi bilimi perspektifinden, hücreler / aksonlar / kılcal damarlar gibi yüksek voksel çözünürlüğe sahip, modern bilgi bilimi teorileri, teknikleri ve yöntemlerini kullanan standart bir beyin alanı bilgi araştırma bilimsel sistemi kurmak gerekmektedir. Vasküler çözünürlük seviyesi, nöron projeksiyonu, sinir / vasküler dağılım, genom / proteom / metabolom / transkriptom dağılımı gibi tüm beyindeki beyin yapısı ve fonksiyon bilgilerinin üç boyutlu uzaysal dağılımının incelenmesi ve haritalanması, Böylelikle nöronların ve kan damarlarının oryantasyonu, aynı tip nöronların kapsamı, uzay-zamansal bağlantıların özellikleri ve nöronlar arasındaki projeksiyon yönleri gibi beyin bağlantılarının ve faaliyetlerinin uzay-zamansal özelliklerini ve değişen yasalarını ortaya çıkarır. Beyin mekansal bilişiminin önerisi, bu gelişme eğilimine uyum sağlamanın somutlaşmış halidir.
Beyin Mekansal Bilişimin Tanımı
Beyin-mekansal bilgi bilimi (beyin-mekansal bilgi bilimi, beyinsel), araştırma nesnesi olarak beyin bağlantılarının temel yapısını ve işlevsel birimlerini kullanan, beyin bağlantılarının mekansal bilgi mekanizmasını ortaya çıkaran ve beyin hastalıklarının önlenmesi ve akıllı teknolojinin geliştirilmesine rehberlik eden, yeni ortaya çıkan bir çapraz disiplindir. Bu konu, beyin işlevlerini kavramak ve ardından bilincin doğasını keşfetmek için bilimin sınırıdır ve beyin bilimi ile zeka bilimi arasında bir köprüdür. Beyin mekansal bilişim, beyni eksiksiz bir sistem olarak görür, akıllı teknolojinin gelişiminin ihtiyaçlarına uyar ve ortaya çıkan tüm beyin yüksek çözünürlüklü hassas uzamsal konumlandırma ve görüntüleme yöntemlerini kullanarak ve çeşitli en yeni beyinleri bir araya getiren temel beyin bilimi ve bilgi biliminin teorileri tarafından yönlendirilir. Bilimsel araştırma teknolojisi, ince beyin ağı yapısını ve işlev bilgilerini net mekansal ölçek ve konumla işaretleme, edinme, analiz etme ve görselleştirme, büyük veriden çapraz seviyeli ve çok ölçekli beyin bağlantısı uzay-zamansal özelliklerini çıkarma, algı, hafıza, bilinç ve duyguyu açığa çıkarma Beyin, beyin sağlığının ve akıllı teknolojinin ileriye dönük gelişimini desteklemek için mekansal bilgi mekanizmasını birbirine bağlar.
Beyin mekansal bilişiminin araştırma içeriği, teknik sistemi ve temel bilimsel konuları
Burada, beyin uzaysal bilişiminin araştırma içeriği, teknik sistemi ve temel bilimsel konuları, beyin bağlantısı izleme, ölçme, görselleştirme ve uzay-zamansal bilgi özelliği çıkarma ve simülasyonun dört yönünden kısaca tartışılmaktadır. Beyin uzaysal bilişiminin teknik sistemi, beyin mekansal bilgi izleme, ölçme, analiz, işleme, sunum, yayma ve uygulama dahil olmak üzere bir dizi teknik yöntemin toplamını ifade eder. Beyin alanı bilgisinin edinimden uygulamaya kadar gerçekleştirilmesi için teknik bir garantidir ve otomasyon, zamanlılık, detay ve güvenilirlik açısından insanların ihtiyaçlarını karşılayabilir.
Beyin biliminin diğer dalları ile karşılaştırıldığında, araştırma nesneleri beyin sinir sistemi olmasına rağmen, beyin mekansal bilişiminin, özellikle mezo-ölçekli yüksek çözünürlüklü hassas mekansal konumlandırma ve tüm beynin görüntülenmesi gibi nispeten benzersiz ve olgun bir teknik sisteme sahip olduğu görülmektedir. Açık bir mekansal ölçek ve konumla ayrıntılı beyin ağı yapısı ve fonksiyon bilgisinin elde edilmesi ve büyük veriden beyin bağlantılarının çapraz seviyeli ve çok ölçekli uzay-zamansal özelliklerinin çıkarılması teknik güvence sağlar. Aşırı ideal bağlantının aksine, uygulanabilir bir teknik sistem, yeni disiplinlerarası beyin-mekansal bilişimin olgunluğuna işaret ediyor.
Beyin bağlantılarının izleri
Beyin bağlantılarının izlenmesi, yerinde çoklu modalite için ayrıntılı beyin bağlantı yapısı ve fonksiyon bilgisi elde etmek için esas olarak moleküllerden, sinapslardan, tek hücrelerden döngülere, ağlara ve beyin bölgelerine kadar çeşitli izleme tekniklerini araştırır ve kullanır. , Belirli, verimli ve kontrol edilebilir bir markalama yöntemi sağlayın. 19. yüzyılın sonunda ve 20. yüzyılın başında, İtalyan bilim adamı Camillo Golgi ve İspanyol bilim adamı Santiago Ramón y Cajal, nöronları boyamak için arka arkaya Golgi gümüş boyama yöntemini geliştirdi ve 1906 Nobel Fizyoloji veya Tıp Ödülü'nü kazandı. önem.
Mevcut izleyici teknolojileri şunları içerir: kimya, viroloji ve genomik, proteomik, transkriptom, metabonomi ve diğer omik teknolojilerin yardımıyla, transgenik teknoloji, izleyici etiketleme teknolojisi gibi farklı ölçeklerde beyin mekansal bilgileri için yerinde etiketleme teknolojilerinin geliştirilmesi ( Farklı seviyelerde beyin bağlantılarının temel birimlerinin spesifik ve vurgulanmasını sağlamak için immüno etiketleme, boyama izleyici, transfeksiyon etiketleme, vb.), Gen düzenleme teknolojisi vb. Ölçüme ulaşma perspektifinden bakıldığında, genellikle gözden kaçan numune hazırlama teknikleri çoğu zaman en önemli kısıtlamalardır. Şekil 1, Thy1-eYFP-H transgenik farelerin beynindeki birincil motor korteks nöronlarının (yeşil, mor) ve birincil görsel korteks nöronlarının (sarı, mavi) uzun menzilli projeksiyonunu ve dağılımını göstermektedir.
Şekil 1 Farelerde birincil motor korteks nöronlarının (yeşil, mor) ve birincil görsel korteks nöronlarının (sarı, mavi) uzun menzilli projeksiyonu ve dağılımı
Jiang ve arkadaşları, yetişkin farelerin neokorteksindeki farklı nöronların morfolojik farklılıklarını inceledi ve başlangıçta nöronların sınırlı hücre tipleri olarak sınıflandırılabileceğini ve her nöron tipinin kendi sabit bağlantı moduna sahip olduğunu doğruladılar. Buna dayanarak, farklı nöron türleri, sinir devreleri / ağları ve sinir sistemi arasındaki ilişkinin kimyasal elementlere, bileşiklere ve canlı organizmalara veya ayrı elektronik bileşenlere (dirençler gibi) benzetilebileceği cesurca varsayılabilir. Kapasitörler, indüktörler, triyotlar vb.), Temel devreler (güç devreleri, ses devreleri, amplifikatör devreleri vb.) Ve elektronik sistemler (iletişim elektronik sistemleri, uçak elektronik sistemleri, füze elektronik sistemleri vb.).
Temel bilimsel sorular temel olarak şunları içerir: (i) Beyin uzaysal bilgisinin izleme verimliliği nasıl artırılır ve mikroskobik ince yapının, mezoskopik tam formun ve makroskopik genel bilginin yüksek kontrastlı ve eksiksiz işaretlenmesi nasıl sağlanır? (Ii) Farklı tipte nöronları ve beyin hücrelerini (alt tiplere ayrılabilir), sinir devrelerini ve çoklu devrelerden ve hatta sinir sisteminden oluşan sinir ağlarını gerçekleştirmek için belirteçlerin özgüllüğü nasıl geliştirilir. İşlevsel bilgilerin izleyicisi mi? Belirli nöron, döngü ve ağ türleri için kontrol edilebilir seyrek sayı ve kontrol edilebilir çapraz sinaptik ilerleme nasıl elde edilir?
Tüm beyindeki beyin bağlantılarının ölçümü
Tüm beyin aralığındaki beyin bağlantılarının ölçümü temel olarak tüm beyni inceler, farklı ölçeklerde yüksek çözünürlüklü doğru görüntüleme ve mekansal konumlandırma yöntemlerini inceler, karşılık gelen konumlandırma kriterlerini belirler ve net uzamsal ölçekler ve konumlandırma anlamlarına sahip ince bir beyin elde etmek için veri toplama sürecini standartlaştırır. Ağ yapısı ve işlev bilgilerinin edinimi ve analizi, beyin bağlantılarının uzamsal-zamansal özelliklerini çıkarmak için çapraz düzeyli ve çok ölçekli büyük veriler sağlar, böylece uzay-zamansal özellikleri ve beyin mekansal bilgisinin yasalarını ortaya çıkarır ve bunlara hakim olur.
Mezoskopik ölçekte beyin bağlantıları için en ayırt edici ölçüm teknolojisi, MOST'a dayalı olarak tüm beyin için bir dizi yüksek çözünürlüklü, doğru uzaysal konumlandırma ve görüntüleme teknolojisidir. Ek olarak, seri iki fotonlu tomografi (STP), hafif tabaka mikroskobu (LSM), çok tonlu mikroskopi vb. Beyin alanı bağlantı bilgilerini incelemek için bazı teknik destek sağlayabilir. . Mezo ölçekli ölçüm teknolojisi, fMRI, pozitron emisyon tomografisi (PET), elektroensefalogram (EEG), işlevsel yakın kızılötesi görüntüleme gibi makro ölçekli ölçüm teknolojisi ile birleştirilebilir, fNIRI), X-ışını bilgisayarlı tomografi (X-CT), ultrason görüntüleme, vb. yanı sıra elektron mikroskobu görüntüleme, süper çözünürlüklü floresan nanoskopik görüntüleme gibi mikro ölçekli görüntüleme teknolojileri, birbirleriyle işbirliği yapar ve etkileşimde bulunur. Beyin alanı bilgi ölçümü için konumlandırma kıyaslaması ve veri toplama sürecinin standardizasyonu, beyin bilimi araştırma sonuçlarının sanayileşmesini teşvik etmek için önemli garantilerdir.Bu aynı zamanda beyin alanı bilgi ölçüm teknolojisi ile çözülmesi gereken en acil problemdir.
Temel bilimsel sorular temel olarak şunları içerir: (i) Mezoskopik ve mikro ölçekte beyin bağlantısının mekansal bilgisinin edinimi nasıl gerçekleştirilebilir? Mevcut teknoloji, beyin bağlantılarını makroskopik ölçekte analiz edebildi, ancak hala mezoskopik ve mikroskobik uzaysal ölçeklerdeki zamansal ve uzamsal değişiklikleri ölçecek araçlardan yoksundur. () Farklı ölçeklerde konumlandırma kıyaslamaları nasıl oluşturulur? Konumlandırma verisi, farklı koşullar altında elde edilen beyin alanı bilgilerinin eşleştirilmesi ve karşılaştırılması için ön koşuldur. Şu anda, makro ölçekli konumlandırma kıyaslamaları başlangıçta oluşturulmuştur, ancak acilen belirlenmesi gereken mezoskopik ve mikro ölçekli konumlandırma kriterleri hala eksiktir. () Ölçüm standardizasyonu nasıl sağlanır? Tüm ölçüm ekipmanı sürecinin ve ölçüm sürecinin standartlaştırılmış yönetimi, beyin alanı bilgi verilerinin güvenilirliğini ve geçerliliğini sağlamak için önemli bir ön koşuldur ve aynı zamanda karşılaştırmalı araştırma için de önemli bir temeldir.
Beyin bağlantılarının görselleştirilmesi
Araştırma içeriği temel olarak veri görselleştirme, bilimsel görselleştirme, bilgi görselleştirme ve beyin alanı bilgilerinin bilgi görselleştirmesini içerir. Görselleştirmenin amacı, kullanıcıların gözlemlemesi, simüle etmesi ve hesaplaması için yüksek boyutlu veri alanları, sanal gerçeklik ve diğer teknolojileri kullanarak beyin alanı bilgilerinin çapraz seviyeli ve çok boyutlu uzaysal ve zamansal değişikliklerini görsel ve verimli bir şekilde sunmaktır. Beyin bağlantısının görselleştirme araştırmasını gerçekleştirmek için bir yandan veri yönetimi, hesaplama, analiz ve görüntülemeyi içeren eksiksiz bir teknik çözüm seti oluşturmak, diğer yandan veri kodlama standartları, veri temsil standartları, veri kalite standartları ve veri alışverişi standartları oluşturmak gerekir. , Mekansal konumlandırma standartları, proses kontrol özellikleri ve diğer eksiksiz standart sistemler. Beyin bağlantılarının görselleştirilmesini gerçekleştirmek için ilk adım, beyin uzamsal bilgi büyük verilerinin sayısallaştırılması ve bilgilenmesini tamamlamaktır.Bunların arasında sayısallaştırma, bilginin temelidir.Beyin çekirdeklerinin ve nöronların çok boyutlu görüntü büyük verilerinden doğru ve verimli segmentasyonu ve yeniden yapılandırılması üzerine araştırma Morfoloji gibi belirli yapı, görüntüden grafiğe dönüşümü gerçekleştirir. Bilgi, dijitalleştirilmiş grafik görüntü verilerini yapılandırılmış bilgiye doğru bir şekilde dönüştürmek ve veritabanları ve atlaslar gibi temel organizasyonel formlar aracılığıyla beyin mekansal bilgi bilgilerini toplamak, sınıflandırmak, almak ve çağırmak için bilgisayar destekli teknoloji ve uzman bilgisinin incelenmesi ve uygulanmasıdır.
Üç boyutlu beyin bağlantı bilgilerinin görselleştirilmesi, bir beyin bilişsel modeli oluşturmak ve sonunda beynin çalışma mekanizmasını anlamak için çok önemlidir. 16. yüzyıl İtalyan sanatçısı Giuseppe Arcimboldo, bir zamanlar sebze, meyve ve çiçekleri sihirli bir şekilde insan figürlerinde birleştirdi, sanki onlarca farklı kimyasal element sonunda insan vücudunu oluşturabilirmiş gibi. İnsan, indirgemeciliğe dayalı doğal dünya anlayışını derinleştirmeyi başardı, ancak diğer yandan holizm veya sistemizmin rehberliğine de ihtiyaçları var. Beyine bağlı devasa büyük verilerin doğru bir şekilde görüntülenmesinin nasıl sağlanacağı, beyin bilimi araştırmaları için büyük bir zorluk olacaktır.
Beyin alanı bilgi verilerinin miktarı çok büyüktür ve teknik sistem, veri yapısı, veri sıkıştırma, bulut depolama ve diğer birçok yönden teknik destek gerektiren büyük veri depolama ve iletimini içerir. Ayrıca sayısallaştırma açısından modern dijital görüntü işleme, bulut bilişim, istatistik, makine öğrenimi ve diğer teknolojileri kullanmak ve geliştirmek; bilgi açısından veri madenciliği, veri tabanları ve bilgi bilimi gibi teknolojilerden öğrenmek ve benimsemek; görselleştirme açısından, o zaman Bilgisayar grafikleri, sanal gerçeklik ve diğer teknolojileri kullanmanız ve geliştirmeniz gerekiyor.
Temel bilimsel konular temel olarak şunları içerir: (i) Karmaşık büyük verilerde beyin alanı bilgilerinin doğru ve verimli dijitalleştirilmesini gerçekleştirmek için uzman müdahalesi ve otomasyon teknolojisi esnek bir şekilde nasıl kullanılır? () Zamansal ve mekansal değişim sürecinde elde edilen büyük veriyi etkileşimli olarak görselleştirmek için sanal gerçeklik ve diğer teknolojiler nasıl uygulanır? () Büyük verilerin depolanması, iletimi, hesaplanması ve sunumunu gerçekleştirmek için sınırlı bilgi işlem kaynakları nasıl kullanılır?
Beyin Bağlantısının Uzay-Zamansal Bilgi Özelliklerinin Çıkarılması ve Simülasyonu
Ana içerik, tüm beynin çok modlu, çapraz seviyeli ve çok ölçekli yüksek uzay-zamansal çözünürlük bilgilerinin entegrasyonu yoluyla nöral devrelerin ve belirli işlev ağlarının (hareket, görme, işitme, duygu, bellek vb.) Uzay-zamansal dinamik sürecini simüle etmektir. Morfolojik analiz, zamansal süreç analizi ve oluşumun nedensel analizi, beynin uzaysal bilgisinin nitel yorumunu ve nicel olarak tersine çevrilmesini gerçekleştirebilir, beyin bağlantılarının zamansal ve uzamsal değişikliklerini ortaya çıkarabilir ve beyin benzeri olan tüm beynin işlevsel simülasyonunu gerçekleştirebilir ve Akıllı teknoloji, yeni bir teorik temel sağlar.
Görünür beyin çapında ağlar (VBN) teknolojisini kullanan fare varil korteksi haritalaması, aynı beyin bölgesinde birden fazla morfolojik nöron olduğunu ve bunların yerel ve uzun menzilli dahil projeksiyon modellerinin farklı olduğunu buldu. Şekil 2 (A) 'da gösterildiği gibi, veriyolunun sınırlı veri aktarım hızı "von Neumann darboğazı" olarak adlandırılır Açıktır ki, beyin bilgi işleme mekanizması tamamen farklıdır, ancak gerçek durum nedir? Farklı beyin alanları arasında bilgi alışverişi nasıl gerçekleştirilir? Şekil 2 (B) 'de birkaç kısayol bağlantısıyla gösterilen küçük dünya ağı mı? Sistem biyolojisi düşüncesini kullanarak tüm beyinde bu problemi incelemek ve çapraz seviyeli ve çok ölçekli bir model kurarak beyin bağlantısının temel yasalarını simüle etmek ve sonunda anlamak gerekir.
Şekil 2 Beyin ağı bağlantısı ile küçük dünya ağının karşılaştırılması
Teknik sistemde, elde edilen verileri analiz etmek ve anlamak için istatistiksel sinyal işleme, yüksek boyutlu veri analizi, büyük veri işleme vb. Yöntemler benimsemek gerekirken, anlaşılan bilgiyi modelleme yöntemi istatistiksel modellemeyi içerir. , Makine öğrenimi, derin öğrenme vb.
Temel bilimsel sorular temel olarak şunları içerir: (i) Çok modlu, çapraz düzeyli, çok boyutlu ve çok boyutlu beyin bağlantısı büyük verilerinden belirli beyin işlevlerinin zamansal ve mekansal değişiklikleri nasıl ortaya çıkarılır? () Beyin benzeri araştırmaların ihtiyaçlarına göre beyin mekansal bilgisinin matematiksel bir modeli nasıl oluşturulur?
Büyük Veri Çağında Beyin Mekansal Bilişim
Beyin çok karmaşıktır ve beynin kapsamlı bir şekilde anlaşılması, kesinlikle çok sayıda seviyeye ve çoklu moda sahip büyük miktarda veri getirecektir. Örneğin, MOST görüntüleme teknolojisine dayalı olarak, mikron voksel çözünürlüğe sahip tam bir fare beyninden toplanan veri miktarı 8 TB'a kadardır ve bu bir floresans görüntü ise daha da büyüktür. İnsan beyni için, veriler aynı voksel çözünürlüğünde toplanırsa, veri miktarının 200.0004K yüksek çözünürlüklü filme veya 500 ilk üç hastanenin ürettiği yıllık verilere eşdeğer olan 11PB'ye ulaşması bekleniyor. Popüler hale getirilmiş 10M geniş bant kullanılıyorsa, yalnızca veri iletimi 300 yıl sürecektir. Ek olarak, beyin araştırmalarındaki veri türleri, farklı boyutlar, derinlik, yoğunluk, veri yapısı, sıkıştırma yöntemleri ve temsil edilen fiziksel nicelikler ve bunlara karşılık gelen biyolojik bilgi miktarları ile çeşitlidir. Bu nedenle, beyin araştırmalarının ürettiği muazzam miktardaki veri, kaçınılmaz olarak veri işleme, depolama, analiz, yönetim ve paylaşıma çok yönlü zorluklar getirecektir.
Veri hesaplama, depolama, iletim ve diğer teknolojiler için gereklilikler bir anlamda "büyük veri" ortaklığına sahiptir, ancak bu nöroinformasyon verilerinin bilimsel olarak nasıl organize edileceği, paylaşılacağı ve yönetileceği ve verilerin kullanım oranının ve değerinin nasıl iyileştirileceği modern bir yöntemdir. Bilgi teknolojisi, özellikle bilgisayar teknolojisi, benzeri görülmemiş zorluklar ortaya çıkarmıştır. Büyük verilerin hesaplanması, yüksek performanslı bilgi işlem alanındaki katılımdan ayrılamaz. Avrupa Birliği'nin "İnsan Beyni Projesi", insan beynini bir süper bilgisayarda modeller ve süper bilgisayarı, beynin işlevi ve etkinliği üzerinde önemli bir etkisi olan beyin nöron aktivitesinin devasa verilerini tasvir ve simüle etmek için kullanır. Simülasyon gerçekleştirin. ABD "Beyin Projesi" de büyük ölçekli bir sinirsel bilgi veri hesaplama platformunun kurulmasını önemli görevlerden biri olarak listeledi.
Büyük veri çağında, beyin mekansal bilişim araştırması yapmanın zamanı geldi ve fırsatlar ve zorluklar bir arada var oluyor.
Beyin Mekansal Bilişim Uygulaması
Çapraz seviyeli ve çok ölçekli zamansal ve mekansal değişim özelliklerine sahip olan beyin mekansal bilişiminin, üç boyutlu hatta dört boyutlu beyin yapısı ve işlevi haritalarının çizilmesinde ve ardından bilişsel beyin işlevi, beyin hastalıklarının önlenmesi ve tedavisinde ve akıllı teknolojinin geliştirilmesinde önemli bir rol oynaması beklenmektedir.
1. Bilişsel beyin işlevi
Nöron türleri gibi soruları yanıtlamak ve beyin haritaları çizmek için yerleşik beyin alanı bilgi tabanını kullanın ve bilişsel ve davranışsal sinirsel aktivite mekanizmalarının incelenmesi gibi beyin bilimi soruları için temel veriler sağlayın. Beyinde birden fazla bilgi türünün bir arada bulunduğu mekansal bilgiye dayalı olarak oluşturulmuş bir model, beyin bilimi araştırmaları için bir simülasyon ve analiz platformu sağlayacaktır.
Mezoskopik ölçekte etkili araştırma araçlarının bulunmaması nedeniyle, yüksek memelilerde sinirsel devre bağlantılarına ilişkin mevcut anlayış son derece eksiktir. Karmaşık beyin fonksiyonları genellikle yerel sinir devreleri ve uzun menzilli sinir devrelerinin sinerjisini gerektirir.Uzun menzilli sinir devreleri korteksten omuriliğe, neredeyse tüm beyin boyunca projeksiyon yapabilir. Tüm fare beyni herhangi bir yönde santimetre mertebesindedir; beyindeki hipokampus gibi belirli yapılar milimetre mertebesindedir; genel olarak nöron hücre gövdesinin çapı yaklaşık 5 ila 30 m'dir ve hücre gövdesi tarafından yayılan çıkıntıların çapı genellikle 1 m'den küçüktür. Tüm beyinde ince sinir yapıları elde etmek için, yüksek çözünürlüklü görüntülemenin 4 ila 5 büyüklükteki geometrik ölçekleri kapsaması gerekir - bu, mevcut görüntüleme teknolojilerinin üstesinden gelmesi gereken teknik bir darboğazdır. Şu anda, insanlar sadece 302 nöronlu nematodlar üzerinde nispeten eksiksiz nöral devre araştırmaları gerçekleştirdiler ve yaklaşık 100.000 nörona sahip olan Drosophila melanogaster'ın beyni üzerine ilgili araştırmalar yeni başladı. Aksine, yüksek memelilerin beyinleri yüz milyonlarla on milyarlarca nörondan oluşur ve memeli beyin bağlantılarını mezoskopik ölçekte haritalamak, geleneksel görüntüleme tekniklerinin hiç şüphesiz imkansız bir görevidir. Beyin mekansal bilişim alanındaki en ayırt edici araştırma yöntemlerinden biri olan MOST tabanlı yüksek çözünürlüklü hassas konumlandırma ve görüntüleme teknolojisi sistemi, tüm beynin mezoskopik ölçekte (nöron / hücre çözünürlüğüyle) giderek daha olgunlaşmaktadır. Farelerin veya insan olmayan primatların (rhesus maymunu) tüm beyin ağının ince yapısı ve işlevsel bağlantı haritası, önemli araştırma araçları ve teknoloji platformları sağlar.
2. Beyin hastalıklarının önlenmesi ve tedavisi
Tüm beyin boşluğunun ince bilgisinin entegrasyonu ve beyin yapısı ve işlevindeki farklılıkların farklı modaliteler altında karşılaştırılması yoluyla, nörojenetik ve gelişimsel hastalıklar gibi büyük beyin hastalıkları için beyin hastalıkları ve beyin gelişimi mekanizmalarını sistematik olarak incelemek yararlıdır ( Otizmin, akıl hastalığının (depresyon, vb.) Ve nörodejeneratif hastalıkların (alzheimer, vb.) Klinik önlenmesi ve tedavisi için destek sağlayın ve çocukların eğitimi için teorik rehberlik sağlayın.
Beyin hastalıklarının önlenmesi ve tedavisi, beyin bilimi araştırmalarının en önemli ihtiyaçlarından biridir. Beynin yapısının ve işlevinin anlaşılamaması nedeniyle Alzheimer hastalığı, Parkinson hastalığı, depresyon ve otizm gibi beyin hastalıklarının zamanında ve etkili bir şekilde tedavi edilmesi mümkün olmamakla birlikte beyin hastalıkları toplumda en çok yüklenen hastalık haline gelmiştir. Tüm beynin nöral devrelerinin uzamsal bağlantı bilgilerini tek nöron çözünürlük seviyesinde açığa çıkarmak, sadece çeşitli gelişmiş beyin fonksiyonu mekanizmalarını aydınlatmak için gerekli değil, aynı zamanda beyin hastalıklarını tam olarak anlamak ve fethetmek için de önemli bir önkoşuldur. Bazı nörolojik hastalıklara genellikle ilgili sinir devrelerindeki anormallikler eşlik eder. Patolojik model altında spesifik nöral devrelerin ayrıntılı bir haritasının elde edilmesi, yeni teknolojilerin geliştirilmesi ve büyük beyin hastalıklarının erken teşhisi ve hassas müdahalesi (hastalık öncesi müdahale ve tedavi sonrası rehabilitasyon dahil) için yeni yöntemlerin geliştirilmesi için gereklidir.
İdeal olarak, mükemmel bir beyin simülasyonu, sadece beynin nasıl çalıştığını bilmek değil, aynı zamanda beyin fonksiyonunun, yani beyin hastalıklarının patogenezinin bozulmasının sebebini de bilmek demektir. Sibernetiğin kurucusu Wiener, insanları bilgisayarların nasıl çalıştığı perspektifinden insan beynini anlamaya teşvik ediyor. Etkili bilgisayar simülasyonu sayesinde, bilim insanlarının beyin hastalıklarının belirli ayrıntılarını netleştirmesi ve ardından uygulanabilir tedavi yaklaşımlarını taraması ve hatta mevcut ilaç geliştirme yöntemlerinde devrim yaratması ve böylece önemli uygulama değerleri oluşturması beklenmektedir.
3. Beyin benzeri zeka teknolojisi geliştirin
Simülasyon, yorumlama ve tersine çevirme ve diğer yöntemlerle beyin alanı bilgi modeli, hafıza, öğrenme, karar verme vb. Prensiplerini keşfetmek, tüm beyin alanının işlevsel hesaplama modelini oluşturmak ve standartlaştırmak ve beyin benzeri yapay zeka tasarımını simüle etmek ve yeniden üretmek için kullanılır. Beynin yerel ve genel işlevlerinin çalışma yapısı ve beyin benzeri yapay zeka algoritmalarının geliştirilmesi, böylece makine daha iyi genelleme yetenekleri, daha iyi soyutlama yetenekleri ve seyrek verileri kullanma yeteneği elde edebilir.
60 yıllık geliştirmeden sonra, yapay zeka bir dizi dikkate değer başarı elde etti. 1997'de IBM Deep Blue Computer, dünya satranç şampiyonu Kasparov'u yenmesiyle ünlendi. 2016 yılında Google'ın AlphaGo'su, Go'nun dünya şampiyonu Lee Sedol'u dünyanın her yerinden insanların önünde mağlup ederek yeni bir akıllı teknoloji dalgası başlattı. Akıllı teknoloji artık makine çevirisi, akıllı kontrol, uzman sistemler, robotik, dil ve görüntü anlama, havacılık uygulamaları ve karmaşık veya büyük ölçekli görevleri yerine getirmek için insanların yerini alacak diğer önemli alanlar gibi birçok alanda başarıyla uygulanmaktadır. Ancak, mevcut akıllı teknoloji hala zayıf yapay zekanın gelişim aşaması ile sınırlıdır ve ayırt edici özelliği, yalnızca belirli bir bilişsel yeteneğe sahip olması ve başka işlevlere ulaşacak şekilde genişletilememesidir. Akademisyen Tan Tieniu "İstihbarat var ama zeka yok; IQ var ama EQ yok; hesaplama ama hesaplama değil; uzmanlık ama her şeye gücü yetmiyor" üzerine canlı bir yorum yaptı. Nedeni ise yapay zekanın beynin çalışma mekanizmasından öğrenmeye yetmemesi ve "beyin benzeri" nin yeterli olmaması ... Tabii insanın beynin kendisi hakkındaki anlayışı da çok yüzeysel. Mevcut yapay sinir ağı, yalnızca nöronlar arasındaki topolojik yapının bir kısmına referansla oluşturulmuş matematiksel bir modeldir. Temel algoritması, biyolojik sinir sisteminin analizinden değil, bilgisayar bilimi araştırmacıları tarafından icat edilmiştir. Beynin prensiplerinden ve yeteneklerinden hala farklıdır. Uzak.
İsviçre, Lozan'daki Federal Teknoloji Enstitüsü'nün "Mavi Beyin Projesi", 2005'ten beri insan beyni işlevlerini simüle etmeye çalışmaktadır. İlk hedefi, fare beyninin neokorteksindeki işlevsel sütun birimini oluşturan 10.000 nöronu ve 30 milyon sinaptik bağlantıyı analiz etmektir. Simülasyon gerçekleştirin. Bu model, nöromorfoloji, gen ifadesi, iyon kanalları, sinaptik bağlantılar ve fare beyin aktivitesinin birçok elektrofizyolojik kaydı gibi son on yıldaki çeşitli deneysel verilere dayanmasına rağmen, hala gerçek ve eksiksiz bir nöron ağı değildir. Amerikan Beyin Programı, yeni nesil makine zeka sistemlerini geliştirmek için beyin alanındaki sinirsel devre bağlantılarını yeniden yapılandırarak beyin korteksinin işlevlerini simüle etmeyi amaçlayan Beyin Korteks Simülasyon Projesi'ni (MICrONS) 2015 yılında başlattı. Birleşen Çin Beyin Projesi, beyin benzeri araştırmaları da önemli hedeflerinden biri olarak listeliyor.
Beyin mekansal bilgi mekanizmasının incelenmesinin, beyin işlevlerini tanımanın ve beyin benzeri yapay zeka geliştirmenin tek yolu olduğu görülebilir. Akıllı teknoloji, dar yapay zekadan beyin benzeri yapay zekaya doğru gelişiyor.Beyin bağlantılarının üç boyutlu hatta dört boyutlu haritasına dayanan beyin mekansal bilişiminin gelişimi, başarının veya başarısızlığın anahtarı olacak.
Özetle, beyin mekansal bilişim araştırmalarının beyin işlevini anlamak ve beyin hastalıklarının önlenmesi ve tedavisi için sağlam bir temel oluşturacağına ve ayrıca beyin benzeri yapay zeka teknolojisinin gelişimi için önemli bir rehberlik sağlayacağına inanmak mantıklıdır. Çin Beyin Projesi halihazırda yolda. Büyük ihtiyaçların rehberliğinde, temel anahtar teknolojilerin geliştirilmesi yoluyla bilimsel bir araştırma sisteminin kurulması, Çin Beyin Projesi'nin atılımlara ulaşması ve dünyaya liderlik etmesi için önemli bir yol haline gelmelidir.
Tartışma ve görünüm
Biyoinformatiğin gelişim sürecine baktığımızda, kesin olarak DNA dizileme teknolojisinin hızlı gelişimi nedeniyle, veri biriktirmekten verileri yorumlamaya bir geçişin ortaya çıktığını görebiliriz ki bu kaçınılmaz bir tarihsel gelişimdir. Benzer şekilde, mezoskopik ölçekli tüm beyin ağı görselleştirme teknolojisinin geliştirilmesiyle, PB düzeyinde beyin mekansal bilgi verileri oluşturulmuştur. Beyin bağlantılarının zamansal ve uzamsal özelliklerini analiz etmek için bilişim teknolojisinin, özellikle bilgisayar teknolojisinin nasıl kullanılacağı, beyin bilimi araştırmalarının sınırı haline geliyor. Bu nedenle, beyin mekansal bilişim, beyin bilimi ile bilgi biliminin çapraz kaynaşması ve gelişmesinin kaçınılmaz sonucudur.
Araştırma yöntemleri açısından bakıldığında, çekirdek teknoloji sistemi olarak VBN ile beyin mekansal bilişim, sistem teorisi araştırması ve indirgeme teorisi araştırmasının önemli bir kombinasyonudur.
Beyin mekansal bilişimi, beyin bilimi ile bilgi biliminin yüksek derecede kesişme noktasından oluşan, gelişmekte olan bir disiplindir.En önemli amacı beyni anlamaktır ve araştırma sonuçları beyni korumak ve beyni oluşturmak için eşit derecede önemlidir. Beyin mekansal bilişiminin en önemli özelliği, çekirdek olarak VBN ile benzersiz bir teknoloji sisteminin kullanılmasıdır.Bu yeni teknoloji sistemi, alt mikron veya daha yüksek voksel çözünürlüğe, global (tüm beyin aralığı), dinamik (beyin gelişimi Farklı aşamalar), nöron çözünürlüğü düzeyinde genom, transkriptom, proteom ve metabolom gibi ifade bilgileri dahil olmak üzere beyin bilimi araştırmaları için eşi görülmemiş veriler sağlar. Beyin mekansal bilişimi, yalnızca araştırma nesnesi olan beyindeki insanların nihai meydan okumasıyla karşı karşıya kalmaz, aynı zamanda araştırma yöntemleri açısından modern bilgi bilimi ve teknolojisinin gelişiminde benzeri görülmemiş zorluklar ortaya çıkarır.
VBN fMRI Luo 1 mm3 1 /fMRI/ MOST MOSTfluorescence micro-optical sectioning tomography, fMOST
MOST/fMOST fMRI
Teşekkürler
6142106491232000
Referanslar
Mitra P P. The circuit architecture of whole brains at the mesoscopic scale. Neuron, 2014, 83: 12731283
Seung S. Connectome: how the brains wiring makes us and who we are. Houghton Mifflin Harcour, 2013, 117: 15131514
Morgan J L, Berger D R, Wetzel A W, et al. The fuzzy logic of network connectivity in mouse visual thalamus. Cell, 2016, 165: 192206
Oh S W, Harris J A, Ng L, et al. A mesoscale connectome of the mouse brain. Nature, 2014, 508: 207214
Crick F, Jones E. Backwardness of human neuroanatomy. Nature, 1993, 361: 109110
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: 14041408
Huang Z J, Zeng H. Genetic approaches to neural circuits in the mouse. Annu Rev Neurosci, 2013, 36: 183215
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: 562574
Izpisua Belmonte J C, Callaway E M, Caddick S J, et al. Brains, genes, and primates. Neuron, 2015, 86: 617631
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: 15
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: 11341141
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: 8798
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: 98399850
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: 199208
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: 255258
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: 331336
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: 388390
Eisenberger N I, Lieberman M D, Williams K D. Does rejection hurt? An fMRI study of social exclusion. Science, 2003, 302: 290292
Duncan J, Seitz R J, Kolodny J, et al. A neural basis for general intelligence. Science, 2000, 289: 457460
Makeig S, Westerfield M, Jung T P, et al. Dynamic brain sources of visual evoked responses. Science, 2002, 295: 690694
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: 190198
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: 094301094301
Kasthuri N, Hayworth K J, Berger D R, et al. Saturated reconstruction of a volume of neocortex. Cell, 2015, 162: 648661
Balzarotti F, Eilers Y, Gwosch K C, et al. Nanometer resolution imaging and tracking of fluorescent molecules with minimal photon fluxes. Science, 2017, 355: 606612
Akil H, Martone M E, Van Essen D C. Challenges and opportunities in mining neuroscience data. Science, 2011, 331: 708712
Walter T, Shattuck D W, Baldock R, et al. Visualization of image data from cells to organisms. Nat Methods, 20107, 3: S26S41
Chen M, Ebert D, Hagen H, et al. Data, information, and knowledge in visualization. IEEE Computer Graph Appl, 2009, 29: 1219
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: 168177
Quan T, Zhou H, Li J, et al. NeuroGPS-Tree: automatic reconstruction of large-scale neuronal populations with dense neuritis. Nat Methods, 2016, 13: 5154
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: 440442
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 Alzheimers disease: group statistics on longitudinally acquired data. Neurobiol Aging, 2015, 36 Suppl 1: S11S22
Fan J, Han F, Liu H. Challenges of Big Data analysis. Natl Sci Rev, 2014, 1: 293314
Srivastava A, Lee A B, Simoncelli E P, et al. On advances in statistical modeling of natural images. J Math Imag Vision, 2003, 18: 1733
Pereira F, Mitchell T, Botvinick M. Machine learning classifiers and fMRI: a tutorial overview. NeuroImage, 2009, 45: S199S209
LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521: 436444
Landhuis E. Neuroscience: big brain, big data. Nature, 2017, 541: 559561
Markram H, Muller E, Ramaswamy S, et al. Reconstruction and simulation of neocortical microcircuitry. Cell, 2015, 163: 456492
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: (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: 667672
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: 111
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: 153160
Underwood E. Neuroscience. Barcoding the brain. Science, 2016, 351: 799800
. . : , 2016, 46: 201202
. . : , 2016, 46: 203205
. , , . : , 2016, 46: 206207
Luo L, Callaway E M, Svoboda K. Genetic dissection of neural circuits. Neuron, 2008, 57: 634660
İş ayrıntılarını görüntülemek için orijinal metni okumak için tıklayın ve katılmanızı dört gözle bekleyin ~
