Η λειτουργία του εγκεφάλου βασίζεται στις συνδέσεις μεταξύ των νευρικών κυττάρων. Για να χαρτογραφήσουν αυτές τις συνδέσεις και να δημιουργήσουν το connectome, το “διάγραμμα καλωδίωσης” ενός εγκεφάλου, οι νευροβιολόγοι συλλαμβάνουν εικόνες του εγκεφάλου με τη βοήθεια τρισδιάστατης ηλεκτρονικής μικροσκοπίας.
Μέχρι τώρα, όμως, η χαρτογράφηση μεγαλύτερων περιοχών παρεμποδίστηκε από το γεγονός ότι, ακόμη και με σημαντική υποστήριξη από τους υπολογιστές, η ανάλυση αυτών των εικόνων από τους ανθρώπους θα διαρκέσει δεκαετίες. Αυτό έχει αλλάξει τώρα. Οι επιστήμονες από το Google AI και το Ινστιτούτο Νευροβιολογίας του Max Planck περιγράφουν μια μέθοδο που βασίζεται σε τεχνητά νευρωνικά δίκτυα που είναι σε θέση να ανακατασκευάσουν ολόκληρα τα νευρικά κύτταρα με όλα τα στοιχεία και τις συνδέσεις τους σχεδόν χωρίς λάθη από τις στοίβες εικόνων.
Σε σύγκριση με τον εγκέφαλο, τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούν απλά απλοποιημένα « νευρικά κύτταρα ». Ωστόσο, η τεχνητή νοημοσύνη που βασίζεται σε αυτά τα δίκτυα έχει ήδη βρει αναρίθμητες εφαρμογές: από την αυτοκαταστροφή των αυτοκινήτων έως τον ποιοτικό έλεγχο στη διάγνωση ασθενειών. Ωστόσο, μέχρι τώρα οι αλγόριθμοι ήταν υπερβολικά ασαφείς για πολύ σύνθετα καθήκοντα όπως η χαρτογράφηση μεμονωμένων νευρικών κυττάρων με όλες τις διακλαδώσεις και σημεία επαφής τους από μια τρισδιάστατη εικόνα ενός εγκεφάλου.
“Οι κυτταρικές δομές που ο υπολογιστής που δημιουργήθηκε από τις εικόνες ηλεκτρονικής μικροσκοπίας απλά είχαν πάρα πολλά λάθη”, λέει ο Jörgen Kornfeld από το Max Planck Institute of Neurobiology στο Martinsried. “Για να μπορέσουμε να δουλέψουμε με αυτά τα δεδομένα, όλα τα πρώτα έπρεπε να είναι” διορθωμένα “.” Αυτό θα απαιτούσε πολλή δουλειά: 11 ολόκληρα χρόνια για μια στοίβα εικόνων με μήκος μόνο 0,1 χιλιοστών. “Γι ‘αυτό έπρεπε να βρούμε κάτι καλύτερο”, λέει ο Kornfeld. Τα καλύτερα εργαλεία – τουλάχιστον επί του παρόντος – είναι τα δίκτυα πληρώσεως πλημμυρών (FFN) που ανέπτυξε ο Michal Januszewski και οι συνεργάτες του στο Google AI.
Ένα σύνολο δεδομένων από τον εγκέφαλο ενός χορευτικού πτηνού που καταγράφηκε ήδη χρόνια νωρίτερα από τον Kornfeld και το οποίο αναλύθηκε μερικώς με το χέρι, διαδραμάτισε σημαντικό ρόλο στην εξέλιξη αυτή. Τα λίγα κύτταρα που αναλύονται προσεκτικά από τον άνθρωπο αντιπροσωπεύουν την αλήθεια του εδάφους με την οποία τα FFN πρώτα έμαθαν να αναγνωρίζουν τι μοιάζει με μια πραγματική δομική προεξοχή. Βάσει όσων έχουν μάθει, το υπόλοιπο σύνολο δεδομένων μπορεί στη συνέχεια να χαρτογραφηθεί με ταχύτητα κεραυνού.
Η συνεργασία μεταξύ επιστημόνων υπολογιστών και βιολόγων δεν είναι κάτι νέο στο τμήμα με επικεφαλής τον Winfried Denk. Ο ηγέτης της ομάδας έρευνας Google, Viren Jain, ήταν Ph.D. φοιτητής στο MIT το 2005 όταν ο Denk στράφηκε στον επικεφαλής του Jain, Sebastian Seung. Ο Denk ήθελε τη βοήθεια του Seung με την ανάλυση των συνόλων δεδομένων που δημιουργήθηκαν χρησιμοποιώντας μια μέθοδο που είχε μόλις αναπτυχθεί στο τμήμα του Denk. Εκείνη την εποχή στο τμήμα, ο Kornfeld ασχολήθηκε με τη σύνταξη ενός προγράμματος ηλεκτρονικού υπολογιστή για οπτικοποίηση δεδομένων και σχολιασμό.
Ο Kornfeld, του οποίου η έρευνα συνδυάζει όλο και περισσότερο τη νευροβιολογία και την επιστήμη των δεδομένων, ήταν κυρίως υπεύθυνη για την ανάπτυξη του συστήματος “SyConn” για την αυτόματη ανάλυση συνάψεων. Αυτό το σύστημα – όπως και τα FFN – θα είναι απαραίτητο για την εξαγωγή βιολογικών γνώσεων από το σύνολο δεδομένων τραγουδιού. Ο Ντενκ θεωρεί την ανάπτυξη των FFN ως συμβολική καμπή στη συνδετική. Η ταχύτητα της ανάλυσης δεδομένων δεν υστερεί πλέον από εκείνη της απεικόνισηςηλεκτρονική μικροσκοπία .
Τα FFN είναι ένας τύπος συνελικτικού νευρικού δικτύου, μια ειδική κλάση αλγορίθμων μηχανικής μάθησης. Ωστόσο, οι FFN διαθέτουν επίσης μια εσωτερική διαδρομή ανατροφοδότησης που τους επιτρέπει να χτίζουν πάνω από τα στοιχεία που έχουν ήδη αναγνωρίσει σε μια εικόνα. Αυτό καθιστά πολύ πιο εύκολο για τον FFN να διαφοροποιήσει εσωτερικές και εξωτερικές κυτταρικές δομές σε γειτονικά στοιχεία εικόνας. Κατά τη διάρκεια της φάσης μάθησης ο FFN μαθαίνει όχι μόνο ποια σχέδια χρώσης υποδηλώνουν ένα κυτταρικό περίγραμμα, αλλά επίσης και ποια μορφή έχουν αυτά τα σύνορα. Οι αναμενόμενες εξοικονομήσεις χρόνου που απαιτούνται για την ανθρώπινη διόρθωση μέσω της χρήσης των FFN δικαιολογούν ασφαλώς, σύμφωνα με τον Kornfeld, τη μεγαλύτερη υπολογιστική ισχύ που απαιτείται σε σύγκριση με τις μεθόδους που χρησιμοποιούνται επί του παρόντος.
Τώρα δεν φαίνεται πλέον εντελώς αδιανόητο να καταγράψουμε και να αναλύουμε εξαιρετικά μεγάλα σύνολα δεδομένων, μέχρι έναν ολόκληρο εγκέφαλο ποντικιών ή πτηνών. “Η αναβάθμιση θα είναι σίγουρα τεχνικά δύσκολη”, λέει ο Jörgen Kornfeld, “αλλά καταρχήν έχουμε δείξει σε μικρή κλίμακα ότι όλα τα απαραίτητα για την ανάλυση είναι διαθέσιμα”.