【前沿技术】美国脑计划2.0!投5亿美元,绘制史上最全人脑地图

13833ace2d41e665876b9a9ee8439dec.jpeg

来源:智能研究院

【新智元导读】今天,脑科学计划宣布启动的「细胞图谱网络项目」,目标是绘制世界上最全面的人类大脑细胞图谱。这种雄心,堪比当年的人类基因组计划。

今天,美国国立卫生研究院(NIH)宣布了两个由「脑科学计划」发起的创新项目:

一个是「脑科学计划之细胞图谱网络项目」(BICAN),另一个是「精确脑细胞访问设备中心」。

48c6b381db2b40f7a50f7146ede00ef1.jpeg

未来5年,BICAN项目将获得5亿美元的资助,旨在绘制世界最全面的脑细胞图。

研究院认为,这些BRAIN 2.0项目旨在改变我们对脑细胞类型的理解,以及获取它们所需的精确工具,使我们离了解人脑的复杂工作机制又近了一步。

破解「大脑黑箱」的新项目

说起这个「脑科学计划」(BRAIN Initiative),它可是大有来头。

它于2013年由时任美国总统奥巴马发起,至今已走过了9个年头。

76449e89d3cff30ac943e10c77a18b8f.jpeg

「脑科学计划」是从关注工具开始,之后,「脑科学计划」发起了「大脑细胞普查网络项目」,并在2021年产生了大量论文。

这些研究结合了数百万个细胞的遗传特征、形状、位置和电活动的数据,以确定小鼠、狨猴和人类初级运动皮层(协调运动)的 100 多种细胞类型。

参与「大脑细胞普查网络项目」的数百名研究人员目前正在完成对老鼠大脑其余部分的细胞普查。

等项目全部结束,它有望成为神经科学圈广泛使用的免费资源。

在耗资数十亿美元、做了大量前期研究工作后,「脑科学计划」终于有底气提出最雄心勃勃的挑战:绘制世界上最全面的人类大脑细胞图谱。

f00f8839f6b7a804a0e8f2bf236a3798.jpeg

科学家们表示,「脑科学计划之细胞图谱网络项目」(BICAN),未来5年内能有5亿美元(每年1亿美元)的资助,这可以支持他们了解人类大脑是如何工作的以及疾病是如何影响大脑的。

艾伦脑科学研究所获得了 BICAN 三分之一的资助,该研究所所长曾宏奎认为,「BICAN使用了与大脑细胞普查网络项目类似的方法,但规模在扩大」。

从披露的资料看,曾宏奎所言不虚:由于BICAN将描述和绘制整个人类大脑的神经和非神经细胞,而人类大脑有2000亿个细胞,比老鼠的大脑大1000倍。

03534d6d68814b1ab56da5d07ca6394a.jpeg

这个难度显然比「大脑细胞普查网络项目」高很多。

曾宏奎相信,这项工作结果的意义是非凡的:该项目将作为一种神经科学的人类基因组计划的参考。

索尔克生物研究所的Joseph Ecker,也对该项目抱有很大的期待。

索尔克生物研究所领导BICAN表观遗传学研究,研究在不改变 DNA 的情况下传递的遗传变化。

Joseph Ecker说,「我们将尝试涵盖人类从成长到衰老的跨度」。

对于BICAN的雄心,美国国家卫生研究院(NIH)显然是力挺的。

NIH的BRAIN项目主任John Ngai说,BICAN「将改变我们世世代代进行神经科学研究的方式」。

8344c938990f53b9f20c49d91d58df31.jpeg

Ngai希望BICAN能全面研究几百个人类大脑,尽管研究人员才刚刚开始研究细节。Ngai说:「采样和覆盖范围将是一个非常非常大的讨论话题。」

今天宣布的另一项3年内3600万美元的资金将用于资助「精确脑细胞访问设备中心」,这个项目将利用新的脑细胞普查数据和先进的技术,为科学家创建工具包。

比如,该中心将开发病毒载体和脂质纳米颗粒,它们将锁定并在基因上调整特定类型的脑细胞。

28d9ca0ef7030c37b965de800dc63312.jpeg

图:脂质纳米颗粒在生命科学领域的应用

有了这个工具包,科学家们就能探究包括实验室动物和人体组织标本在内的模型系统中的特定脑细胞和神经回路,从而帮助科学家研究细胞功能并开发疾病治疗方法。

举个例子,该工具包能帮助科学家加深他们对神经电路功能的理解,并允许他们使用高精度和可重复性的分子探针针对特定的脑细胞和电路,从而研究复杂行为下的细胞和电路特异性活性,为未来的精确基因治疗奠定基础。

这些大型项目,连同「脑科学计划」后续的「跨尺度连接网络项目」(BRAIN CONNECTS,专注于追踪哺乳动物大脑中的接线图,预计明年初,它将得到为期5年的3000万美元资助),有望改变神经科学研究,阐明控制行为回路基础的基本原理,并为人类大脑疾病的治疗提供新方法。

到目前为止,NIH在BRAIN项目上总共投入了25亿美元,预计到2026年底将达到52亿美元。

4d11816e417fdd9759ca0d07825b0948.jpeg

脑计划研究

为了解开大脑的奥秘,2017年,NIH通过推进创新神经技术,开启了「大脑细胞普查网络项目」(BICCN)。

efbec5b1da50072a92f46b9927a2bb68.jpeg

这一项目旨在对人类、猴子和小鼠大脑中的不同细胞类型进行全面识别和编目。

随着这一项目开展了3年,2021年10月,在这一领域的研究轰然开炸。

Nature更是16篇论文齐发。

8248d83f34811728eae8ff66c032a24a.jpeg

研究人员在分子水平上全面绘制出了哺乳动物初级运动皮层细胞类型的特征图,标志着这项雄心勃勃项目的第一步已经完成。

这些研究主要对初级运动皮层的逐个细胞级的图谱绘制。

而之所以选择初级运动皮层,是因为这部分大脑结构在所有哺乳动物中都很相似。

尽管人类、猴子和老鼠的大脑之间存在许多差异,但我们控制运动的方式实际上是非常相似的。

初级运动皮层是哺乳动物大脑的外层,不仅整合了感觉和运动信息,还产生了复杂的认知功能。

如下图,人类(左)、狨猴(中)和小鼠大脑(右)中按脑细胞类型聚类的转录组数据。

31f37d7237568a42d2a13ec53df218a3.jpeg

这个成果可谓意义非凡,绘制出的大脑图谱,将帮助人类更好地理解大脑疾病,包括那些攻击控制运动神经元的疾病,如肌萎缩性脊髓侧索硬化症等。

此外,在大脑上的研究,美国大科技公司也投入不少精力,比如谷歌。

2019年,谷歌首次成功重建了果蝇大脑神经元的3D模型。

研究人员通过Flood-Filling Network算法和TPU芯片,将果蝇大脑切分成数千个40纳米的超薄切片。

并且使用透射电子显微镜生成每个切片的图像,产生了40万亿像素以上的果蝇大脑影像,然后将2D图像排列对齐形成完整果蝇大脑的3D图像。

28a5aa018e8f126b27a6a03841bf17ce.jpeg

40万亿像素下的果蝇大脑重建

紧接着2020年,谷歌公布了果蝇「半脑」连接组,绘制的图像涵盖了25000个神经元,按体积计算,大约占果蝇大脑的三分之一。

2021年,发布了最新的「H01」数据集,这是一个 1.4 PB 的人类脑组织小样本渲染图。

这也是第一个大规模研究人类大脑皮层的「突触连接性」的样本,这种连接性跨越了大脑皮层中所有层面的多种细胞类型。

目前为止,人类的大脑对于今天的我们还是非常神秘的存在。

脑计划研究的不断推进,未来将帮助我们破解人类大脑的奥秘,同时对于AGI的研究也将是巨大的推动。

参考资料:

https://www.science.org/content/article/nihs-brain-initiative-puts-dollar500-million-creating-detailed-ever-human-brain-atlas

https://www.nimh.nih.gov/news/science-news/2022/nih-brain-initiative-launches-projects-to-develop-cell-atlases-and-molecular-tools-for-cell-access

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

6616c2ab2689dcad8deb74ffd8130eed.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481577.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

HMM总结

文章目录4.HMM-->CRF4.1 HMM--是个序列4.1.1 推断问题(evaluate)4.1.2 viterbi decoding解码4.1.3 学习,参数估计4.1.4计算实例4.1.5 EM(baum-welch算法)的上溢出和下溢出概率图模型code4.HMM–>CRF 4.1 HMM–是个序列 x-观测到的条件…

南科大本科生在《物理评论快报》发文,实现由不定因果序驱动的量子冰箱

来源:FUTURE远见选编:FUTURE | 远见 闵青云 近日,南方科技大学物理系师生在实验中实现了由不定因果序驱动的量子冰箱。相关成果以「Experimental realization of a quantum refrigerator driven by indefinite causal orders」为题发表在《物…

论文学习12-Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data(CRF

文章目录abstract1.introduction1.2 条件模型2.标签偏差问题3.CRF提出条件随机场CRF abstract 我们提出了条件随机场,这是一个建立概率模型来分割和标记序列数据的框架。相对于隐马尔可夫模型和随机语法,条件随机场在这类任务中有几个优势,…

杨振宁六大数理工作赏析 | 祝贺杨先生百岁华诞

来源:返朴撰文:林开亮我的物理学界同事大多对数学采取功利主义的态度。也许因为受我父亲的影响,我较为欣赏数学。我欣赏数学家的价值观,钦佩数学的优美和力量:它既有战术上的随机应变,又有战略上的深谋远虑…

论文学习13Reconstructing the house from the ad: Structured prediction on real estate classifieds(实体关系抽取)

文章目录abstractIntroduction2. 相关工作3.房地产结构预测3.1问题形式化3.2 结构预测模型3.2.1 序列标注问题3.2.2 part-of tree constructLocally trained model (Threshold/Edmonds)Globally trained model (MTT)Transition-based dependency parsing (TB)4.实验5.pipeline总…

优化|深度学习或强化学习在组合优化方面有哪些应用?

来源:图灵人工智能前 言深度强化学习求解组合优化问题近年来受到广泛关注,是由于其结合了强化学习(Reinforcement learning)强大的决策(decision-making)能力和深度学习(deep learning)的各种模型(RNN、Transformer、GNN等等)强大的信息提取表征能力(r…

论文学习14-End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures(端到端实体关系抽取)

文章目录abstract1.introduction2.相关工作3.model3.1嵌入层3.2 序列层3.3实体检测3.4 依赖层3.5 Stacking Sequence and Dependency Layers3.6关系分类3.7 训练4 实验总结本文:Miwa, M. and M. Bansal “End-to-End Relation Extraction using LSTMs on Sequences …

人工智能在基因组学市场增长机会以及整个基因组学领域的最新技术

来源:ScienceAI编译:萝卜皮人工智能等最新技术浪潮已经触及几乎所有行业和企业的海岸。基因组学领域也不例外。在 2020-2030 年的评估期内,最新技术在基因组学领域的日益普及将被证明是基因组学市场人工智能的主要增长贡献者。基因组学可以定…

论文学习15-Table Filling Multi-Task Recurrent Neural Network(联合实体关系抽取模型)

文章目录abstract1 introduction2.方 法2.1实体关系表(Figure-2)2.2 The Table Filling Multi-Task RNN Model2.3 Context-aware TF-MTRNN model2.4 Piggybacking for Entity-Relation Label Dependencies2.5 Ranking Bi-directional Recurrent Neural Network (R-biRNN)3.Mode…

【Brain】大脑里也有个Transformer!和「海马体」机制相同

来源: 墨玫人工智能【导读】Transformer模型性能强的原因是模拟了人脑?我不能创造的,我也不理解。——费曼想要创造人工智能,首先要理解人类的大脑因何有智能。随着神经网络的诞生及后续的辉煌发展,研究者们一直在为神…

CRF总结

文章目录计算下Z(矩阵)1.1 一般参数形式1.2 简化形式Z1.3 矩阵形式1.3.2 Z2.维特比算法3.前向算法4.后向算法5.使用前向后向的概率计算6.期望计算7.参数估计(学习)7.1 梯度上升参考文献CRF 是无向图模型code 它是一个判别式模型建…

CAAI名誉理事长李德毅院士谈机器的生命观

来源:图灵人工智能2022年9月28日上午,为促进人工智能产、学、研、经、用的发展,助力余杭区人民政府建设杭州市人工智能创新发展区,由中国人工智能学会主办的会士系列讲坛—第一期通过线上的形式在余杭区未来科技城成功举办。本次活…

论文学习16-Going out on a limb: without Dependency Trees(联合实体关系抽取2017)

文章目录abstract1. Introduction2. 相关工作3. Model3.1 Multi-layer Bi-directional Recurrent Network3.2实体检测3.3 attention model3.4 关系检测3.5双向编码4.训练5.实验5.2 evaluation metrics5.3 基线和以前的模型5.4 超参数6.结果Katiyar, A. and C. Cardie (2017). G…

困局中的英伟达:进一步是鲜花,退一步是悬崖

来源: AI前线整理:王强、冬梅看看最近几个月的股价,英伟达的投资者肯定不怎么开心:但如果把时间拉长到 5 年,我们看到的故事似乎又不一样了:2020 年底显然是是一个转折点。很多游戏玩家还清楚地记得&#x…

论文学习17-Global Normalization of Convolutional Neural Networks(联合实体关系抽取CNN+CRF)2017

文章目录abstract1.Introduction2.相关工作3.Model全局归一化层(使用线性链CRF)4.实验和分析4.3实验结果总结Adel, H. and H. Schtze “Global Normalization of Convolutional Neural Networks for Joint Entity and Relation Classification.”abstract CNNCRF&g…

特斯拉AI日点不燃仿人机器人的市场热情

来源:科技智谷编辑:Light"仿人机器人的巨大市场蓝海能否兑现,核心还要看产品量产和成本控制。近期,沉寂已久的仿人机器人市场终于迎来了它的“春晚”——特斯拉AI日。根据外媒报道,在9月30日(北京时间…

LSTM(序列标注,自实现)

文章目录1.LSTM1.1 单独计算单层LSTM-cell单层LSTMBPTT2.序列标注使用pytorch实现序列标注自实现lstmimport torchimport torch.nn as nndef prepare_sequence(seq, to_ix):idxs [to_ix[w] for w in seq]return torch.tensor(idxs, dtypetorch.long)training_data [("Th…

Science最新:Jeff Gore团队揭示复杂生态系统中涌现的相变

来源:集智俱乐部作者:胡脊梁编辑:邓一雪导语生态学致力于理解自然生态系统中的多样化的物种和复杂的动力学行为,然而科学家长期缺乏描述和预测生物多样性和生态动力学的统一框架。MIT物理系的胡脊梁和Jeff Gore等科学家结合理论和…

强化学习发现矩阵乘法算法,DeepMind再登Nature封面推出AlphaTensor

来源:机器之心 微信公众号DeepMind 的 Alpha 系列 AI 智能体家族又多了一个成员——AlphaTensor,这次是用来发现算法。数千年来,算法一直在帮助数学家们进行基本运算。早在很久之前,古埃及人就发明了一种不需要乘法表就能将两个数…

论文学习18-Relation extraction and the influence of automatic named-entity recognition(联合实体关系抽取模型,2007)

文章目录abstract1.introduction3.问题形式化4.系统架构5. 命名实体识别6.关系抽取(核方法)6.1global context kernel6.2 local context kernel6.3 shallow linguistic kernel7实验Giuliano, C., et al. “Relation extraction and the influence of aut…