由新加坡國立大學(xué)(NUS)的研究人員領(lǐng)導(dǎo)的一個研究小組說，他們成功地利用機(jī)器學(xué)習(xí)發(fā)現(xiàn)了人類大腦細(xì)胞結(jié)構(gòu)的新觀點(diǎn)?？茖W(xué)家們展示了一種利用功能磁共振成像(fMRI)收集的數(shù)據(jù)自動估計(jì)大腦參數(shù)的方法，使神經(jīng)科學(xué)家能夠推斷不同大腦區(qū)域的細(xì)胞特性，而無需使用外科手術(shù)手段探測大腦。

據(jù)發(fā)表在《科學(xué)進(jìn)展》(Science Advances)雜志上的研究人員稱，這項(xiàng)技術(shù)可能用于評估神經(jīng)系統(tǒng)疾病的治療，并開發(fā)新的治療方法。

“我們考慮了具有區(qū)域特異性微尺度特性的人類大腦皮層的大規(guī)模動態(tài)回路模型。該模型采用隨機(jī)優(yōu)化方法進(jìn)行了反求，得到了更適合于新的樣本外靜息功能磁共振成像(fMRI)數(shù)據(jù)的結(jié)果。在不假設(shè)層次結(jié)構(gòu)存在的情況下，估計(jì)的模型參數(shù)顯示了一個大規(guī)模的皮層梯度。在一端，感覺運(yùn)動區(qū)域有很強(qiáng)的周期性連接和興奮性皮層下輸入，與外部刺激的局部處理一致。在相反的一端，默認(rèn)的網(wǎng)絡(luò)區(qū)域具有微弱的重復(fù)連接和興奮性皮層下輸入，這與它們在內(nèi)部思維中的作用是一致的，”研究人員寫道。

此外，反復(fù)出現(xiàn)的連接強(qiáng)度和皮層下輸入為區(qū)分層次結(jié)構(gòu)的水平提供了補(bǔ)充信息，只有前者與皮層層次結(jié)構(gòu)的其他宏觀和微觀代理(認(rèn)知功能、主要靜息功能磁共振成像梯度、髓磷脂和層狀特異性神經(jīng)元密度的meta分析)顯示出強(qiáng)烈的相關(guān)性?？偟膩碚f，這項(xiàng)研究為動態(tài)靜息狀態(tài)下大腦皮層的宏觀層次結(jié)構(gòu)提供了微觀層面的見解。

“許多疾病的潛在途徑發(fā)生在細(xì)胞層面，許多藥物在微觀層面運(yùn)作。知道真正發(fā)生在人類大腦最深處的水平,這對我們來說是至關(guān)重要的發(fā)展方法,深入研究大腦深處的無創(chuàng),”隊(duì)長托馬斯·楊說,博士,助理教授新加坡腦科學(xué)研究所(SINAPSE)在新加坡國立大學(xué),和一個* STAR-NUS臨床成像研究中心(中國保監(jiān)會)。

目前，大多數(shù)人類大腦研究僅限于非侵入性方法，如磁共振成像(MRI)。這限制了在細(xì)胞水平上對人類大腦的檢查，這可能為各種神經(jīng)疾病的發(fā)展和潛在治療提供新的見解。

楊指出，世界各地的不同研究團(tuán)隊(duì)已經(jīng)利用生物物理模型來彌補(bǔ)非侵入性成像和對人類大腦細(xì)胞理解之間的差距。生物物理大腦模型可以用來模擬大腦活動，使神經(jīng)科學(xué)家能夠深入了解大腦。然而，這些模型中的許多都依賴于過于簡單的假設(shè)，例如，所有大腦區(qū)域都具有相同的細(xì)胞特性，而科學(xué)家們在100多年前就已經(jīng)知道這些假設(shè)是錯誤的。

楊和他的團(tuán)隊(duì)與龐貝法布拉大學(xué)、巴塞羅那大學(xué)和烏得勒支大學(xué)醫(yī)學(xué)中心的研究人員合作，分析了452名人體連接體項(xiàng)目參與者的成像數(shù)據(jù)。與以往的建模工作不同，他們允許每個大腦區(qū)域具有不同的細(xì)胞特性，并利用機(jī)器學(xué)習(xí)算法自動估計(jì)模型參數(shù)。

“我們的方法與真實(shí)數(shù)據(jù)更加吻合。此外，我們發(fā)現(xiàn)機(jī)器學(xué)習(xí)算法估計(jì)的微尺度模型參數(shù)反映了大腦如何處理信息。

研究小組發(fā)現(xiàn)，大腦中負(fù)責(zé)感官感知的區(qū)域，如視覺、聽覺和觸覺，表現(xiàn)出與大腦中負(fù)責(zé)內(nèi)部思考和記憶的區(qū)域相反的細(xì)胞特性。人類大腦細(xì)胞結(jié)構(gòu)的空間模式緊密地反映了大腦如何分層次地處理來自周圍環(huán)境的信息。這種形式的分層處理是人類大腦和人工智能最新進(jìn)展的一個關(guān)鍵特征。

新加坡國立大學(xué)工程學(xué)院電子與計(jì)算機(jī)工程系的楊教授說:“我們的研究表明，大腦的處理層次是由其區(qū)域間的微尺度分化所支持的，這可能為人工智能的突破提供進(jìn)一步的線索。”

未來，新加坡國立大學(xué)的研究小組計(jì)劃應(yīng)用他們的方法來檢查個體參與者的大腦數(shù)據(jù)，以更好地理解個體大腦細(xì)胞結(jié)構(gòu)的變化如何與認(rèn)知能力的差異相關(guān)。該研究小組希望，這些最新的研究結(jié)果可以為開發(fā)針對特定藥物或大腦刺激策略的個性化治療方案邁出一步。