Wendepunkt in der Konnektomik

Künstliche neuronale Netze helfen, das Gehirn zu kartieren

Wissenschaftler von Google AI und dem MPI für Neurobiologie haben ein auf künstlichen neuronalen Netzen basierendes Verfahren vorgestellt, das ganze Nervenzellen mit allen Bestandteilen und Verbindungen nahezu fehlerfrei aus einem Bilderstapel herausarbeiten kann. Dieser "Meilenstein in der automatischen Datenanalyse" könnte die Kartierung ganzer Gehirne, und damit langfristig auch deren Verständnis, in greifbare Nähe rücken.

Rekonstruktion von Nervenzellen aus einem Elektronenmikroskopie-Datensatz mit Hilfe der Flood-filling Networks (FFN). (Bild: MPI für Neurobiologie, Julia Kuhl) © MPI für Neurobiologie, Julia Kuhl

Um das Konnektom, den „Schaltplan“ eines Gehirns zu erstellen, erfassen Neurobiologen das Gehirn mit Hilfe dreidimensionaler Elektronenmikroskopie-Aufnahmen. Die Bildanalyse größerer Bereiche durch den Menschen würde jedoch trotz erheblicher Computer-Unterstützung Jahrzehnte dauern. Nun stellen Wissenschaftler von Google AI und dem MPI für Neurobiologie ein auf künstlichen neuronalen Netzen basierendes Verfahren vor, das ganze Nervenzellen mit allen Bestandteilen und Verbindungen nahezu fehlerfrei aus einem Bilderstapel herausarbeiten kann. Dieser Meilenstein in der automatischen Datenanalyse könnte die Kartierung ganzer Gehirne, und damit langfristig auch deren Verständnis, näherbringen.

Im Vergleich zum Gehirn benutzen künstliche neuronale Netze stark vereinfachte "Nervenzellen". Dennoch hat die darauf basierende künstliche Intelligenz bereits unzählige Anwendungen gefunden: vom autonomen Fahren über die Qualitätskontrolle bis hin zur Diagnose von Krankheiten. Bei sehr komplexen Aufgaben, wie dem Herausarbeiten einzelner Nervenzellen mit all ihren Verästelungen und Kontaktstellen aus einer dreidimensionalen Bildaufnahme eines Gehirns, waren die Algorithmen bisher jedoch zu ungenau.

Anzeige

„Die Zellstrukturen, die der Computer aus unseren elektronenmikroskopischen Aufnahmen generierte, hatten einfach viel zu viele Fehler“, berichtet Jörgen Kornfeld vom Max-Planck-Institut für Neurobiologie in Martinsried. „Um damit etwas anfangen zu können, musste alles nochmals "korrekturgelesen" werden.“ Das nimmt viel menschliche Arbeitszeit in Anspruch: Ganze elf Jahre würde das Überprüfen eines Bilderstapels mit gerade mal 0,1 Millimetern Kantenlänge dauern. „Daher mussten wir etwas Besseres erfinden“, so Kornfeld.

Das Singvogelhirn aus Basis
Besser als alles andere sind — zumindest derzeit – die Flood-filling Networks (FFNs), die Michal Januszewski zusammen mit seinen Kollegen bei Google A.I. entwickelt. Ein Datensatz aus dem Singvogelhirn, den Kornfeld schon vor Jahren aufgenommen und teilweise von Hand analysiert hatte, spielte bei dieser Entwicklung eine wichtige Rolle. Die wenigen, vom Menschen sorgfältig analysierten Zellen, stellen die Referenzdaten (ground truth) dar, anhand derer die FFNs erst lernten zu erkennen, wie ein richtiger Nervenzellausläufer aussieht, um mit dem Gelernten dann in Windeseile den Rest des Datensatzes zu kartieren.

Die Zusammenarbeit zwischen Computerwissenschaftlern und Biologen hat in der von Winfried Denk geleiteten Abteilung schon Tradition. Der Leiter der Google Arbeitsgruppe, Viren Jain, war im Jahr 2005 Doktorand am MIT, als sich Denk an Jains Doktorvater, Sebastian Seung, wandte. Es ging um Hilfe bei der Analyse der mit einer in Denks Abteilung damals neu entwickelten Methode aufgenommenen Datensätze. In der Abteilung war Kornfeld damals damit beschäftigt, ein Computerprogramm für die Daten-Visualisierung und Annotation zu schreiben. Kornfeld, in dessen Forschung Neurobiologie und Datenwissenschaften zunehmend verschmelzen, entwickelte hauptverantwortlich das "SyConn" System zur automatischen Synapsenanalyse. Dieses wird – wie die FFNs – bei der Gewinnung biologischer Erkenntnisse aus dem Singvogeldatensatz unverzichtbar sein.

Flood-filling Networks als Wendepunkt
Die Entwicklung der FFNs steht, so Denk, als Symbol für einen Wendepunkt in der Konnektomik. Die Geschwindigkeit der Datenanalyse hinkt nun nicht mehr der elektronenmikroskopischen Aufnahmegeschwindigkeit hinterher.

FFNs gehören zu den "Convolutional neural networks", einer speziellen Klasse von Algorithmen des automatischen Lernens. FFNs besitzen jedoch einen internen Rückkoppelungspfad, der es ihnen erlaubt auf bereits im Bild Erkanntes aufzubauen. Dies erleichtert es dem FFN enorm, die Unterscheidung von zellinternen und zellexternen Bereichen auf nahegelegene Bildelemente auszudehnen. Dabei lernt das FFN während der Lernphase nicht nur, welche Färbemuster eine Zellgrenze anzeigen, sondern auch, welche Formen diese Grenzen typischerweise haben. Die erwartete Einsparung an menschlicher Korrekturlesezeit durch die FFNs rechtfertigt auf jeden Fall, so Kornfeld, deren – im Vergleich zu bisherigen Methoden – größeren Verbrauch an Rechenleistung.

Inzwischen scheint es nicht mehr völlig undenkbar, wirklich große Datensätze, bis hin zu einem gesamten Maus- oder Vogelhirn, aufzunehmen und zu analysieren. „Die Hochskalierung wird technisch sicher anspruchsvoll, aber im Prinzip haben wir jetzt im Kleinen demonstriert“, sagt Jörgen Kornfeld, „dass alles Nötige für die Analyse bereitsteht.“

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige

Raman-Spektroskopie

Metrohm übernimmt B & W Tek

Die Metrohm AG aus Herisau, Schweiz, und B & W Tek aus Newark, Delaware, USA, haben die Akquisition von B & W Teks Spectroscopy Solution Business, B & W Tek LLC, sowie mehrerer ausländische Tochtergesellschaften bekannt gegeben.

mehr...

Pharma 4.0

Auszeichnung für Werum IT Solutions

Werum IT Solutions ist von APAC CIO Outlook als einer der „Top 10 Pharma & Life Science Solution Providers 2018“ ausgezeichnet worden. Der Preis wird an Unternehmen vergeben, die mit technologischen Weiterentwicklungen erfolgreich die...

mehr...