Konnektomik: KI seziert ihr Vorbild

| |
1 Star2 Stars3 Stars4 Stars5 Stars

Hinter dem hochkomplexen Schaltplan unseres Gehirns sind Wissenschaftler seit Jahrzehnten her. Künstliche Intelligenz wird jetzt den Weg dahin zumindest erheblich abkürzen.

Die Verschaltung aller Nervenzellen in unserem Gehirn (Konnektom) zu kartografieren gilt als heiliger Gral unter Hirnforschern. Und der ist bekanntlich schwer zu finden. Denn selbst ein winziges Mäusehirn mit etwa 70 Millionen Neuronen ist schon mit über 100 Milliarden Kontakten verdrahtet.

Jede Nervenzelle so eines Gehirns mit ihren Tausenden Kontakten und Partnerzellen zu erfassen schien noch vor wenigen Jahren gänzlich unmöglich. Mittlerweile verwandeln aber optimierte Färbe- und Mikroskopiemethoden die Hirngewebeproben sehr viel schneller in einem automatisierten Prozess in dreidimensionale, hochaufgelöste Elektronenmikroskopbilder. So tastet etwa am Max-Planck-Institut (MPG) für Neurobiologie ein Mikroskop die Oberfläche einer Probe mit 91 Elektronenstrahlen parallel ab. Trotzdem: Für das blaubeergroße Mäusegehirn braucht es immer noch einige Jahre. Und das wäre noch die geringste Hürde.

Flug über das Axon einer Nervenzelle in der Großhirnrinde einer Maus. Der Film zeigt das Zellgerüst, gefolgt von einer Rekonstruktion der Zelle.

Während es nämlich nun möglich ist, ein Hirngewebestück in wenigen Wochen in Billionen Pixel zu zerlegen, dauert die Analyse dieser Bilder viele Jahre. Denn herkömmliche Computeralgorithmen sind zu ungenau, um die hauchdünnen Fortsätze der Nervenzellen über lange Strecken zuverlässig zu verfolgen und die Synapsen zu erkennen. Daher müssen immer noch Menschen in stundenlanger Bildschirmarbeit die Synapsen in den Bilderstapeln aus dem Elektronenmikroskop identifizieren.

Neuronale Netze für die Konnektomik

Um diese Arbeit zu automatisieren setzten MPG-Wissenschaftler künstliche neuronale Netze ein. Sogenannte „Convolutional Neural Networks“ wurden darauf trainiert, Zellfortsätze, Zellbestandteile und Synapsen in den Bilddaten voneinander zu unterscheiden.

Anfang 2017 konnte das so entstandene SyConn-Netzwerk nach einer kurzen Anlernphase, diese Strukturen schon selbstständig mit geringer Fehlerrate identifizieren. Jetzt etwa eineinhalb Jahre später sind die MPG-Wissenschaftler und Forscher von Google A.I. mit Hilfe von sogenannten „Flood-filling Networks“ (FFNs) in der Lage, ganze Nervenzellen mit all ihren Bestandteilen und Verbindungen nahezu fehlerfrei aus einem Bilderstapel herauszuarbeiten.

FFNs gehören zu den Convolutional Neural Networks (CNN), besitzen jedoch einen internen Rückkoppelungspfad, der es ihnen erlaubt auf bereits Erkanntem aufzubauen. Das FNN trainiert dabei nicht nur, welche Färbemuster eine Zellgrenze anzeigen, sondern auch, welche Formen diese Grenzen typischerweise haben. Danach kann es den Rest des Datensatzes selbstständig kartieren. Als Referenzdaten (ground truth), dienten die wenigen „von Hand“ analysierten Zellen.

Die Entwicklung der FFNs steht möglicherweise für einen Wendepunkt in der Konnektomik. Denn die Geschwindigkeit der Datenanalyse hinkt nun nicht mehr der elektronenmikroskopischen Aufnahmegeschwindigkeit hinterher. Wirklich große Datensätze aufzunehmen und zu analysieren – bis hin zu einem gesamten Maus- oder Vogelhirn – rücken damit ins Machbare. Die Hochskalierung wird dann zwar technisch anspruchsvoll, aber im Prinzip alles Nötige für die Analyse bereit.

 


Erfahren Sie mehr über Technologien der künstlichen Intelligenz auf dem Embedded Forum der electronica.

 

 

 

 

Konnektomik (Bild: MPG/Julia Kuhl).

Mit Hilfe künstlicher neuronaler Netze wollen Neurobiologen den Schaltplan des Gehirns entschlüsseln. (Bild: MPG/Julia Kuhl).