AI 生成合成神經元加速大腦地圖繪製

AI 生成合成神經元加速大腦圖譜繪製

2026 年 4 月 14 日

Michał Januszewski（研究科學家）與 Franz Rieger（學生研究員），Google Research

生成合成神經元幾何形狀有助於 AI 學習如何根據形狀更好地對神經元進行分類，進而加速未來的大腦圖譜重建。

快速連結

利用電腦建立複雜大腦的完整佈線圖，正開啟神經科學的新紀元。最近發布的完整雄性果蠅大腦及中樞神經系統圖譜，為研究大腦如何對刺激做出反應以及如何控制身體提供了基礎資源。

但重建哺乳動物（當然也包括人類）的整個大腦，目前仍遙不可及。擁有 166,000 個神經元的果蠅大腦圖譜，代表了 AI 輔助電腦與人類專家多年的工作成果。完整的小鼠大腦比這大一千倍，而人類大腦又比小鼠大腦再大一千倍。

Google Research 正在開發 AI 技術，透過加速神經元的識別、分類和視覺化，來應對更大規模的大腦圖譜繪製計畫。我們與合作夥伴一起，還繪製了斑胸草雀大腦碎片、完整的幼年斑馬魚大腦以及一小塊人類大腦碎片，最近我們還啟動了繪製小鼠大腦一小部分的計畫。我們即將在 ICLR 2026 發表的論文《MoGen: Detailed neuronal morphology generation via point cloud flow matching》，利用合成神經形狀來改進 AI 重建模型。

使用來自神經元形態生成模型（Neuronal Morphology Generation model，簡稱 MoGen）的合成範例來增強訓練數據，使重建錯誤減少了 4.4%，並為進一步改進指明了方向。雖然 4.4% 的錯誤改進聽起來微不足道，但在完整小鼠大腦的大規模運算下，這相當於節省了 157 人年（person-years）的人工校對時間。

這為 Google Research 神經連接組學（Connectomics）團隊不斷增加的基礎工具清單再添一筆，這些工具是在十多年的協作腦科學研究中開發出來的，旨在推動現代神經科學的發展。

這段由 MoGen 創建的合成神經元動畫展示了初始點雲如何逐漸接近真實的神經形狀。在這裡，MoGen 被訓練用於模擬小鼠神經元。使用 MoGen 的合成神經元來訓練 AI 模型可以減少大腦重建中的錯誤。

神經連接組學：大腦的佈線圖

神經連接組學領域透過重建腦細胞（即神經元）來建立大腦的佈線圖。這個過程始於對腦組織薄片進行成像，然後進行堆疊、對齊和分割，使 2D 圖像變成 3D 神經元。雖然第一個完整的蠕蟲大腦圖譜耗費了 16 年艱苦的人工方法，但目前的努力正利用數位成像和電腦來加速這一過程。

我們 Google Research 的團隊使用 AI 模型將顯微鏡圖像轉化為精確的 3D 神經元形狀。我們 AI 模型的輸出由人類專家進行校對和標註。這最後一步的驗證仍然是最耗時的，也是製作更具雄心的大腦圖譜的主要障礙。

多樣化的神經形狀

人體內的大多數細胞形狀大致像球體。然而，生物神經元的形狀卻千奇百怪，呈細長的絲狀。神經元沿著稱為軸突（axon）的主要突起發送訊號，軸突通常細而長，並且會捲曲、扭曲或分支。神經元透過稱為樹突（dendrites）的分支擴展網絡接收訊號，樹突通常具有較短的突起，稱為樹突棘（dendritic spines）。每個神經元還形成許多突觸（synapses），這是電訊號或化學訊號從一個神經元跳躍到另一個神經元的專門接點。

這種複雜的幾何形狀與生物功能相關，也是神經連接組學面臨的主要挑戰。我們最新的 AI 重建模型 PATHFINDER 首先識別神經突（neurite）片段，即神經元的小部分。然後它將這些片段組合起來創建一個完整的神經元。顯微鏡數據中的不規則性可能導致「分裂錯誤」（split errors），即兩個本應連接的神經突被分開；或「合併錯誤」（merge errors），即兩個無關的神經突被組合在一起。這些都是嚴重的錯誤，校對人員（通常是研究人員、研究生或技術專家）必須手動修正。

利用合成神經元訓練 AI

我們假設更多的訓練數據（即使是合成數據）也能提高 PATHFINDER 的性能。合成訓練數據在其他領域（包括自然語言處理、圖像生成和自動駕駛）已取得成功。

為了測試這一點，我們創建了 MoGen（Neuronal Morphology Generation 的縮寫）。我們訓練了一個 AI 模型，具體來說是 PointInfinity 點雲流匹配模型，將隨機的 3D 點雲逐漸轉化為真實的 3D 神經元形狀。利用先前經過人工驗證的小鼠皮層組織重建數據，我們通過從軸突表面採樣點，使用 1,795 個軸突訓練了 MoGen。我們邀請人類專家對一組包含真實和模擬的神經突進行分類，驗證了 MoGen 的模擬輸出是真實的。

這些旋轉的神經突片段是由 MoGen 生成的。AI 生成的形狀與真實的小鼠神經突相似，包括彎曲、扭曲、增厚和分支。人類專家無法區分真實片段和 AI 生成的片段。

隨後，我們將數百萬個這類合成形狀加入到我們的 PATHFINDER 訓練流程中。

結果：對當前技術水平的顯著提升

使用含有 10% MoGen 模擬數據訓練的 PATHFINDER 模型，將預留的小鼠軸突重建錯誤率降低了 4.4%，這主要是由合併錯誤率的降低所驅動的。這樣做減少了人類專家手動修正的需求。這標誌著現代生成式 AI 方法首次被用於改進神經連接組學重建中當前最佳的方法。

雖然這看起來像是微小的改進，但在完整小鼠大腦的規模下，這相當於為一名專家節省了 157 年的手動工作。

展望未來

這一初步結果表明，沿著類似路線還有其他潛在的改進空間。我們可以通過調整長度、空間範圍、分支和其他指標，引導 MoGen 生成特定類型的神經元。這項研究生成了隨機組合的形狀，但未來我們可以專注於那些特別容易出現重建錯誤的幾何形狀。雖然這項研究專注於小鼠，但由於不同物種具有不同的神經元形狀，我們也訓練了斑胸草雀和果蠅神經元版本的 MoGen。我們還在探索利用模擬神經元來創建合成電子顯微鏡圖像，以便在重建流程的早期提供更多訓練數據。

我們已將 MoGen 作為開源模型發布，連同其針對特定物種訓練的模型，作為供社群進一步開發的資源。我們相信，需要更多這類創新來應對即將到來的神經連接組學計畫（包括繪製完整的小鼠大腦）的巨大規模和複雜性。

致謝

我們感謝 HHMI Janelia 的 Hess 實驗室的學術合作者，並感謝 Google 神經連接組學團隊的貢獻。感謝 Lizzie Dorfman、Michael Brenner、John Platt 和 Yossi Matias 的支持、協調與領導。

快速連結

其他感興趣的文章

2026 年 4 月 9 日

2026 年 4 月 3 日

2026 年 3 月 31 日