机器学习（Machine-learning），特别是深度学习方法可以帮助处理和分析大量的数据。在监督式的深度学习中，卷积神经网络将训练数据通过简单模块的多层网络进行学习。
成像技术和高通量记录技术的进步正在以前所未有的速度生成神经科学数据，科学家们需要更加有效的数据分析方法，这在一些分支学科，如连接组学（connectomics），还有神经元活动的分析中尤其重要。
机器学习（Machine-learning），特别是深度学习方法可以帮助处理和分析大量的数据。在监督式的深度学习中，卷积神经网络将训练数据通过简单模块的多层网络进行学习。这样的网络逐步提取数据并提取特征，这些特征可以用于分析新数据。根据输入数据和网络训练的方式，提取的特征可能差别很大。
基于图像的数据，目前通常是手动分析，未来也许可以通过先进的机器学习来分析。例如，脑组织的电子显微成像通常产生数TB的数据，这些数据要用手动分析和注释，非常费力，如果采用诸如SyConn pipeline 或Multicut方法（Nat.Methods 14,435-442,2017; Nat.Methods 14,101-102,2017）等工具就能高效地分段，SyConn还能进一步分析这样的数据集。
同样，手动分析数小时的视频记录组成的数据集中的动物行为，也很枯燥乏味。如果采用诸如分类器之类的机器学习工具，以及更先进的已被用于分析果蝇或小鼠行为的方法就会方便很多。
钙成像数据分析是最近出现机器学习方法涌入的另一个领域。这些数据背景非常多，提取神经元尖峰并不容易，尤其是记录的信号取决于所使用的钙指示剂的性质。如果采用监督式学习方法就可以很灵活，处理来自不同钙指标的数据集。
此外，还有一些例子中，机器学习已被证明是分析神经科学研究中不断增长数据的有用工具。但是，这项技术还没有成为主流，要被更多科学家所接受，基于机器学习的方法必须在不同的条件下证明其稳健性。而且重要的是，这些应用也需要注重操作便捷性。
突触连接推理流程（Synaptic Connectivity Inference Pipeline, SYCONN）
人脑是一个智能而复杂的机器。这种类比在某些方面是准确的，并且在大脑研究领域中提供了一种方法。我们都知道，人脑可以分为四个部分：额叶、顶叶、颞叶和枕叶。这种划分的其中一个标准是功能性（functionality），或者说该区域负责行使哪种功能。例如，颞叶通常与听觉处理和嗅觉有关，而枕叶通常与视觉信息处理有关。
然而，大脑中的大多数神经行为非常复杂，不同程度上涉及了人脑的多个区域。其功能性也并不局限于对特定大脑区域的划分。歧义无所不在。因此，当发生脑部疾病并出现功能性障碍时，从宏观层面来调查其中的深层原因是相当困难的。
回到机器的那个类比，科学家现在想弄清楚他们是否可以从微观层面来消除这种”歧义“，即通过大脑基本单元之间的连接——神经元。一个连接组（connectome）就是一张大脑中神经连接的全景图，显示了神经元的连接以及行驶不同功能的方式。
体积电子显微镜（Volume EM）是一种常用的神经回路重建技术。其中，对大脑体积的三维 EM 成像技术可以用来重建神经元形态及其连接关系的细节信息。volume EM 之间的开发差异始于对中枢神经系统（CNS）检查的需要。正如导言所述，许多神经退化性疾病无法通过自上而下的方式来追究病因。因此，有必要使用足够大的分辨率来对轴突、树突和单个突触的活动进行分析。
荧光标记法通常适用于组织检查，相比之下，标准的 EM 染料并不受限于对稀疏标记或超分辨率光学成像的要求。这些染料可能会对所有的细胞膜和突触进行相对无偏见的染色。因此，Volume EM 可以用来塑造某个神经元前后突触结构的完整连接关系。此标准操作也可以拓展到脑体积中的所有神经元上，使我们能够建立一张全面的脑神经接线图或一个大脑连接组。
近年来，随着数据处理技术的进步，定量方法变得越来越重要。通过来自大数据集的解剖学电路重建技术（Anatomical Circuit Reconstruction），Volume EM 可以为神经计算提供之前所无法获得的见解。Volume EM 的技术进步以及计算能力的增强已经令使用足够大的数据集来重建完整的神经微电路成为可能。这些新的发现为一些研究项目提供了支持和示范——解剖电路重建技术如何才能为神经计算提供之前所无法获得的见解。
参考文献：
Automated synaptic connectivity inference for volume electron microscopy
Multicut brings automated neurite segmentation closer to human performance
联系客服
