武昌网站制作建设,简历设计网官网入口,有效的网站推广方案,网站开发需要用到哪些资料来源#xff1a;ScienceAI编译#xff1a;绿萝「了解大脑的所有复杂性需要从多个尺度——从基因组学、细胞和突触到整个器官水平的洞察力。这意味着处理大量数据#xff0c;超级计算正在成为解决大脑问题的不可或缺的工具。」人类大脑项目 (HBP) 科学主任、杜塞尔多夫大学和… 来源ScienceAI编译绿萝「了解大脑的所有复杂性需要从多个尺度——从基因组学、细胞和突触到整个器官水平的洞察力。这意味着处理大量数据超级计算正在成为解决大脑问题的不可或缺的工具。」人类大脑项目 (HBP) 科学主任、杜塞尔多夫大学和 Jülich 研究中心神经科学与医学研究所 (INM-1) 主任 Katrin Amunts 说。Katrin Amunts 和 Thomas Lippert 在《Science》发表「Brain research challenges supercomputing」为题的观点论文。人类大脑包含约 860 亿个神经元。放大其细胞和亚细胞细节揭示神经元连接的不同方面是一个重要的研究领域。然而将突触水平纳米范围到单个神经元和神经胶质细胞微米水平的不同空间尺度连接到整个器官是最具挑战性的。最近秀丽隐杆线虫的连接组具有 302 个神经元的特征并提出了完整的结构功能模型。人类大脑连接组的类似细节水平还有很长的路要走。因此解码人类连接组、信号转导机制以及与大脑功能的关系与先进计算和存储技术中呈指数增长的挑战有关这反过来可能会导致神经科学之外的创造性解决方案。扫描时间、存储技术和数据处理的挑战并非始于人类大脑的研究而是研究脊椎动物甚至无脊椎动物的大脑时的重要考虑因素见图。例如重建具有约 100,000 个神经元的成年果蝇大脑的突触连接最终生成了约 2100 万个相机图像和 106 TB 的数据集。最近人类大脑皮层的一个片段大约 1 平方毫米的体积在三个维度上被重建对应于大约 1.4 PB 的数据量。虽然 1 mm^3 是大脑皮层的一小部分占大脑总体积的 0.00007%但需要高速多光束电子显微镜以 326 天的扫描时间收集这些数据。进行此类研究的动机是深入了解大脑的详细结构可能会揭示对皮层网络的新理解并提供描述组织特性的新定量数据并对大脑活动产生影响。来自人脑研究的大数据根据对人脑连接组和组织的研究的分辨率数据的大小呈指数增长。最大的两个条形是估计大小因为人类大脑不存在此类数据。这种对人脑组织的分析是对其他物种大脑研究的重要补充因为它们之间存在相当大的差异尤其是连通性。例如在哺乳动物进化过程中大脑皮层的白质体积比灰质含有神经元细胞体增加得更快其中包含支持远程连接的轴突。长短连接的比例对电生理特性有影响因此对大脑功能有影响。然而与啮齿动物或无脊椎动物相比研究人类大脑中轴突及其突触的全部范围可能距离它们的细胞体几厘米代表了一个更实质的问题。磁共振成像MRI能够解决远距离连接并揭示连接模式包括活人大脑中的功能连接但图像体素在毫米范围内。该分辨率远低于检测单个轴突所需的空间分辨率因此容易导致束重建中固有的歧义。此外大脑连通性包括诸如侧支化一个轴突可能针对多个区域、收敛、互惠或空间分离的「树突乔木」等现象这些现象被认为是理解连通性的关键但无法通过 MRI 获得。因此宏观和微观连接组尺度之间存在差异。已经提出了不同的方法来弥合这两个世界例如最近在同一组织块中探索了使用 CLARITY 技术清除的脑组织中荧光标记神经丝的扩散 MRI 和高分辨率光学成像的组合以允许更强大多模态 MRI-CLARITY 比较。在另一项研究中来自人类海马的组织块通过解剖和扩散 MRI、三维偏振光成像 [3D-PLI; (11)] 和双光子荧光显微镜将不同空间尺度的海马纤维结构信息汇总在一起并将其表示在一个共同的参考空间 BigBrain 模型 (www.ebrains.eu) 中。这些数据显示了穿孔通路它不代表一个统一的管道而是一个多组分系统起源于内嗅皮层具有许多细轴突纤维束在 20 毫米的范围内并投射到角部和下叶。3D-PLI 是一种显微技术可以解码穿孔通路的精细结构该通路在学习和记忆以及阿尔茨海默病的发病机制中具有核心作用。在方法论上不同技术的组合有助于交叉验证结果。实际上它为将高分辨率感兴趣区域分析与全脑研究相结合铺平了道路。Atlas 方法可以系统地充当宏观和微观尺度的桥梁将来自单细胞超高分辨率研究的数据及其与感兴趣的小区域的联系整合到一个共同的微观参考空间中。BigBrain 以 20 毫米各向同性分辨率表示这种解剖模型该分辨率略高于查看细胞形态细节所需的分辨率。它基于 7404 个组织学、细胞体染色切片原始数据集约为 1 TB。BigBrain 提供了一个模板将皮层甚至子层的发现与全脑结构、连接性和功能的数据相结合。以细胞分辨率处理和分析整个人类大脑是一项巨大的挑战。目前在全脑水平上深入到单个轴突还遥不可及。然而为了简单起见假设一个轴突连接两个神经元在全脑水平跟踪轴突在计算上意味着什么根据死后大脑的扩散 MRI 在毫米范围内计算全脑水平的纤维路线意味着优化 4 × 10^5 个旋转方向。这将需要大约 130 兆字节的存储空间和 1 天的台式计算机计算时间。使用 3D-PLI 对整个人脑进行 60 µm 各向同性分辨率水平的轴突分析将需要 8.3 TB 的存储空间和现有超级计算机上的数天时间来优化 2 × 10^10 个自旋。如此大的数据集也给数据可视化带来了巨大的挑战。例如基于开源软件 VTK (www.paraview.org) 的 Paraview 可以使用并行图形处理单元 (GPU)并已应用于渲染和可视化 3D-PLI 数据。进一步优化 3D-PLI 以 1.3 µm 面内分辨率即单轴突获得的纤维取向旋转 10^13 次将导致 3.2 PB 的存储需求和多年的计算。这在目前的千万亿级技术中是不可能的但可以通过未来的百亿亿级计算能力来实现即每秒能够执行 10^18 次浮点运算即 1 亿亿次浮点运算的计算机。然而处理如此大的数据集会在输入输出级别产生大量计算需求。更高效的输入输出程序和算法正在出现这应该会有所帮助但计算挑战仍然非常高。当细胞和轴突信息与大脑组织的其他维度相关联时计算要求也会进一步增加例如分子结构具有区域特异性并且是信号转导的关键。同样当添加时间变化来模拟细胞活动、可塑性或网络功能时要求会进一步增加。在开发更符合生物学的大脑模型时不仅要考虑大脑的区域隔离还要考虑层流和亚层流特征及其特定的细胞数量、解剖和生理特性以及分布。同样基于更现实的模型的人脑计算机模拟必须相应地缩放这些模型解释了解剖学和生理学的限制。这些努力对高性能计算技术提出了要求。例如神经科学用例变得依赖于可扩展的工作流程从提取存储在数据存储库中的多模态数据集到预处理、模拟、可视化和分析甚至更多地使用机器学习和深度学习。此类工作流组件的计算将受益于未来超级计算的模块化和交互式概念例如在欧洲深度项目中开发的那些概念。在模块化超级计算架构中专门的计算模块被集成以形成深度连接的硬件架构并且可以与最适合工作流特定组件的每个模块连贯使用。这包括各种模块如中央处理单元 (CPU) 集群、GPU 增强器、用于数据分析的现场可编程门阵列模块、神经形态系统、极限存储模块以及未来的量子计算机和退火器。此外对需要交互式超级计算的神经科学工作流程的需求不断增长——例如在继续之前可视化中间结果和正确的参数设置——并且依赖于 Paraview 等软件的交互式使用。神经科学中的大数据挑战需要技术解决方案来存储数据TB 到 PB 范围内同时通过云提供给更广泛的社区。这需要从面向对象的云存储系统到超级计算机的 EB 级并行文件系统的透明数据传输。艾伦大脑研究所为神经科学家提供了一个平台并提供了大量反映不同物种包括果蝇、斑马鱼、小鼠和人类大脑组织多个方面的图像堆栈以及用于可视化、上传和下载的工具BigNeuronwww.alleninstitute.org/bigneuron/data/。人类生物分子图谱计划旨在开发一个开放的全球平台来绘制整个人体中的健康细胞这项努力伴随着大量的大数据和计算挑战。在欧洲人类大脑项目开发了 EBRAINS 以提供大量研究仪器、数据和相关服务——重点是人类、大鼠和小鼠的大脑——它们相互关联并使云访问交互式超级计算、基于网络的可视化和分析以及通过 Fenix 的高端模拟和数据服务。该平台由神经科学家和开发人员根据研究需求共同构建例如运行大规模模拟或 3D 重建和分析大脑模型。Fenix 被设计为一个通用的基础设施即服务平台包括欧洲范围的身份验证服务以支持许多研究社区的访问。在神经科学界共享数据、方法和研究工具并在不同社区之间联合服务可以利用大量相关的方法和资源投资这反过来又是开发新的脑医学诊断工具和疗法的基础。毫无疑问基于云的超级计算和分布式协作研究平台将在神经科学研究中发挥越来越大的作用以更好地了解大脑的复杂性。在未来五年内欧洲的目标是部署其前两台百亿亿级超级计算机。它们将由欧洲高性能计算联合企业 (EuroHPC JU) 收购这是欧盟、欧洲国家和私人合作伙伴之间的一项联合倡议。「大脑研究界随时准备使用这些百亿亿级系统。」Amunts 说。参考内容https://www.eurekalert.org/news-releases/935941论文链接https://www.science.org/doi/10.1126/science.abl8519未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
