理解大脑活动与行为之间的联系，需要在动物自由运动时实时追踪每个神经元的位置与身份——这是一项“对齐与标注”的艰巨挑战。 麻省理工学院皮考尔研究所的Steven Flavell团队在 eLife 发表研究，开发了三款AI驱动的工具，成功破解了这一瓶颈。BrainAlignNet可在长时间视频中追踪细胞位置，准确率99.6%，速度比此前方法快600倍；AutoCellLabeler可基于少量训练数据识别细胞类型（如“NSM神经元”），准确率98%；CellDiscoveryNet则在无任何人工训练的情况下，自主聚类并识别不同个体间的细胞类型，表现媲美人类专家。这些工具已成功应用于线虫（C. elegans）和体态更复杂的水母（C. hemisphaerica），为神经科学、组织学等领域的大规模图像分析提供了新的通用模型。
“对齐与标注”瓶颈：神经元追踪的难点
在透明模式生物（如线虫、斑马鱼幼体）中，研究者可通过基因编码的荧光指示剂（如GCaMP）观测全脑神经元活动。然而，当动物运动时，身体变形、头部弯曲，导致：
- 对齐困难：同一神经元在视频不同帧中位置不断变化，无法直接比较；
- 标注困难：在数千张图像中手动为每个细胞标注身份（如“这是NSM神经元”）耗时极长（单个视频需5小时），且需要数月专业培训。
技术方案：三款AI工具分工协作
1. BrainAlignNet：亚像素级对齐
- 功能：将不同时间点的图像进行非刚性配准，解决“细胞A现在跑到了哪里”的问题；
- 性能：单像素级精度，准确率99.6%；
- 速度：比实验室此前使用的方法快600倍；
- 跨物种验证：除线虫外，成功应用于水母（C. hemisphaerica）——其身体各部位可任意相对移动，变形程度远大于线虫。
2. AutoCellLabeler：高精度细胞身份标注
- 功能：在已对齐的图像中识别特定细胞类型（“这是什么细胞”）；
- 训练：需少量人工标注数据作为训练集；
- 性能：当使用四色NeuroPAL标记系统时，准确率达98%；即使仅用两色标记，准确率仍保持高水平；
- 关键价值：可将多位人类标注者的知识聚合，超越单个人类标注者的性能。
3. CellDiscoveryNet：无监督细胞类型发现
- 功能：无需任何人工标注，通过比对多个个体的多光谱图像，自主聚类出>100种细胞类型；
- 性能：表现与训练有素的人类标注者相当；
- 创新性：这是首次在活体、运动动物中实现无监督的细胞类型自动识别，本质上是让AI自主“发现”神经系统的组织原则。
技术背景：多色荧光标记与变形神经系统的挑战
研究依托NeuroPAL（Neuronal Polychromatic Atlas of Landmarks）系统——一种在哥伦比亚大学开发的四色荧光标记技术，可将线虫的每个神经元赋予独特的颜色“条形码”，使细胞身份识别成为可能。然而，即使有颜色信息，人工标注仍需巨大工作量。
本研究的三款工具将这一系统从“手动查询”升级为“全自动分析”，使全脑成像数据的处理时间从数月降至数分钟。
临床应用潜力与未来方向
虽然当前工具专为透明模式生物设计，但其底层神经网络架构可推广至：
- 人类组织病理切片：识别和追踪特定细胞类型（如肿瘤细胞、免疫细胞）；
- 发育生物学：追踪胚胎发育过程中细胞的迁移与分化；
- 类器官研究：在三维培养物中自动标注细胞类型。
未来研究将：
- 将工具扩展至更多物种（如斑马鱼、涡虫）；
- 开发适用于自由运动动物（而非轻微受限状态）的成像与追踪系统；
- 整合电生理与行为数据，实现“全脑活动-行为”端到端分析。
“如今人们淹没在显微镜数据中，”资深作者Steven Flavell教授指出，“自动识别每张图像中的所有细胞，是许多研究者正努力解决的问题。”
参考信息
Reference: “Deep neural networks to register and annotate cells in moving and deforming nervous systems” by Adam A. Atanas, Alicia Kun-Yang Lu, Brian Goodell, Jungsoo Kim, Saba N. Baskoylu, Di Kang, Talya S. Kramer, Eric Bueno, Flossie K. Wan, Karen L. Cunningham, Brady Weissbourd, and Steven W. Flavell, eLife.
DOI: 10.7554/eLife.108159.2