理解大脑活动如何转化为行为需要实时追踪单个神经元，但当研究对象是扭动的线虫或变形的水母时，这是一项众所周知的艰巨任务。研究人员开发了三种融合AI的工具来解决这个“对齐和注释”的瓶颈。这些工具——BrainAlignNet、AutoCellLabeler和CellDiscoveryNet——可以在动物变形和移动时自动识别和追踪细胞，准确率高达99.6%。这一突破将数月的体力劳动转变为近乎即时的自动化分析，为解码活体、行为中的生物体的神经系统提供了一个新模型。该研究发表在《eLife》杂志上。

瓶颈的终结

在Flavell实验室，早在2022年，当实验室正在进行关于大脑活动和行为期间血清素影响的主要研究时，经过数月训练的人员不得不花费长达五个小时为每条蠕虫的视频记录中的每个细胞注释其身份。团队成员对注释所有数据所需的时间感到绝望。后来，研究的主要作者Adam Atanas走进Flavell的办公室，带来了AutoCellLabeler的第一个版本。

每种工具都利用现有的底层神经网络架构，Atanas和合著者随后对其进行了优化、调整和改进，以专门解决对齐和注释问题。有些工具需要训练数据，但CellDiscoveryNet不需要。但最重要的是，研究人员不需要明确指导神经网络查看特定标准来做它们的工作。网络本身可以学习图像中的哪些特征会导致它们成功完成任务。

每种工具都以不同的方式攻击“对齐和注释”问题，但研究人员报告说，它们都已完善到结果高度准确的程度：

• BrainAlignNet：严格且快速地只解决对齐问题。它比实验室以前的方法快600倍，且与真实情况相比具有单像素99.6%的准确率。

• AutoCellLabeler：承担实际识别图像中每种细胞类型的任务。该工具需要人类注释数据的训练，但即使没有NeuroPAL标记的四种完整颜色，也能很好地工作。使用NeuroPAL时准确率为98%，当样品仅用两种颜色标记时，准确率仅略有降低。

• CellDiscoveryNet：可以在没有任何监督或训练的情况下，跨不同动物对齐和聚类荧光标记的细胞类型。其性能基本上与训练有素的人类标记员相匹配。

参考信息
“Deep neural networks to register and annotate cells in moving and deforming nervous systems” by Adam A. Atanas et al., eLife
DOI:10.7554/eLife.108159.2