自动化所微观重建与智能分析团队通过对笼养老鼠行为的自动分析，助力美国加利福尼亚大学伯克利分校丹阳教授团队得出了睡眠-觉醒-大脑状态和运动行为是由黑质网状部的共享神经元共同调节的这一结论。

 

 

相关成果“A Common Hub for Sleep and Motor Control in the Substantia Nigra”由美国加利福尼亚大学伯克利分校丹阳教授团队领衔，于2020年1月24日在线发表于《Science》。该研究首次报道了GABA神经元的GAD2而不是PV子集在低运动活动和唤醒状态下优先活跃。黑质网状部(SNr) GAD2神经元的激活/失活偏向自然行为转变的方向，并促进/抑制了睡眠。

 

作为该项研究的重要的合作者，团队开展了以下的工作：

 

1. 开发了一套自动追踪老鼠的深度学习算法，在不同光照和不同姿态的条件下都取得了很好的效果。实验的结果表明深度学习模型的分割准确度约为94.61%，与手动可变性(不同标注者标注结果的差异)的分割准确度95%接近。

 

2. 在深度学习分割的基础上，借助高斯混合模型(GMM)聚类分析确定了四种具有不同水平大脑唤醒和运动活动的状态：跑动、移动、安静觉醒和睡眠。实验结果表明了老鼠运动行为的转变主要发生在相邻状态之间，而不是随机发生的。

 

3. 通过将老鼠的运动状态分为上述四种，利用多帧深度学习的分割结果信息(质心平移和面积总运动)作为特征，使用随机森林模型对老鼠的运动状态进行分类。实验结果表明随机森林模型的分类精度可以达到96％。

 

团队提出的笼养老鼠行为的自动分析方法(下图)应用在几百个笼养老鼠视频上面(约300000帧/视频)，为文章的主要结论提供了重要的数据支撑。

 

 

 

团队成员博士生李伟夫（第2作者）、副研究员陈曦（第8作者）作为主要人员完成了上述研究，谢启伟教授领携博士生肖驰、刘静、洪贝等在过程中给予了帮助和支持。

 

 

脑微观重建与智能分析团队介绍

 

韩华研究员带领的脑微观重建与智能分析团队一直致力于解决微观神经大数据重建效率低下的难题，为脑科学和类脑智能研究提供突触水平神经结构重建所需的技术服务、解决方案和共享平台。团队从突触连接水平上解析脑网络结构和模型，从样品制备、自动切片、显微成像、图像合成及三维重建等关键环节开展关键技术攻关，提升了数据获取和标注分析效率，将成像系统与上游的样品制备系统和下游的数据分析系统集成，成功研发突触水平神经大数据重建平台和生物高通量电镜三维影像系统，先后通过北京市和中科院的技术验收，形成了具有自主知识产权的一站式、大体量、高通量的微观脑图谱解决方案。该方案亦对北京怀柔综合性国家科学中心脑认知功能图谱与类脑智能交叉研究平台起到了重要支撑作用。

 

 

 

原文链接：https://science.sciencemag.org/content/367/6476/440