长期以来，神经科学家们就像是拿着一张粗糙手绘地图的探险家，试图在一座拥有数千亿居民的超级大都市中寻找方向。

虽然我们知道哪里是负责记忆的“商业区”，哪里是掌控运动的“工业区”，但对于街道层面的细节，即细胞如何在微观尺度上组织协作，我们的认知始终隔着一层迷雾。

如今，一项结合了前沿基因组学与深度机器学习的突破性技术，正在彻底改变这一现状。

来自艾伦脑科学研究所与加州大学旧金山分校的研究团队开发出名为“CellTransformer”的人工智能模型，它不仅以前所未有的精度重绘了小鼠大脑图谱，更在神经科学界引发了一场关于“大脑如何构建”的认知革命。

这项发表于《自然通讯》的研究成果，标志着我们将不再依赖解剖学家主观的肉眼观察，而是通过算法客观地破译细胞间的隐秘语言。

超越肉眼的“生物制图师”

神经科学家、基因组学家、自称“生物制图师”的博西尔卡·塔西奇利用人工智能整理了大量的细胞数据，并构建了小鼠大脑的新地图。埃里克·丁内尔/艾伦研究所

在一个多世纪的神经科学史中，德国科学家科尔比尼安·布罗德曼在20世纪初绘制的大脑分区图一直被奉为圭臬。

他通过显微镜观察染色后的脑切片，根据细胞密度的变化划定了大脑的边界，这种被称为布罗德曼分区的方法至今仍在使用。

然而，这种基于视觉形态的传统制图法存在着明显的局限性：它过于依赖制图者的主观判断，且无法触及细胞内部的分子真相。

正如宾夕法尼亚大学医学院的神经解剖学家金永洙所言，过去的方法就像是用铅笔在模糊的照片上画线，其科学依据往往仅仅是“解剖学家脑子里的想法”。

与之形成鲜明对比的是，现代基因组学技术已经能够解析单个细胞内成千上万个基因的活跃状态，即转录组数据。

这些数据构成了细胞独特的“身份证”，让我们能够区分出超过5000种不同的小鼠脑细胞类型。

但问题随之而来：拥有海量的细胞身份数据并不等于拥有了一张清晰的地图，因为大脑并非简单的细胞堆积，而是高度复杂的生态系统。

就像仅知道一栋建筑是住宅还是商铺并不足以界定整个街区的功能一样，科学家们急需一种工具来理解不同类型的细胞是如何在空间上通过特定的排列组合形成功能区域的。

这正是博西尔卡·塔西奇与雷扎·阿巴西-阿斯尔团队引入人工智能的契机。

“只有当我们知道[细胞]是如何组织的，我们才能弄清楚它们是如何相互协作的，”哥伦比亚大学神经科学家克劳迪娅·多伊格说。承蒙 Claudia Doege 惠允

他们开发的CellTransformer算法并不是简单地分类细胞，而是模仿了人类理解复杂环境的方式。

想象一下你站在一座陌生城市的街头，如果你遮住眼前的一栋建筑，仅凭周围的环境——比如旁边的公园、便利店或写字楼，你大概率能推测出被遮挡建筑的属性。

CellTransformer正是利用这种“上下文预测”的逻辑，通过分析数百万个细胞及其邻近细胞的基因表达模式，学会了识别细胞间的“社交网络”。

它在反复的自我训练中，逐渐掌握了哪些细胞喜欢“聚在一起”，从而界定出具有特定生物学意义的微观区域。

这种基于数据驱动的制图方式，完全剔除了人为偏见，能够在数小时内完成人类需要数十年才能完成的工作。

潜藏在旧地图下的新世界

加州大学旧金山分校的 Reza Abbasi-Asl（左）和 Alex Lee 编写了一个机器学习算法，以找出脑细胞类型如何聚集在一起，从而进行神经生物学地图绘制。阿巴斯实验室（在新标签页中打开） 在加州大学旧金山分校

当研究人员将CellTransformer生成的图谱与现有的权威地图——艾伦小鼠脑通用坐标框架（CCF）进行比对时，结果令人既欣慰又震惊。

欣慰的是，AI生成的地图在宏观结构上与人类科学家多年积累的知识高度吻合，证明了该算法的可靠性。

震惊的是，在那些原本被认为是大块单一区域的地方，AI却“看见”了复杂精细的内部结构。

以纹状体为例，这是大脑中负责运动控制和奖赏机制的关键区域，在传统解剖学中，它通常被视为一个巨大的、均质的C形结构。

然而，对于这样一个单一结构如何同时处理截然不同的任务，学界一直存疑。

CellTransformer给出的答案令人豁然开朗：纹状体根本不是单一的整体，而是由多个更加细微的子区域镶嵌而成。

左图为人工智能 CellTransformer 绘制的小鼠脑图，右图为人类科学家利用小鼠脑通用坐标框架绘制的小鼠脑图。两者都定位了大脑中 1000 多个细胞亚区（人工智能发现的更多）。阿巴斯实验室（在新标签页中打开） 在加州大学旧金山分校

这一发现验证了加州大学洛杉矶分校神经解剖学家Hourig Hintiryan之前的推测，即我们过去的地图因为分辨率不足而掩盖了大脑真实的功能分区。

更令人兴奋的是，算法在脑干的中脑网状核等研究较少的区域，识别出了四个全新的亚区。

这些新发现的区域拥有独特的细胞构成和基因激活模式，暗示着它们可能承担着我们此前未知的神经功能。

这种从“像素级”到“街区级”的认知飞跃，不仅仅是绘图技术的胜利，更是对大脑功能理解的深化。

它告诉我们，每一个看似平滑的脑区内部，都可能隐藏着错综复杂的“行政区划”，每一块微小的领地都可能主导着特定的行为或生理反应。

精准医疗的未来导航图

这一技术的应用前景远不止于满足科学家的好奇心，它为未来的神经疾病治疗提供了至关重要的导航图。

正如塔西奇所强调的，“位置决定一切”，大脑特定区域的微小损伤可能导致截然不同的病理后果。

有了这张高精度的地图，医生和研究人员将不再是“盲人摸象”。

通过对比健康大脑与患病大脑（如阿尔茨海默病或帕金森病模型）的精细图谱，科学家可以精准锁定哪些特定的细胞亚群首先发生了病变。

这甚至可能改变我们研发药物的思路：未来的药物可能不再是针对整个大脑区域进行“地毯式轰炸”，而是精确制导至某个特定的细胞“街区”。

目前的挑战在于如何将这项技术从实验小鼠推广到人类大脑。

人脑拥有约1700亿个细胞，其复杂程度远超小鼠，且获取高质量的人脑活体数据极为困难。

但随着单细胞测序技术的成本下降和计算能力的提升，这一跨越只是时间问题。

哥伦比亚大学的克劳迪娅·多伊格对此充满信心，她认为随着数据的积累，AI终将揭开人类意识与思维的物理载体之谜。

在这场生物学与计算机科学的联姻中，AI不再仅仅是处理数据的工具，它正在成为人类认知自身的向导。

就像早期的航海图指引人类发现了新大陆一样，这些由算法绘制的神经图谱，终将带领我们抵达理解智慧起源的彼岸。