Карта мозга плодовой мушки, завершённая недавно, содержит 166 000 нейронов и потребовала многолетней совместной работы ИИ-систем и специалистов-людей. Мозг мыши в тысячу раз крупнее, человеческий — ещё в тысячу раз. Чтобы сделать такие проекты реалистичными, Google Research разработала модель MoGen (Neuronal Morphology Generation), которая будет представлена на конференции ICLR 2026.
Коннектомика — раздел нейронауки, занимающийся построением полных схем связей между нейронами. Процесс выглядит так: тонкие срезы мозговой ткани сканируют под электронным микроскопом, затем двумерные изображения выравнивают, складывают в стопку и сегментируют, превращая в трёхмерные модели клеток. Главная сложность — форма нейронов. В отличие от большинства клеток тела, нейроны имеют вытянутую, ветвящуюся геометрию: длинный аксон, по которому идёт сигнал, и разветвлённые дендриты с шипиками, принимающие сигналы от соседних клеток. Эта сложная форма порождает два типа ошибок при автоматической реконструкции: «ошибки разрыва», когда два фрагмента одного нейрона считаются разными объектами, и «ошибки слияния», когда два разных нейрона объединяются в один. Исправлять их вручную — задача исследователей, аспирантов и технических специалистов, и именно этот этап остаётся главным узким местом всей отрасли.
Для ускорения реконструкции команда Google Research использует модель PATHFINDER, которая сначала выделяет отдельные сегменты нейритов, а затем собирает из них полный нейрон. Чтобы улучшить её точность, исследователи решили дополнить обучающую выборку синтетическими данными — подход, уже доказавший эффективность в обработке естественного языка, генерации изображений и автономном вождении. Для этого они обучили MoGen на базе архитектуры PointInfinity: модель постепенно преобразует случайное облако трёхмерных точек в реалистичные формы нейронов. Обучение проводилось на 1 795 аксонах из коры мыши, предварительно верифицированных людьми. Реалистичность синтетических форм проверяли эксперты, которым предлагали отличить настоящие нейриты от сгенерированных.
Добавление 10% синтетических данных в обучение модели PATHFINDER снизило ошибки реконструкции на 4,4%, прежде всего за счёт уменьшения ошибок слияния нейритов.
Добавление 10% синтетических данных от MoGen в обучение PATHFINDER снизило частоту ошибок на зарезервированной тестовой выборке аксонов мыши на 4,4%. Снижение достигнуто прежде всего за счёт ошибок слияния. В абсолютных числах это выглядит скромно, но при масштабировании на полный мозг мыши экономия составляет 157 человеко-лет ручной проверки. По заявлению авторов, это первый случай, когда современный генеративный ИИ улучшил показатели лучшего существующего метода коннектомной реконструкции.
MoGen позволяет управлять генерацией: задавать длину, пространственный охват, степень ветвления и другие параметры. В текущем исследовании модель генерировала случайный набор форм, но в дальнейшем её планируют направлять на геометрии, особенно склонные к ошибкам реконструкции. Параллельно команда исследует возможность использования синтетических нейронов для генерации синтетических изображений электронного микроскопа — это позволит обогащать обучающие данные ещё на более ранних этапах пайплайна. Модель опубликована в открытом доступе с видоспецифичными весами для мыши, зебровой амадины и плодовой мушки. Работа ведётся в партнёрстве с лабораторией Hess в HHMI Janelia.
