多模态融合

多模态融合是连接组学发展的必然趋势

连接组学研究最有争议的一点是其投入产出比不高1，尽管在数据采集和分析阶段耗费了大量人力物力，但是其结果仅能反映神经系统某一时刻的静态结构数据，难以充分解释神经系统工作机制。有关争议的学术讨论并非本文主要内容，读者可自行关注两场著名的学术辩论（Anthony Movshon vs. Moritz Helmstaedter，Sebastian Seung vs. Tony Movshon）。为了能够将神经系统的结构数据和功能数据相融合，出现了一个新的连接组学研究范式——功能连接组学（Functional connectomics）2。功能连接组学要求对不同成像模态的数据进行高质量对齐，而这是一项具有复杂挑战的任务。简单来说，目前缺乏有效算法寻找不同的数据模态图像之间的对应点，因此在目前的功能连接组学配准过程中需要提前人为标注大量的关键特征点来辅助算法完成3。如何更有效地实现跨模态数据配准将是推广功能连接组学应用的关键之一。

  1. Adam H Marblestone, Evan R Daugharthy, Reza Kalhor, Ian D Peikon, Justus M Kebschull, Seth L Shipman, Yuriy Mishchenko, Jehyuk Lee, David A Dalrymple, Bradley M Zamft, and others. Conneconomics: the economics of dense, large-scale, high-resolution neural connectomics. Biorxiv, pages 001214, 2014. ↩

  2. H Sebastian Seung. Towards functional connectomics. Nature, 471(7337):171–172, 2011. ↩

  3. J Alexander Bae, Mahaly Baptiste, Agnes L Bodor, Derrick Brittain, JoAnn Buchanan, Daniel J Bumbarger, Manuel A Castro, Brendan Celii, Erick Cobos, Forrest Collman, and others. Functional connectomics spanning multiple areas of mouse visual cortex. bioRxiv, 2021. ↩