AI生成合成ニューロンが脳マッピングを加速：コネクトミクス研究の新時代
AIが牽引するコネクトミクス：脳全体の配線図解明への挑戦
脳の機能解明における究極の目標の一つは、脳内の全神経細胞（ニューロン）とその接続をマッピングした「配線図」、すなわちコネクトームを完全に再構築することです。これはコネクトミクスと呼ばれ、脳がどのように情報を処理し、行動を制御するのかを理解するための基礎となります。しかし、この作業は膨大な時間と労力を要するものでした。例えば、わずか166,000個のニューロンを持つショウジョウバエの脳マップでさえ、AI支援下のコンピューターと人間の専門家による長年の努力を要しています。哺乳類の脳はこれより桁違いに大きく、マウスの脳はその1,000倍、ヒトの脳はさらにその1,000倍ものニューロンを抱えています。このような規模の脳全体をマッピングすることは、従来の技術では現実的に不可能と考えられてきました。
Google Researchのコネクトミクスチームは、この課題を克服するため、ニューロンの識別、分類、視覚化を高速化するAI技術の開発に10年以上にわたり取り組んできました。顕微鏡画像から正確な3Dニューロン形状を生成するAIモデルを開発し、人間の専門家がその出力を校正することで、プロセスを加速しています。特に、最も時間のかかるボトルネックは、AIモデルの出力に対する手動での校正・検証ステップであり、これがより野心的な脳マップ作成の大きな障壁となっていました。
MoGenモデルと点群フローマッチングによる合成ニューロン生成
この課題に対し、Google Researchは「MoGen（Neuronal Morphology Generation）」モデルと「PointInfinity点群フローマッチングモデル」を組み合わせた画期的な手法を開発しました。 この新しいアプローチは、ICLR 2026で発表される論文「MoGen: Detailed neuronal morphology generation via point cloud flow matching」で詳細が示されています。研究チームは、より多くのトレーニングデータ、たとえそれが合成データであっても、AI再構築モデルのパフォーマンスを向上させるという仮説を立てました。
MoGenモデルは、具体的にはPointInfinity点群フローマッチングモデルを基盤としており、ランダムな3D点群を徐々に現実的な3Dニューロン形状へと変換するようにAIモデルを学習させます。これにより、既存のデータセットに加えて、多様でリアルな合成ニューロン形状を大量に生成することが可能になります。合成データは、自然言語処理、画像生成、自動運転など、他の多くのAI分野でもモデルの性能向上に貢献しており、脳マッピングの分野でも同様の成功が期待されました。
合成データの活用がもたらす革新的な効率向上
MoGenモデルによって生成された合成ニューロン形状をトレーニングデータとして活用することで、AI再構築モデルの性能が大幅に向上しました。具体的な成果として、再構築エラーが4.4%削減されたことが報告されています。 この4.4%という数字は、一見すると控えめな改善に聞こえるかもしれませんが、完全なマウス脳のような大規模なマッピングプロジェクトに適用した場合、これは手動での校正作業を157人年分削減することに相当する驚異的な効率向上をもたらします。
この成果は、コネクトミクス研究における最大のボトルネックであった人間の専門家による手動校正作業の負担を劇的に軽減し、より大規模で複雑な脳の配線図作成を加速させる可能性を示しています。Google Researchのコネクトミクスチームは、この技術を活用して、これまでゼブラフィッシュの脳の一部、ゼブラフィンの脳全体、ヒトの脳の小片などのマッピングに貢献しており、最近ではマウス脳の小セクションのマッピングにも着手しています。 CaltechとCedars-Sinaiの研究チームが開発したNOBLE (Neural Operator with Biologically-informed Latent Embeddings)のように、神経演算子を基盤とするAIフレームワークも、数千倍の速度で仮想ニューロンモデルを作成できることを示しており、この分野におけるAIの可能性を裏付けています。
AI開発者・研究者視点での考察
-
データ生成戦略としての合成データの可能性: データ収集が困難な生物学的研究分野において、MoGenのような合成データ生成モデルは、限られた実データから多様な高精度トレーニングデータを創出する強力な手段となります。これにより、データセットの規模や多様性の制約を緩和し、より堅牢で汎用性の高いAIモデルの開発を加速できるでしょう。特に、3D形態学的な複雑さを持つ対象に対する合成データ生成は、生物医学画像解析における新たなフロンティアを開拓する可能性を秘めています。
-
フローマッチングモデルの汎用性と応用範囲: PointInfinity点群フローマッチングモデルは、ランダムな点群を現実的な3D形状に変換する能力を示しました。この技術は、ニューロンの形態生成に留まらず、他の細胞構造、臓器、さらには非生物的な複雑な3Dオブジェクトの設計やモデリングにも応用できる汎用性を持つと考えられます。例えば、新素材開発における分子構造の最適化や、ロボット工学における複雑な部品設計など、多様な分野での活用が期待されます。
-
人間とAIの協調作業の最適化: 脳マッピングのプロセスにおいて、AIは初期の再構築作業を高速化し、人間は最終的な検証と修正に集中するという役割分担が確立されています。MoGenによるエラー削減は、人間の専門家が費やす手動校正の時間を大幅に削減し、より高度な分析や新たな科学的発見に時間を割けるようになります。これは、人間とAIがそれぞれの強みを活かし、高精度かつ高効率な成果を出すための理想的な協調モデルを示しており、他の専門分野におけるAI導入のヒントとなるでしょう。
