神经元形态重建面临着多重挑战，尤其是在大规模数据集下确保神经解剖学的准确性和重建的可靠性。传统上，尽管通过人工标注可以获得高质量的重建结果，但这种方法在效率上无法满足大规模数据生产的需求。此外，现有的自动化重建技术大多只能处理简单的情况，面对复杂的神经元形态、信噪比低的数据或需要完整追踪的神经元信号时，表现仍然有限。神经元的复杂结构、断续的信号模式以及缺乏高质量的训练数据也使得深度学习等机器学习方法的开发变得异常困难。因此，如何在保证生物学准确性的同时，实现大规模高效的神经元形态重建，仍然是脑科学研究领域一个亟待解决的核心问题。近日，东南大学脑科学与智能技术研究院新基石科学实验室在Nature Methods上在线发表题为Collaborative Augmented Reconstruction of 3D Neuron Morphology in Mouse and Human Brains的文章。研究团队成功研发协作增强重建（Collaborative Augmented Reconstruction，简称CAR）平台，支持多人使用多类设备协作处理影像大数据及重建神经元三维形态，显著提升了鼠脑和人脑神经元重建的准确性和效率。CAR平台支持全球研究人员在不同地点或实验室进行实时协作。通过CAR平台，团队成员可以同时进行注释和交叉验证，从而促进高效的群体决策并及时纠正重建中的错误。CAR平台整合了如分支点验证器和终端点验证器等先进的AI工具，这些工具对于确保神经元重建的拓扑正确性和结构完整性至关重要。在CAR平台内，AI代理与人类用户密切协作，持续评估重建的过程，并实时提供改进建议。CAR平台支持多种客户端设备的协同合作，包括桌面电脑、虚拟现实头盔、手机等。这种设备兼容性使得研究人员可以高效地可视化和标注复杂的3D神经科学数据。多样化的客户端选择进一步提供了完整且准确的神经数据验证，确保研究的可靠性和精确度。CAR平台通过结合人工智能和人类协作，使研究人员能够使用桌面端、虚拟现实设备和移动终端进行实时的多设备互动与协作。其创新之处在于实现了多任务、多设备、多用户以及人机协作的全方位整合，大幅提升了神经元3D重建的效率和准确性。CAR平台的推出为脑科学研究提供了强有力的工具，加速了神经形态数据的生产和分析进程。东南大学脑科学与智能技术研究院（脑智院）及生物科学与医学工程学院博士研究生张玲丽为本文第一作者，东南大学彭汉川教授为通讯作者, 脑智院客座研究员、广东省智能科学与技术研究院王宜敏研究员是共同第一作者和共同通讯作者。https://doi.org/10.1038/s41592-024-02401-8
BioArt特别邀请文章主要作者、东南大学脑科学与智能技术研究院博士研究生张玲丽、叶雯、汪隶鋆进行专访，为大家进一步解读。张玲丽：更加准确有效地生产大规模的真实解剖学数据。
2. 本文章的研究亮点是什么？
张玲丽：一是允许使用多种设备进行沉浸式交互和高效协同编辑神经元解剖学结构，同时能让用户随时随地进行重建工作；二是能充分利用AI算法协助管理与分析重建过程，增强重建的高效性与准确性。
3. CAR的研发对脑科学领域、智能技术领域发展会产生什么作用？
张玲丽：CAR展示了人类智慧与人工智能在科研中的高效结合。AI工具不仅帮助验证用户的重建结果，还能在数据传输、管理、共享等多个环节提升效率。这种智能技术的应用不仅局限于脑科学，未来也可以推广到其他需要高精度数据处理和可视化的领域，比如医疗影像分析、生物数据处理等，推动多领域的自动化与智能化进程。
CAR通过支持多种设备（包括PC、VR、移动设备等）的跨平台协作，展示了未来科学研究和数据处理的多样性和灵活性。VR设备的引入使得科研人员能够在更为直观、沉浸式的环境中完成复杂的神经元标注任务，而移动设备则提供了便捷的数据可视化与轻量级任务处理。未来，这种多平台协作的形式将进一步扩展至其他科研或工程领域，提供更多沉浸式、互动式的研究体验。CAR强调了多方协作和群体智慧在科研中的应用潜力。它展示了如何通过多方参与提高研究成果的质量，并通过促进知识的共享与交流，加速科学发现的进程。这种模式未来可应用于更多需要协作解决问题的领域，如基因组学、大数据分析、以及复杂系统的研究等，推动协作型科研方式的广泛普及。4. 您在这项研究中遇到的主要挑战是什么？是如何克服的？
叶雯：我主要负责和协作者进行CAR软件测试与反馈，以及使用CAR生产神经元重建数据。在CAR软件开发的前期，我跟协作者们经常遇到标注不同步或延迟的情况。比如，我们三个人分别用笔记本电脑、手机、虚拟现实设备对同一个图像进行标注，但因为标注不同步或延迟，导致同一个位置会被两个或者三个人标注，这时就需要删除多余的标注，但删除也不同步，协作功能难以有效发挥作用。经过跟软件开发成员的紧密沟通，详细反馈，也经过软件开发团队日以继夜地排查bugs，我们测试了多个优化升级后的CAR版本，最终确定了现在可以稳定流畅运行的CAR版本。
5. 您在开展这项研究中印象最深刻的事是什么？
汪隶鋆：我主要参与CAR软件开发及数据处理。印象最深刻的是我们一起深夜加班改bugs、做实验测数据。我和宇宁、凯翔坐在一起讨论系统bug出在哪里，讨论如何设计实验、如何处理数据，饿了就一起去便利店买夜宵，然后继续讨论。连续的挑灯夜战看似很辛苦，却是我们研究生生涯中浓墨重彩的一笔，是一段非常快乐的时光。汪隶鋆：我觉得对于这样一项庞大的工作来说，能够顺利完成并且最终发表在Nature Methods上，这是一个非常好的团队胜利的例子，而不是某个人个人英雄主义的结果。在这里面我充分体会到了团队作战的优势，只有我们每个人都信任队友并被队友信任，才能配合默契地完成这样一项工作。制版人：十一
BioART战略合作伙伴
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
