Michał Januszewski: Kolorujemy mózg, żeby podglądać go w działaniu

Arch. pryw.Dr Michał Januszewski

Dr Michał Januszewski pracuje w ośrodku badawczym Google w Zurychu, gdzie specjalizuje się w wykorzystaniu zaawansowanych metod uczenia maszynowego, w tym opracowanych przez siebie sztucznych sieci neuronowych, do automatycznej rekonstrukcji trójwymiarowych map połączeń komórek nerwowych. Jego badania odegrały ważną rolę w projektach takich jak zmapowanie układu nerwowego muszki owocowej oraz rekonstrukcja fragmentu ludzkiej kory mózgowej. Tytuł doktora fizyki uzyskał na Uniwersytecie Śląskim, przed dołączeniem do Google zajmował się numerycznymi symulacjami dynamiki płynów i fizyką statystyczną.

MARCIN ROTKIEWICZ: „Google Maps dla mózgu” – tak często określa się narzędzie do podglądania połączeń między komórkami tkanki nerwowej, stworzone przez zespół naukowców, w którym pan pracuje. Brzmi chwytliwie, ale czy nie jest trochę na wyrost?
MICHAŁ JANUSZEWSKI: Ja bym go jednak bronił. Udało nam się bowiem opracować interaktywne mapy tkanki nerwowej, które można np. przybliżać lub obracać, aby zobaczyć szczegóły połączeń między komórkami, przede wszystkim w mózgu. A właśnie to jest głównym celem konektomiki – dziedziny neuronauki zajmującej się mapowaniem i analizą konektomu, czyli kompletnej sieci połączeń neuronalnych w układzie nerwowym.

Jaka jest oryginalna nazwa tego mózgowego Google Maps i czy zostało już udostępnione?
Neuroglancer. Każdy może go przetestować bez logowania, gdyż działa w przeglądarce internetowej

I co dzięki niemu zobaczy?
Zarówno surowe obrazy tkanki nerwowej pochodzące z mikroskopów elektronowych, jak i wyniki naszych analiz, np. trójwymiarowe wizualizacje fragmentów mózgu. Można je powiększać, żeby przyjrzeć się przekrojom pojedynczych komórek z dokładnością nawet rzędu milionowych części milimetra na jeden piksel ekranu. Lub oddalać widok, aby objąć wzrokiem kilka milimetrów tkanki, czy też obracać w różnych kierunkach. Oczywiście Neuroglancer jest przeznaczony dla naukowców, ale laicy też mogą się nim trochę pobawić, żeby obejrzeć mózg w skali mikro.

Jak powstaje taka mapa?
Używamy do tego przede wszystkim dwóch typów narzędzi. Pierwsze to mikroskopia elektronowa, pozwalająca uzyskiwać obrazy tkanki nerwowej z ogromnym powiększeniem, niezbędnym, by dostrzec wszystkie szczegóły budowy mózgu. Nasz zespół nie posiada takich urządzeń ani nie prowadzi badań na fizycznych próbkach. Robią to partnerzy, z którymi współpracujemy, czyli instytucje naukowe specjalizujące się w przygotowywaniu preparatów i obrazowaniu. My wchodzimy do gry dopiero na etapie analizy – za pomocą potężnych komputerów i algorytmów sztucznej inteligencji tworzymy konektomiczne mapy. Dzięki takiemu podziałowi zadań każdy robi to, na czym zna się najlepiej: biologowie zajmują się tkanką, a my przetwarzamy ogromne ilości danych, które z niej pochodzą.

Jakie zadania wykonuje AI?
Nazwałbym to kolorowaniem. Z mikroskopu elektronowego otrzymujemy tylko czarno-białe obrazy gmatwaniny linii, w których przebiegu na pierwszy rzut oka nie sposób się połapać. Chodzi więc o to, żeby model sztucznej inteligencji zidentyfikował kontury komórek i wypełnił różnymi kolorami obszary znajdujące się pomiędzy nimi. Innymi słowy, zadaniem AI jest precyzyjne określenie, który fragment obrazu należy do np. jednego konkretnego neuronu, a który do sąsiedniego. Dzięki temu zamiast ingerować w tkankę biologicznie, uzyskujemy efekt wirtualnego jej pokolorowania.

Którym etapem tworzenia takich map pan się zajmuje?
Skupiam się na procesie zwanym segmentacją, czyli wspomnianym już wykrywaniem konturów poszczególnych neuronów.

Nie jest pan z wykształcenia biologiem, lecz fizykiem. W dodatku zajmował się pan dość hermetycznie brzmiącą „numeryczną dynamiką płynów”. Czy ta wiedza przydaje się panu teraz do tworzenia map mózgu, czy też musiał się pan przekwalifikować?
Jak najbardziej się przydaje. Numeryczna dynamika płynów opiera się na wykonywaniu zaawansowanych symulacji komputerowych zachowania cieczy i gazów. Wykorzystywałem komputerowe karty graficzne, co kiedyś było stosunkowo nową technologią, a dziś jest powszechne w trenowaniu sztucznych sieci neuronowych dużych modeli językowych, jak ChatGPT czy Gemini. Dzięki temu, że znałem techniki optymalizacji takich operacji, mogłem przenieść te umiejętności bezpośrednio na nowy grunt konektomiki. Jednym z moich pierwszych projektów w obecnym zespole było właśnie stworzenie bardziej wydajnych modeli przetwarzających ogromne ilości danych, z którymi pracujemy przy mapowaniu mózgu.

Wspomniał pan, że w internecie za pomocą Neuroglancera można już oglądać mapy tkanki nerwowej. Ludzkiej czy zwierzęcej?
W 2025 r. opublikowaliśmy pierwszy kompletny konektom układu nerwowego, w tym mózgu, dorosłej muszki owocowej. Składa się z ponad 166 tys. neuronów i ok. 46 mln połączeń między nimi. Pracujemy też nad larwą ryby danio pręgowane, będącej popularnym modelowym organizmem w badaniach naukowych, gdyż na wczesnym etapie życia jest przezroczysta, co ogromnie ułatwia obserwacje. Mamy już dostępną jej mapę funkcjonalną, czyli obrazującą aktywność neuronów. A jeśli chodzi o pełny konektom, to niedługo powinien być już gotowy.

Zmapowaliście też malutki, bo mierzący zaledwie 1 mm sześc., fragment ludzkiego mózgu.
Nie brzmi to imponująco, ale mapa nawet tak niewielkiego kawałka kory skroniowej człowieka zawiera 1,4 petabajta danych, czyli 1,4 mln gigabajtów. Tyle zajmują informacje o ok. 57 tys. komórek nerwowych i 150 mln połączeń między nimi. To największy fragment ludzkiego mózgu, dla którego dysponujemy mapą w tak dobrej rozdzielczości.

Publikacja naukowa na ten temat powstała w 2024 r. we współpracy z laboratorium Jeffa Lichtmana, neurobiologa z Uniwersytetu Harvarda. Kilkanaście lat temu pisałem w „Polityce” o tworzonych przez jego zespół kolorowych mapach połączeń komórek w mózgu. Powstawały dzięki inżynierii genetycznej, gdyż myszom „przeszczepiano” geny meduzy kodujące różnokolorowe białka. Dzięki temu neurony same się zabarwiały. Czy dziś modyfikacje genetyczne zastępuje AI?
W dużym uproszczeniu to trafne podsumowanie. Metoda Brainbow, o której pisał pan przed laty, była niezwykle innowacyjna – wykorzystywała genetykę i biochemię do „podświetlenia” i kolorowania tkanki nerwowej, co ułatwiało analizy. Miała jednak swoje ograniczenia, gdyż wymagała modyfikacji genetycznych, więc nie można jej było stosować u ludzi. Ponadto w Brainbow nie wykorzystywano mikroskopów elektronowych, więc mapy nie miały wystarczającej rozdzielczości, by dostrzec najdrobniejsze połączenia synaptyczne między neuronami. To, co obecnie robimy, można nazwać „wirtualnym Brainbow”. Zamiast modyfikować tkankę biologicznie, wykorzystujemy do kolorowania algorytmy.

Czy to oznacza, że metody obrazowania oparte na mikroskopii optycznej, a nie elektronowej, odeszły do lamusa?
Niekoniecznie. Wspólnie z badaczami z Austrii testujemy nową, pomysłową metodę LICONN. Wykorzystuje sprytny trik – tkankę nerwową poddaje się działaniu substancji, które sprawiają, że „puchnie”, zwiększając rozmiary nawet 16 razy. Dzięki temu możemy używać mikroskopów optycznych, by widzieć detale wcześniej dla nich nieuchwytne. Co ważne, ta metoda pozwala nam też barwić chemicznie konkretne elementy, np. synapsy, a to w przyszłości może pomóc tworzyć mapy nie tylko połączeń, ale i chemii mózgu.

Brzmi to imponująco, tylko nadal nie znamy odpowiedzi na fundamentalne pytania, np. o to, jak mózg koduje informacje. Nie mamy też m.in. pojęcia, w jaki sposób sieć zaledwie 302 neuronów składających się na układ nerwowy nicienia, czyli malutkiego robaka, steruje jego ciałem składającym się tylko z ok. 1 tys. komórek. Czyli nadal nie rozumiemy, co widzimy na tych mapach.
Ta ocena wydaje mi się zbyt pesymistyczna. Zacznijmy od nicienia. Przez lata panowało przekonanie, że sieć połączeń między tymi 302 neuronami jest statyczna i praktycznie identyczna u każdego dorosłego robaka. Jednak badania, m.in. w laboratorium prof. Lichtmana, wykazały, że to „okablowanie” zmienia się w trakcie rozwoju i różni między poszczególnymi osobnikami. Zatem nawet w tak prostym organizmie schemat połączeń nie jest dany raz na zawsze.

A co do sensu tworzenia map tkanki nerwowej, często posługuję się analogią do procesora komputerowego. Konektomika pozwala nam tworzyć coś podobnego do schematu połączeń wszystkich tranzystorów, czyli mikroskopijnych przełączników, które sterują przepływem informacji w układach elektronicznych. Taka mapa sama w sobie nie powie nam, jakie oprogramowanie działa na komputerze w danej chwili, ale bez niej zrozumienie działania sprzętu będzie niemożliwe. W inżynierii panuje przekonanie, że struktura określa funkcję, co moim zdaniem odnosi się również do neuronauki. Jeśli zrozumiemy budowę tkanki nerwowej, będziemy w stanie pojąć, jak ona funkcjonuje.

Również twierdzenie, że właściwie nic nie wiemy o podstawach działania mózgu, jest trochę niesprawiedliwe. W przypadku muszki owocowej, dla której mamy już cały konektom, udało się stworzyć pewne uproszczone symulacje. Choć są niekompletne, to potrafią odtworzyć zachowanie owada np. od odebrania bodźca – dajmy na to dostrzeżenia kawałka owocu – aż po konkretne ruchy. To dowód, że mając mapę połączeń tkanki nerwowej, możemy przewidzieć, co zrobi dany organizm.

Oczywiście sam statyczny konektom jest niewystarczający. Dlatego przyszłością są badania multimodalne, a więc integrujące mapę połączeń z aktywnością mózgu. Używając analogii komputerowej, musimy widzieć nie tylko kable, ale też kiedy płynie w nich prąd. Chodzi o obserwację aktywności komórek nerwowych oraz substancji chemicznych sterujących komunikacją między nimi. Dopiero nałożenie tych warstw na siebie pozwoli tworzyć modele, które w końcu wyjaśnią, jak mózg przetwarza informacje.

Obecne duże modele językowe, takie jak ChatGPT czy Gemini, opierają się na sztucznych sieciach neuronowych. Laik może je sobie wyobrażać jako pewne fizyczne struktury, podobne do neuronów w mózgu. Tymczasem są to stosunkowo proste wzory matematyczne zapisane w postaci kodu komputerowego. Czy biologiczne komórki nerwowe też kiedyś da się sprowadzić do takich wzorów? Czy raczej są to twory zbyt skomplikowane?
Jako fizyk z wykształcenia uważam, że na pewnym etapie wszystko da się opisać odpowiednim modelem matematycznym. Zatem kluczowe pytanie nie brzmi „czy”, ale „jak bardzo” ten model musi być skomplikowany, aby opis miał sens. Sztuczne neurony, będące podstawą dzisiejszych modeli AI, są oczywiście inspirowane biologią, ale stanowią jej ekstremalne uproszczenie. To „matematyczne punkty”, które zbierają sygnały, wykonują na nich proste operacje obliczeniowe i wysyłają wynik dalej. A prawdziwe neurony są skomplikowanymi strukturami fizycznymi o różnej długości i kształcie. W mózgu sygnał nie dociera do celu natychmiast – musi pokonać pewną odległość, co zawsze powoduje jakieś opóźnienia. Okazuje się jednak, że wystarczy jeden wzór matematyczny z zaledwie czterema zmiennymi, żeby oddać ogólny charakter aktywności elektrycznej danej klasy neuronów.

Tylko że diabeł tkwi w szczegółach.
Na pewno. Jak już wspomniałem, biologiczny neuron ma skomplikowaną budowę przestrzenną, którą badamy w konektomice. Jeśli więc chcemy odwzorować konkretną komórkę ze wszystkimi niuansami, proste wzory matematyczne przestają wystarczać. Potrzebujemy znacznie bardziej złożonego narzędzia, np. całej sztucznej sieci neuronowej, by symulować jeden biologiczny neuron. To pokazuje różnicę skali złożoności, ale nie oznacza, że problem jest beznadziejny czy wymyka się matematyce. Po prostu w nauce dobieramy stopień komplikacji modelu do zagadnienia, które w danym momencie chcemy rozwiązać.

Pracuje pan w ośrodku badawczym Google w Zurychu, ale serce „sztucznej inteligencji” pańskiej firmy bije w Londynie, czyli w słynnym laboratorium DeepMind, kierowanym przez noblistę Demisa Hassabisa. Czy współpracujecie z nim, tworząc mapy mózgu?
I tak, i nie. Konektomika, choć fascynująca, pozostaje dziedziną dość niszową. Pracujemy bowiem na bardzo nietypowych danych i mierzymy się z problemami, które wymagają rozwiązań „szytych na miarę”, specyficznych dla tego typu wyzwań. Nie oznacza to jednak, że działamy w izolacji. Współpracujemy zarówno z zespołami wewnątrz naszej firmy, jak i z instytucjami naukowymi na zewnątrz. Jesteśmy grupą bardzo otwartą na każdego, kto dysponuje ciekawą technologią, którą moglibyśmy zastosować, albo ma interesujące pomysły, jak wykorzystać zgromadzone przez nas dane.

Dlaczego wybrał pan tak nietypową drogę kariery naukowej – nie w laboratorium uniwersyteckim czy instytucie naukowym, lecz w potężnej międzynarodowej korporacji?
Stworzyła ona naprawdę duży dział Google Research, który zajmuje się badaniami – od wpływających bezpośrednio na sprzedawane produkty po te podstawowe, będące wkładem w rozwój nauki. Nasz zespół znajduje się na tym najbardziej naukowym końcu spektrum działalności Google.

Z jakich powodów koncern interesuje się tak niszowym zagadnieniem, jakim są mapy mózgu?
Konieczność przetworzenia petabajtów danych wymagała nowych narzędzi, z których teraz korzysta cała firma. Np. biblioteka TensorStore, stworzona do mapowania mózgu, obecnie wspiera trening modeli AI. Zasoby korporacyjne umożliwiają badania, a naukowe problemy stają się katalizatorem rozwoju technologii. Ponadto postępy konektomiki przybliżają nas do zrozumienia fundamentalnych zasad działania mózgu. Dla Google wiedza ta może stać się inspiracją do udoskonalenia metod sztucznej inteligencji.

ROZMAWIAŁ MARCIN ROTKIEWICZ