Inženýři z Johns Hopkins používají AI pro hlubší pohled do mozků myší

Skupina biomedicínských inženýrů z Johns Hopkins vyvinula strategii pro výuku umělé inteligence (AI), aby získala hlubší porozumění mozkům myší. Nová strategie zachycuje obrázky mozkových buněk myší, zatímco jsou aktivní.

Podle týmu lze systém AI použít společně se specializovanými ultra-malými mikroskopy, aby přesně zjistil, kde a kdy jsou buňky aktivovány během pohybu, učení a paměti. Shromažďováním těchto dat pomocí nové strategie by vědci mohli nakonec pochopit, jak mozek funguje a jak je ovlivněn nemocí.

Nový výzkum byl zveřejněn v časopise Nature Communications.

Xingde Li, Ph.D., je profesorem biomedicínského inženýrství na Johns Hopkins University School of Medicine.

“Když je hlava myši omezena pro zobrazování, její mozková aktivita nemusí přesně reprezentovat její neurologickou funkci,” říká Li. “Abysme mohli mapovat mozkové obvody, které kontrolují denní funkce savců, musíme vidět přesně, co se děje mezi jednotlivými mozkovými buňkami a jejich spoji, zatímco se zvíře volně pohybuje, jí a socializuje.”

Shromažďování dat pomocí ultra-malých mikroskopů

Tým se pokusil shromáždit detailní data vytvořením ultra-malých mikroskopů, které lze umístit na vrchol hlavy myši. Mikroskopy mají průměr pouze několik milimetrů, takže omezují množství zobrazovací technologie, které lze nést. Dýchání nebo srdeční frekvence myši by také mohly ovlivnit přesnost dat zachycených mikroskopem, takže výzkumníci odhadují, že by museli překročit 20 snímků za sekundu, aby eliminovali tyto poruchy.

“Existují dva způsoby, jak zvýšit snímkovou frekvenci,” říká Li. „Můžete zvýšit rychlost skenování a můžete snížit počet skenovaných bodů.”

Inženýrský tým dříve provedl výzkum, ve kterém dosáhli fyzických limitů skeneru při šesti snímcích za sekundu. Ve druhé strategii zvýšili snímkovou frekvenci snížením počtu skenovaných bodů. Tato strategie způsobila, že mikroskop zachytil data s nižším rozlišením.

Trénování programu AI

Podle Liho hypotézy by mohl být program AI trénován k rozpoznání a obnovení chybějících bodů, což by vedlo k vyššímu rozlišení. Nicméně jednou z hlavních výzev tohoto přístupu je, že neexistuje dostatek podobných obrázků mozků myší, proti kterým by se mohl program AI trénovat.

Tým se pokusil překonat tuto výzvu vyvinutím dvoufázové strategie trénování. První fáze trénovala program AI k identifikaci stavebních bloků mozkové tkáně z obrázků fixovaných vzorků mozkové tkáně myší. Poté trénovali program AI k rozpoznání stavebních bloků v hlavě omezené myši, která byla pod ultra-malým mikroskopem. Tato nová technika umožnila programu AI rozpoznat mozkové buňky s přirozenými strukturálními variacemi a pohybem způsobeným dýcháním a srdeční frekvencí myši.

“Doufáme, že kdykoli shromáždíme data z pohyblivé myši, budou dostatečně podobná, aby je program AI rozpoznal,” říká Li

Výzkumníci otestovali program AI, aby zjistili, zda může přesně vylepšit obrázky mozků myší zvyšováním snímkové frekvence. Zjistili, že program AI může obnovit kvalitu obrázků až do 26 snímků za sekundu.

Aby zjistili, jak by se program AI choval s mini mikroskopem připojeným k myši, výzkumníci mohli sledovat aktivitu jednotlivých mozkových buněk aktivovaných pohybem myši v jejím prostředí.

“Nikdy předtím jsme neviděli tyto informace v takovém rozlišení a snímkové frekvenci,” říká Li. “Tento vývoj by mohl umožnit shromáždit více informací o tom, jak je mozek dynamicky spojen s akcí na buněčné úrovni.”

Podle týmu by mohl program AI podstoupit další trénink, aby přesně interpretoval obrázky až do 104 snímků za sekundu.