Inženýři Johns Hopkins používají umělou inteligenci k hlubšímu pohledu do mozků myší

Skupina biomedicínských inženýrů ze společnosti Johns Hopkins vyvinula tréninkovou strategii umělé inteligence (AI), aby hlouběji porozuměla mozkům myší. Nová strategie zachycuje snímky myších mozkových buněk, když jsou aktivní. 

Podle týmu lze systém umělé inteligence použít spolu se specializovanými ultramalými mikroskopy k přesné detekci toho, kde a kdy jsou buňky aktivovány během pohybu, učení a paměti. Shromažďováním užitečných dat pomocí této nové strategie by vědci mohli nakonec pochopit, jak mozek funguje a je ovlivněn nemocí. 

Nový výzkum byl publikován 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 skutečně reprezentovat její neurologickou funkci," říká Li. "Abychom zmapovali mozkové okruhy, které řídí denní funkce u savců, potřebujeme přesně vidět, co se děje mezi jednotlivými mozkovými buňkami a jejich spojeními, zatímco se zvíře volně pohybuje, jí a socializuje."

Shromažďování dat pomocí ultra malých mikroskopů

Tým se rozhodl shromáždit podrobná data vytvořením ultra malých mikroskopů, které lze umístit na horní část hlavy myší. Díky tomu mají mikroskopy pouze několik milimetrů v průměru, takže omezují množství zobrazovací technologie, kterou lze přenášet. Dýchání myši nebo srdeční frekvence by také mohly ovlivnit přesnost dat zachycených mikroskopem, takže vědci odhadují, že k odstranění takových poruch by potřebovali překročit 20 snímků za sekundu.

"Existují dva způsoby, jak zvýšit snímkovou frekvenci," říká Li. "Můžete zvýšit rychlost skenování a můžete snížit počet naskenovaných bodů." 

Inženýrský tým dříve provedl výzkum, kde dosáhl fyzikálních limitů skeneru při šesti snímcích za sekundu. Ve druhé strategii zvýšili snímkovou frekvenci snížením počtu naskenovaných bodů. Tato strategie způsobila, že mikroskop zachytil data s nižším rozlišením. 

Školení programu AI

Podle Liho hypotézy by se dal natrénovat program AI, aby rozpoznal a obnovil chybějící body, což by vedlo k vyššímu rozlišení. Jedním z hlavních problémů takového přístupu je však nedostatek podobných obrázků myších mozků, proti kterým by bylo možné trénovat AI. 

Tým se to rozhodl překonat vytvořením dvoufázové tréninkové strategie. První vycvičila AI, aby identifikovala stavební bloky mozku z obrázků fixovaných vzorků mozkových tkání myší. Poté vycvičili umělou inteligenci, aby rozpoznala stavební kameny v živé myši s upoutanou hlavou, která byla pod ultra malým mikroskopem. Tato nová technika umožnila AI rozpoznat mozkové buňky s přirozenými strukturálními variacemi a pohybem způsobeným pohybem dechu a srdečního tepu myši. 

„Doufali jsme, že kdykoli shromáždíme data z pohybující se myši, budou stále dostatečně podobná, aby je síť AI mohla rozpoznat,“ říká Li.

Vědci testovali program AI, aby zjistili, zda dokáže přesně vylepšit obrazy mozku myší postupným zvyšováním snímkové frekvence. Zjistili, že umělá inteligence dokáže obnovit kvalitu obrazu až na 26 snímků za sekundu. 

Aby vědci zjistili, jak by nástroj AI fungoval s mini mikroskopem připojeným k myši, mohli se podívat na špičky aktivity jednotlivých mozkových buněk aktivovaných myší pohybující se ve svém prostředí. 

"Nikdy předtím jsme tyto informace nemohli vidět v tak vysokém rozlišení a snímkové frekvenci," říká Li. "Tento vývoj by mohl umožnit shromáždit více informací o tom, jak je mozek dynamicky propojen s činností na buněčné úrovni."

Podle týmu by program AI mohl projít dalším školením, aby přesně interpretoval obrázky až do 104 snímků za sekundu.