Johns Hopkinsin insinöörit käyttävät tekoälyä syvemmän näkymän saamiseksi hiirien aivoihin

Johns Hopkinsin biolääketieteellisen insinöörien ryhmä on kehittänyt tekoälykoulutusstrategian, jotta voidaan saada syvempi ymmärrys hiirien aivoista. Uusi strategia kaappaa kuvia hiiren aivosoluista, kun ne ovat aktiivisia.

Tutkijaryhmän mukaan tekoälyjärjestelmää voidaan käyttää erityisten ultra-pienien mikroskooppien rinnalla havaitsemaan tarkalleen, missä ja milloin solut ovat aktiivisia liikkeen, oppimisen ja muistin aikana. Keräämällä tarkan tiedon tämän uuden strategian avulla, tutkijat voivat lopulta ymmärtää, miten aivot toimivat ja miten ne vaikuttavat sairauksiin.

Uusi tutkimus julkaistiin Nature Communications -lehdessä.

Xingde Li, Ph.D., on biolääketieteellisen insinööritieteen professori Johns Hopkinsin yliopiston lääketieteellisessä tiedekunnassa.

“Kun hiiren pää on rajoitettu kuvauksen aikana, sen aivotoiminta ei välttämättä edusta sen neurologista toimintaa”, sanoo Li. “Jotta voimme kartoittaa aivopiiriä, joka ohjaa päivittäisiä toimintoja nisäkkäillä, meidän on nähtävä tarkasti, mitä tapahtuu yksittäisten aivosolujen ja niiden yhteyksien välillä, kun eläin liikkuu vapaasti, syö ja sosiaaliseen kanssa.”

Kerääminen tietoa ultra-pienillä mikroskoopeilla

Tutkijaryhmä lähti keräämään yksityiskohtaisia tietoja luomalla ultra-pieniä mikroskooppeja, jotka voidaan asettaa hiirien päälle. Mikroskoopit ovat vain muutaman millimetrin halkaisijaltaan, joten ne rajoittavat kuvantekniikan määrää, jota voidaan kuljettaa. Hiiren hengitys- tai syke voi myös vaikuttaa mikroskoopin keräämän tiedon tarkkuuteen, joten tutkijat arvioivat, että heidän on ylitettävä 20 kuva/s, jotta voidaan poistaa häiriöt.

“On kaksi tapaa lisätä kuvasuhteen”, sanoo Li. “Voit lisätä skannausnopeutta ja voit vähentää skannattujen pisteiden määrää.”

Insinööritutkijaryhmä oli aiemmin suorittanut tutkimusta, jossa he saavuttivat skannerin fyysiset rajat kuudella kuva/s. Toisessa strategiassa he lisäsivät kuvasuhteen vähentämällä skannattujen pisteiden määrää. Tämä strategia aiheutti mikroskoopin kaappaavan alempiresoluution tietoja.

Tekoälyohjelman koulutus

Lisin hypoteesin mukaan tekoälyohjelmaa voidaan kouluttaa tunnistamaan ja palauttamaan puuttuvat pisteet, mikä johtaisi korkeampaan resoluutioon. Yksi tällaisen lähestymistavan suurista haasteista on, että vastaavia hiiren aivojen kuvia ei ole tarpeeksi tekoälyn kouluttamiseen.

Tutkijaryhmä lähti voittamaan tämän haasteen kehittämällä kaksiportaisen koulutusstrategian. Ensimmäinen koulutus opetti tekoälyä tunnistamaan aivojen rakennusosat kuvista kiinteistä näytteistä hiiren aivokudoksista. Sitten he kouluttivat tekoälyä tunnistamaan rakennusosat päärajoitetussa elävässä hiiressä, joka oli ultra-pienessä mikroskoopissa. Tämä uusi tekniikka mahdollisti tekoälylle tunnistaa aivosolut luonnollisella rakenteellisella vaihtelulla ja liikkeen aiheuttamalla liikkeellä hiiren hengityksen ja sydämenlyönneillä.

“Toivomme, että kun keräämme tietoja liikkuvalta hiireltä, se on edelleen tarpeeksi samanlaista, jotta tekoälyverkko voi tunnistaa sen”, sanoo Li.

Tutkijat testasivat tekoälyohjelmaa, jotta voisivat määrittää, voiko se tarkalleen parantaa hiiren aivokuvia kuvasuhteen lisäämällä askelittain. He löysivät, että tekoäly pystyi palauttamaan kuvanlaadun jopa 26 kuva/s.

Tutkijat pystyivät tarkastelemaan tekoälytyökalun suorituskykyä mini-mikroskoopin avulla, joka oli kiinnitetty hiiren päälle. He pystyivät tarkastelemaan yksittäisten aivosolujen aktiivisuuden piikkejä, kun hiiri liikkui ympäristössään.

“Emme olisi voineet nähdä tätä tietoa aiemmin tässä resoluutiossa ja kuvasuhteessa”, sanoo Li. “Tämä kehitys voi mahdollistaa keräämisen enemmän tietoa siitä, miten aivot ovat dynaamisesti kytketty toimintaan solutasolla.”

Tutkijaryhmän mukaan tekoälyohjelmaa voidaan kouluttaa edelleen, jotta se voi tulkita kuvia jopa 104 kuva/s.