Johns Hopkins-ingenieurs gebruiken AI voor dieper kijk in hersenen van muizen

Een groep biomedische ingenieurs van Johns Hopkins heeft een trainingsstrategie voor kunstmatige intelligentie (AI) ontwikkeld om een dieper inzicht te krijgen in de hersenen van muizen. De nieuwe strategie legt beelden vast van muishersencellen terwijl ze actief zijn.

Volgens het team kan het AI-systeem samen met gespecialiseerde ultra-kleine microscopen worden gebruikt om exact te detecteren waar en wanneer cellen worden geactiveerd tijdens beweging, leren en geheugen. Door met deze nieuwe strategie waardevolle gegevens te verzamelen, kunnen wetenschappers uiteindelijk begrijpen hoe de hersenen functioneren en worden beïnvloed door ziekten.

Het nieuwe onderzoek werd gepubliceerd in het tijdschrift Nature Communications.

Xingde Li, Ph.D., is een professor in de biomedische technologie aan de Johns Hopkins University School of Medicine.

“Wanneer het hoofd van een muis wordt geremd voor beeldvorming, kan de hersenactiviteit mogelijk niet de werkelijke neurologische functie vertegenwoordigen”, zegt Li. “Om hersenkringen in kaart te brengen die dagelijkse functies in zoogdieren controleren, moeten we precies zien wat er gebeurt onder individuele hersencellen en hun verbindingen, terwijl het dier vrij rondloopt, eet en socialiseert.”

Gegevens verzamelen met ultra-kleine microscopen

Het team zette zich in om de gedetailleerde gegevens te verzamelen door ultra-kleine microscopen te creëren die op de kop van de muizen kunnen worden geplaatst. Met dat gezegd, de microscopen hebben een diameter van slechts een paar millimeter, dus ze beperken de hoeveelheid beeldvormingstechnologie die kan worden meegevoerd. De ademhaling of hartslag van de muis kan ook de nauwkeurigheid van de gegevens die door de microscoop worden vastgelegd, beïnvloeden, dus onderzoekers schatten dat ze meer dan 20 frames per seconde moeten bereiken om dergelijke storingen te elimineren.

“Er zijn twee manieren om de framefrequentie te verhogen”, zegt Li. “Je kunt de scansnelheid verhogen en je kunt het aantal gescande punten verlagen.”

Het ingenieursteam voerde eerder onderzoek uit waarin ze de fysieke limiet van de scanner bereikten bij zes frames per seconde. In de tweede strategie verhoogden ze de framefrequentie door het aantal gescande punten te verlagen. Deze strategie zorgde ervoor dat de microscoop lagere resolutiegegevens vastlegde.

Een AI-programma trainen

Volgens Li’s hypothese kan een AI-programma worden getraind om de ontbrekende punten te herkennen en te herstellen, wat zou resulteren in een hogere resolutie. Echter, een van de grote uitdagingen van deze benadering is dat er een gebrek is aan vergelijkbare beelden van muishersenen om de AI tegen te trainen.

Het team zette zich in om dit te overwinnen door een tweefasenstrategie voor training te ontwikkelen. De eerste trainde de AI om de bouwstenen van de hersenen te identificeren vanuit beelden van vaste monsters van muishersenweefsel. Ze trainden de AI vervolgens om de bouwstenen te herkennen in een levende muis met een geremd hoofd die onder de ultra-kleine microscoop stond. Deze nieuwe techniek stelde de AI in staat om hersencellen met natuurlijke structurele variatie en de beweging veroorzaakt door de ademhaling en hartslag van de muis te herkennen.

“De hoop was dat wanneer we gegevens verzamelen van een bewegende muis, het nog steeds voldoende zou zijn voor het AI-netwerk om te herkennen”, zegt Li

De onderzoekers testten het AI-programma om te bepalen of het de kwaliteit van muishersenbeelden kon verbeteren door de framefrequentie stapsgewijs te verhogen. Ze ontdekten dat de AI de beeldkwaliteit kon herstellen tot 26 frames per seconde.

Om te zien hoe het AI-hulpmiddel zou presteren met een mini-microscoop bevestigd aan een muis, konden de onderzoekers naar de activiteitspieken van individuele hersencellen kijken die werden geactiveerd door de muis die rondliep in zijn omgeving.

“We hebben nooit eerder deze informatie kunnen zien met zo’n hoge resolutie en framefrequentie”, zegt Li. “Deze ontwikkeling kan het mogelijk maken om meer informatie te verzamelen over hoe de hersenen dynamisch zijn verbonden met actie op cellulair niveau.”

Volgens het team kan het AI-programma nog meer training ondergaan om beelden tot 104 frames per seconde nauwkeurig te interpreteren.