Инженеры Джонас Хопкинса используют ИИ для более глубокого изучения мозга мышей

Группа биомедицинских инженеров в Джонас Хопкинсе разработала стратегию обучения искусственного интеллекта (ИИ) для более глубокого понимания мозга мышей. Новая стратегия позволяет захватывать изображения клеток мозга мышей во время их активности.

По словам команды, система ИИ может использоваться вместе с специализированными ультрамаленькими микроскопами для обнаружения точного местоположения и времени активации клеток во время движения, обучения и памяти. Собирая информативные данные с помощью этой новой стратегии, ученые могут в конечном итоге понять, как функционирует мозг и как он поражается заболеваниями.

Новое исследование было опубликовано в журнале Nature Communications.

Xingde Li, Ph.D., является профессором биомедицинской инженерии в Школе медицины Университета Джонас Хопкинса.

“Когда голова мыши ограничена для изображения, ее мозговая активность может не真正 представлять ее нейрологическую функцию”, – говорит Ли. “Чтобы картографировать мозговые цепи, которые контролируют ежедневные функции у млекопитающих, нам нужно увидеть точно, что происходит среди отдельных мозговых клеток и их связей, пока животное свободно движется, ест и общается.”

Сбор данных с помощью ультрамаленьких микроскопов

Команда поставила цель собрать подробные данные, создав ультрамаленькие микроскопы, которые можно разместить на голове мыши. С учетом этого, микроскопы имеют диаметр всего несколько миллиметров, поэтому они ограничивают количество технологии изображения, которую можно нести. Дыхание или сердечный ритм мыши также могут повлиять на точность данных, захваченных микроскопом, поэтому исследователи оценивают, что им необходимо превысить 20 кадров в секунду, чтобы исключить такие помехи.

“Есть два способа увеличить частоту кадров”, – говорит Ли. “Вы можете увеличить скорость сканирования, и вы можете уменьшить количество сканируемых точек.”

Инженерная команда ранее провела исследование, в котором они достигли физических пределов сканера на уровне шести кадров в секунду. Во второй стратегии они увеличили частоту кадров, уменьшив количество сканируемых точек. Эта стратегия привела к тому, что микроскоп захватил данные более низкого разрешения.

Обучение программы ИИ

По гипотезе Ли, программу ИИ можно обучить для распознавания и восстановления пропущенных точек, что приведет к более высокому разрешению. Однако одной из основных проблем такого подхода является отсутствие подобных изображений мозга мышей для обучения ИИ.

Команда поставила цель преодолеть это, разработав двухэтапную стратегию обучения. Первая часть обучила ИИ для распознавания строительных блоков мозга из изображений фиксированных образцов тканей мозга мышей. Затем они обучили ИИ для распознавания строительных блоков в ограниченной голове живой мыши под ультрамаленьким микроскопом. Эта новая техника позволила ИИ распознавать мозговые клетки с естественной структурной вариацией и движением, вызванным дыханием и сердцебиением мыши.

“Надежда была на то, что всякий раз, когда мы собираем данные от движущейся мыши, они будут достаточно похожи, чтобы ИИ-сеть могла их распознать”, – говорит Ли

Исследователи протестировали программу ИИ, чтобы определить, может ли она точно улучшить изображения мозга мышей, увеличивая частоту кадров. Они обнаружили, что ИИ может восстановить качество изображения до 26 кадров в секунду.

Чтобы увидеть, как инструмент ИИ будет работать с мини-микроскопом, прикрепленным к мыши, исследователи смогли посмотреть на пик активности отдельных мозговых клеток, активированных движением мыши в ее окружении.

“Мы никогда не могли видеть эту информацию с таким высоким разрешением и частотой кадров раньше”, – говорит Ли. “Этот прорыв может сделать возможным сбор более информации о том, как мозг динамически связан с действием на клеточном уровне.”

По словам команды, программа ИИ может пройти дополнительное обучение для точной интерпретации изображений до 104 кадров в секунду.