Johns Hopkins Mühendisleri, Farelerin Beyinlerini Daha Derinden İncelemek İçin Yapay Zekayı Kullanıyor

Johns Hopkins'teki bir grup biyomedikal mühendisi, farelerin beyinlerini daha iyi anlamak için bir yapay zeka (AI) eğitim stratejisi geliştirdi. Yeni strateji, aktif olduklarında fare beyin hücrelerinin görüntülerini yakalar. 

Ekibe göre yapay zeka sistemi, hareket, öğrenme ve hafıza sırasında hücrelerin tam olarak nerede ve ne zaman etkinleştirildiğini tespit etmek için özel ultra küçük mikroskoplarla birlikte kullanılabilir. Bilim adamları, bu yeni stratejiyle anlayışlı veriler toplayarak sonunda beynin nasıl çalıştığını ve hastalıklardan nasıl etkilendiğini anlayabilirler. 

Yeni araştırma dergide yayınlandı Doğa İletişim. 

Xingde Li, Ph.D., Johns Hopkins Üniversitesi Tıp Fakültesi'nde biyomedikal mühendisliği profesörüdür. 

Li, "Bir farenin kafası görüntüleme için sabitlendiğinde, beyin aktivitesi nörolojik işlevini tam olarak yansıtmayabilir," diyor. "Memelilerde günlük işlevleri kontrol eden beyin devrelerini haritalamak için, hayvan serbestçe hareket ederken, yemek yerken ve sosyalleşirken, tek tek beyin hücreleri ve bunların bağlantıları arasında neler olduğunu tam olarak görmemiz gerekiyor."

Ultra Küçük Mikroskoplarla Veri Toplama

Ekip, farelerin kafalarının üstüne yerleştirilebilen ultra küçük mikroskoplar oluşturarak ayrıntılı verileri toplamak için yola çıktı. Bununla birlikte, mikroskopların çapı sadece birkaç milimetredir, bu nedenle taşınabilecek görüntüleme teknolojisi miktarını sınırlarlar. Farenin nefes alması veya kalp atış hızı da mikroskop tarafından yakalanan verilerin doğruluğunu etkileyebilir, bu nedenle araştırmacılar, bu tür rahatsızlıkları ortadan kaldırmak için saniyede 20 kareyi aşmaları gerektiğini tahmin ediyor.

Li, "Kare hızını artırmanın iki yolu var," diyor. “Tarama hızını artırabilir ve taranan nokta sayısını azaltabilirsiniz.” 

Mühendislik ekibi daha önce, tarayıcının saniyede altı kare hızında fiziksel sınırlarına ulaştığı bir araştırma yürüttü. İkinci stratejide, taranan nokta sayısını azaltarak kare hızını artırdılar. Bu strateji, mikroskobun daha düşük çözünürlüklü verileri yakalamasına neden oldu. 

Yapay Zeka Programı Eğitimi

Li'nin hipotezine göre, bir AI programı, eksik noktaları tanımak ve geri yüklemek için eğitilebilir, bu da daha yüksek çözünürlükle sonuçlanabilir. Bununla birlikte, böyle bir yaklaşımın en büyük zorluklarından biri, AI'yı eğitmek için fare beyinlerinin benzer görüntülerinin olmamasıdır. 

Ekip, iki aşamalı bir eğitim stratejisi geliştirerek bunun üstesinden gelmek için yola çıktı. İlki, AI'yı fare beyni dokularının sabit örneklerinin görüntülerinden beynin yapı taşlarını tanımlaması için eğitti. Daha sonra yapay zekayı, ultra küçük mikroskop altındaki başları sabitlenmiş canlı bir faredeki yapı taşlarını tanıması için eğittiler. Bu yeni teknik, AI'nın beyin hücrelerini doğal yapısal varyasyonla ve farenin nefes alma ve kalp atışının hareketinden kaynaklanan hareketi tanımasını sağladı. 

Li, "Hareket eden bir fareden veri topladığımızda, yapay zeka ağının tanıması için yine de yeterince benzer olacağını umuyorduk" diyor Li.

Araştırmacılar, kare hızını kademeli olarak artırarak fare beyni görüntülerini doğru bir şekilde geliştirip geliştiremeyeceğini belirlemek için AI programını test etti. AI'nın görüntü kalitesini saniyede 26 kareye kadar geri yükleyebileceğini buldular. 

Yapay zeka aracının bir fareye bağlı mini bir mikroskopla nasıl performans göstereceğini anlamak için araştırmacılar, farenin çevresinde hareket etmesiyle etkinleştirilen bireysel beyin hücrelerinin aktivite artışlarına bakabildiler. 

Li, "Bu bilgiyi daha önce hiç bu kadar yüksek çözünürlükte ve kare hızında göremezdik" diyor. "Bu gelişme, beynin hücresel düzeyde dinamik olarak eyleme nasıl bağlı olduğuna dair daha fazla bilgi toplamayı mümkün kılabilir."

Ekibe göre, AI programı saniyede 104 kareye kadar görüntüleri doğru bir şekilde yorumlamak için daha fazla eğitim alabilir.