Johns Hopkins Mühendisleri Fare Beyinlerine Daha Derin Bir Bakış İçin AI Kullanıyor

Johns Hopkins’ta bir grup biyomedikal mühendis, fare beyinlerini daha derinlemesine anlamak için bir yapay zeka (AI) eğitim stratejisi geliştirdi. Yeni strateji, fare beyin hücrelerinin aktif olduğu sırada görüntülerini yakalar.

Ekibe göre, AI sistemi, özel ultra-küçük mikroskoplara birlikte kullanılarak, hücrelerin hareket, öğrenme ve hafıza sırasında nerede ve ne zaman etkinleştirildiğini tespit edebilir. Bu yeni stratejiyle elde edilen verilerle bilim adamları, sonunda beyin nasıl çalıştığını ve hastalıkların nasıl etkilediğini anlayabilirler.

Yeni araştırma, Nature Communications dergisinde yayımlandı.

Xingde Li, Ph.D., Johns Hopkins Üniversitesi Tıp Fakültesi’nde biyomedikal mühendislik profesörüdür.

“Bir farenin başı görüntüleme için kısıtlandığında, beyin aktivitesi gerçek nörolojik işlevini temsil etmeyebilir” diyor Li. “Memelilerin günlük işlevlerini kontrol eden beyin devrelerini haritalamak için, individual beyin hücreleri ve bağlantıları arasında ne olduğu görülmelidir, hayvan serbestçe hareket ederken, yerken ve sosyalleşirken.”

Ultra-Küçük Mikroskoplardan Veri Toplama

Ekibin amacı, farelerin başına yerleştirilebilecek ultra-küçük mikroskoplardan ayrıntılı verileri toplamak oldu. Mikroskoplardan bahsedildiğinde, sadece birkaç milimetre çapında oldukları ve bu nedenle taşıyabilecekleri görüntüleme teknolojisini sınırladıkları belirtilmelidir. Farelerin nefes alma veya kalp atış hızı, mikroskoptan alınan verilerin doğruluğunu etkileyebilir, bu nedenle araştırmacılar, bu tür rahatsızlıkları ortadan kaldırmak için saniyede en az 20 kareye ulaşmaları gerektiğini tahmin ediyorlar.

“Çerçeveli hızı artırmak için iki yol vardır” diyor Li. “Tarama hızını artırabilir ve tarama noktalarının sayısını azaltabilirsiniz.”

Mühendislik ekibi daha önce, tarayıcıyı saniyede altı karede fiziksel sınırlarına ulaştıkları bir araştırma gerçekleştirdi. İkinci stratejide, tarama noktalarının sayısını azaltarak çerçeveli hızı artırdılar. Bu strateji, mikroskoptan daha düşük çözünürlüklü veriler alınmasına neden oldu.

AI Programını Eğitme

Li’nin hipotezine göre, bir AI programı, eksik noktaları tanıyıp geri yükleyerek daha yüksek çözünürlükte çalıştırılabilir. Ancak, böyle bir yaklaşımın önemli bir zorluğu, AI’yi fare beyinlerinin benzer görüntüleri ile eğitebilecek yeterli verinin olmamasıdır.

Ekibin bu sorunu aşmak için bir iki aşamalı eğitim stratejisi geliştirdi. İlk olarak, AI’yi fare beyin dokularının sabit örneklerinden alınan görüntülerdeki beyin yapılarını tanıması için eğittiler. Ardından, AI’yi, ultra-küçük mikroskop altında bulunan, kısıtlanmış bir farede beyin yapılarını tanıması için eğittiler. Bu yeni teknik, AI’nin doğal yapısal varyasyonlar ve farelerin nefes alma ve kalp atış hareketi tarafından oluşturulan hareketi neden olan beyin hücrelerini tanıyabilmesini sağladı.

“Umut, hareket halindeki bir fareden veri topladığımızda, AI ağı tarafından tanınabilecek kadar benzer olacağı yönündeydi” diyor Li

Araştırmacılar, AI programının, fare beyin görüntülerini artan çerçeve hızında geliştirebileceğini belirlemek için test etti. AI’nin 26 kareye kadar görüntü kalitesini geri yükleyebildiğini buldular.

Araştırmacılar, bir fareye bağlı mini bir mikroskopla AI aracının nasıl performans göstereceğini görmek için, fare çevresinde hareket ederken bireysel beyin hücrelerinin aktivite piklerini incelediler.

“Bu bilgiyi daha önce böyle yüksek çözünürlükte ve çerçeve hızında göremezdik” diyor Li. “Bu gelişme, beyin ile hücre düzeyinde hareket arasındaki dinamik bağlantıyı daha iyi anlamamızı sağlayabilir.”

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