Інженери Джона Хопкінса використовують штучний інтелект для глибшого вивчення мозку мишей

Група біомедичних інженерів Джона Хопкінса розробила стратегію навчання штучного інтелекту для глибшого розуміння мозку мишей. Нова стратегія захоплює зображення активних мозкових клітин мишей.

За словами команди, система штучного інтелекту може бути використана разом зі спеціалізованими ультра-маленькими мікроскопами для виявлення точного місця та часу активації клітин під час руху, навчання та пам’яті. Збираючи інформаційні дані за допомогою цієї нової стратегії, вчені можуть зрозуміти, як функціонує мозок і як на нього впливають захворювання.

Нові дослідження були опубліковані в журналі Nature Communications.

Xingde Li, Ph.D., є професором біомедичної інженерії в Медичній школі університету Джона Хопкінса.

“Коли голова миші обмежена для зображення, її мозкова активність може не真正ньо представляти її нейрологічну функцію”, – говорить Лі. “Для картування мозкових контурів, які контролюють щоденні функції ссавців, нам потрібно бачити точно, що відбувається серед окремих мозкових клітин і їхніх з’єднань, коли тварина вільно рухається, їсть і спілкується.”

Збір даних за допомогою ультра-маленьких мікроскопів

Команда вирушила для збору детальних даних, створивши ультра-маленькі мікроскопи, які можуть бути розміщені на верхівці голови миші. Зазначається, що мікроскопи мають лише кілька міліметрів у діаметрі, тому вони обмежують кількість технології зображення, яку можна нести. Дихання або частота серцевих скорочень миші також можуть вплинути на точність даних, захоплених мікроскопом, тому дослідники вважають, що їм потрібно перевищити 20 кадрів на секунду, щоб усунути такі порушення.

“Є два способи збільшити частоту кадрів”, – говорить Лі. “Ви можете збільшити швидкість сканування і ви можете зменшити кількість сканованих точок”.

Інженерна команда раніше проводила дослідження, де вони досягли фізичних меж сканера на рівні шести кадрів на секунду. У другій стратегії вони збільшували частоту кадрів, зменшуючи кількість сканованих точок. Ця стратегія призвела до того, що мікроскоп захоплював дані нижчої роздільної здатності.

Навчання програми штучного інтелекту

За гіпотезою Лі, програму штучного інтелекту можна навчити розпізнавати та відновлювати відсутні точки, що призведе до вищої роздільної здатності. Однак однією з основних проблем такого підходу є відсутність подібних зображень мозку мишей для навчання штучного інтелекту.

Команда вирушила для подолання цього, розробивши двостадійну стратегію навчання. Перша частина навчала штучний інтелект розпізнавати будівельні блоки мозку з зображень фіксованих зразків тканини мозку мишей. Потім вони навчали штучний інтелект розпізнавати будівельні блоки в живій миші з ультра-маленьким мікроскопом. Ця нова техніка дозволила штучному інтелекту розпізнавати мозкові клітини з природною структурною варіацією та рухом, викликаним рухом дихання та серцевих скорочень миші.

“Надія була в тому, що коли ми збираємо дані з рухомої миші, вони будуть достатньо схожі для того, щоб штучна інтелектна мережа могла їх розпізнати”, – говорить Лі

Дослідники протестували програму штучного інтелекту, щоб визначити, чи може вона точно підвищити якість зображень мозку мишей за допомогою збільшення частоти кадрів. Вони виявили, що штучний інтелект може відновити якість зображення до 26 кадрів на секунду.

Щоб побачити, як інструмент штучного інтелекту працюватиме з мініатюрним мікроскопом, прикріпленим до миші, дослідники могли розглянути спайки активності окремих мозкових клітин, активованих рухом миші в її середовищі.

“Ми ніколи не бачили цю інформацію з такою високою роздільною здатністю та частотою кадрів раніше”, – говорить Лі. “Цей розвиток може зробити можливим збір більшої кількості інформації про те, як мозок динамічно пов’язаний з діями на клітинному рівні.”

За словами команди, програму штучного інтелекту можна ще більше навчити для точної інтерпретації зображень до 104 кадрів на секунду.