Этот новый метод, основанный на использовании искусственного интеллекта для интерпретации видеоизображений, устраняет критическое препятствие в анализе нейронов, позволяя исследователям быстро собирать и обрабатывать нейронные сигналы для поведенческих исследований в реальном времени.
Исследование появилось на этой неделе в Трудах Национальной академии наук.
Для измерения нейронной активности исследователи обычно используют процесс, известный как двухфотонное отображение кальция, которое позволяет им регистрировать активность отдельных нейронов в мозгу живых животных.
Эти записи позволяют исследователям отслеживать, какие нейроны активируются и как они потенциально соответствуют разному поведению.
Хотя эти измерения полезны для поведенческих исследований, идентификация отдельных нейронов в записях – кропотливый процесс. В настоящее время наиболее точный метод требует, чтобы человек-аналитик обводил каждую «искру», которую он видит в записи, часто требуя, чтобы он останавливал и перематывал видео до тех пор, пока целевые нейроны не будут идентифицированы и сохранены.
Чтобы еще больше усложнить процесс, исследователи часто заинтересованы в идентификации только небольшого подмножества активных нейронов, которые перекрываются в разных слоях в тысячах нейронов, которые отображаются.
Этот процесс, называемый сегментацией, сложен и медленен.
Исследователь может потратить от четырех до 24 часов, сегментируя нейроны в 30-минутной видеозаписи, и это при условии, что они полностью сфокусированы на это время и не делают перерывов, чтобы спать, есть или пользоваться ванной.
Напротив, новый автоматизированный алгоритм с открытым исходным кодом, разработанный исследователями обработки изображений и нейробиологии из Департамента биомедицинской инженерии Герцога, может точно идентифицировать и сегментировать нейроны за считанные минуты.
«В качестве критического шага на пути к полному картированию мозговой активности перед нами стояла трудная задача – разработать быстрый автоматизированный алгоритм, который будет столь же точен, как и люди, для сегментации множества активных нейронов, отображаемых в различных экспериментальных условиях», – сказал Сина Фарсиу, Пол Раффин Скарборо, адъюнкт-профессор инженерных наук, Duke BME.
«Узкое место анализа данных существует в нейробиологии долгое время – аналитики данных тратили часы и часы на обработку минут данных, но этот алгоритм может обработать 30-минутное видео за 20–30 минут», – сказал Иян Гун, помощник. профессор Duke BME. «Мы также смогли обобщить его производительность, чтобы он мог работать одинаково хорошо, если нам нужно сегментировать нейроны из другого слоя мозга с другим размером или плотностью нейронов."
«Наш алгоритм, основанный на глубоком обучении, работает быстро и демонстрирует такую же точность (если не лучше, чем) человеческих экспертов в сегментировании активных и перекрывающихся нейронов из записей двухфотонной микроскопии», – сказал Сомайе Солтанян-Заде, аспирант в Герцог БМЕ и первый автор статьи.
Алгоритмы глубокого обучения позволяют исследователям быстро обрабатывать большие объемы данных, отправляя их через несколько уровней модулей нелинейной обработки, которые можно обучить распознавать различные части сложного изображения. В своей структуре эта команда создала алгоритм, который может обрабатывать как пространственную, так и временную информацию во входных видео. Затем они «обучили» алгоритм имитировать сегментацию человека-аналитика, одновременно повышая точность.
Этот прогресс – важный шаг к тому, чтобы позволить нейробиологам отслеживать нейронную активность в режиме реального времени.
Из-за широкой полезности своего инструмента команда сделала свое программное обеспечение и аннотированный набор данных доступными в Интернете.
Гонг уже использует новый метод для более тщательного изучения нейронной активности, связанной с различным поведением мышей. Лучше понимая, какие нейроны активируются для различных действий, Гонг надеется узнать, как исследователи могут манипулировать активностью мозга, чтобы изменить поведение.
«Эта улучшенная производительность в активном обнаружении нейронов должна предоставить больше информации о нейронной сети и поведенческих состояниях, а также открыть дверь для ускоренного прогресса в экспериментах по нейробиологии», – сказал Солтанян-Заде.