la tecnologia AI aiuta i ricercatori a scrutare nel cervello dei topi
Gli ingegneri biomedici della Johns Hopkins hanno sviluppato una strategia di addestramento di intelligenza artificiale (AI) per acquisire immagini di cellule cerebrali di topo in azione. I ricercatori affermano che il sistema di intelligenza artificiale, insieme a microscopi ultra-piccoli specializzati, consente di trovare con precisione dove e quando le cellule vengono attivate durante il movimento, l’apprendimento e la memoria. I dati raccolti con questa tecnologia potrebbero un giorno consentire agli scienziati di capire come funziona il cervello ed è colpito dalla malattia.
Gli esperimenti del ricercatore sui topi sono stati pubblicati su Nature Communications il 22 marzo.
“Quando la testa di un topo è trattenuta per l’imaging, la sua attività cerebrale potrebbe non rappresentare veramente la sua funzione neurologica”, afferma Xingde Li, Ph.D. , professore di ingegneria biomedica presso la Johns Hopkins University School of Medicine. “Per mappare i circuiti cerebrali che controllano le funzioni quotidiane nei mammiferi, abbiamo bisogno di vedere esattamente cosa sta succedendo tra le singole cellule cerebrali e le loro connessioni, mentre l’animale si muove liberamente, mangia e socializza”.
Per raccogliere questi dati estremamente dettagliati, il team di Li ha sviluppato microscopi ultra piccoli che i topi possono indossare sulla sommità della testa. Misurando un paio di millimetri di diametro, le dimensioni di questi microscopi limitano la tecnologia di imaging che possono portare a bordo. Rispetto ai modelli da banco, la frequenza dei fotogrammi sui microscopi in miniatura è bassa, il che li rende suscettibili alle interferenze dovute al movimento. Disturbi come la respirazione del mouse o la frequenza cardiaca influenzerebbero l’accuratezza dei dati che questi microscopi possono acquisire. I ricercatori stimano che il microscopio in miniatura di Li dovrebbe superare i 20 fotogrammi al secondo per eliminare tutti i disturbi dal movimento di un topo che si muove liberamente.
“Ci sono due modi per aumentare il frame rate”, afferma Li. “Puoi aumentare la velocità di scansione e puoi diminuire il numero di punti scansionati.”
Nella ricerca precedente, il team di ingegneri di Li ha scoperto rapidamente di aver raggiunto i limiti fisici dello scanner, raggiungendo sei fotogrammi al secondo, che mantenevano un’eccellente qualità dell’immagine ma erano molto al di sotto della velocità richiesta. Quindi, il team è passato alla seconda strategia per aumentare la frequenza dei fotogrammi, diminuendo il numero di punti scansionati. Tuttavia, simile alla riduzione del numero di pixel in un’immagine, questa strategia farebbe sì che il microscopio acquisisca dati a risoluzione inferiore.
Li ha ipotizzato che un programma di intelligenza artificiale possa essere addestrato per riconoscere e ripristinare i punti mancanti, migliorando le immagini a una risoluzione più elevata. Tali protocolli di addestramento dell’IA vengono utilizzati quando è impossibile o richiede tempo per creare un programma per computer per un’attività, come riconoscere in modo affidabile un gruppo di caratteristiche come un volto umano. Invece, gli informatici utilizzano l’approccio di lasciare che i computer imparino a programmarsi attraverso l’elaborazione di grandi insiemi di dati.
Una sfida significativa nell’approccio AI proposto è stata la mancanza di immagini simili di cervelli di topi contro cui addestrare l’IA. Per superare questa lacuna, il team ha sviluppato una strategia di formazione in due fasi. I ricercatori hanno iniziato ad addestrare l’IA per identificare i mattoni del cervello dalle immagini di campioni fissi di tessuto cerebrale di topo. Successivamente hanno addestrato l’IA a riconoscere questi elementi costitutivi in un topo vivente con la testa frenata sotto il loro microscopio ultra piccolo. Questo passaggio ha addestrato l’IA a riconoscere le cellule cerebrali con variazioni strutturali naturali e un piccolo movimento causato dal movimento della respirazione e del battito cardiaco del topo.
“La speranza era che ogni volta che raccogliamo dati da un mouse in movimento, saranno ancora abbastanza simili da essere riconosciuti dalla rete di intelligenza artificiale”, afferma Li.
Quindi, i ricercatori hanno testato il programma di intelligenza artificiale per vedere se poteva migliorare con precisione le immagini del cervello del topo aumentando in modo incrementale la frequenza dei fotogrammi. Utilizzando un’immagine di riferimento, i ricercatori hanno ridotto i punti di scansione del microscopio di fattori di 2, 4, 8, 16 e 32 e hanno osservato con quanta precisione l’IA potrebbe migliorare l’immagine e ripristinare la risoluzione dell’immagine.
I ricercatori hanno scoperto che l’IA potrebbe ripristinare adeguatamente la qualità dell’immagine fino a 26 fotogrammi al secondo.
Il team ha quindi testato le prestazioni dello strumento AI in combinazione con un mini microscopio attaccato alla testa di un mouse in movimento. Con la combinazione di intelligenza artificiale e microscopio, i ricercatori sono stati in grado di vedere con precisione i picchi di attività delle singole cellule cerebrali attivate dal topo che cammina, ruota e in generale esplora il suo ambiente.
“Non avremmo mai potuto vedere queste informazioni con una risoluzione e un frame rate così elevati”, afferma Li. “Questo sviluppo potrebbe consentire di raccogliere più informazioni su come il cervello è connesso dinamicamente all’azione a livello cellulare”.
I ricercatori affermano che con una maggiore formazione, il programma di intelligenza artificiale potrebbe essere in grado di interpretare accuratamente le immagini fino a 52 o anche 104 fotogrammi al secondo.
Altri ricercatori coinvolti in questo studio includono Honghua Guan, Dawei Li, Hyeon-cheol Park, Ang Li, Yungtian Gau e Dwight Bergles della Johns Hopkins University School of Medicine; Yuanlei Yue e Hui Lu della George Washington University; e Ming-Jun Li di Corning Inc.
Questa ricerca è stata supportata dal National Cancer Institute (R01 CA153023), dalla National Science Foundation Major Research Instrumentation Grant (CEBT1430030) e dal Johns Hopkins Medicine Discovery Fund Synergy Award.
