Naučnici Džonsa Hopkinsa razvili su metod koji uključuje veštačku inteligenciju za vizuelizaciju i praćenje promena u snazi sinapsi – tačaka veze preko kojih nervne ćelije u mozgu komuniciraju – kod živih životinja. Tehnika, opisana u Prirodnim metodama, trebalo bi, kažu naučnici, da dovede do boljeg razumevanja kako se takve veze u ljudskom mozgu menjaju sa učenjem, starenjem, povredama i bolestima.
„Ako želite da naučite više o tome kako orkestar svira, morate da posmatrate pojedine igrače tokom vremena, a ova nova metoda to radi za sinapse u mozgu živih životinja“, kaže Dvajt Bergles, dr, Diana Silvestre i Charles Homci profesor na Odseku za neuronauku Solomon H. Snider na Medicinskom fakultetu Univerziteta Johns Hopkins (JHU).
Bergles je bio koautor studije sa kolegama Adamom Čarlsom, doktorom medicine, i Jeremijasom Sulamom, doktorom, obojica docentima na odseku za biomedicinsko inženjerstvo, i Richardom Huganirom, dr, Blumbergovim uvaženim profesorom na JHU i direktor Odeljenja za neuronauku Solomon H. Snajder. Sva četiri istraživača su članovi Kavli Neuroscience Discoveri Institute Džonsa Hopkinsa.
Nervne ćelije prenose informacije iz jedne ćelije u drugu razmenom hemijskih poruka na sinapsama („spojnici“). U mozgu, objašnjavaju autori, smatra se da različita životna iskustva, kao što su izlaganje novom okruženju i veštine učenja, izazivaju promene u sinapsama, jačajući ili slabeći ove veze kako bi omogućile učenje i pamćenje.
Razumevanje kako se ove sitne promene dešavaju u trilionima sinapsi u našem mozgu je zastrašujući izazov, ali je ključno za otkrivanje kako mozak funkcioniše kada je zdrav i kako ga menja bolest.
Da bi utvrdili koje se sinapse menjaju tokom određenog životnog događaja, naučnici su dugo tražili bolje načine da vizuelizuju promenljivu hemiju sinaptičkih poruka, što je neophodno zbog velike gustine sinapsi u mozgu i njihove male veličine – osobina koje ih čine izuzetno teškim za vizualizaciju čak i sa novim najsavremenijim mikroskopima.
„Morali smo da pređemo sa izazovnih, zamućenih, bučnih podataka o slici da bismo izdvojili delove signala koje treba da vidimo“, kaže Čarls.
Da bi to učinili, Bergles, Sulam, Charles, Huganir i njihove kolege okrenuli su se mašinskom učenju, računarskom okviru koji omogućava fleksibilan razvoj alata za automatsku obradu podataka.
Mašinsko učenje je uspešno primenjeno na mnoge domene širom biomedicinskog snimanja, iu ovom slučaju, naučnici su iskoristili pristup da poboljšaju kvalitet slika sastavljenih od hiljada sinapsi. Iako može biti moćno sredstvo za automatizovano otkrivanje, koje uveliko nadmašuje ljudske brzine, sistem prvo mora biti „obučen“, podučavajući algoritam kako treba da izgledaju visokokvalitetne slike sinapsi.
U ovim eksperimentima, istraživači su radili sa genetski izmenjenim miševima kod kojih su glutamatni receptori – hemijski senzori u sinapsama – sijali zeleno (fluorescirali) kada su bili izloženi svetlosti. Pošto svaki receptor emituje istu količinu svetlosti, količina fluorescencije koju generiše sinapsa kod ovih miševa je pokazatelj broja sinapsi, a samim tim i njihove snage.
Kao što se i očekivalo, snimanje u netaknutom mozgu proizvelo je slike niskog kvaliteta u kojima je bilo teško jasno videti pojedinačne grupe glutamatnih receptora na sinapsama, a kamoli da se pojedinačno detektuju i prate tokom vremena. Da bi ih pretvorili u slike višeg kvaliteta, naučnici su obučili algoritam za mašinsko učenje sa slikama napravljenim od rezova mozga (ek vivo) dobijenih od istog tipa genetski izmenjenih miševa.
Pošto ove slike nisu bile od živih životinja, bilo je moguće proizvesti mnogo kvalitetnije slike koristeći drugu tehniku mikroskopije, kao i slike niskog kvaliteta — slične onima snimljenim kod živih životinja — istih pogleda.
Ovaj okvir za prikupljanje podataka unakrsnih modaliteta omogućio je timu da razvije algoritam za poboljšanje koji može proizvesti slike veće rezolucije od onih niskog kvaliteta, slično slikama prikupljenim od živih miševa. Na ovaj način, podaci prikupljeni iz netaknutog mozga mogu biti značajno poboljšani i sposobni da otkriju i prate pojedinačne sinapse (u hiljadama) tokom višednevnih eksperimenata.
Da bi pratili promene u receptorima tokom vremena kod živih miševa, istraživači su zatim koristili mikroskopiju da snime ponovljene slike istih sinapsi kod miševa tokom nekoliko nedelja. Nakon snimanja osnovnih slika, tim je životinje smestio u komoru sa novim nišanima, mirisima i taktilnom stimulacijom na jedan period od pet minuta. Zatim su slikali istu oblast mozga svaki drugi dan da vide da li su i kako novi stimulansi uticali na broj glutamatnih receptora u sinapsama.
Iako je fokus rada bio na razvoju skupa metoda za analizu promena nivoa sinapse u mnogim različitim kontekstima, istraživači su otkrili da je ova jednostavna promena u okruženju izazvala spektar promena u fluorescenciji preko sinapsi u moždanoj kori, što ukazuje na veze gde snaga se povećala, a drugi gde se smanjila, sa pristrasnošću ka jačanju kod životinja izloženih novom okruženju.
Studije su omogućene kroz blisku saradnju među naučnicima sa izraženom stručnošću, u rasponu od molekularne biologije do veštačke inteligencije, koji obično ne sarađuju blisko. Ali takva saradnja se ohrabruje u višedisciplinarnom Kavli Neuroscience Discoveri Institute, kaže Bergles.
Istraživači sada koriste ovaj pristup mašinskom učenju za proučavanje sinaptičkih promena u životinjskim modelima Alchajmerove bolesti, i veruju da bi metoda mogla baciti novo svetlo na sinaptičke promene koje se javljaju u drugim kontekstima bolesti i povreda.
„Zaista smo uzbuđeni da vidimo kako i gde će ostatak naučne zajednice ovo preduzeti“, kaže Sulam.
