Η ΕΠΦΛ και οι επιστήμονες του Harvard ανέπτυξαν μια μέθοδο βασισμένη σε τεχνητή νοημοσύνη για την παρακολούθηση νευρώνων σε κινούμενα ζώα, βελτιώνοντας την αποδοτικότητα της έρευνας του εγκεφάλου με ελάχιστη χειρωνακτική επισήμανση.
Πρόσφατες εξελίξεις επιτρέπουν την απεικόνιση νευρώνων μέσα σε ελεύθερα κινούμενα ζώα. Ωστόσο, για να αποκωδικοποιηθεί η δραστηριότητα του κυκλώματος, αυτοί οι νευρώνες πρέπει να εντοπιστούν και να παρακολουθηθούν υπολογιστικά. Αυτό γίνεται ιδιαίτερα δύσκολο όταν το ίδιο το εγκέφαλο κινείται και αλλοιώνεται μέσα στο ευέλικτο σώμα του οργανισμού, π.χ. σε ένα εντόμο. Μέχρι σήμερα, η επιστημονική κοινότητα έλειπε από εργαλεία για να αντιμετωπίσει το πρόβλημα.
Ανάπτυξη Μεθόδου Τεχνητής Νοημοσύνης για την Παρακολούθηση Νευρώνων
Τώρα, μια ομάδα επιστημόνων από την ΕΠΦΛ και το Harvard ανέπτυξαν μια πρωτοποριακή μέθοδο τεχνητής νοημοσύνης για να παρακολουθήσουν νευρώνες μέσα σε κινούμενα και αλλοιούμενα ζώα. Η μελέτη, που δημοσιεύτηκε τώρα στο Nature Methods, ηγήθηκε από τον Sahand Jamal Rahi στο Σχολείο Βασικών Επιστημών της ΕΠΦΛ.
Η νέα μέθοδος βασίζεται σε ένα συνελικτικό νευρωνικό δίκτυο (CNN), το οποίο είναι ένας τύπος τεχνητής νοημοσύνης που έχει εκπαιδευτεί να αναγνωρίζει και να κατανοεί πρότυπα σε εικόνες. Αυτό περιλαμβάνει έναν διαδικασία που λέγεται “συνέλιξη”, η οποία εξετάζει μικρά τμήματα της εικόνας – όπως ακμές, χρώματα ή σχήματα – και στη συνέχεια συνδυάζει όλες αυτές τις πληροφορίες για να τις κατανοήσει και να αναγνωρίσει αντικείμενα ή πρότυπα.
Το πρόβλημα είναι ότι για να αναγνωριστούν και να παρακολουθηθούν νευρώνες κατά τη διάρκεια μιας ταινίας του εγκεφάλου ενός ζώου, πολλές εικόνες πρέπει να επισημανθούν χειρωνακτικά επειδή το ζώο εμφανίζεται πολύ διαφορετικά με την πάροδο του χρόνου λόγω των πολλών διαφορετικών αλλοιώσεων του σώματος. Δεδομένης της ποικιλίας των στάσεων του ζώου, η δημιουργία επαρκούς αριθμού επισημάνσεων με το χέρι για να εκπαιδευτεί ένα CNN μπορεί να φανεί απαιτητική.
Στόχος Ενισχυμένης Αύξησης
Για να αντιμετωπίσουν αυτό το θέμα, οι ερευνητές ανέπτυξαν ένα βελτιωμένο CNN με τη λειτουργία της “ενισχυμένης αύξησης”. Η καινοτόμος τεχνική αυτόματα συνθέτει αξιόπιστες επισημάνσεις για αναφορά μόνο από ένα περιορισμένο σύνολο χειρωνακτικών επισημάνσεων. Το αποτέλεσμα είναι ότι το CNN μαθαίνει αποτελεσματικά τις εσωτερικές αλλοιώσεις του εγκεφάλου και στη συνέχεια τις χρησιμοποιεί για να δημιουργήσει επισημάνσεις για νέες στάσεις, μειώνοντας δραστικά την ανάγκη για χειρωνακτικές επισημάνσεις και διπλο-ελέγχους.
Η νέα μέθοδος είναι ευέλικτη, καθώς μπορεί να εντοπίσει νευρώνες είτε αναπαρίστανται στις εικόνες ως μεμονωμένα σημεία είτε ως τρισδιάστατα όγκοι. Οι ερευνητές το δοκίμασαν στον ευκλείδη C. elegans, οι 302 νευρώνες του το έχουν καταστήσει ένα δημοφιλές μοντέλο οργανισμού στη νευροεπιστήμη.
Χρησιμοποιώντας το βελτιωμένο CNN, οι επιστήμονες μέτρησαν τη δραστηριότητα σε μερικούς από τους μεσονεφρικούς νευρώνες του εντόμου (νευρώνες που γέφυρωναν σήματα μεταξύ νευρώνων). Βρήκαν ότι εκδηλώνουν πολύπλοκες συμπεριφορές, όπως η αλλαγή των προτύπων αντίδρασής τους όταν εκτίθενται σε διάφορα stimuli, όπως περιοδικές έκρηξεις οσμών.
Επίδραση στην Έρευνα
Η ομάδα έκανε το CNN τους προσβάσιμο, παρέχοντας μια φιλική προς τον χρήστη γραφική διεπαφή που ενσωματώνει την ενισχυμένη αύξηση, ενοποιώντας τη διαδικασία σε ένα περιεκτικό πλαίσιο εργασίας, από τη χειρωνακτική επισήμανση έως την τελική αποδοχή.
“Με τη μείωση σημαντικά της χειρωνακτικής προσπάθειας που απαιτείται για τον διαχωρισμό και την παρακολούθηση νευρώνων, η νέα μέθοδος αυξάνει την απόδοση ανάλυσης τρεις φορές σε σύγκριση με την πλήρη χειρωνακτική επισήμανση,” λέει ο Sahand Jamal Rahi. “Η επανάσταση έχει τη δυνατότητα να επιταχύνει την έρευνα στην εικονική απεικόνιση του εγκεφάλου και να εμβαθύνει την κατανόησή μας για νευρικά κυκλώματα και συμπεριφορές.”
