Новый метод искусственного интеллекта выявляет сложное поведение нейронов червя

Ученые из Гарвардского университета и ЭПФЛ Они создали новый новаторский метод отслеживания нейронов движущихся и деформирующихся животных.

Новая технология сочетает в себе глубокое обучение с новой методологией, известной как «Целевое увеличение«.

Благодаря последним достижениям теперь можно визуализировать нейроны внутри свободно движущихся животных. Однако эти наблюдаемые нейроны необходимо идентифицировать и отслеживать с помощью вычислений, чтобы расшифровать активность схемы. Это очень сложно, как и в случае с червем, когда мозг сам движется и деформируется внутри упругого тела организма. Научное сообщество до сих пор не имело ресурсов для решения этой проблемы.

Команда исследователей из EPFL и Гарвардского университета создала новаторский метод искусственного интеллекта для отслеживания нейронов внутри движущихся и деформирующихся животных. Исследование, опубликованное в настоящее время в Природные методы, Его возглавляет Саханд Джамал Рахи из Школы фундаментальных наук EPFL.

Сверточные нейронные сети (CNN), разновидность искусственного интеллекта (ИИ), обученные выявлять и понимать закономерности в изображениях, являются основой новой технологии. Чтобы понять изображение и идентифицировать объекты или узоры, используется метод, известный как «свертка». Он одновременно рассматривает небольшие части изображения, такие как края, цвета или формы.

Идентификация и отслеживание нейронов в мозгу животного во время просмотра фильма является сложной задачей из-за разнообразия их внешнего вида, возникающего в результате повторяющихся деформаций тела. Такое разнообразие поз животных требует множества ручных меток изображений для эффективного обучения сверточной нейронной сети (CNN). Однако это может оказаться непростой задачей из-за огромного объема аннотаций, необходимых для охвата широкого спектра поз животных.

Для решения этой проблемы ученые создали улучшенную CNN с «целевым усилением». Используя лишь небольшое количество ручных аннотаций, новый метод автоматически генерирует надежные аннотации для справки. В результате CNN ловко поглощает внутренние искажения мозга и использует полученную информацию для объяснения новых ситуаций. Это значительно снижает потребность в обширных ручных аннотациях и избыточной перекрестной проверке.

Новый подход является адаптируемым. Он может распознавать нейроны на изображениях, которые показывают их в виде отдельных пятен или трехмерных объемов. Они провели испытания с использованием круглых червей Некоторые типы элегантны.широко популярный модельный организм в нейробиологии из-за наличия 302 точно определенных нейронов.

Ученые отслеживали активность небольшого количества интернейронов червя — нейронов, которые передают сообщения между нейронами — с помощью улучшенной CNN. Их наблюдения выявили сложное поведение между этими нейронами. Например, эти нейроны продемонстрировали модели адаптивного ответа при воздействии различных стимулов, таких как периодические всплески запахов, демонстрируя свою способность адаптироваться к различным сигналам окружающей среды.

Группа предоставила доступ к своей CNN, которая обеспечивает простой в использовании графический интерфейс и включает в себя целенаправленное усиление, упрощая процесс до плавного пути, который включает в себя ручные аннотации и окончательную корректуру.

За счет значительного сокращения ручных усилий, необходимых для сегментации и отслеживания нейронов, новый метод увеличивает производительность анализа в три раза по сравнению с полным ручным аннотированием. Этот прорыв может ускорить исследования в области визуализации мозга и углубить наше понимание нейронных цепей и поведения..

Саханд Джамал Рахи, научный сотрудник лаборатории физики биологических систем Института физики Федеральной политехнической школы Лозанны

2D-проекция 3D-объемных записей активности мозга C. elegans.Он играет