Eksperci wykorzystują nowy mikroskop, algorytm sztucznej inteligencji i wskaźniki napięcia do obrazowania aktywności elektrycznej głęboko w mózgu

Badając mózg, naukowcy dopiero zaczynają wykorzystywać metodę znaną jako obrazowanie napięcia do śledzenia aktywności nerwowej żywego zwierzęcia. Chociaż podejście to jest obiecującą metodą lepszego zrozumienia odpalania neuronów, zachowania i funkcji poznawczych, istnieją ograniczenia i czynniki ryzyka. Ta praktyka wymaga wprowadzenia dużej ilości światła do mózgu (co może spowodować jego przegrzanie) i ma zdolność strzelania tylko do dziesięciu neuronów na raz.

Nowe badania przeprowadzone przez Jerry’ego Chena, adiunkta biologii w College of Arts and Sciences Uniwersytetu Bostońskiego oraz współpracowników mają na celu sprostanie tym wyzwaniom. Opublikowano dzisiaj w naturalne sposobyChen i współpracownicy pokazują, w jaki sposób ich multidyscyplinarne podejście przy użyciu nowatorskiego mikroskopu, algorytmu sztucznej inteligencji i wskaźników napięcia może poprawić obrazowanie. Łącznie ich metody zaowocowały skutecznym, minimalnie inwazyjnym, trwałym obrazowaniem około 100 neuronów jednocześnie u myszy.

W tym pytaniu i odpowiedzi Chen opisuje nowe wyniki badań, pracę ze swoimi współpracownikami, ekscytujące implikacje dla pacjentów z padaczką i przyszłe technologie obrazowania mózgu.

Opisz własnymi słowami to badanie. Jakie są Twoje główne cele badawcze?

Neuronauka, jako dziedzina, zajmuje się zrozumieniem, jak działa mózg. Sygnały elektryczne to podstawowy sposób, w jaki neurony przetwarzają informacje i komunikują się ze sobą. Możemy używać elektrod do rejestrowania aktywności poszczególnych neuronów, ale jest to procedura inwazyjna, która wymaga wprowadzenia elektrod do mózgu.

Obrazowanie sygnałów napięciowych umożliwia nieinwazyjny odczyt aktywności grup neuronów. W ostatniej dekadzie włożono wiele wysiłku w rozwój tej technologii obrazowania napięcia. Naszym celem badawczym było uczynienie go praktycznym i skalowalnym do zastosowań badawczych.

Czy istnieje jakieś szczególne wyzwanie, któremu mają sprostać te badania?

Wysiłkowe obrazowanie żywego zwierzęcia oznacza konieczność pracy w ramach podstawowych ograniczeń zarówno fizyki, jak i biologii. Musimy wyrazić genetycznie zakodowane wskaźniki, które zmienią fluorescencję w odpowiedzi na aktywność neuronów i potrzebujemy mikroskopów, które pozwolą nam obrazować z bardzo dużą prędkością (co najmniej 1000 klatek na sekundę) w celu pomiaru potencjałów czynnościowych (główna jednostka informacji w neuronach) .

Za pomocą naszych mikroskopów musimy wprowadzić do mózgu wystarczającą ilość światła, aby wydobyć sygnały fluorescencyjne. Jeśli chcemy obrazować coraz więcej neuronów, chcemy wpuścić więcej światła do mózgu. Jednak nie możemy włożyć zbyt wiele do mózgu, bo spowodujemy fotouszkodzenia. Wyzwanie polega więc na chodzeniu po linie między maksymalizacją sygnału i liczbą neuronów, które chcemy zarejestrować z dużą prędkością, a minimalizacją ryzyka uszkodzenia mózgu.

Opisuje tę pracę jako „podejście interdyscyplinarne”, współpracując ze współautorami przeszkolonymi w zakresie fizjologii komórkowej i molekularnej, inżynierii biomedycznej, neuronauki i nie tylko. Czy możesz wyjaśnić, w jaki sposób te wyjątkowe dyscypliny łączą się, aby wspierać/wpływać na różne dziedziny nauki?

Aby sprostać wyzwaniom, które opisałem powyżej, nie ma jednego rozwiązania, które mogłoby to zrobić. Zamiast tego potrzebujesz wielu metod współpracujących ze sobą, aby przezwyciężyć te podstawowe ograniczenia. W szczególności potrzebowaliśmy inżynierów białek, którzy mogliby opracować bardziej czułe wskaźniki napięcia, które fluoryzują w odpowiedzi na aktywność neuronów.

Jako inżynier optyczny opracowałem nowy mikroskop, który pozwala nam zwiększyć liczbę neuronów, które możemy obrazować z bardzo dużą prędkością. Wreszcie potrzebowaliśmy informatyka, który mógłby opracować nowe algorytmy ze sztuczną inteligencją, które mogłyby wyodrębniać sygnały napięciowe w hałaśliwych warunkach, w których do mózgu dociera bardzo mało światła.

Kim są główni współpracownicy w badaniach?

Vincent Pieribone z Laboratorium Johna B. Pierce’a na Uniwersytecie Yale opracował nowe czujniki napięcia. Li Tian, ​​adiunkt na Wydziale Inżynierii Elektrycznej i Komputerowej Uniwersytetu Bostońskiego, opracował nowe algorytmy redukcji szumów. Anderson Chen, starszy naukowiec zajmujący się obrazowaniem w Center for Neuroimaging na Uniwersytecie Bostońskim oraz dyrektor Micro and Nano Imaging Core Facility, udzielił wskazówek dotyczących budowy naszego mikroskopu SMURF. Ian Davison, adiunkt na Wydziale Biologii Uniwersytetu Bostońskiego, pomógł przetestować czujniki napięcia w naszym laboratorium.

Czy dzięki temu badaniu odkryłeś jakieś odkrycia, które Cię zaskoczyły?

Myślę, że algorytm redukcji szumów (zwany DeepVID) opracowany przez Lei Tian jest przełomem. Podczas fotografowania w warunkach słabego oświetlenia zbierane obrazy mogą być dość zaszumione. Nazywa się to odgłosem strzału. Jest to fundamentalne ograniczenie mikroskopii, które uniemożliwia nam wykonywanie wiarygodnych pomiarów za pomocą naszych instrumentów. Metody obliczeniowe opracowane przez Lei przełamują to podstawowe ograniczenie. Byłem zdumiony, gdy zobaczyłem, jak łatwo było zobaczyć sygnały napięciowe po zastosowaniu algorytmu redukcji szumów Lei.

Jakie są długoterminowe skutki wyników badań? W jaki sposób odkrycia można zastosować u rzeczywistych pacjentów lub wpłynąć na przyszłość technologii obrazowania mózgu?

Długoterminowe implikacje są takie, że opracowaliśmy wspólne podejście, które pozwoli nam poszerzyć zakres przedstawiania wysiłku. Wcześniej mogliśmy wykonywać obrazowanie tylko z 10 neuronami na raz. Nasz artykuł pokazał, że 100 neuronów jest możliwych. Rozszerzając zasady, które okazały się wykonalne w praktyce, powinniśmy być w stanie zobrazować 1000 lub więcej neuronów. Pozwoli nam to lepiej zrozumieć, w jaki sposób informacje są przetwarzane w mózgu. Pozwoli też lepiej badać choroby, w których aktywność elektryczna jest zaburzona podczas padaczki.

Jakie są kolejne kroki dla Ciebie i Twoich współpracowników?

Naszym następnym krokiem jest zastosowanie naszych technik w celu uzyskania odpowiedzi na fundamentalne pytania w neuronauce, a także zbadanie sposobów dalszego rozszerzenia tego obrazowania na większe populacje neuronów.