I recenti progressi in campo scientifico consentono di ottenere l’imaging dei neuroni all’interno di animali che si muovono liberamente. Tuttavia, per decodificare l’attività dei circuiti, i neuroni ripresi devono essere identificati e tracciati a livello computazionale. Ciò diventa particolarmente impegnativo quando il cervello stesso si muove e si deforma all’interno del corpo flessibile di un organismo, ad esempio in un verme.
Finora, alla comunità scientifica mancavano gli strumenti per affrontare il problema. Ora, un gruppo di scienziati dell’EPFL e di Harvard ha sviluppato un metodo pionieristico di intelligenza artificiale per tracciare i neuroni all’interno di animali che si muovono e si deformano.
Lo studio, ora pubblicato su Nature Methods, è stato guidato da Sahand Jamal Rahi della Scuola di Scienze di Base dell’EPFL. La nuova tecnica si basa su una rete neurale convoluzionale, ovvero un tipo di intelligenza artificiale addestrata a riconoscere e comprendere i modelli nelle immagini. Si tratta di un processo chiamato “convoluzione”, che esamina piccole parti dell’immagine, come bordi, colori o forme, una alla volta e poi combina tutte le informazioni per dar loro un senso e identificare oggetti o modelli.
Il problema è che per identificare e tracciare i neuroni durante un filmato del cervello di un animale, molte immagini devono essere etichettate a mano perché l’animale appare in modo molto diverso nel tempo a causa delle numerose deformazioni del corpo. Data la diversità delle posture dell’animale, generare manualmente un numero sufficiente di annotazioni per addestrare una CNN (rete neurale convoluzionale) può essere scoraggiante.
CNN potenziata con “incremento mirato“
Per ovviare a questo problema, i ricercatori hanno sviluppato una CNN potenziata con “incremento mirato“. Questa tecnica innovativa sintetizza automaticamente annotazioni affidabili di riferimento a partire da un insieme limitato di annotazioni manuali. Il risultato è che la CNN apprende efficacemente le deformazioni interne del cervello e le utilizza per creare annotazioni per nuove posture, riducendo drasticamente la necessità di annotazioni manuali e di un doppio controllo.
I test sul Caenorhabditis elegans
Il nuovo metodo è versatile, in quanto è in grado di identificare i neuroni sia che siano rappresentati nelle immagini come singoli punti o come volumi 3D. I ricercatori lo hanno testato sul verme rotondo, Caenorhabditis elegans, i cui 302 neuroni lo hanno reso un organismo modello molto popolare nelle neuroscienze.
Utilizzando la CNN potenziata, i ricercatori hanno misurato l’attività di alcuni interneuroni, ovvero neuroni che fanno da ponte tra i neuroni, del verme. La squadra di scienziati ha scoperto che i vermi presentano comportamenti complessi, ad esempio cambiano i loro modelli di risposta quando sono esposti a stimoli diversi, come diffusioni periodiche di odori.
Il gruppo di ricerca ha reso accessibile la propria CNN, fornendo un’interfaccia grafica di facile utilizzo che integra l’incremento mirato, snellendo il processo in una pipeline completa, dall’annotazione manuale alla correzione finale. “Riducendo in modo significativo lo sforzo manuale richiesto per la segmentazione e il tracciamento dei neuroni, il nuovo metodo aumenta la produttività dell’analisi di tre volte rispetto all’annotazione manuale completa“, ha detto Sahand Jamal Rahi. “Questa scoperta – ha concluso Rahi – ha il potenziale per accelerare la ricerca nel campo dell’imaging cerebrale e approfondire la nostra comprensione dei circuiti neurali e dei comportamenti“.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?