L’intelligenza artificiale sta rivoluzionando il tracciamento neuronale negli animali in movimento

riepilogo: I ricercatori hanno sviluppato un metodo basato sull’intelligenza artificiale per tracciare i neuroni negli animali in movimento e in deformazione, un importante progresso nella ricerca sulle neuroscienze. Il metodo della rete neurale convoluzionale (CNN) supera la sfida di monitorare l’attività cerebrale in organismi come i vermi, la cui forma corporea cambia costantemente.

Attraverso l’uso dell’aumento mirato, l’intelligenza artificiale riduce drasticamente la necessità di annotazione manuale delle immagini, semplificando il processo di identificazione dei neuroni. Testata sul nematode Caenorhabditis elegans, questa tecnica non solo ha aumentato l’efficienza dell’analisi, ma ha anche portato a conoscenze più approfondite di comportamenti neurali complessi.

Aspetti principali:

1. Tecnologia IA innovativa: Il metodo CNN raccoglie automaticamente annotazioni e apprende le anomalie interne del cervello per adattarsi a nuove situazioni.
2. Competenza nell’analisi: Questo approccio triplica la produttività dell’analisi rispetto all’annotazione manuale completa, risparmiando significativamente tempo e fatica nella ricerca.
3. Applicazione e risultati: Quando applicato al nematode ricco di neuroni Caenorhabditis elegans, il metodo ha rivelato comportamenti complessi tra i neuroni e le loro risposte agli stimoli.

fonte: EPFL

I recenti progressi consentono l’imaging dei neuroni all’interno di animali che si muovono liberamente. Tuttavia, per decodificare l’attività del circuito, questi neuroni ripresi devono essere identificati e monitorati computazionalmente. Ciò diventa particolarmente difficile quando il cervello stesso si muove e si deforma all’interno del corpo elastico dell’organismo, ad esempio in un verme. Finora la comunità scientifica non disponeva degli strumenti per affrontare questo problema.

Ora, un team di scienziati dell’EPFL e dell’Università di Harvard ha sviluppato un metodo pionieristico di intelligenza artificiale per tracciare i neuroni all’interno degli animali in movimento e in deformazione. Lo studio è ora pubblicato in I metodi della naturaguidato da Sahand Jamal Rahi presso la Facoltà di scienze di base dell’EPFL.

Il nuovo metodo si basa su una rete neurale convoluzionale (CNN), un tipo di intelligenza artificiale addestrata a riconoscere e comprendere i modelli nelle immagini. Ciò comporta un processo chiamato “convoluzione”, che esamina piccole parti dell’immagine – come bordi, colori o forme – alla volta e quindi riunisce tutte queste informazioni per comprenderle 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 manualmente perché l’animale appare molto diverso nel tempo a causa delle varie deformazioni del corpo. Data la varietà di pose degli animali, generare manualmente abbastanza annotazioni per addestrare una CNN può essere scoraggiante.

Per affrontare questo problema, i ricercatori hanno sviluppato una rete CNN migliorata con “potenziamento mirato”. La tecnologia innovativa raccoglie automaticamente annotazioni affidabili come riferimento con solo un insieme limitato di annotazioni manuali. Il risultato è che la CNN apprende in modo efficace le deformazioni interne del cervello e poi le utilizza per generare annotazioni per nuove situazioni, riducendo notevolmente la necessità di annotazioni manuali e di doppia convalida.

Il nuovo metodo è versatile, poiché 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 sui nematodi Alcuni tipi sono elegantiche contiene 302 neuroni, rendendolo un organismo modello popolare nelle neuroscienze.

Utilizzando la CNN aumentata, gli scienziati hanno misurato l’attività in alcuni interneuroni del verme (neuroni che collegano i segnali tra i neuroni). Hanno scoperto che mostrano comportamenti complessi, ad esempio cambiano i loro modelli di risposta quando esposti a stimoli diversi, come esplosioni periodiche di odori.

Il team ha reso accessibile la propria CNN, fornendo una GUI intuitiva che integra potenziamenti mirati, ottimizzando il processo in una pipeline end-to-end, dall’annotazione manuale alla correzione di bozze finale.

“Riducendo significativamente lo sforzo manuale richiesto per segmentare e tracciare i neuroni, il nuovo metodo aumenta la produttività dell’analisi di tre volte rispetto all’annotazione completamente manuale”, afferma Sahand Jamal Rahi.

“Questa svolta ha il potenziale per accelerare la ricerca nell’imaging cerebrale e approfondire la nostra comprensione dei circuiti e dei comportamenti neurali”.

Altri contributori

Centro svizzero per la scienza dei dati

Informazioni sulle novità sulla ricerca sull’intelligenza artificiale

autore: Nick Papageorgiou
fonte: EPFL
comunicazione: Nick Papageorgiou – EPFL
immagine: Immagine accreditata a Neuroscience News

Ricerca originale: I risultati appariranno in I metodi della natura