Un’intelligenza artificiale migliorata traccia i neuroni negli animali in movimento

- EN- DE- FR- IT
Gli scienziati dell’EPFL e di Harvard hanno sviluppato un metodo rivoluzionario che utilizza l’apprendimento profondo e una nuova tecnica chiamata "aumento mirato" per tracciare i neuroni di animali in movimento.

I recenti progressi hanno reso possibile ottenere immagini di neuroni in animali in movimento. Tuttavia, per decodificare l’attività del circuito neurale, è necessario identificare e seguire al computer i neuroni ripresi. Questo diventa particolarmente difficile quando il cervello stesso si muove e si deforma all’interno del corpo flessibile di un organismo, ad esempio in un verme. Finora, la comunità scientifica non disponeva di uno strumento adeguato per risolvere questo problema.

Ora, un team di scienziati dell’EPFL e di Harvard ha sviluppato un metodo innovativo di intelligenza artificiale per tracciare i neuroni in animali in movimento e deformi. Pubblicato sulla rivista Nature Methods, lo studio è stato guidato da Sahand Jamal Rahi della Facoltà di Scienze di base dell’EPFL.

Questo nuovo metodo si basa su una rete neurale convoluzionale (CNN). Si tratta di un tipo di intelligenza artificiale che viene addestrata per riconoscere e comprendere gli schemi nelle immagini. Si tratta di un processo chiamato "convoluzione", che esamina piccole parti dell’immagine, come bordi, colori o forme, tutte insieme, quindi combina tutte queste informazioni per dare loro un senso e identificare oggetti o modelli.

Il problema è che per identificare e tracciare i neuroni durante un video del cervello di un animale, è necessario annotare manualmente un gran numero di immagini, poiché l’animale appare in modo molto diverso nel corso di pochi secondi a causa delle numerose deformazioni del suo corpo. A causa delle varie posture dell’animale, può essere difficile produrre manualmente un numero sufficiente di annotazioni per addestrare una CNN.

Per ovviare a questo problema, i ricercatori hanno sviluppato una CNN migliorata con "incremento mirato". Questa tecnica innovativa sintetizza automaticamente annotazioni di riferimento affidabili 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 le nuove posture, riducendo in modo significativo la necessità di annotazioni manuali e di doppi controlli.

Il nuovo metodo è versatile e può essere utilizzato per identificare i neuroni, sia che siano rappresentati nelle immagini come singoli punti o volumi 3D. I ricercatori lo hanno testato sul verme rotondo Caenorhabditis elegans, i cui 302 neuroni lo hanno reso un organismo modello ampiamente utilizzato nelle neuroscienze.

Utilizzando la CNN migliorata, gli scienziati hanno misurato l’attività di alcuni interneuroni del verme (che collegano i segnali tra i neuroni). Hanno scoperto che i vermi presentano comportamenti complessi, come la modifica dei loro modelli di risposta quando sono esposti a stimoli diversi, come la presenza periodica di odori.

Il team ha reso accessibile la sua CNN, offrendo un’interfaccia grafica di facile utilizzo che incorpora un incremento mirato e semplificando il processo in una pipeline completa, dall’annotazione manuale alla correzione finale.

"Riducendo in modo significativo lo sforzo manuale necessario per segmentare e tracciare i neuroni, il nuovo metodo triplica la resa dell’analisi rispetto all’annotazione manuale completa", spiega Rahi. Questo progresso potrebbe accelerare la ricerca sulle immagini cerebrali e portare a una migliore comprensione dei circuiti neurali e dei comportamenti".

Altri collaboratori

  • Centro svizzero di scienza dei dati


  • EPFL

    Fondazione Helmut-Horten

    Centro svizzero per la scienza dei dati

    Riferimenti

    Core Francisco Park, Mahsa, Barzegar Keshteli, Kseniia Korchagina, Ariane Delrocq, Vladislav Susoy, Corinne L. Jones, Aravinthan D. T. Samuel, Sahand Jamal Rahi. Tracciamento automatico dei neuroni all’interno di animali in movimento e deformi mediante apprendimento profondo e incremento mirato. Nature Methods 05 dicembre 2023. DOI: 10.1038/s41592’023 -02096-3