В первые дни исследований в области неврологии ученые кропотливо окрашивали клетки мозга и рисовали вручную то, что они видели в микроскоп. Перенесемся в 2018 год, и машины, возможно, смогут научиться выполнять эту работу. Согласно новому исследованию Cell, можно научить машины выделять особенности в нейронах и других клетках, которые не были окрашены или подверглись другим повреждающим воздействиям. Исследование частично финансировалось Национальным институтом неврологических расстройств и инсульта (NINDS), входящим в состав Национального института здоровья.
«Этот подход может произвести революцию в биомедицинских исследованиях», - сказала Маргарет Сазерленд, доктор философии, программный директор NINDS. «Исследователи сейчас генерируют огромные объемы данных. Для нейробиологов это означает, что обучающие машины для помощи в анализе этой информации могут ускорить наше понимание того, как клетки мозга собираются вместе, и в приложениях, связанных с разработкой лекарств».
Чашка или культура нейронных клеток кажутся однородными невооруженным глазом, и различные отдельные клетки в ней не видны. С конца девятнадцатого века, когда пионеры-нейробиологи Сантьяго Рамон-и-Кахаль и Камилло Гольджи нарисовали самые ранние карты нервной системы, ученые разрабатывали красители и методы окрашивания, помогающие различать структуры мозга, включая различные типы клеток и их состояние здоровья. Однако во многих из этих методов используются агрессивные химические вещества, которые фиксируют или замораживают клетки в неестественном состоянии или повреждают живые клетки после нанесения нескольких красителей. Традиционные методы также ограничивают детали, которые ученые могут наблюдать.
Группа под руководством Стивена Финкбейнера, доктора медицинских наук, директора и старшего исследователя Института Гладстона в Сан-Франциско и профессора неврологии и физиологии Калифорнийского университета в Сан-Франциско, исследовала, могут ли компьютеры быть обучены идентифицировать структуры в неокрашенных клетках.
"Каждый день наша лаборатория создавала сотни изображений, гораздо больше, чем мы могли просмотреть и проанализировать самостоятельно. Однажды пара исследователей из Google постучала в нашу дверь, чтобы узнать, могут ли они нам помочь", - сказал д-р Финкбейнер, старший автор исследования.
Исследователи использовали метод глубокого обучения, основанный на принципах машинного обучения, типа искусственного интеллекта, в котором машины могут учиться на данных и принимать решения. Программное обеспечение для распознавания лиц является примером машинного обучения.
Используя Deep Learning, команда доктора Финкбайнера обучила компьютерную программу анализировать клетки мозга, показывая окрашенные и неокрашенные изображения. Затем, чтобы проверить, научилась ли программа чему-нибудь, исследователи бросили ей новые немаркированные изображения.
После первого раунда обучения программа определила, где находятся клетки в культуральной чашке, научившись определять клеточное ядро, круглую структуру, которая содержит генетическую информацию и служит командным центром клетки. В ходе дополнительных экспериментов группа доктора Финкбейнера увеличила сложность признаков, которые искала программа, и успешно обучила ее отличать мертвые клетки от живых, а также идентифицировать определенные типы клеток мозга. Кроме того, программа научилась различать аксоны и дендриты, которые представляют собой два особых типа отростков нейронов. Согласно результатам, программа успешно предсказала структуры в немеченых тканях.
Глубокое обучение берет алгоритм или набор правил и структурирует его по слоям, идентифицируя простые функции из частей изображения, а затем передает информацию на другие уровни, которые распознают все более сложные функции, такие как шаблоны. и структуры. Это напоминает то, как наш мозг обрабатывает визуальную информацию», - сказал доктор Финкбейнер. «Методы глубокого обучения способны раскрыть гораздо больше информации, чем можно увидеть человеческим глазом».
Доктор. Финкбайнер и его команда отметили, что основным недостатком использования этой технологии является то, что обучающие наборы данных должны быть очень большими, в идеале около 15 000 изображений. Кроме того, может существовать риск переобучения программ, когда они становятся настолько специализированными, что могут идентифицировать структуры только в определенном наборе изображений или в изображениях, сгенерированных определенным образом, и не могут делать прогнозы относительно более общих изображений, что может ограничить использование этой технологии.
Доктор. Финкбайнер и его коллеги планируют применить эти методы в исследованиях, посвященных заболеваниям.
«Теперь, когда мы показали, что эта технология работает, мы можем начать использовать ее в исследованиях заболеваний. Глубокое обучение может обнаружить что-то в клетках, что может помочь предсказать клинические результаты и помочь нам проверить потенциальные методы лечения», - сказал доктор Финкбайнер..
Необходимы дополнительные исследования, чтобы усовершенствовать технологию и сделать ее более доступной.