Учёные научили компьютеры анализировать клетки мозга

Согласно новому исследованию в журнале Cell, машины можно научить распознавать особенности нейронов и других клеток, которые не были окрашены или подвергнуты другим повреждающим воздействиям. Исследование частично финансировалось Национальным институтом неврологических расстройств и инсульта (NINDS), входящим в Национальные институты здравоохранения (NIH).

Потенциал для революции в исследованиях

Маргарет Сазерленд, программный директор NINDS, отметила, что этот подход может революционизировать биомедицинские исследования. Обучение машин анализу огромных объёмов данных может ускорить понимание устройства клеток мозга и применение в разработке лекарств.

Преодоление ограничений традиционных методов

Традиционные методы окрашивания, используемые со времён Рамон-и-Кахаля и Гольджи, часто включают агрессивные химикаты, которые фиксируют клетки в неестественном состоянии или повреждают живые клетки, ограничивая детализацию наблюдений.

Применение глубокого обучения (Deep Learning)

Команда под руководством Стивена Финкбайнера из Институтов Гладстона исследовала, можно ли обучить компьютеры идентифицировать структуры в неокрашенных клетках. Исследователи использовали Deep Learning — метод машинного обучения, при котором алгоритм структурируется в слои, распознающие от простых к сложным признакам, подобно обработке визуальной информации мозгом.

Результаты обучения программы

  • Программу обучили, показывая окрашенные и неокрашенные изображения.
  • После первого раунда обучения программа научилась находить клетки в чашке, определяя ядро.
  • В дальнейших экспериментах программа успешно научилась различать мёртвые и живые клетки, идентифицировать определённые типы клеток мозга, а также отличать аксоны от дендритов.
  • Программа успешно предсказывала структуры на новых, немаркированных изображениях.

Ограничения и перспективы

Основной недостаток технологии — необходимость очень больших наборов обучающих данных (около 15 000 изображений). Также существует риск переобучения программ, когда они становятся слишком специализированными для конкретного набора изображений.

Планы команды включают применение этих методов в исследованиях болезней. Deep Learning может помочь обнаружить в клетках признаки, предсказывающие клинические исходы, и ускорить скрининг потенциальных методов лечения. Для широкого внедрения технологии необходимы дальнейшие исследования.