Rivoluzione dell’intelligenza artificiale nella neuroscienza per il tracciamento dei neuroni - METEO GIORNALE: primo sito meteo italiano di Previsioni Meteo
Rivoluzionario metodo di intelligenza artificiale per il tracciamento dei neuroni
Un team di scienziati dell’EPFL (École Polytechnique Fédérale de Lausanne) e dell’Università di Harvard ha sviluppato un metodo innovativo basato sull’intelligenza artificiale per tracciare i neuroni all’interno di animali in movimento. Questo metodo, pubblicato sulla rivista Nature Methods, promette di accelerare la ricerca sull’imaging cerebrale e di approfondire la nostra comprensione dei comportamenti neurali, riducendo notevolmente l’annotazione manuale.
Sfide nella tracciatura dei neuroni in animali in movimento
I recenti progressi nella tecnologia di imaging hanno reso possibile osservare i neuroni all’interno di animali liberi di muoversi. Tuttavia, per decodificare l’attività dei circuiti neurali, è necessario identificare e tracciare computazionalmente questi neuroni. Questo compito diventa particolarmente arduo quando il cervello si muove e si deforma all’interno del corpo flessibile dell’organismo, come nel caso di un verme. Fino ad ora, la comunità scientifica non disponeva degli strumenti adeguati per affrontare questo problema.
Sviluppo del metodo di intelligenza artificiale
Il nuovo metodo si basa su una rete neurale convoluzionale (CNN), un tipo di intelligenza artificiale addestrata a riconoscere e comprendere schemi nelle immagini. Questo processo, chiamato “convoluzione”, analizza piccole parti dell’immagine – come bordi, colori o forme – e poi combina tutte queste informazioni per dare un senso all’immagine e identificare oggetti o schemi.
Il problema principale è che, per identificare e tracciare i neuroni durante la ripresa del cervello di un animale, molte immagini devono essere etichettate manualmente, poiché l’aspetto dell’animale cambia notevolmente nel tempo a causa delle diverse deformazioni del corpo. Data la diversità delle posture dell’animale, generare un numero sufficiente di annotazioni manuali per addestrare una CNN può essere scoraggiante.
Tecnica di ‘Targeted Augmentation’
Per risolvere questo problema, i ricercatori hanno sviluppato una CNN migliorata con la tecnica di ‘targeted augmentation’. Questa tecnica innovativa sintetizza automaticamente annotazioni affidabili a partire da un limitato set di annotazioni manuali. Il risultato è che la CNN impara efficacemente le deformazioni interne del cervello e le utilizza per creare annotazioni per nuove posture, riducendo drasticamente la necessità di annotazione manuale e di verifica.
Il nuovo metodo è versatile e in grado di identificare i neuroni sia che siano rappresentati nelle immagini come punti individuali o come volumi 3D. Gli scienziati lo hanno testato sul verme tondo Caenorhabditis elegans, i cui 302 neuroni lo hanno reso un organismo modello popolare nelle neuroscienze.
Utilizzando la CNN migliorata, gli scienziati hanno misurato l’attività di alcuni interneuroni del verme, scoprendo che mostrano comportamenti complessi, ad esempio cambiando i loro schemi di risposta quando esposti a stimoli diversi, come raffiche periodiche di odori.
Impatto sulla ricerca
Il team ha reso accessibile la loro CNN, fornendo un’interfaccia grafica user-friendly che integra la targeted augmentation, semplificando il processo in un flusso di lavoro completo, dall’annotazione manuale alla revisione finale.
“Semplificando notevolmente lo sforzo manuale richiesto per la segmentazione e il tracciamento dei neuroni, il nuovo metodo aumenta la velocità di 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 neurali e dei comportamenti.”
Il finanziamento per questa ricerca è stato fornito dall’École Polytechnique Fédérale de Lausanne (EPFL), dalla Helmut Horten Stiftung e dal Swiss Data Science Center.
