Чтобы найти причинно-следственную связь между нейронной активностью и физической активностью, нейробиологи обычно регистрируют поведение животных и их мозговую активность в контролируемой среде. Затем они вручную аннотируют данные о поведенческой / физической активности и нейронной активности. Это неэффективный, трудоемкий процесс, субъективный и способствующий человеческим ошибкам, поскольку он зависит от того, кто записывает наблюдения, и поэтому не воспроизводится.
В последние годы наблюдается растущая тенденция к автоматизированной обработке этих данных для повышения эффективности и воспроизводимости. Именно такой подход предложил исследователь Васим Аббас в своей диссертации в рамках докторской программы УПЦ по сетевым и информационным технологиям. Часть исследования уже опубликована в трех научных журналах: Journal of Neuroscience Methods, Sensors и IEEE Access.
В диссертации предлагаются решения, основанные на глубоком обучении, для обработки данных о нейронной активности и поведенческих данных, наблюдаемых у мышей с фиксированной головой. Цель состоит в том, чтобы позволить нейробиологам аннотировать поведенческие данные и извлекать нейронные паттерны в автоматическом режиме и устанавливать причинно-следственную связь между ними. "Мы предложили основанный на глубоком обучении путь для отслеживания жестов, который явно кодирует временную информацию, которая появляется в видео," Аббас объяснил.
Исследователь также проанализировал нейронные изображения грызунов, используя генетически закодированные флуоресцентные индикаторы кальция (GECI). "Когда нейрон активен, концентрация GECI изменяется внутри клетки, и это изменение можно увидеть под флуоресцентным микроскопом," он продолжил.
Ученый обучил разработанные им алгоритмы глубокого обучения для автоматической записи движений конечностей мышей, появляющихся на видео, а также для обнаружения всех активных нейронов на изображениях нейронной активности. В частности, он разработал их так, чтобы всегда учитывать пространственно-временной контекст.
Междисциплинарные исследования
«Эта диссертация является примером междисциплинарного сотрудничества», – сказал Дэвид Масип, научный руководитель диссертации. "Мы сотрудничаем с исследователями в области нейробиологии, чтобы помочь связать нейронные связи, видимые in vivo с использованием изображений на основе кальция, с движениями суставов," – объяснил Масип, директор докторской школы УПЦ, профессор факультета компьютерных наук, мультимедиа и телекоммуникаций, а также главный исследователь группы лаборатории понимания и искусственного интеллекта (SUNAI).
По словам ученого, разработанная методика позволяет фиксировать большие объемы данных. Видео движущихся мышей, с одной стороны, и кубики данных мозга, с другой стороны, влечет за собой серьезное упражнение по автоматизации, которое было успешно выполнено с новыми алгоритмами.
Следующий шаг – тренировать обе группы одновременно. "Если доступен синхронный набор данных, например, если мы видели изображения движений и данные о кальции, записанные одновременно для одного и того же животного, мы можем затем обучить эти два подхода вместе, чтобы увидеть, существует ли какая-либо причинно-следственная связь," Аббас сказал.