Nachricht

Nov 08, 2023

Wissenschaftler nutzen maschinelles Lernen, um zu „sehen“, wie sich das Gehirn an verschiedene Umgebungen anpasst

5. Juni 2023

5. Juni 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

peer-reviewte Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen

von der Johns Hopkins University School of Medicine

Wissenschaftler der Johns Hopkins University haben mithilfe künstlicher Intelligenz eine Methode entwickelt, um Veränderungen in der Stärke von Synapsen – den Verbindungspunkten, über die Nervenzellen im Gehirn kommunizieren – bei lebenden Tieren zu visualisieren und zu verfolgen. Die in Nature Methods beschriebene Technik soll den Wissenschaftlern zufolge zu einem besseren Verständnis darüber führen, wie sich solche Verbindungen im menschlichen Gehirn mit Lernen, Alter, Verletzungen und Krankheiten verändern.

„Wenn man mehr darüber erfahren möchte, wie ein Orchester spielt, muss man einzelne Spieler im Laufe der Zeit beobachten, und diese neue Methode macht das für Synapsen im Gehirn lebender Tiere“, sagt Dwight Bergles, Ph.D., Diana Sylvestre und Charles Homcy Professor am Solomon H. Snyder Department of Neuroscience an der School of Medicine der Johns Hopkins University (JHU).

Bergles war Co-Autor der Studie mit den Kollegen Adam Charles, Ph.D., ME, und Jeremias Sulam, Ph.D., beide Assistenzprofessoren in der Abteilung für Biomedizintechnik, und Richard Huganir, Ph.D., Bloomberg Distinguished Professor an der JHU und Direktor der Abteilung für Neurowissenschaften von Solomon H. Snyder. Alle vier Forscher sind Mitglieder des Kavli Neuroscience Discovery Institute der Johns Hopkins University.

Nervenzellen übertragen Informationen von einer Zelle zur anderen, indem sie an Synapsen („Übergängen“) chemische Nachrichten austauschen. Es wird angenommen, dass unterschiedliche Lebenserfahrungen, wie der Kontakt mit neuen Umgebungen und Lernfähigkeiten, im Gehirn, so erklären die Autoren, Veränderungen an Synapsen auslösen und diese Verbindungen stärken oder schwächen, um Lernen und Gedächtnis zu ermöglichen.

Zu verstehen, wie diese winzigen Veränderungen an den Billionen von Synapsen in unserem Gehirn auftreten, ist eine gewaltige Herausforderung, aber es ist von zentraler Bedeutung, um herauszufinden, wie das Gehirn im gesunden Zustand funktioniert und wie es durch Krankheiten verändert wird.

Um festzustellen, welche Synapsen sich während eines bestimmten Lebensereignisses ändern, suchen Wissenschaftler seit langem nach besseren Möglichkeiten, die sich verändernde Chemie der synaptischen Nachrichtenübermittlung zu visualisieren, die durch die hohe Dichte der Synapsen im Gehirn und ihre geringe Größe erforderlich ist – Eigenschaften, die es sogar extrem schwierig machen, sie zu visualisieren mit neuen hochmodernen Mikroskopen.

„Wir mussten von anspruchsvollen, verschwommenen und verrauschten Bilddaten die Signalanteile extrahieren, die wir sehen mussten“, sagt Charles.

Zu diesem Zweck wandten sich Bergles, Sulam, Charles, Huganir und ihre Kollegen dem maschinellen Lernen zu, einem Computerrahmen, der die flexible Entwicklung automatischer Datenverarbeitungstools ermöglicht.

Maschinelles Lernen wurde in vielen Bereichen der biomedizinischen Bildgebung erfolgreich angewendet. In diesem Fall nutzten die Wissenschaftler den Ansatz, um die Qualität von Bildern zu verbessern, die aus Tausenden von Synapsen bestehen. Obwohl es sich um ein leistungsstarkes Werkzeug zur automatischen Erkennung handeln kann, das die menschliche Geschwindigkeit bei weitem übertrifft, muss das System zunächst „trainiert“ werden, indem dem Algorithmus beigebracht wird, wie qualitativ hochwertige Bilder von Synapsen aussehen sollten.

In diesen Experimenten arbeiteten die Forscher mit genetisch veränderten Mäusen, bei denen Glutamatrezeptoren – die chemischen Sensoren an Synapsen – grün leuchteten (fluoreszierten), wenn sie Licht ausgesetzt wurden. Da jeder Rezeptor die gleiche Lichtmenge aussendet, ist die von einer Synapse in diesen Mäusen erzeugte Fluoreszenzmenge ein Hinweis auf die Anzahl der Synapsen und damit auf deren Stärke.

Wie erwartet ergab die Bildgebung im intakten Gehirn Bilder von geringer Qualität, in denen einzelne Cluster von Glutamatrezeptoren an Synapsen schwer klar zu erkennen waren, geschweige denn einzeln erkannt und im Laufe der Zeit verfolgt werden konnten. Um diese in Bilder höherer Qualität umzuwandeln, trainierten die Wissenschaftler einen maschinellen Lernalgorithmus mit Bildern, die von Gehirnschnitten (ex vivo) aufgenommen wurden, die von der gleichen Art genetisch veränderter Mäuse stammen.

Da diese Bilder nicht von lebenden Tieren stammten, war es möglich, mit einer anderen Mikroskopietechnik Bilder mit viel höherer Qualität sowie Bilder mit geringerer Qualität – ähnlich denen, die bei lebenden Tieren aufgenommen wurden – derselben Ansichten zu erstellen.

Dieses modalitätsübergreifende Datenerfassungs-Framework ermöglichte es dem Team, einen Verbesserungsalgorithmus zu entwickeln, der aus Bildern mit geringerer Qualität Bilder mit höherer Auflösung erzeugen kann, ähnlich den Bildern, die von lebenden Mäusen gesammelt wurden. Auf diese Weise können die aus dem intakten Gehirn gesammelten Daten erheblich verbessert werden und in mehrtägigen Experimenten einzelne Synapsen (zu Tausenden) erkannt und verfolgt werden.

Um Veränderungen der Rezeptoren bei lebenden Mäusen im Laufe der Zeit zu verfolgen, verwendeten die Forscher anschließend Mikroskopie, um über mehrere Wochen hinweg wiederholt Bilder derselben Synapsen bei Mäusen aufzunehmen. Nach der Aufnahme der Basisbilder platzierte das Team die Tiere für einen einzigen Zeitraum von fünf Minuten in einer Kammer mit neuen Anblicken, Gerüchen und taktilen Reizen. Anschließend bildeten sie jeden zweiten Tag denselben Bereich des Gehirns ab, um zu sehen, ob und wie sich die neuen Reize auf die Anzahl der Glutamatrezeptoren an den Synapsen ausgewirkt hatten.

Obwohl der Schwerpunkt der Arbeit auf der Entwicklung einer Reihe von Methoden zur Analyse von Veränderungen der Synapsenebene in vielen verschiedenen Kontexten lag, stellten die Forscher fest, dass diese einfache Veränderung der Umgebung ein Spektrum von Veränderungen der Fluoreszenz über Synapsen in der Großhirnrinde hinweg verursachte, was auf Zusammenhänge hindeutet, wo die Die Kraft nahm zu, bei anderen nahm sie ab, mit einer Tendenz zur Stärkung bei Tieren, die der neuartigen Umgebung ausgesetzt waren.

Die Studien wurden durch eine enge Zusammenarbeit zwischen Wissenschaftlern mit unterschiedlichen Fachkenntnissen ermöglicht, die von der Molekularbiologie bis zur künstlichen Intelligenz reichen und normalerweise nicht eng zusammenarbeiten. Eine solche Zusammenarbeit werde jedoch am interdisziplinären Kavli Neuroscience Discovery Institute gefördert, sagt Bergles.

Die Forscher verwenden diesen Ansatz des maschinellen Lernens nun, um synaptische Veränderungen in Tiermodellen der Alzheimer-Krankheit zu untersuchen, und sie glauben, dass die Methode neues Licht auf synaptische Veränderungen werfen könnte, die in anderen Krankheits- und Verletzungskontexten auftreten.

„Wir sind wirklich gespannt, wie und wohin der Rest der wissenschaftlichen Gemeinschaft dies bringen wird“, sagt Sulam.

Mehr Informationen: Yu Kang T. DOI: 10.1038/s41592-023-01871-6