انقلاب هوش مصنوعی در علوم اعصاب؛ ردیابی دقیق نورونهای حیوانات
به گزارش خبرگزاری علم و فناوری آنا به نقل از سایتک دیلی، دانشمندان مؤسسه پلیتکنیک فدرال لوزان (EPFL) و هاروارد روشی مبتنی بر هوش مصنوعی برای ردیابی نورونها در حیوانات متحرک توسعه دادهاند که کارایی تحقیقات مغز را با حداقل حاشیهنویسی دستی افزایش میدهد.
پیشرفتهای اخیر امکان تصویربرداری از نورونها را در حیواناتی که آزادانه در حال حرکت هستند فراهم میکند. با این حال، برای رمزگشایی فعالیت مدار، این نورونهای تصویر شده باید از نظر محاسباتی شناسایی و ردیابی شوند. این موضوع به ویژه زمانی چالش برانگیز میشود که خود مغز درون بدن انعطاف پذیر یک موجود زنده به عنوان مثال در یک کرم حرکت کرده و تغییر شکل میدهد. تا به حال، جامعه علمی ابزاری برای رسیدگی به این مشکل نداشته است.
توسعه روش هوش مصنوعی برای ردیابی نورونها
اکنون تیمی از دانشمندان موسسه پلیتکنیک فدرال لوزان و هاروارد روشی مبتنی بر هوش مصنوعی را برای ردیابی نورونهای درون حیوانات متحرک و در حال تغییر شکل داده اند. این مطالعه توسط سهند جمال رهی دانشمندان ایرانی تبار دانشکده علوم پایه موسسه پلیتکنیک فدرال لوزان در مجله «نیچر مواد» (Nature Materials) منتشر شده است.
روش جدید مبتنی بر یک شبکه عصبی پیچشی یا همگشتی (CNN) است که نوعی هوش مصنوعی است که برای تشخیص و درک الگوهای موجود در تصاویر آموزش دیده است. این شامل فرایندی به نام «کانولوشن» یا همگشتی است که به بخشهای کوچکی از تصویر مانند لبه ها، رنگها یا اشکال در یک زمان نگاه میکند و سپس تمام این اطلاعات را با هم ترکیب میکند تا آنها را درک کرده و اشیا یا الگوها را شناسایی کند.
مشکل این است که برای شناسایی و ردیابی نورونها در طول فیلمی از مغز یک حیوان، بسیاری از تصاویر باید با دست برچسب گذاری شوند؛ زیرا حیوان در طول زمان به دلیل تغییر شکلهای مختلف بدن بسیار متفاوت ظاهر میشود. باتوجه به تنوع حالات این حیوان، ایجاد تعداد کافی حاشیه نویسی به صورت دستی برای آموزش شبکه عصبی پیچشی میتواند دلهرهآور باشد.
شناسایی نورونها در کوتاهترین زمان
محققان برای رفع این مشکل، شبکه عصبی پیچشی پیشرفتهای را با عنوان تقویت هدفمند توسعه دادند. تکنیک ابتکاری به طور خودکار حاشیه نویسیهای قابل اعتماد برای ارجاع را تنها از مجموعه محدودی از حاشیه نویسیهای دستی ترکیب میکند. نتیجه این است که این شبکه عصبی پیچشی به طور موثر تغییر شکلهای داخلی مغز را یاد میگیرد و سپس از آنها برای ایجاد حاشیه نویسی برای حالات جدید استفاده میکند و نیاز به حاشیه نویسی دستی و بررسی مضاعف را به شدت کاهش میدهد.
این روش جدید همه کاره است که میتواند نورونها را در تصاویر به عنوان نقاط منفرد یا به صورت حجمهای سه بعدی شناسایی کند. محققان آن را روی کرم گرد الگانس (Caenorhabditis elegans) آزمایش کردند که ۳۰۲ نورون آن را به یک ارگانیسم مدل محبوب در علوم اعصاب تبدیل کرده است.
دانشمندان با استفاده از یک شبکه عصبی همگشتی تقویتشده، فعالیت برخی از نورونهای درونی کرم (نورونهایی که سیگنالها را بین نورونها پل میکنند) اندازهگیری کردند. آنها دریافتند که رفتارهای پیچیدهای از خود نشان میدهند، به عنوان مثال الگوهای پاسخ خود را زمانی که در معرض محرکهای مختلف مانند بوها قرار میگیرند، تغییر میدهند.
درکی عمیق از مدارهای عصبی
این تیم شبکه عصبی همگشتی خود را در دسترس قرار داده است، یک رابط کاربری گرافیکی کاربر پسند را فراهم میکند که تقویت هدفمند را ادغام میکند و فرآیند را به یک خط لوله جامع، از حاشیه نویسی دستی تا بازخوانی نهایی، ساده میکند.
سهند جمال رهی میگوید: با کاهش چشمگیر تلاش دستی مورد نیاز برای بخشبندی و ردیابی نورون، روش جدید توان تحلیل را در مقایسه با حاشیهنویسی کامل دستی سه برابر افزایش میدهد. این پیشرفت پتانسیل این را دارد که تحقیقات در تصویربرداری مغز را تسریع کند و درک ما از مدارهای عصبی و رفتارها را عمیقتر کند.
انتهای پیام/