Blog

Mar 13, 2023

Los científicos usan el aprendizaje automático para 'ver' cómo el cerebro se adapta a diferentes entornos

5 de junio de 2023

5 de junio de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

comprobado

publicación revisada por pares

fuente confiable

corregir

por la Facultad de Medicina de la Universidad Johns Hopkins

Los científicos de Johns Hopkins han desarrollado un método que involucra inteligencia artificial para visualizar y rastrear cambios en la fuerza de las sinapsis, los puntos de conexión a través de los cuales se comunican las células nerviosas en el cerebro, en animales vivos. La técnica, descrita en Nature Methods, debería conducir, dicen los científicos, a una mejor comprensión de cómo tales conexiones en los cerebros humanos cambian con el aprendizaje, el envejecimiento, las lesiones y las enfermedades.

"Si desea obtener más información sobre cómo toca una orquesta, debe observar a los músicos individuales a lo largo del tiempo, y este nuevo método hace eso para las sinapsis en los cerebros de los animales vivos", dice Dwight Bergles, Ph.D., Diana Sylvestre. y profesor Charles Homcy en el Departamento de Neurociencia Solomon H. Snyder de la Facultad de Medicina de la Universidad Johns Hopkins (JHU).

Bergles fue coautor del estudio con sus colegas Adam Charles, Ph.D., ME y Jeremias Sulam, Ph.D., ambos profesores asistentes en el departamento de ingeniería biomédica, y Richard Huganir, Ph.D., Profesor Distinguido de Bloomberg en JHU y Director del Departamento de Neurociencia Solomon H. Snyder. Los cuatro investigadores son miembros del Kavli Neuroscience Discovery Institute de Johns Hopkins.

Las células nerviosas transfieren información de una célula a otra mediante el intercambio de mensajes químicos en las sinapsis ("uniones"). En el cerebro, explican los autores, se cree que diferentes experiencias de vida, como la exposición a nuevos entornos y habilidades de aprendizaje, inducen cambios en las sinapsis, fortaleciendo o debilitando estas conexiones para permitir el aprendizaje y la memoria.

Comprender cómo se producen estos pequeños cambios en los trillones de sinapsis de nuestro cerebro es un desafío de enormes proporciones, pero es fundamental para descubrir cómo funciona el cerebro cuando está sano y cómo se ve alterado por la enfermedad.

Para determinar qué sinapsis cambian durante un evento de vida en particular, los científicos han buscado durante mucho tiempo mejores formas de visualizar la química cambiante de los mensajes sinápticos, necesaria por la alta densidad de sinapsis en el cerebro y su pequeño tamaño, características que las hacen extremadamente difíciles de visualizar incluso con nuevos microscopios de última generación.

"Necesitábamos pasar de datos de imágenes desafiantes, borrosos y ruidosos a extraer las porciones de señal que necesitamos ver", dice Charles.

Para hacerlo, Bergles, Sulam, Charles, Huganir y sus colegas recurrieron al aprendizaje automático, un marco computacional que permite el desarrollo flexible de herramientas de procesamiento automático de datos.

El aprendizaje automático se ha aplicado con éxito a muchos dominios de imágenes biomédicas y, en este caso, los científicos aprovecharon el enfoque para mejorar la calidad de las imágenes compuestas por miles de sinapsis. Aunque puede ser una herramienta poderosa para la detección automatizada, superando con creces las velocidades humanas, el sistema primero debe ser "entrenado", enseñando al algoritmo cómo deberían verse las imágenes de sinapsis de alta calidad.

En estos experimentos, los investigadores trabajaron con ratones modificados genéticamente en los que los receptores de glutamato, los sensores químicos en las sinapsis, brillaban en verde (fluorescencia) cuando se exponían a la luz. Debido a que cada receptor emite la misma cantidad de luz, la cantidad de fluorescencia generada por una sinapsis en estos ratones es una indicación del número de sinapsis y, por lo tanto, de su fuerza.

Como era de esperar, las imágenes en el cerebro intacto produjeron imágenes de baja calidad en las que los grupos individuales de receptores de glutamato en las sinapsis eran difíciles de ver con claridad, y mucho menos para ser detectados y rastreados individualmente a lo largo del tiempo. Para convertirlas en imágenes de mayor calidad, los científicos entrenaron un algoritmo de aprendizaje automático con imágenes tomadas de cortes de cerebro (ex vivo) derivados del mismo tipo de ratones modificados genéticamente.

Debido a que estas imágenes no eran de animales vivos, fue posible producir imágenes de mucha mayor calidad utilizando una técnica de microscopía diferente, así como imágenes de baja calidad, similares a las tomadas en animales vivos, de las mismas vistas.

Este marco de recopilación de datos de modalidad cruzada permitió al equipo desarrollar un algoritmo de mejora que puede producir imágenes de mayor resolución a partir de imágenes de baja calidad, similares a las imágenes recopiladas de ratones vivos. De esta manera, los datos recopilados del cerebro intacto pueden mejorarse significativamente y ser capaces de detectar y rastrear sinapsis individuales (en miles) durante experimentos de varios días.

Para seguir los cambios en los receptores a lo largo del tiempo en ratones vivos, los investigadores usaron microscopía para tomar imágenes repetidas de las mismas sinapsis en ratones durante varias semanas. Después de capturar imágenes de referencia, el equipo colocó a los animales en una cámara con nuevas vistas, olores y estimulación táctil durante un solo período de cinco minutos. Luego tomaron imágenes de la misma área del cerebro cada dos días para ver si y cómo los nuevos estímulos habían afectado la cantidad de receptores de glutamato en las sinapsis.

Aunque el enfoque del trabajo fue desarrollar un conjunto de métodos para analizar los cambios en el nivel de sinapsis en muchos contextos diferentes, los investigadores encontraron que este simple cambio en el entorno provocó un espectro de alteraciones en la fluorescencia a través de las sinapsis en la corteza cerebral, indicando conexiones donde el la fuerza aumentó y otros disminuyeron, con un sesgo hacia el fortalecimiento en animales expuestos al ambiente novedoso.

Los estudios fueron posibles gracias a una estrecha colaboración entre científicos con experiencia distinta, que van desde la biología molecular hasta la inteligencia artificial, que normalmente no trabajan en estrecha colaboración. Pero tal colaboración se fomenta en el Kavli Neuroscience Discovery Institute multidisciplinario, dice Bergles.

Los investigadores ahora están utilizando este enfoque de aprendizaje automático para estudiar los cambios sinápticos en modelos animales de la enfermedad de Alzheimer, y creen que el método podría arrojar nueva luz sobre los cambios sinápticos que ocurren en otros contextos de enfermedades y lesiones.

"Estamos realmente emocionados de ver cómo y dónde tomará esto el resto de la comunidad científica", dice Sulam.

Más información: Yu Kang T. Xu et al, La restauración de imágenes supervisada de modalidad cruzada permite el seguimiento a nanoescala de la plasticidad sináptica en ratones vivos, Nature Methods (2023). DOI: 10.1038/s41592-023-01871-6