La inteligencia artificial revoluciona el seguimiento de neuronas en animales en movimiento

Resumen: Los investigadores han desarrollado un método basado en inteligencia artificial para rastrear neuronas en animales que se mueven y deforman, un avance significativo en la investigación de la neurociencia. Este método de red neuronal convolucional (CNN) supera el desafío de monitorear la actividad cerebral en organismos como los gusanos, cuyos cuerpos cambian constantemente de forma.

Al utilizar una «mejora dirigida», la IA reduce significativamente la necesidad de anotar imágenes manualmente, simplificando el proceso de identificación de neuronas. Probada en el nematodo Caenorhabditis elegans, esta tecnología no solo aumentó la eficiencia del análisis sino que también profundizó nuestra comprensión de los comportamientos neuronales complejos.

Aspectos principales:

1. Técnica innovadora de IA: El método CNN sintetiza automáticamente las anotaciones, aprendiendo las deformaciones internas del cerebro para adaptarse a nuevas posturas.
2. Eficiencia del análisis: Este enfoque triplica la productividad del análisis en comparación con la anotación manual completa, lo que ahorra significativamente tiempo y esfuerzo de investigación.
3. Aplicación y resultados: Aplicado al nematodo rico en neuronas Caenorhabditis elegans, el método reveló comportamientos interneuronales complejos y respuestas a estímulos.

Fuente: EPFL

Los avances recientes permiten obtener imágenes de neuronas dentro de animales que se mueven libremente. Sin embargo, para decodificar la actividad del circuito, estas neuronas fotografiadas deben identificarse y rastrearse computacionalmente. Esto resulta especialmente difícil cuando el propio cerebro se mueve y se deforma dentro del cuerpo flexible de un organismo, por ejemplo en un gusano. Hasta ahora, la comunidad científica no contaba con las herramientas para abordar el problema.

Ahora, un equipo de científicos de EPFL y Harvard ha desarrollado un método pionero de inteligencia artificial para rastrear neuronas dentro de animales que se mueven y deforman. El estudio, ahora publicado en Métodos naturalesfue dirigido por Sahand Jamal Rahi en la Facultad de Ciencias Básicas de la EPFL.

El nuevo método se basa en una red neuronal convolucional (CNN), que es un tipo de inteligencia artificial entrenada para reconocer y comprender patrones en imágenes. Esto implica un proceso llamado “convolución”, que observa pequeñas partes de la imagen, como bordes, colores o formas, a la vez y luego combina toda esta información para darle sentido e identificar objetos o patrones.

El problema es que para identificar y rastrear las neuronas durante una película del cerebro de un animal, muchas imágenes deben etiquetarse a mano porque el animal aparece muy diferente con el tiempo debido a numerosas deformaciones del cuerpo. Dada la diversidad de posturas de los animales, generar manualmente suficientes anotaciones para entrenar una CNN puede resultar desalentador.

Para resolver este problema, los investigadores desarrollaron una CNN mejorada equipada con un «impulso dirigido». La técnica innovadora sintetiza automáticamente anotaciones confiables como referencia a partir de un conjunto limitado de anotaciones manuales. El resultado es que la CNN aprende efectivamente las deformaciones internas del cerebro y luego las usa para crear anotaciones para nuevas posturas, reduciendo drásticamente la necesidad de anotaciones manuales y doble verificación.

El nuevo método es versátil y puede identificar neuronas ya sea que estén representadas en imágenes como puntos individuales o como volúmenes 3D. Los investigadores lo probaron en el nematodo. Caenorhabditis eleganscuyas 302 neuronas lo han convertido en un organismo modelo popular en neurociencia.

Utilizando la CNN mejorada, los científicos midieron la actividad en algunas de las interneuronas del gusano (neuronas que conectan señales entre neuronas). Descubrieron que muestran comportamientos complejos, como cambiar sus patrones de respuesta cuando se exponen a diferentes estímulos, como ráfagas periódicas de olores.

El equipo hizo que su CNN fuera accesible, proporcionando una interfaz gráfica de usuario intuitiva que integra mejoras específicas, simplificando el proceso hasta convertirlo en un proceso completo, desde la anotación manual hasta la revisión final.

«Al reducir significativamente el esfuerzo manual necesario para segmentar y rastrear neuronas, el nuevo método aumenta tres veces la productividad del análisis en comparación con la anotación manual completa», dice Sahand Jamal Rahi.

«El avance tiene el potencial de acelerar la investigación en imágenes cerebrales y profundizar nuestra comprensión de los circuitos neuronales y los comportamientos».

Otros contribuyentes

Centro Suizo de Ciencia de Datos

Acerca de esta noticia de investigación de IA

Autor: Nik Papageorgiou
Fuente: EPFL
Contacto: Nik Papageorgiou – EPFL
Imagen: Crédito de la imagen a Neuroscience News.

Investigacion original: Los resultados aparecerán en Métodos naturales