دانشگاه کیوشو ابزار هوش مصنوعی جدیدی به نام QDyeFinder را توسعه داده است که با استفاده از رنگ‌آمیزی چندگانه و یادگیری ماشینی، ساختارهای عصبی مغز را شناسایی و بازسازی می‌کند.
به گزارش تکناک، این ابزار می‌تواند به تحلیل دقیق‌تر و سریع‌تر مسیرهای عصبی کمک کند و افق‌های جدیدی در فهم ارتباطات پیچیدۀ مغزی و برچسب‌گذاری سلول‌های دیگر مانند: سلول‌های سرطانی و ایمنی را فراهم آورد.
مغز پیچیده‌ترین عضوی است که تا به حال ایجاد شده است. عملکردهای آن توسط شبکه‌ای متشکل از ده‌ها میلیارد نورون متراکم با تریلیون‌ها اتصال مبادلۀ اطلاعات و انجام محاسبات، پشتیبانی می‌شوند. تلاش برای درک پیچیدگی مغز می‌تواند گیج‌کننده باشد. با وجود این، اگر امیدوار باشیم که بفهمیم مغز چگونه کار می‌کند، باید بتوانیم نورون‌ها را نقشه‌برداری و شیوۀ سیم‌کشی آنها را مطالعه کنیم.
اکنون با انتشار مقاله‌ای در مجلۀ Nature Communications، محققان دانشگاه کیوشو ابزار هوش مصنوعی جدیدی را توسعه داده‌اند و آن را QDyeFinder می‌نامند، که می‌تواند به طور خودکار سلول‌های عصبی را از تصاویر مغز موش، شناسایی و بازسازی کند. این فرآیند شامل نشان‌گذاری نورون‌ها با یک پروتکل برچسب‌گذاری فوق‌العادۀ چند رنگ و سپس اجازه دادن به هوش مصنوعی برای شناسایی خودکار ساختار نورون با تطبیق ترکیب‌های رنگی مشابه است.
فهرست مطالب
چالش‌ها در نقشه‌برداری از نورون‌ها
یکی از بزرگ‌ترین چالش‌ها در علوم اعصاب، تلاش برای نقشه‌برداری از مغز و ارتباطات آن است. پروفسور تاکشی ایمای، رهبر این مطالعه توضیح داد: «چون نورون‌ها بسیار متراکم هستند، تشخیص نورون‌ها با آکسون‌ها و دندریت‌ها (پسوندهایی که اطلاعات نورون‌های دیگر را از یکدیگر ارسال و دریافت می‌کنند) بسیار دشوار و زمان‌بر است. آکسون‌ها و دندریت‌ها تنها حدود یک میکرومتر ضخامت دارند که 100 برابر نازک‌تر از یک تار موی معمولی انسان است و فضای بین آنها نیز کوچک‌تر می‌باشد.
یکی از استراتژی‌های شناسایی نورون‌ها این است که سلول را با یک پروتئین فلورسنت با یک رنگ خاص برچسب‌گذاری می‌کند. سپس محققان می‌توانند آن رنگ را ردیابی و نورون و آکسون‌های آن را بازسازی کنند. با گسترش دامنۀ رنگ‌ها، نورون‌های بیشتری را می‌توان به طور همزمان ردیابی کرد. در سال 2018، ایمای و تیمش، سیستمی به نام Tetbow را توسعه دادند که می‌توانست نورون‌ها را با سه رنگ اصلی نور به خوبی رنگ‌آمیزی کند.
Tetbow ردیابی نورون‌ها و یافتن اتصالات آنها را بسیار آسان‌تر کرد.
با وجود این، دو مشکل عمده باقی ماند. نورون‌ها هنوز باید به‌دقت با دست ردیابی می‌شدند و فقط استفاده از سه رنگ برای تشخیص جمعیت بزرگ‌تری از نورون‌ها کافی نبود.
پیشرفت‌های تکنولوژیکی با QDyeFinder
این تیم تلاش کرد تا تعداد رنگ‌ها را از سه به هفت افزایش دهد، امّا مشکل بزرگ‌تر در آن زمان محدودیت‌های درک رنگ‌های انسان بود. هر رنگی که بتوانیم درک کنیم ترکیبی از سه رنگ آبی، سبز و قرمز است، چرا که ما در چشمان خود حسگرهای آبی، سبز و قرمز داریم.
ایمای در این باره گفت: «ماشین‌ها چنین محدودیت‌هایی ندارند. بنابراین ما بر روی توسعۀ ابزاری کار کردیم که بتواند به طور خودکار این ترکیب‌های رنگی وسیع را تشخیص دهد. همچنین ما آن را به گونه‌ای ساخته‌ایم که این ابزار به طور خودکار نورون‌ها و آکسون‌های همرنگ را به هم بچسباند و ساختار آنها را بازسازی کند. ما این سیستم را QDyeFinder نامیدیم.»
سیستم QDyeFinder ابتدا به طور خودکار قطعات آکسون‌ها و دندریت‌ها را در یک نمونۀ مشخص شناسایی و سپس اطلاعات رنگ هر قطعه را مشخص می‌کند. بعد با استفاده از یک الگوریتم یادگیری ماشینی به نام dCrawler که تیم آن را توسعه داده بود، اطلاعات رنگ با هم گروه‌بندی می‌شود، که در آن آکسون‌ها و دندریت‌های همان نورون را شناسایی می‌کرد.
ایمای بیان کرد: «وقتی نتایج QDyeFinder را با داده‌های نورون‌های ردیابی دستی مقایسه کردیم، تقریباً همان دقت را داشتند. حتی در مقایسه با نرم‌افزار ردیابی موجود که از یادگیری ماشینی استفادۀ کامل می‌کند، سیستم QDyeFinder توانست آکسون‌ها را با دقت بسیار بالاتری شناسایی نماید.»
این تیم امیدوار است که ابزار جدید آنها بتواند تلاش مداوم برای نقشه‌برداری از ارتباطات مغز را پیش ببرد. همچنین آنها می‌خواهند ببینند که آیا روش جدید آنها می‌تواند برای برچسب‌گذاری و ردیابی سایر انواع سلول‌های پیچیده مانند سلول‌های سرطانی و سلول‌های ایمنی اعمال شود یا خیر.
