《Nature Methods》利用机器“研究”大脑

　　约翰霍普金斯大学的科学家们已经开发出一种方法，利用人工智能来可视化和跟踪活体动物突触强度的变化。突触是大脑中神经细胞交流的连接点。科学家们说，这项发表在《自然方法》(Nature Methods)杂志上的技术应该能让我们更好地理解人类大脑中的这种连接是如何随着学习、衰老、受伤和疾病而变化的。

　　

   

   

图像:在XTC图像分辨率增强前后，数千个SEP-GluA2标记的突触(绿色)围绕着一个稀疏标记的树突(洋红色)。比例尺5微米。

约翰霍普金斯大学的科学家们已经开发出一种方法，利用人工智能来可视化和跟踪活体动物突触强度的变化。突触是大脑中神经细胞交流的连接点。科学家们说，这项发表在《自然方法》(Nature Methods)杂志上的技术应该能让我们更好地理解人类大脑中的这种连接是如何随着学习、衰老、受伤和疾病而变化的。

“如果你想更多地了解管弦乐队是如何演奏的，你必须长时间观察单个演奏者，而这种新方法对活体动物大脑中的突触做到了这一点，”Dwight Bergles博士说。

神经细胞通过突触交换化学信息将信息从一个细胞传递到另一个细胞。作者解释说，在大脑中，不同的生活经历，比如接触新环境和学习技能，被认为会诱发突触的变化，从而加强或削弱这些连接，从而实现学习和记忆。了解这些微小的变化是如何在我们大脑中数万亿突触中发生的是一项艰巨的挑战，但它是揭示大脑在健康时如何工作以及如何被疾病改变的核心。

为了确定在特定的生命事件中哪些突触发生了变化，科学家们长期以来一直在寻找更好的方法来可视化突触信息的化学变化，这是由于大脑中突触的高密度和它们的小尺寸——即使使用最先进的显微镜也很难看到它们的特征——所必需的。

Charles Homcy教授说:“我们需要从具有挑战性的、模糊的、嘈杂的成像数据中提取出我们需要看到的信号部分。”

为此，他们的同事转向了机器学习，这是一种允许灵活开发自动数据处理工具的计算框架。机器学习已经成功地应用于生物医学成像的许多领域，在这种情况下，科学家们利用这种方法来提高由数千个突触组成的图像的质量。虽然它可以成为一个强大的自动检测工具，大大超过人类的速度，但系统必须首先接受“训练”，教算法高质量的突触图像应该是什么样子。

在这些实验中，研究人员对基因改变的鼠进行了研究，这些鼠的谷氨酸受体——突触上的化学传感器——在暴露于光下时会发出绿光(荧光)。因为每个受体发出的光量是相同的，所以在这些小鼠中，一个突触产生的荧光量是突触数量的一个指标，因此它的强度也是一个指标。

正如预期的那样，在完整的大脑中成像产生低质量的图像，其中突触上的单个谷氨酸受体簇很难清晰地看到，更不用说单独检测和跟踪了。为了将这些图像转换成更高质量的图像，科学家们训练了一种机器学习算法，该算法使用了来自同一类型转基因小鼠的大脑切片(离体)图像。因为这些图像不是来自活体动物，所以使用不同的显微镜技术可以产生更高质量的图像，也可以产生低质量的图像——类似于那些拍摄活体动物的图像——相同的视图。

这种跨模态数据收集框架使该团队能够开发出一种增强算法，可以从低质量的图像中产生更高分辨率的图像，类似于从活鼠身上收集的图像。通过这种方式，从完整的大脑中收集的数据可以显著增强，并能够在数天的实验中检测和跟踪单个突触(数千个)。

为了跟踪活体小鼠受体随时间的变化，研究人员随后使用显微镜在几周内重复拍摄小鼠相同突触的图像。在捕捉到基线图像后，研究小组将这些动物放在一个有新的视觉、气味和触觉刺激的房间里，为期五分钟。然后，他们每隔一天对大脑的同一区域进行成像，看看新的刺激是否以及如何影响突触上谷氨酸受体的数量。

尽管这项工作的重点是开发一套方法来分析许多不同环境下突触水平的变化，但研究人员发现，这种简单的环境变化会导致大脑皮层突触间荧光的光谱变化，表明在接触新环境的动物中，强度增加的连接和其他强度减少的连接倾向于增强。

这些研究是通过具有不同专业知识的科学家之间的密切合作实现的，从分子生物学到人工智能，这些科学家通常不会密切合作。但是跨学科的Kavli神经科学发现研究所鼓励这样的合作，Bergles说。研究人员现在正在使用这种机器学习方法来研究阿尔茨海默病动物模型中的突触变化，他们相信这种方法可以为其他疾病和损伤环境中发生的突触变化提供新的线索。