En los primeros días de la investigación en neurociencia, los científicos tiñeron meticulosamente las células cerebrales y extrajeron a mano lo que vieron en un microscopio. Avancemos rápidamente hasta 2018 y las máquinas pueden aprender cómo hacer ese trabajo. Según un nuevo estudio en Celda , puede ser posible enseñar a las máquinas cómo seleccionar características en las neuronas y otras células que no han sido teñidas o sometidas a otros tratamientos dañinos. El estudio fue parcialmente financiado por el Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares NINDS, partede los Institutos Nacionales de Salud.
"Este enfoque tiene el potencial de revolucionar la investigación biomédica", dijo Margaret Sutherland, Ph.D., directora del programa en el NINDS. "Los investigadores ahora están generando cantidades extraordinarias de datos. Para los neurocientíficos, esto significa que las máquinas de entrenamiento ayudan a analizaresta información puede ayudar a acelerar nuestra comprensión de cómo se unen las células del cerebro y en las aplicaciones relacionadas con el desarrollo de fármacos ".
Un plato o cultivo de células neuronales parece uniforme a simple vista y no se pueden ver las diferentes células individuales en él. Desde finales del siglo XIX, cuando los pioneros neurocientíficos, Santiago Ramón y Cajal y Camillo Golgi, dibujaron los primerosEn los mapas del sistema nervioso, los científicos han estado desarrollando tintes y métodos de tinción para ayudar a distinguir las estructuras en el cerebro, incluidos los diferentes tipos de células y su estado de salud. Sin embargo, muchos de estos métodos involucran productos químicos agresivos que fijan o congelan las células.en un estado antinatural o dañar las células vivas después de que se hayan aplicado múltiples manchas. Las técnicas tradicionales también limitan los detalles que los científicos pueden observar.
Un equipo dirigido por Steven Finkbeiner, MD, Ph.D., director e investigador principal de los Institutos Gladstone en San Francisco, y profesor de neurología y fisiología en la Universidad de California, San Francisco, exploró si las computadoras podían ser entrenadas paraidentificar estructuras en células sin teñir.
"Todos los días nuestro laboratorio había estado creando cientos de imágenes, mucho más de lo que podíamos mirar y analizarnos. Un día, un par de investigadores de Google llamaron a nuestra puerta para ver si podían ayudarnos", dijo el Dr.Finkbeiner, el autor principal del estudio.
Los investigadores utilizaron un método llamado Deep Learning, que se basa en los principios del aprendizaje automático, un tipo de inteligencia artificial en el que las máquinas pueden aprender de los datos y tomar decisiones. El software de reconocimiento facial es un ejemplo de aprendizaje automático.
Utilizando Deep Learning, el equipo del Dr. Finkbeiner entrenó un programa de computadora para analizar las células cerebrales mostrándoles imágenes teñidas y sin teñir. Luego, para probar si el programa había aprendido algo, los investigadores lo desafiaron con nuevas imágenes sin etiquetar.
Después de la primera ronda de entrenamiento, el programa identificó dónde se ubicaban las células en el plato de cultivo al aprender a detectar el núcleo de una célula, una estructura redonda que contiene información genética y sirve como centro de comando de la célula. Durante experimentos adicionales, el Dr. FinkbeinerEl grupo aumentó la complejidad de las características que el programa estaba buscando y lo entrenó con éxito para distinguir las células muertas de las células vivas, así como para identificar tipos específicos de células cerebrales. Además, el programa aprendió a diferenciar entre axones y dendritas, que sondos tipos específicos de extensiones en las neuronas. Según los resultados, el programa fue exitoso en la predicción de estructuras en el tejido no marcado.
"Deep Learning toma un algoritmo, o un conjunto de reglas, y lo estructura en capas, identificando características simples de partes de la imagen, y luego pasa la información a otras capas que reconocen características cada vez más complejas, como patrones y estructuras.Esto recuerda cómo nuestro cerebro procesa la información visual ", dijo el Dr. Finkbeiner." Los métodos de aprendizaje profundo pueden descubrir mucha más información de la que se puede ver con el ojo humano ".
El Dr. Finkbeiner y su equipo notaron que el principal inconveniente del uso de esta tecnología es que los conjuntos de datos de entrenamiento deben ser muy grandes, idealmente alrededor de 15,000 imágenes. Además, puede haber un riesgo de sobreentrenar los programas, que se vuelvan tanespecializados solo pueden identificar estructuras en un conjunto particular de imágenes o en imágenes generadas de una manera particular, y no hacer predicciones sobre imágenes más generales, lo que podría limitar el uso de esta tecnología.
El Dr. Finkbeiner y sus colegas planean aplicar estos métodos a la investigación centrada en la enfermedad.
"Ahora que demostramos que esta tecnología funciona, podemos comenzar a utilizarla en la investigación de enfermedades. El aprendizaje profundo puede detectar algo en las células que podría ayudar a predecir los resultados clínicos y ayudarnos a detectar posibles tratamientos", dijo el Dr. Finkbeiner.
Se necesita más investigación para refinar la tecnología y hacer que esté más ampliamente disponible.
Fuente de la historia :
Materiales proporcionado por NIH / Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :