Los ingenieros biomédicos de Johns Hopkins han desarrollado una estrategia de entrenamiento de inteligencia artificial (IA) para capturar imágenes de células cerebrales de ratones en acción. Los investigadores dicen que el sistema de inteligencia artificial, junto con microscopios ultrapequeños especializados, hacen posible encontrar con precisión dónde y cuándo se activan las células durante el movimiento, el aprendizaje y la memoria. Los datos recopilados con esta tecnología algún día podrían permitir a los científicos comprender cómo funciona el cerebro y cómo se ve afectado por la enfermedad.
Los experimentos del investigador en ratones fueron publicados en Comunicaciones de la naturaleza el 22 de marzo.
«Cuando se restringe la cabeza de un ratón para obtener imágenes, es posible que su actividad cerebral no represente verdaderamente su función neurológica», dice Xingde Li, Ph.D., profesor de ingeniería biomédica en la Facultad de Medicina de la Universidad Johns Hopkins. «Para mapear los circuitos cerebrales que controlan las funciones diarias en los mamíferos, necesitamos ver con precisión lo que sucede entre las células cerebrales individuales y sus conexiones, mientras el animal se mueve libremente, come y socializa».
Para recopilar estos datos extremadamente detallados, el equipo de Li desarrolló microscopios ultrapequeños que los ratones pueden usar en la parte superior de la cabeza. Con un diámetro de un par de milímetros, el tamaño de estos microscopios limita la tecnología de imagen que pueden llevar a bordo. En comparación con los modelos de sobremesa, la velocidad de fotogramas de los microscopios en miniatura es baja, lo que los hace susceptibles a la interferencia del movimiento. Las perturbaciones como la respiración o el ritmo cardíaco del ratón afectarían la precisión de los datos que estos microscopios pueden capturar. Los investigadores estiman que el microscopio en miniatura de Li necesitaría superar los 20 cuadros por segundo para eliminar todas las perturbaciones del movimiento de un ratón que se mueve libremente.
«Hay dos formas de aumentar la velocidad de fotogramas», dice Li. «Puede aumentar la velocidad de escaneo y puede disminuir la cantidad de puntos escaneados».
En investigaciones anteriores, el equipo de ingeniería de Li descubrió rápidamente que alcanzaron los límites físicos del escáner, alcanzando los seis fotogramas por segundo, lo que mantuvo una excelente calidad de imagen pero estaba muy por debajo de la tasa requerida. Entonces, el equipo pasó a la segunda estrategia para aumentar la velocidad de fotogramas: disminuir la cantidad de puntos escaneados. Sin embargo, al igual que reducir la cantidad de píxeles en una imagen, esta estrategia haría que el microscopio capturara datos de menor resolución.
Li planteó la hipótesis de que se podría entrenar un programa de IA para reconocer y restaurar los puntos faltantes, mejorando las imágenes a una resolución más alta. Dichos protocolos de entrenamiento de IA se utilizan cuando es imposible o lleva mucho tiempo crear un programa de computadora para una tarea, como reconocer de manera confiable un grupo de características como un rostro humano. En cambio, los científicos informáticos utilizan el enfoque de dejar que las computadoras aprendan a programarse a sí mismas mediante el procesamiento de grandes conjuntos de datos.
Un desafío importante en el enfoque de IA propuesto fue la falta de imágenes similares de cerebros de ratones para entrenar a la IA. Para superar esta brecha, el equipo desarrolló una estrategia de capacitación en dos etapas. Los investigadores comenzaron a entrenar a la IA para identificar los componentes básicos del cerebro a partir de imágenes de muestras fijas de tejido cerebral de ratón. Luego entrenaron a la IA para que reconociera estos bloques de construcción en un ratón vivo con la cabeza restringida bajo su microscopio ultrapequeño. Este paso entrenó a la IA para reconocer las células cerebrales con una variación estructural natural y un pequeño movimiento causado por el movimiento de la respiración y los latidos del corazón del ratón.
«La esperanza era que cada vez que recopilamos datos de un mouse en movimiento, seguirá siendo lo suficientemente similar para que la red de IA lo reconozca», dice Li.
Luego, los investigadores probaron el programa de IA para ver si podía mejorar con precisión las imágenes del cerebro del ratón aumentando gradualmente la velocidad de fotogramas. Usando una imagen de referencia, los investigadores redujeron los puntos de escaneo del microscopio por factores de 2, 4, 8, 16 y 32 y observaron con qué precisión la IA podía mejorar la imagen y restaurar la resolución de la imagen.
Los investigadores encontraron que la IA podía restaurar adecuadamente la calidad de la imagen hasta 26 cuadros por segundo.
Luego, el equipo probó qué tan bien se desempeñó la herramienta de IA en combinación con un mini microscopio conectado a la cabeza de un ratón en movimiento. Con la combinación de IA y microscopio, los investigadores pudieron ver con precisión los picos de actividad de las células cerebrales individuales activadas por el ratón al caminar, girar y, en general, explorar su entorno.
«Nunca antes podríamos haber visto esta información con una resolución y velocidad de fotogramas tan altas», dice Li. «Este desarrollo podría permitir recopilar más información sobre cómo el cerebro se conecta dinámicamente a la acción a nivel celular».
Los investigadores dicen que con más capacitación, el programa de IA puede interpretar con precisión imágenes de hasta 52 o incluso 104 cuadros por segundo.
Otros investigadores involucrados en este estudio incluyen a Honghua Guan, Dawei Li, Hyeon-cheol Park, Ang Li, Yungtian Gau y Dwight Bergles de la Escuela de Medicina de la Universidad Johns Hopkins; Yuanlei Yue y Hui Lu de la Universidad George Washington; y Ming-Jun Li de Corning Inc.
Esta investigación fue apoyada por el Instituto Nacional del Cáncer (R01 CA153023), la subvención de Instrumentación de Investigación Principal de la Fundación Nacional de Ciencias (CEBT1430030) y el Premio de Sinergia del Fondo de Descubrimiento de Medicina de Johns Hopkins.