Nouvelles

Nov 08, 2023

Les scientifiques utilisent l'apprentissage automatique pour "voir" comment le cerveau s'adapte à différents environnements

5 juin 2023

5 juin 2023

Cet article a été révisé conformément au processus éditorial et aux politiques de Science X. Les éditeurs ont mis en évidence les attributs suivants tout en garantissant la crédibilité du contenu :

vérifié

publication à comité de lecture

source fiable

relire

par l'École de médecine de l'Université Johns Hopkins

Les scientifiques de Johns Hopkins ont développé une méthode impliquant l'intelligence artificielle pour visualiser et suivre les changements dans la force des synapses - les points de connexion par lesquels les cellules nerveuses du cerveau communiquent - chez les animaux vivants. La technique, décrite dans Nature Methods, devrait conduire, selon les scientifiques, à une meilleure compréhension de la façon dont ces connexions dans le cerveau humain changent avec l'apprentissage, le vieillissement, les blessures et la maladie.

"Si vous voulez en savoir plus sur la façon dont un orchestre joue, vous devez observer les joueurs individuels au fil du temps, et cette nouvelle méthode le fait pour les synapses dans le cerveau des animaux vivants", explique Dwight Bergles, Ph.D., professeur Diana Sylvestre et Charles Homcy au département de neurosciences Solomon H. Snyder de la faculté de médecine de l'Université Johns Hopkins (JHU).

Bergles a co-écrit l'étude avec ses collègues Adam Charles, Ph.D., ME, et Jeremias Sulam, Ph.D., tous deux professeurs adjoints au département de génie biomédical, et Richard Huganir, Ph.D., professeur émérite Bloomberg à JHU et directeur du département de neurosciences Solomon H. Snyder. Les quatre chercheurs sont membres du Kavli Neuroscience Discovery Institute de Johns Hopkins.

Les cellules nerveuses transfèrent des informations d'une cellule à une autre en échangeant des messages chimiques au niveau des synapses ("jonctions"). Dans le cerveau, expliquent les auteurs, différentes expériences de vie, telles que l'exposition à de nouveaux environnements et des compétences d'apprentissage, sont censées induire des changements au niveau des synapses, renforçant ou affaiblissant ces connexions pour permettre l'apprentissage et la mémoire.

Comprendre comment ces changements infimes se produisent dans les billions de synapses de notre cerveau est un défi de taille, mais il est essentiel de découvrir comment le cerveau fonctionne lorsqu'il est en bonne santé et comment il est altéré par la maladie.

Pour déterminer quelles synapses changent au cours d'un événement particulier de la vie, les scientifiques ont longtemps cherché de meilleurs moyens de visualiser la chimie changeante de la messagerie synaptique, rendue nécessaire par la forte densité de synapses dans le cerveau et leur petite taille, des caractéristiques qui les rendent extrêmement difficiles à visualiser même avec de nouveaux microscopes à la pointe de la technologie.

"Nous devions passer de données d'imagerie difficiles, floues et bruyantes pour extraire les portions de signal que nous avions besoin de voir", explique Charles.

Pour ce faire, Bergles, Sulam, Charles, Huganir et leurs collègues se sont tournés vers l'apprentissage automatique, un cadre informatique qui permet le développement flexible d'outils de traitement automatique des données.

L'apprentissage automatique a été appliqué avec succès à de nombreux domaines de l'imagerie biomédicale, et dans ce cas, les scientifiques ont tiré parti de l'approche pour améliorer la qualité des images composées de milliers de synapses. Bien qu'il puisse être un outil puissant pour la détection automatisée, dépassant largement les vitesses humaines, le système doit d'abord être "formé", en enseignant à l'algorithme à quoi devraient ressembler des images de synapses de haute qualité.

Dans ces expériences, les chercheurs ont travaillé avec des souris génétiquement modifiées chez lesquelles les récepteurs du glutamate - les capteurs chimiques des synapses - brillaient en vert (fluorescent) lorsqu'ils étaient exposés à la lumière. Parce que chaque récepteur émet la même quantité de lumière, la quantité de fluorescence générée par une synapse chez ces souris est une indication du nombre de synapses, et donc de sa force.

Comme prévu, l'imagerie dans le cerveau intact a produit des images de faible qualité dans lesquelles les groupes individuels de récepteurs du glutamate au niveau des synapses étaient difficiles à voir clairement, sans parler d'être détectés et suivis individuellement au fil du temps. Pour les convertir en images de meilleure qualité, les scientifiques ont formé un algorithme d'apprentissage automatique avec des images prises de tranches de cerveau (ex vivo) dérivées du même type de souris génétiquement modifiées.

Comme ces images ne provenaient pas d'animaux vivants, il était possible de produire des images de bien meilleure qualité en utilisant une technique de microscopie différente, ainsi que des images de faible qualité, similaires à celles prises chez des animaux vivants, des mêmes vues.

Ce cadre de collecte de données intermodalité a permis à l'équipe de développer un algorithme d'amélioration capable de produire des images à plus haute résolution à partir d'images de faible qualité, similaires aux images collectées sur des souris vivantes. De cette façon, les données recueillies à partir du cerveau intact peuvent être considérablement améliorées et capables de détecter et de suivre les synapses individuelles (par milliers) au cours d'expériences de plusieurs jours.

Pour suivre l'évolution des récepteurs au fil du temps chez des souris vivantes, les chercheurs ont ensuite utilisé la microscopie pour prendre des images répétées des mêmes synapses chez des souris pendant plusieurs semaines. Après avoir capturé des images de base, l'équipe a placé les animaux dans une chambre avec de nouvelles vues, odeurs et stimulation tactile pendant une seule période de cinq minutes. Ils ont ensuite imagé la même zone du cerveau tous les deux jours pour voir si et comment les nouveaux stimuli avaient affecté le nombre de récepteurs du glutamate au niveau des synapses.

Bien que l'objectif du travail ait été de développer un ensemble de méthodes pour analyser les changements au niveau des synapses dans de nombreux contextes différents, les chercheurs ont découvert que ce simple changement d'environnement provoquait un spectre d'altérations de la fluorescence à travers les synapses du cortex cérébral, indiquant des connexions où la force augmentait et d'autres où elle diminuait, avec un biais vers le renforcement chez les animaux exposés au nouvel environnement.

Les études ont été rendues possibles grâce à une étroite collaboration entre des scientifiques ayant une expertise distincte, allant de la biologie moléculaire à l'intelligence artificielle, qui ne travaillent normalement pas en étroite collaboration. Mais une telle collaboration est encouragée au Kavli Neuroscience Discovery Institute interdisciplinaire, dit Bergles.

Les chercheurs utilisent maintenant cette approche d'apprentissage automatique pour étudier les changements synaptiques dans des modèles animaux de la maladie d'Alzheimer, et ils pensent que la méthode pourrait apporter un nouvel éclairage sur les changements synaptiques qui se produisent dans d'autres contextes de maladies et de blessures.

"Nous sommes vraiment ravis de voir comment et où le reste de la communauté scientifique prendra cela", a déclaré Sulam.

Plus d'information: Yu Kang T. Xu et al, La restauration d'images supervisée intermodalité permet le suivi à l'échelle nanométrique de la plasticité synaptique chez les souris vivantes, Nature Methods (2023). DOI : 10.1038/s41592-023-01871-6