دکتر Shuiwang Ji، استاد دپارتمان علوم و مهندسی کامپیوتر در دانشگاه A&M تگزاس، بخشی از یک جامعه تحقیقاتی مشترک است که اخیرا مقاله خود را با عنوان “BigNeuron: منبعی برای محک زدن و پیش بینی عملکرد الگوریتم ها برای ردیابی خودکار نورون ها منتشر کرده است. در مجموعه داده‌های میکروسکوپ نوری» منتشر شده در شماره آوریل مجله روش های طبیعت.
BigNeuron که در سال 2015 آغاز شد و توسط موسسه آلن برای علوم مغز آغاز شد، یک ابتکار بین المللی است که دانشمندان علوم کامپیوتر و دانشمندان علوم اعصاب را از 12 موسسه گرد هم می آورد. هدف آن توسعه یک چارچوب استاندارد برای کمک به محققان در تعریف بهترین روش ها و الگوریتم ها برای بازسازی خودکار سریع و دقیق نورون است. سپس الگوریتم‌ها را روی مجموعه داده‌های بزرگ مقیاس تصاویر با استفاده از ابررایانه‌ها «آزمایش می‌کند».
این پروژه منجر به مجموعه بزرگی از تصاویر داده های بازسازی عصبی در دسترس عموم می شود، همراه با ابزارها و الگوریتم های قوی که محققان می توانند برای کار تجزیه و تحلیل خود از آنها استفاده کنند.
تنها در مغز انسان صدها میلیارد نورون وجود دارد و آنها از طریق هزاران “شاخه” نازک به یکدیگر متصل هستند و ساختاری سه بعدی درختی را تشکیل می دهند. برای درک چگونگی عملکرد و تغییرات مغز در طول زمان، دانشمندان باید بتوانند این ساختارهای عصبی را به صورت دیجیتالی بازسازی کنند تا شکل هر نورون را در یک تصویر بفهمند.
دانشمندان با استفاده از میکروسکوپ‌های با وضوح بالا برای گرفتن عکس‌های سه‌بعدی از تک‌نرون‌ها، برای تقریباً ۴۰ سال روی توسعه روش‌های بازسازی نورون کاملاً خودکار کار کرده‌اند. بازآفرینی آنها به دلیل تنوع گونه‌ها، مکان مغز، مراحل رشد و کیفیت مجموعه‌های تصویر میکروسکوپی همچنان یک چالش باقی مانده است. این عوامل تعمیم موثر الگوریتم‌های موجود را هنگامی که روی حجم‌هایی از تصاویر بدست‌آمده توسط آزمایشگاه‌های مختلف اعمال می‌شوند، دشوار می‌سازد.
برای کاهش این مشکل، تیم یک الگوریتم خودکار با استفاده از یادگیری عمیق برای کشف شکل هر نورون در یک تصویر خاص توسعه داد.
منبع:
مرجع مجله:
Manubens-Gil، L.، و همکاران. (2023). BigNeuron: منبعی برای معیار و پیش‌بینی عملکرد الگوریتم‌ها برای ردیابی خودکار نورون‌ها در مجموعه داده‌های میکروسکوپ نوری. روش های طبیعت. doi.org/10.1038/s41592-023-01848-5.