ابزاری جدید برای کشف اسرار مغز

بافت مغز یکی از پیچیده ترین نمونه هایی است که دانشمندان تاکنون با آن برخورد کرده اند. مغز انسان با حجم اطلاعات بی‌اندازه‌ای که در حال حاضر وجود دارد، پیچیده‌ترین دستگاه محاسباتی با شبکه‌ای متشکل از ۸۶ میلیارد نورون است. درک چنین پیچیدگی کار دشواری است، و از این رو، پیشرفت به فناوری‌هایی نیاز دارد تا تعاملات کوچک و پیچیده‌ای را که در مقیاس میکروسکوپی در مغز اتفاق می‌افتد، آشکار کند. بنابراین تصویربرداری ابزاری توانمند در علوم اعصاب است.

فناوری جدید تصویربرداری و بازسازی مجازی که توسط گروه Johann Danzl در ISTA توسعه یافته است، یک جهش بزرگ در تصویربرداری از فعالیت مغز است و به درستی LIONESS نامیده می شود – نانوسکوپی اطلاعات زنده بهینه شده که تقسیم بندی اشباع شده را قادر می سازد. LIONESS خط لوله ای برای تصویربرداری، بازسازی و تجزیه و تحلیل بافت زنده مغز با جامعیت و وضوح فضایی است که تاکنون امکان پذیر نبوده است.

با LIONESS، برای اولین بار، می توان به بازسازی جامع و متراکم بافت زنده مغز دست یافت. با چندین بار تصویربرداری از بافت، LIONESS به ما این امکان را می دهد که زیست شناسی سلولی پویا در مغز را مشاهده و اندازه گیری کنیم. خروجی یک تصویر بازسازی‌شده از آرایش سلولی در سه بعدی است که زمان بعد چهارم را تشکیل می‌دهد، زیرا نمونه را می‌توان در طول دقیقه، ساعت یا روز تصویر کرد.»

فیلیپ ولیکی، نویسنده اول

با LIONESS، عصب شناسان می توانند از بافت مغز زنده تصویربرداری کنند و به تصاویر سه بعدی با وضوح بالا دست یابند
بدون آسیب رساندن به نمونه زنده

همکاری و هوش مصنوعی کلید

قدرت LIONESS در اپتیک تصفیه شده و در دو سطح یادگیری عمیق – روشی از هوش مصنوعی – است که هسته آن را تشکیل می دهد: اولی کیفیت تصویر را افزایش می دهد و دومی ساختارهای مختلف سلولی را در محیط متراکم عصبی شناسایی می کند.

این خط لوله نتیجه همکاری بین گروه Danzl، گروه Bickel، گروه Jonas، گروه Novarino و واحدهای خدمات علمی ISTA و همچنین سایر همکاران بین المللی است. یوهان دانزل از ISTA می‌گوید: «رویکرد ما گردآوری گروهی پویا از دانشمندان با تخصص ترکیبی منحصربه‌فرد در سراسر مرزهای رشته‌ای بود که با هم کار می‌کنند تا شکاف فناوری در تجزیه و تحلیل بافت مغز را ببندند.»

عبور از موانع

پیش از این امکان بازسازی بافت مغز با استفاده از میکروسکوپ الکترونی وجود داشت. این روش نمونه را بر اساس برهمکنش آن با الکترون ها تصویربرداری می کند. میکروسکوپ الکترونی علیرغم توانایی آن در گرفتن تصاویر با وضوح چند نانومتری، یک میلیونیم میلیمتری، نیاز به تثبیت نمونه در یک حالت بیولوژیکی دارد که برای به دست آوردن اطلاعات سه بعدی باید به صورت فیزیکی برش داده شود. از این رو، هیچ اطلاعات دینامیکی به دست نمی آید.

یکی دیگر از روش‌های شناخته شده قبلی میکروسکوپ نوری امکان مشاهده سیستم‌های زنده و ثبت حجم بافت دست‌نخورده را با برش دادن آنها به‌صورت «اپتیکال» به جای فیزیکی فراهم می‌کند. با این حال، میکروسکوپ نوری به دلیل خواص امواج نوری که برای تولید یک تصویر استفاده می کند، به شدت در قدرت تفکیک خود با مشکل مواجه می شود. بهترین وضوح آن چند صد نانومتر است، بسیار درشت تر از آن که جزئیات مهم سلولی در بافت مغز را ثبت کند.

دانشمندان با استفاده از میکروسکوپ نوری با وضوح فوق العاده می توانند این سد وضوح را بشکنند. کار اخیر در این زمینه، با نام SUSHI (تصویربرداری سایه با وضوح فوق العاده)، نشان داد که استفاده از مولکول های رنگ در فضاهای اطراف سلول ها و استفاده از میکروسکوپ برنده جایزه نوبل تکنیک فوق رزولوشن STED (کاهش انتشار تحریک شده) سایه های فوق العاده تفکیک شده را نشان می دهد. از تمام ساختارهای سلولی و در نتیجه آنها را در بافت تجسم می کند. با این وجود، تصویربرداری از کل حجم بافت مغز با افزایش وضوح تصویر که با معماری پیچیده سه بعدی بافت مغز مطابقت دارد، غیرممکن بوده است. این به این دلیل است که افزایش وضوح همچنین مستلزم بار زیادی از نور تصویربرداری روی نمونه است که ممکن است به بافت ظریف و زنده آسیب برساند یا سرخ شود.

توانایی LIONESS در اینجا نهفته است، که به گفته نویسندگان، برای شرایط تصویربرداری “سریع و ملایم” توسعه یافته است، بنابراین نمونه را زنده نگه می دارد. این تکنیک این کار را در حالی انجام می دهد که وضوح فوق العاده ایزوتروپیک را ارائه می دهد – به این معنی که در هر سه بعد فضایی به یک اندازه خوب است – که امکان تجسم اجزای سلولی بافت را در جزئیات حل شده در مقیاس نانو سه بعدی فراهم می کند.

LIONESS در مرحله تصویربرداری فقط به همان اندازه اطلاعات کمی را از نمونه جمع آوری می کند. این اولین مرحله یادگیری عمیق برای پر کردن اطلاعات اضافی در مورد ساختار بافت مغز در فرآیندی به نام بازیابی تصویر است. در این روش نوآورانه، وضوح تصویر حدود 130 نانومتر را به دست می‌آورد، در حالی که برای تصویربرداری از بافت زنده مغز در زمان واقعی به اندازه کافی ملایم است. این مراحل با هم اجازه می دهد تا مرحله دوم یادگیری عمیق را انجام دهیم، این بار برای درک داده های تصویربرداری بسیار پیچیده و شناسایی ساختارهای عصبی به روشی خودکار.

خانه نشینی در

دانزل می‌گوید: «رویکرد میان رشته‌ای به ما این امکان را می‌دهد که محدودیت‌های درهم تنیده در حل قدرت و قرار گرفتن در معرض نور در سیستم زنده را بشکنیم، داده‌های پیچیده سه‌بعدی را درک کنیم و معماری سلولی بافت را با اندازه‌گیری‌های مولکولی و عملکردی همراه کنیم.»

برای بازسازی مجازی، Danzl و Velicky با متخصصان محاسبات بصری همکاری کردند: گروه Bickel در ISTA و گروه به رهبری Hanspeter Pfister در دانشگاه هاروارد، که تخصص خود را در بخش‌بندی خودکار – فرآیند تشخیص خودکار ساختارهای سلولی در بافت مشارکت دادند. – و تجسم، با پشتیبانی بیشتر توسط دانشمند کارکنان تجزیه و تحلیل تصویر ISTA، کریستوف سامر. برای استراتژی‌های پیچیده برچسب‌گذاری، عصب‌شناسان و شیمی‌دانان از ادینبورگ، برلین و ISTA مشارکت داشتند. در نتیجه، امکان پل زدن اندازه‌گیری‌های عملکردی، یعنی خواندن ساختارهای سلولی همراه با فعالیت سیگنال‌دهی بیولوژیکی در همان مدار عصبی زنده وجود داشت. این کار با تصویربرداری از شار یون کلسیم به داخل سلول ها و اندازه گیری فعالیت الکتریکی سلولی با همکاری گروه Jonas در ISTA انجام شد. گروه نووارینو ارگانوئیدهای مغزی انسان را که اغلب به مغزهای کوچک ملقب می‌شوند که رشد مغز انسان را تقلید می‌کنند، کمک کردند. نویسندگان تأکید می کنند که همه اینها از طریق پشتیبانی تخصصی توسط واحدهای خدمات علمی درجه یک ISTA تسهیل شده است.

ساختار و فعالیت مغز بسیار پویا است. ساختارهای آن با انجام و یادگیری وظایف جدید مغز تکامل می یابد. این جنبه از مغز اغلب به عنوان “پلاستیسیته” شناخته می شود. از این رو، مشاهده تغییرات در ساختار بافت مغز برای کشف رازهای پشت انعطاف پذیری آن ضروری است. ابزار جدید توسعه یافته در ISTA، با آشکار ساختن ساختارهای درون سلولی و ثبت چگونگی تغییر این ساختارها در طول زمان، پتانسیل درک ساختار عملکردی بافت مغز و احتمالاً سایر اندام‌ها را نشان می‌دهد.