生物科学门户网站
BIO1000.COM

研究人员展示了深度学习如何促进神经变性研究

北卡罗莱纳州立大学的研究人员已经证明了人工智能(AI)在识别模型秀丽隐杆线虫中的神经变性并将其分类中的实用性。该工具使用深度学习(一种形式的AI),并应促进并加速对神经变性的研究。

“研究人员想研究驱动神经变性的机制,其长期目标是寻找减缓或预防与年龄或疾病相关的变性的方法,”该论文的作者和助手Adriana San Miguel说。北卡罗来纳州立大学化学与生物分子工程教授。“我们在这里的工作表明,深度学习可以准确地识别神经退行性变的物理症状;它可以比人类更快地做到;并且可以区分由不同因素引起的神经退行性变。

San Miguel说:“拥有使我们能够识别这些神经退行性病变模式的工具将有助于我们确定不同基因在这些过程中所扮演的角色。”“这还将帮助我们评估各种药物干预对模型生物体神经变性的影响。这是我们确定有希望的治疗神经疾病候选药物的一种方法。”

在这项研究中,研究人员关注秀丽隐杆线虫(C. elegans)或round虫,这是一种广泛用于研究衰老和神经系统发育的模型生物。具体来说,研究人员专注于PVD神经元,PVD神经元是可以检测触摸和温度的神经细胞。研究人员之所以选择PVD神经元,是因为它存在于秀丽隐杆线虫的整个神经系统中,并且已知会因衰老而退化。

虫是微小且透明的-意味着有可能在存活期间看到其神经系统。传统上,鉴定秀丽隐杆线虫神经元的变性需要研究人员寻找细胞的微观变化,例如在单个神经元的一部分上形成气泡的外观。研究人员可以通过跟踪这些气泡的大小,数量和位置来分析神经变性的程度。

该研究的合著者,北卡罗来纳州立大学数学助理教授凯文·弗洛雷斯(Kevin Flores)说:“计算这些气泡是一个耗时且费力的过程。”“我们已经证明,通过结合深度学习的功能和所谓的GPU计算的先进速度,我们可以在几秒钟内从图像中收集所有相关数据。这可以更快地进行定量评估。神经元变性要比传统技术高。”

除了监测年龄对神经变​​性的影响外,研究人员还研究了“冷休克”或长时间暴露在低温下的影响。研究人员惊讶地发现,冷休克还会诱发神经变性。

San Miguel说:“我们还发现,由冷休克引起的神经变性与由衰老引起的变性具有不同的气泡模式。”“用肉眼很难分辨出差异,但深度学习程序始终如一。

“这项工作告诉我们,深度学习工具能够发现我们可能会缺少的模式-我们可能只是在增进我们对神经变性的理解上摸索了它们的效用。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。