Для чего-то такого маленького нейроны могут быть довольно сложными — не только потому, что в мозгу их миллиарды, но и потому, что на их функцию могут влиять многие факторы, такие как их форма и генетическая структура.

Исследовательская группа под руководством Дайфэн Вана, профессора биостатистики, медицинской информатики и компьютерных наук Центра Вайсмана в Университете Висконсин-Мэдисон, адаптирует методы машинного обучения и искусственного интеллекта, чтобы лучше понять, как различные черты вместе влияют на работу нейронов . и вести себя.

Этот подход, называемый многообразным обучением, может помочь исследователям лучше понять и даже предсказать нарушения мозга, изучая специфические свойства нейронов. Лаборатория Ванга недавно опубликовала результаты двух исследований.

В первом исследовании, опубликованном в ноябре 2021 года в журнале Communications Biology, исследователи показали, что могут применять многообразное обучение для предсказания особенностей нейронов. Применяя существующие методы машинного обучения, которые используют компьютерные алгоритмы для анализа больших объемов данных и автоматического прогнозирования, они обнаружили, что могут классифицировать клетки на основе их генов и их электрофизиологического поведения. Это поведение включает в себя электрическую активность нейронов, которая имеет решающее значение для связи между нейронами и, в конечном счете, для работы мозга.

Используя информацию примерно из 3000 нейронов в мозгу мыши, ученые применили многообразное обучение, чтобы согласовать экспрессию генов и электрофизиологические данные. Их цель состояла в том, чтобы установить, существует ли измеримая связь между ними.

Они обнаружили, что обе эти особенности нейронных клеток демонстрируют сходные паттерны — высокие значения в одной и той же группе клеток, но низкие значения в остальных клетках — и были выровнены в «многомерном пространстве» или демонстрировали взаимосвязь друг с другом. . Это определяет их так называемую многообразную форму, сложное математическое описание свойств нейронов.

«Основываясь на этой разнообразной форме, мы обнаружили, что клетки могут объединяться в разные группы», — говорит Ван, также профессор биостатистики и медицинской информатики в Школе медицины и общественного здравоохранения Университета Вашингтона.

Кластеризация клеток с использованием только одного признака, либо только экспрессии генов, либо только электрофизиологии , не приводила к кластерам, которые были бы так четко разделены, как когда оба признака использовались в тандеме.

Затем ученые задались вопросом, как гены могут работать вместе, чтобы влиять на клеточную электрофизиологию. Используя клеточные кластеры, они обнаружили связи между электрофизиологическими особенностями и специфическими генами, контролирующими экспрессию других генов. Некоторые из этих генов также участвуют в контроле иммунной системы, что предполагает взаимодействие между нейронной коммуникацией и воспалением.

С помощью этих данных Ван и его ученики затем исследовали, могут ли они делать прогнозы об электрофизиологических характеристиках нейронов на основе экспрессии генов. Ван сравнил это с попыткой предсказать взаимосвязь между схемами движения в определенной части города и количеством заказов на вынос из местных ресторанов в любое время суток.

«Если вы сравните трафик с количеством заказов на вынос из ресторанов в определенном районе, это две разные вещи, но я считаю, что у них есть некоторые схожие закономерности, например, у них могут быть одинаковые часы пик», — сказал он. говорит.

«Здесь мы использовали бы многообразное выравнивание, чтобы выровнять закономерности между трафиком (электрофизиология) и количеством заказов на вынос (экспрессия генов), а затем найти общую закономерность между ними».

С помощью этой информации, говорит Ван, вы можете начать предсказывать пик заказов на вынос, основываясь только на данных о трафике, или вы можете начать предсказывать экспрессию генов нейронов на основе их электрофизиологических характеристик.

Когда концепция была разработана, команда Вана использовала собранные данные для своего второго исследования, опубликованного в январе в журнале Nature Computational Science . В нем описывается новый и улучшенный тип многообразного обучения, который устраняет ограничения более ранних моделей и может помочь исследователям лучше понять функции нейронов в контексте здоровья и болезней.

Новая модель, получившая название deepManReg, улучшает предсказание характеристик нейронов на основе экспрессии генов и электрофизиологии. Он также более применим к другим типам клеточных данных, может интегрировать более двух типов нейронных функций и может показать, как несколько функций соединяются или влияют друг на друга.

Использование машинного обучения для этих приложений может помочь сократить время и деньги, необходимые для изучения определенных функций мозга. Хотя последние исследования ученых были основаны на здоровых клетках, Ван намерен использовать эти методы, чтобы больше узнать о нарушениях и заболеваниях мозга.

«В основном (мы можем изучить), как эти гены регулируются, чтобы влиять на электрофизиологию или поведение больных клеток», — говорит Ван.