O software de reconhecimento de objetos usa a aplicação da lei para identificar suspeitos, navegar nos carros autônomos para navegar pelas estradas e muitos clientes para desbloquear seus telefones celulares ou pagar pelo café da manhã.
Agora, os pesquisadores, liderados pela Universidade Cinceanna Ana Cruer e Houston Demetrio Labate, aplicaram a tecnologia de reconhecimento de objetos para rastrear estruturas de células cerebrais e fornecer novas idéias ao uso, retirada, retirada, retirar e re -infecção do cérebro. O estudo foi publicado na revista 30 de abril O progresso da ciência.
O pano de fundo do estudo
A heroína de laboratório de Crue se concentra na re -infecção, porque quando as pessoas consideram sua capacidade de usar drogas durante a re -infecção, muitas doses em excesso ocorrem. A equipe desenvolveu um modelo animal de re -infecção nos últimos sete anos, estudando interação entre células cerebrais e centros de recompensa cerebral que ordenaram o processo de re -infecção.
“Queremos entender todas as células e moléculas que podem transformar os neurônios e a atividade”, James da UC. Winkle disse PDD, professor assistente de ciências farmacêuticas da Faculdade de Farmácia. “A idéia é que, se você puder interferir na re -infecção, poderá ajudar a manter alguém limpo.”
Os neurônios são mais comumente estudados nas células cerebrais, a tripulação, a tripulação concentrada em direção a outra célula chamada Astrosite. Suporte metabólico para neurônios, os neurônios fornecem moléculas que se transformam em neurotransmissores e têm muitas funções que fornecem ou desvendam os receptores durante as atividades sináficas.
“Os astrócitos são um tipo de célula de proteção que pode recuperar a homeosise sináptica”, disse Cruer. “Eles são muito dinâmicos que o Sympo e estão se afastando do Synapus em tempo real, pois podem afetar o medicamento; portanto, se você impedir essa repressão com a sinapse durante a re -infecção, poderá aumentar a infecção por re -infecção”.
O laboratório é um matemático aplicado com eficiência em análise harmoniosa e aprendizado de máquina.
“Um centro central da minha pesquisa é o desenvolvimento e aplicação de técnicas matemáticas para descobrir padrões significativos em dados não eclidianos, como análise de tamanho complexo”, Labet, professor do Departamento de Matemática da Universidade de Houston. “O estudo dos astrócitos fornece um cenário ideal para esse tipo de investigação: essas células são extremamente diferentes, extensas em tamanho e tamanho e são capazes de renovar seus rituais em resposta a estímulos externos”.
Uma nova abordagem com aprendizado de máquina
Embora os estudos de modelos animais tenham criado resultados, a tripulação e seus colegas enfrentaram um obstáculo que usou técnicas não pode ser traduzido para seres humanos. Para contornar esse problema, eles se concentraram em uma proteína de astrócitos que originalmente serviu como esqueletos celulares.
“Pensamos que poderíamos encontrar uma maneira de traduzir o que estávamos vendo para uma mudança no nível sináptico no nível sináptico, mas poderíamos ver se os astrônomos estavam fazendo algo crítico nas pessoas”, disse Cruer.
Um grupo de matemáticos liderados por modelos de aprendizado de máquina de reconhecimento de objetos treinados pelo Labet não consegue identificar com precisão nenhuma astronomia em qualquer imagem em modelos em centenas de células de astrócitos, como a forma como o software de reconhecimento de objetos funciona.
“As técnicas de aprendizado de máquina são amplamente aplicadas às funções de classificação da imagem na literatura, onde cada sala é o objetivo de todos atribuídos a uma categoria específica”. “Nesse contexto nacional, o aprendizado de máquina é especialmente poderoso para detectar propriedades celulares baseadas em imagem, difíceis de capturar o uso de designers geométricos geométricos tradicionais, mas atua como um discriminatório eficaz na classe”.
Se o programa puder detectar astrócitos, os trens do partido analisam a estrutura específica com base em 15 critérios diferentes, incluindo o número de densidade citoscalital astrosite (semelhante à densidade óssea), tamanho, comprimento vs. ramos redondos e pequenos do ramo original.
“Você pode pensar nesse nacional, se der um monte de cenas de rua, ele geralmente verá pedestres, carros e edifícios”, disse Cruer. “Se você fornecer um computador 1000 imagens de astrócitos, geralmente há algumas coisas que verão esse é o processo pelo qual um computador pode começar a medir diferentes recursos de astrócitos” “
Os pesquisadores criaram uma única métrica para determinar a quantidade de características de cada Astrosta usando todas as 15 medidas ponderadas por sua importância para identificar astrócitos.
“No trabalho anterior, usei o aprendizado de máquina para a classificação celular e os problemas de divisão”, disse no laboratório. “Mas, neste estudo, resolvemos mais perguntas curtas: a Astroglia tem uma subpopulação específica que exibe mudanças metafóricas mais óbvias do que o resto?
Modelo
Após o desenvolvimento do modelo de aprendizado de máquina para detectar astrócitos e relatar uma nova métrica, a equipe se concentrou na astrose em uma região do cérebro, especialmente no núcleo acomban (NAC), que é ativo durante a re -infecção.
O modelo foi capaz de adivinhar exatamente que um Astrostic em NAC ocorreu com base na precisão de 80% com base.
“Isso nos diz que a estrutura da Astrosta é alterada pela fisiologia”, disse a tripulação. “Os astrócitos são considerados uma célula homogênea, mas indica que a estrutura do Astrosta varia significativamente de acordo com a localização – provavelmente algo a ver com sua eficácia em tamanho e tamanho”.
Usando o modelo e o novo conhecimento do animal a partir de modelos de computadores, a equipe descobriu que os astroócitos pareciam ter se tornado menos inaláveis após serem expostos à heroína.
“Esses dados indicam que a heroína está fazendo algo molecularmente fazendo algo que o Astrosit está menos habilitado para responder a atividades sinápticas e manter homeostesses”, disse Cruer.
“Este artigo fornece um exemplo da energia da cooperação entre disciplina, onde equipamentos quantitativos inovadores são desenvolvidos ou adaptados para lidar com questões biológicas complexas”, acrescentou o laboratório. “O sucesso desta pesquisa está na disciplina da disciplina e em nossa vontade de impedir os limites do aprendizado tradicional de máquina a lidar com desafios biologicamente significativos e oportunos”.
Próximo passo
Cruer disse que estava o mais empolgado com a aplicação do aprendizado de máquina em uma questão biológica, que remove defeitos e preconceitos humanos e torna a pesquisa mais facilmente traduzida do modelo animal para os seres humanos.
“Estamos fazendo perguntas gratuitas e está respondendo nossos detalhes verdadeiramente delicados e, em seguida, o que fazemos depende de nós”, disse ele. “A astronomia humana é muito maior, mais complexa e mais complicada que os modelos animais; portanto, aplicar um equipamento como esse é realmente ótimo para avançar nas pessoas” “
Para avançar, a equipe deseja saber mais sobre o processo específico de astrócitos em cada região dentro do NAC e treina novos modelos usando amostras de tecido humano. A longo prazo, o conhecimento obtido pode ajudar a desenvolver um novo tratamento para o vício em drogas, concentrando -se na restauração ou substituição antes de entrar em contato com a heroína.
Além disso, o método de aprendizado de máquina pode ser convertido e aplicado a outros tipos de células, incluindo estruturas desenvolvidas e complexas.
“Ao permite a quantidade específica das características morfológicas de células únicas, esse método abre a porta para o desenvolvimento de técnicas de fantasia para biômetros celulares ou moleculares para detectar, o que reflete o processo biológico, a condição da doença ou a intervenção terapêutica”, disse ele. “Mais extensivamente, nosso trabalho é introduzir uma nova estrutura quantitativa para descobrir os modelos mecânicos básicos subjacentes na complexa condição cerebral, como dependência de medicamentos para abuso”.
Outros colegas incluem Michela Marini, Yabo Niu, Hang Zhao, Anish Mohan e Nathan Karnik. Este trabalho foi apoiado pela Fundação de Simon (MPS-TSM 783 00002738 para o LAB em LABO) e os Institutos Nacionais de Saúde (DA 054339) por Grant de Cruer e NS 007453). Nem todos os autores declaram qualquer interesse competitivo neste manuscrito.
