Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'outil logiciel de découverte suit l'activité des neurones en temps réel

L'outil, CaImAn appelé, remonte le procédé de suivre manuellement l'emplacement et l'activité des neurones

Le rail des allumages de différents neurones est comme l'essai de discerner qui indique ce qui dans un stade de football complètement des ventilateurs criards. Jusque récemment, les neurologistes ont dû péniblement suivre chaque neurone à la main.

Les « gens ont passé plus de temps analysant leurs caractéristiques pour extraire des traces d'activité que réellement le rassemblant, » dit Dmitri Chklovskii, qui aboutit le groupe de neurologie au centre pour la bio-informatique (CCB) à l'institut de fer à repasser à New York City.

Un outil logiciel CaImAn appelé de découverte automatise ce procédé laborieux utilisant une combinaison des méthodes et des techniques d'apprentissage automatique de calcul normales. Dans un papier publié dans l'eLife de tourillon en janvier, les créateurs du logiciel expliquent que le caïman réalise l'exactitude proche-humaine en trouvant l'emplacement des neurones actifs basés sur des caractéristiques de représentation de calcium.

Le caïman (une abréviation d'analyse de représentation de calcium) a été librement procurable pendant quelques années et a inestimable déjà prouvé à la communauté de représentation de calcium, avec plus de 100 laboratoires utilisant le logiciel. La dernière itération du caïman peut fonctionner sur un ordinateur portable normal et analyser des caractéristiques en temps réel, signifiant des scientifiques peut analyser des caractéristiques pendant qu'elles font fonctionner des expériences. « Mon laboratoire est excité au sujet de pouvoir utiliser un outil comme ceci, » dit le neurologiste John Pearson de Duke University, qui n'était pas impliqué dans le développement de logiciel.

Le caïman est le produit d'un effort commencé par Chklovskii dans son groupe à CCB. Il a porté sur Eftychios Pnevmatikakis et plus défunte Andrea Giovannucci pour être à l'avant-garde le projet. Leur objectif était d'aider à aborder les énormes ensembles de données produits par une représentation appelée de calcium de méthode.

Cette technique concerne ajouter une teinture spéciale au tissu cérébral ou aux neurones dans une assiette. La teinture grippe aux ions calcium responsables d'activer des neurones. Sous le rayonnement ultraviolet, la teinture s'allume. La fluorescence se produit seulement quand la teinture grippe à un ion calcium, permettant à des chercheurs de suivre visuellement l'activité d'un neurone.

Analyser les caractéristiques recueillies par l'intermédiaire de la représentation de calcium lance un défi important. Le procédé produit d'une pléthore de caractéristiques -- jusqu'à 1 Terabyte par heure des films de clignotement -- cela devient rapidement primordialement. « Un expérimentateur peut remplir le plus grand disque dur disponible dans le commerce dans un jour, » dit Michael Häusser, un neurologiste au centre d'enseignement supérieur Londres dont l'équipe a examiné le caïman.

Les caractéristiques sont également bruyantes. Tout comme des voix de se mélanger, les signes fluorescents de différents neurones superposent souvent, le rendant difficile de sélectionner différents neurones. D'ailleurs, le tissu cérébral secoue, ajoutant au défi de suivre le même neurone au fil du temps.

Pnevmatikakis, maintenant un scientifique de recherches au centre de l'institut de fer à repasser pour des mathématiques de calcul, a commencé la première fois à développer le caïman fondamental d'algorithme de base comme postdoc en laboratoire de Liam Paninski à l'Université de Columbia.

« Il était élégant mathématiquement et a réalisé une fonction convenable, mais nous avons réalisé qu'elle n'a pas bien généralisé à différents ensembles de données, » Pnevmatikakis dit. « Nous avons voulu la transformer en suite logiciel que la communauté peut employer. » C'était en partie pourquoi il a été entraîné au groupe de neurologie au fer à repasser, qui développe les outils neufs pour analyser de grands ensembles de données.

Pnevmatikakis plus tard a commencé à fonctionner par Giovannucci, puis un postdoc à l'Université de Princeton, sur s'appliquer l'algorithme à suivre l'activité des cellules cérébelleuses de granule, en masse bourré, groupe de rapide-allumage des neurones. « Les outils d'analyse existants n'étaient pas assez puissants pour démêler l'activité de cette population des neurones et implicite qu'ils étaient tous faisant la même chose, » dit Giovannucci, qui a joint le groupe de neurologie de CCB pendant trois années pour aider à développer le logiciel pour un usage plus grand. « L'algorithme soustrait les voix et les orientations de mouvement propre sur quelques uns, » indiquant que les différentes cellules de granule ont en effet les configurations distinctes d'activité.

Davantage de travail à l'institut de fer à repasser a rectifié les capacités du caïman et a facilité le logiciel pour que les chercheurs emploient pour un grand choix d'expériences sans personnalisation considérable.

Les chercheurs ont récent vérifié l'exactitude du caïman en comparant ses résultats à un ensemble de données humain-produit. La comparaison prouvée qui le logiciel est presque aussi précis que des êtres humains en recensant les neurones actifs mais beaucoup plus efficace. Son speediness permet à des chercheurs d'adapter leurs expériences en marche, améliorant des études de la façon dont les paquets spécifiques de neurones contribuent à différents comportements. L'ensemble de données humain a également indiqué la variabilité élevée de la personne à personne, mettant en valeur l'avantage de avoir un outil normalisé pour analyser des caractéristiques de représentation.

En plus de l'exactitude d'étalonnage, les chercheurs ont employé les résultats humain-annotés comme ensemble de données de formation, développant les outils machine machine apprendre pour améliorer l'envoi de caïman. Ils ont depuis effectué ce public d'ensemble de données, de sorte que la communauté puisse l'employer pour étendre davantage le caïman ou pour produire les outils neufs.