Rastrear os disparos de neurônios individuais é como tentar discernir quem está dizendo o que em um estádio de futebol cheio de fãs gritando. Até recentemente, os neurocientistas tiveram que rastrear cada neurônio de forma tediosa.

“As pessoas gastam mais tempo analisando seus dados para extrair rastros de atividades do que coletá-las”, diz Dmitri Chklovskii, que lidera o grupo de neurociências do Centro de Biologia Computacional (CCB) do Instituto Flatiron, em Nova York.

Uma ferramenta de software inovadora chamada CaImAn automatiza esse processo árduo usando uma combinação de métodos computacionais padrão e técnicas de aprendizado de máquina. Em um artigo publicado na revista eLife em janeiro, os criadores do software demonstram que o CaImAn atinge uma precisão quase humana na detecção de localizações de neurônios ativos com base em dados de imagens de cálcio.

CaImAn (uma abreviação de análise de imagens de cálcio) está disponível gratuitamente há alguns anos e já provou ser inestimável para a comunidade de imagens de cálcio, com mais de 100 laboratórios usando o software. A mais recente iteração do CaImAn pode ser executada em um laptop padrão e analisar dados em tempo real, o que significa que os cientistas podem analisar dados enquanto realizam experimentos. “Meu laboratório está animado em poder usar uma ferramenta como esta”, diz o neurocientista da Universidade de Duke, John Pearson, que não esteve envolvido no desenvolvimento do software.

CaImAn é o produto de um esforço iniciado por Chklovskii dentro de seu grupo no CCB. Ele trouxe Eftychios Pnevmatikakis e depois Andrea Giovannucci para liderar o projeto. Seu objetivo era ajudar a lidar com os enormes conjuntos de dados produzidos por um método chamado imagem de cálcio.

Essa técnica envolve a adição de um corante especial ao tecido cerebral ou a neurônios em um prato. O corante liga-se aos íons de cálcio responsáveis ​​pela ativação dos neurônios. Sob luz ultravioleta, o corante acende. A fluorescência só ocorre quando o corante se liga a um íon de cálcio, permitindo que os pesquisadores acompanhem visualmente a atividade de um neurônio.

Analisar os dados recolhidos através de imagens de cálcio representa um desafio significativo. O processo gera uma avalanche de dados – até 1 terabyte por hora de filmes cintilando – que rapidamente se torna esmagadora. “Um pesquisador pode preencher o maior disco rígido comercialmente disponível em um dia”, diz Michael Häusser, neurocientista da University College London, cuja equipe testou o CaImAn.

Os dados também são ruidosos. Assim como as vozes mescladas, os sinais fluorescentes de diferentes neurônios frequentemente se sobrepõem, dificultando a escolha de neurônios individuais. Além disso, o tecido cerebral balança, aumentando o desafio de rastrear o mesmo neurônio ao longo do tempo.

Pnevmatikakis, agora pesquisador do Centro de Matemática Computacional do Flatiron Institute, começou a desenvolver o algoritmo básico subjacente ao CaImAn como um pós-doc no laboratório de Liam Paninski na Columbia University.

“Foi elegante matematicamente e fez um trabalho decente, mas percebemos que não se generalizou bem em conjuntos de dados diferentes”, diz Pnevmatikakis. “Queríamos transformá-lo em uma suíte de software que a comunidade possa usar.” Foi em parte por isso que ele foi atraído para o grupo de neurociência da Flatiron, que desenvolve novas ferramentas para analisar grandes conjuntos de dados.

Mais tarde, Pnevmatikakis começou a trabalhar com Giovannucci, então um pós-doutorado na Universidade de Princeton, na aplicação do algoritmo para rastrear a atividade das células granulares do cerebelo, um grupo denso de neurônios de disparo rápido. “As ferramentas de análise existentes não eram poderosas o suficiente para desenredar a atividade dessa população de neurônios e implicavam que todos estavam fazendo a mesma coisa”, diz Giovannucci, que se juntou ao grupo de neurociência do CCB por três anos para ajudar a desenvolver o software para uso mais amplo. “O algoritmo subtrai as vozes de fundo e concentra-se em algumas”, revelando que as células granulares individuais têm, de fato, padrões distintos de atividade.

O trabalho adicional no Flatiron Institute aprimorou as habilidades do CaImAn e tornou o software mais fácil para os pesquisadores usarem para uma variedade de experimentos sem uma ampla personalização.

Os pesquisadores testaram recentemente a precisão do CaImAn comparando seus resultados com um conjunto de dados gerado pelo homem. A comparação provou que o software é quase tão preciso quanto os humanos na identificação de neurônios ativos, mas muito mais eficiente. Sua rapidez permite que os pesquisadores adaptem seus experimentos em tempo real, aprimorando estudos de como conjuntos específicos de neurônios contribuem para diferentes comportamentos. O conjunto de dados humanos também revelou alta variabilidade de pessoa para pessoa, destacando o benefício de ter uma ferramenta padronizada para analisar dados de imagem.

Além da precisão do benchmarking, os pesquisadores usaram os resultados anotados em humanos como um conjunto de dados de treinamento, desenvolvendo ferramentas baseadas em aprendizado de máquina para aprimorar o pacote CaImAn. Desde então, eles tornaram esse conjunto de dados público, para que a comunidade possa usá-lo para estender ainda mais o CaImAn ou criar novas ferramentas.

Fonte: CalmAN

DEIXE UMA RESPOSTA

Por favor digite seu comentário!
Por favor, digite seu nome aqui