Отслеживание срабатываний отдельных нейронов похоже на попытку понять, кто и что говорит на футбольном стадионе, полном кричащих фанатов. До недавнего времени нейробиологам приходилось утомительно отслеживать каждый нейрон вручную.
"Люди тратили больше времени на анализ своих данных для извлечения следов активности, чем на их сбор," – говорит Дмитрий Чкловский, возглавляющий группу нейробиологов в Центре вычислительной биологии (CCB) в Институте Флэтайрон в Нью-Йорке.
Революционный программный инструмент CaImAn автоматизирует этот сложный процесс, используя комбинацию стандартных вычислительных методов и методов машинного обучения. В статье, опубликованной в журнале eLife в январе, создатели программного обеспечения демонстрируют, что CaImAn обеспечивает точность, близкую к человеческой, в определении местоположения активных нейронов на основе данных визуализации кальция.
CaImAn (аббревиатура от анализа изображений кальция) был свободно доступен в течение нескольких лет и уже доказал свою неоценимую ценность для сообщества визуализации кальция, более чем в 100 лабораториях, использующих это программное обеспечение. Последняя версия CaImAn может работать на стандартном ноутбуке и анализировать данные в режиме реального времени, что означает, что ученые могут анализировать данные во время проведения экспериментов. "Моя лаборатория очень рада возможности использовать такой инструмент," говорит нейробиолог из Университета Дьюка Джон Пирсон, который не участвовал в разработке программного обеспечения.
CaImAn – продукт усилий, начатых Чкловским в его группе в CCB. Он пригласил Эфтихиоса Пневматикакиса, а затем Андреа Джованнуччи, чтобы возглавить проект. Их цель состояла в том, чтобы помочь справиться с огромными наборами данных, созданными с помощью метода, называемого визуализацией кальция.
Этот метод включает добавление специального красителя в ткань мозга или нейроны в блюде. Краситель связывается с ионами кальция, отвечающими за активацию нейронов. Под ультрафиолетом краситель загорается. Флуоресценция возникает только тогда, когда краситель связывается с ионом кальция, что позволяет исследователям визуально отслеживать активность нейрона.
Анализ данных, собранных с помощью визуализации кальция, представляет собой серьезную проблему. Процесс генерирует поток данных – до 1 терабайта в час мерцающих фильмов, – который быстро становится огромным. "Один экспериментатор может заполнить самый большой коммерчески доступный жесткий диск за один день," говорит Майкл Хойссер, нейробиолог из Университетского колледжа Лондона, команда которого проверила CaImAn.
Данные также зашумлены. Как и смешанные голоса, флуоресцентные сигналы от разных нейронов часто перекрываются, что затрудняет выделение отдельных нейронов. Более того, ткань мозга колеблется, что усложняет отслеживание одного и того же нейрона с течением времени.
Пневматикакис, ныне научный сотрудник Центра вычислительной математики Флэтайронского института, первым начал разработку базового алгоритма, лежащего в основе CaImAn, в качестве постдока в лаборатории Лиама Панински в Колумбийском университете.
"Он был элегантен математически и неплохо справился, но мы поняли, что он плохо обобщается на разные наборы данных," Пневматикакис говорит. "Мы хотели превратить его в программный пакет, который может использовать сообщество." Отчасти поэтому его привлекла группа нейробиологов Flatiron, которая разрабатывает новые инструменты для анализа больших наборов данных.
Позже Пневматикакис начал работать с Джованнуччи, тогда постдоком в Принстонском университете, над применением алгоритма для отслеживания активности гранулярных клеток мозжечка, плотно упакованной, быстро запускающейся группы нейронов. "Существующие инструменты анализа не были достаточно мощными, чтобы разобраться в активности этой популяции нейронов, и предполагали, что все они делали одно и то же," говорит Джованнуччи, который присоединился к нейробиологической группе CCB в течение трех лет, чтобы помочь разработать программное обеспечение для более широкого использования. "Алгоритм вычитает фоновые голоса и фокусируется на нескольких," выявление того, что отдельные гранулярные клетки действительно имеют разные паттерны активности.
Дальнейшая работа в Институте Флэтайрон отточила возможности CaImAn и упростила программное обеспечение для исследователей в использовании для различных экспериментов без обширной настройки.
Исследователи недавно проверили точность CaImAn, сравнив его результаты с набором данных, созданным человеком. Сравнение показало, что программное обеспечение почти так же точно, как люди, в определении активных нейронов, но гораздо более эффективно. Его скорость позволяет исследователям адаптировать свои эксперименты на лету, улучшая исследования того, как определенные пучки нейронов влияют на различное поведение. Набор человеческих данных также показал высокую вариабельность от человека к человеку, что подчеркивает преимущество наличия стандартизированного инструмента для анализа данных визуализации.
Помимо точности сравнительного анализа, исследователи использовали аннотированные человеком результаты в качестве набора обучающих данных, разработав инструменты на основе машинного обучения для улучшения пакета CaImAn. С тех пор они сделали этот набор данных общедоступным, чтобы сообщество могло использовать его для дальнейшего расширения CaImAn или для создания новых инструментов.