ابزار منبع باز جدید به گره زدن مغز کمک می کند

در اواخر سال 1402، اولین دارویی با پتانسیل کاهش پیشرفت بیماری آلزایمر توسط اداره داروی فدرال ایالات متحده تایید شد. آلزایمر یکی از بسیاری از اختلالات عصبی ناتوان کننده است که روی هم یک هشتم جمعیت جهان را تحت تاثیر قرار می دهد، و در حالی که داروی جدید گامی در مسیر درست است، هنوز سفری طولانی برای درک کامل آن و سایر بیماری هایی از این دست وجود دارد.

“بازسازی پیچیدگی های روش عملکرد مغز انسان روی لارس جستبی، یکی از اعضای کادر فنی و توسعه‌دهنده الگوریتم از گروه سیستم‌های عملکرد و سلامت انسان آزمایشگاه لینکلن MIT، می‌گوید: «سطح سلولی یکی از بزرگ‌ترین چالش‌ها در علوم اعصاب است. اطلس‌های مغزی شبکه‌شده و با وضوح بالا می‌توانند به بهبود درک ما از اختلالات با مشخص کردن تفاوت بین مغز سالم و بیمار. با این حال، پیشرفت با ابزار ناکافی برای تجسم و process مجموعه داده های تصویربرداری مغز بسیار بزرگ.”

یک اطلس مغز شبکه ای در اصل یک نقشه دقیق از مغز است که می تواند به پیوند اطلاعات ساختاری با عملکرد عصبی کمک کند. برای ساخت چنین اطلس هایی، داده های تصویربرداری مغز باید پردازش و حاشیه نویسی شوند. به عنوان مثال، هر آکسون یا فیبر نازک متصل کننده نورون ها باید ردیابی، اندازه گیری و با اطلاعات برچسب گذاری شود. روش‌های کنونی پردازش داده‌های تصویربرداری مغز، مانند نرم‌افزارهای مبتنی بر دسکتاپ یا ابزارهای دستی، هنوز برای مدیریت مجموعه داده‌های مقیاس مغز انسان طراحی نشده‌اند. به این ترتیب، محققان اغلب زمان زیادی را صرف هدر رفتن در اقیانوسی از داده های خام می کنند.

Gjesteby پروژه ای را برای ایجاد ردیابی نورون و محیط یادگیری فعال (NeuroTrALE) هدایت می کند، یک خط لوله نرم افزاری که یادگیری ماشین، ابررایانه و همچنین سهولت استفاده و دسترسی به این چالش نقشه برداری مغز را به ارمغان می آورد. NeuroTrALE بسیاری از پردازش داده‌ها را خودکار می‌کند و خروجی را در یک رابط تعاملی نمایش می‌دهد که به محققان اجازه می‌دهد داده‌ها را ویرایش و دستکاری کنند تا الگوهای خاص را علامت‌گذاری کنند، فیلتر کنند و جستجو کنند.

باز کردن گره یک گلوله نخ

یکی از ویژگی های تعیین کننده NeuroTrALE تکنیک یادگیری ماشینی است که از آن استفاده می کند و یادگیری فعال نامیده می شود. الگوریتم‌های NeuroTrALE برای برچسب‌گذاری خودکار داده‌های دریافتی آموزش داده شده‌اند روی داده‌های تصویربرداری مغز موجود، اما داده‌های ناآشنا می‌توانند بالقوه برای خطا باشند. یادگیری فعال به کاربران اجازه می دهد تا به صورت دستی خطاها را تصحیح کنند و به الگوریتم آموزش می دهد تا دفعه بعد که با داده های مشابه روبرو می شود، بهبود یابد. این ترکیبی از اتوماسیون و برچسب‌گذاری دستی، پردازش دقیق داده‌ها را با بار بسیار کمتری تضمین می‌کند روی کاربر

مایکل اسنایدر، از گروه سیستم‌های پشتیبانی تصمیم‌گیری در آزمایشگاه، می‌گوید: «تصور کنید از یک توپ نخ عکسی با اشعه ایکس بگیرید. همه این خطوط متقاطع و متقاطع را خواهید دید. “وقتی دو خط متقاطع می شوند، آیا به این معنی است که یکی از تکه های نخ در حال خم شدن 90 درجه است، یا یکی مستقیم به سمت بالا و دیگری مستقیم به سمت بالا می رود؟ با یادگیری فعال NeuroTrALE، کاربران می توانند این رشته های نخ را ردیابی کنند. یا دو بار و الگوریتم را آموزش دهید تا آنها را به درستی حرکت دهد بدون NeuroTrALE، کاربر باید هر بار کاموا یا در این مورد آکسون های مغز انسان را ردیابی کند. اسنایدر یک توسعه دهنده نرم افزار است روی تیم NeuroTrALE به همراه دیوید چاوز از کارکنان.

از آنجایی که NeuroTrALE بخش عمده ای از بار برچسب گذاری را از دوش کاربر برمی دارد، به محققان اجازه می دهد تا process داده های بیشتر با سرعت بیشتری علاوه بر این، الگوریتم‌های ردیابی آکسون از محاسبات موازی برای توزیع محاسبات در چندین GPU به طور همزمان استفاده می‌کنند که منجر به پردازش سریع‌تر و مقیاس‌پذیر می‌شود. با استفاده از NeuroTrALE، تیم کاهش 90 درصدی در زمان محاسباتی مورد نیاز را نشان داد process 32 گیگابایت داده نسبت به روش های معمولی هوش مصنوعی.

این تیم همچنین نشان داد که افزایش قابل توجهی در حجم داده ها به معنای افزایش معادل در زمان پردازش نیست. به عنوان مثال، در یک مطالعه اخیر آنها نشان دادند که افزایش 10000 درصدی در اندازه مجموعه داده ها با استفاده از دو نوع واحد پردازش مرکزی، تنها 9 درصد و 22 درصد افزایش در کل زمان پردازش داده ها را به همراه داشت.

بنجامین روپ، یکی از توسعه دهندگان الگوریتم این پروژه می افزاید: «با تخمین زده شده 86 میلیارد نورون که 100 تریلیون اتصال را در مغز انسان ایجاد می کنند، برچسب زدن دستی تمام آکسون های یک مغز طول عمر می برد. “این ابزار این پتانسیل را دارد که ایجاد اتصالات را نه فقط برای یک فرد، بلکه برای بسیاری از افراد به صورت خودکار انجام دهد. این در را برای مطالعه بیماری های مغزی در سطح جمعیت باز می کند.”

جاده منبع باز برای کشف

پروژه NeuroTrALE به عنوان یک همکاری داخلی بین آزمایشگاه لینکلن و آزمایشگاه پروفسور کوانگون چانگ شکل گرفت. روی پردیس MIT. تیم آزمایشگاه لینکلن باید راهی برای محققان آزمایشگاه چانگ ایجاد کند تا بتوانند اطلاعات مفیدی را از مقدار زیادی از داده‌های تصویربرداری مغزی آنها که در MIT SuperCloud جریان می‌یابد، تجزیه و تحلیل و استخراج کنند – ابررایانه‌ای که توسط آزمایشگاه لینکلن برای پشتیبانی از تحقیقات MIT اداره می‌شود. تخصص Lincoln Lab در محاسبات با کارایی بالا، پردازش تصویر و هوش مصنوعی آن را برای مقابله با این چالش بسیار مناسب کرده است.

در سال 2020، تیم NeuroTrALE را در SuperCloud آپلود کرد و تا سال 2022 آزمایشگاه چانگ نتایج را تولید می کرد. در یک مطالعه، منتشر شده در علمآنها از NeuroTrALE برای تعیین کمیت تراکم سلولی قشر پیشانی مغز در رابطه با بیماری آلزایمر استفاده کردند، جایی که مغزهای مبتلا به این بیماری در مناطق خاصی از تراکم سلولی کمتری نسبت به مغزهای بدون آن برخوردار بودند. همین تیم همچنین مکان‌هایی را در مغز یافتند که نوروفیبرهای مضر در بافت مغزی مبتلا به آلزایمر در هم پیچیده می‌شوند.

کار کنید روی NeuroTrALE با تأمین مالی آزمایشگاه لینکلن و تأمین مالی مؤسسه ملی بهداشت (NIH) برای ایجاد قابلیت‌های NeuroTrALE ادامه داده است. در حال حاضر، ابزارهای رابط کاربری آن در حال ادغام با برنامه Neuroglancer Google هستند – یک برنامه بیننده منبع باز و مبتنی بر وب برای داده های علوم اعصاب. NeuroTrALE این قابلیت را به کاربران اضافه می کند تا داده های حاشیه نویسی خود را به صورت پویا تجسم و ویرایش کنند و چندین کاربر همزمان با داده های مشابه کار کنند. کاربران همچنین می توانند تعدادی اشکال مانند چند ضلعی، نقاط و خطوط را برای تسهیل وظایف حاشیه نویسی ایجاد و ویرایش کنند و همچنین نمایش رنگی را برای هر حاشیه نویسی سفارشی کنند تا نورون ها را در مناطق متراکم متمایز کنند.

NeuroTrALE یک راه حل انتها به انتها با پلتفرم آگنوستیک ارائه می کند که می تواند به راحتی و به سرعت مستقر شود. روی محیط‌های محاسباتی مستقل، مجازی، ابری و با کارایی بالا از طریق کانتینرها.” آدام میکالیاس، مهندس محاسبات با کارایی بالا از گروه فناوری هوش مصنوعی آزمایشگاه می‌گوید. “علاوه بر این، با ارائه قابلیت‌هایی برای همکاری بلادرنگ، تجربه کاربر نهایی را به طور قابل توجهی بهبود می‌بخشد. در جامعه علوم اعصاب از طریق تجسم داده ها و بررسی همزمان محتوا.”

برای همسویی با ماموریت NIH در به اشتراک گذاری محصولات تحقیقاتی، هدف این تیم این است که NeuroTrALE را به یک ابزار کاملاً منبع باز برای همه افراد تبدیل کند. جستبی می‌گوید، و این نوع ابزار، چیزی است که برای رسیدن به هدف نهایی یعنی نقشه‌برداری از کل مغز انسان برای تحقیق، و در نهایت توسعه دارو، لازم است. “این یک تلاش مردمی از سوی جامعه است که در آن داده ها و الگوریتم ها قرار است برای همه به اشتراک گذاشته شوند و به آنها دسترسی داشته باشند.”

پایگاه های کد برای ردیابی آکسون، مدیریت داده ها، و رابط کاربری تعاملی NeuroTrALE به صورت عمومی از طریق مجوزهای منبع باز در دسترس هستند. لطفا تماس بگیرید لارس جستبی برای اطلاعات بیشتر روی با استفاده از NeuroTrALE.