立即释放
来自北卡罗来纳州立大学的研究人员已经证明了人工智能（AI）在模型生物体中识别和分类神经变性的效用C线虫. 这个工具使用深度学习，人工智能的一种形式，应该促进和加速对神经退化的研究。
“研究人员希望研究推动神经变性的机制，具有消除慢或预防与年龄或疾病相关的变性的方法的长期目标，”关于工作和助理的论文的相应作者Adriana San Miguel说NC状态的化学和生物分子教授。“我们在这里的工作表明，深度学习可以准确识别神经变性的身体症状;可以比人类更快地做到这一点;并且可以区分由不同因素引起的神经变性。
“让我们允许我们识别这些神经变性模式的工具将有助于我们确定不同基因在这些过程中发挥的作用，”圣米格尔说。“它还可以帮助我们评估各种药物干预对模型生物体中神经变性的影响。这是我们可以为治疗药物识别有前途的候选人来解决神经障碍的一种方式。“
在这项研究中，研究人员把重点放在C线虫蛔虫，一种被广泛用于研究衰老和神经系统发育的模式生物。具体来说，研究人员将重点放在PVD神经元上，这是一种既能检测触觉又能检测温度的神经细胞。研究人员之所以选择PVD神经元，是因为它遍布人类的神经系统C线虫众所周知，它会因老化而退化。
蛔虫是微小的透明 - 意味着在他们仍然活着的同时可以看到他们的神经系统。传统上，识别退化C线虫神经元需要研究人员在细胞中寻找微观变化，例如在各个神经元的部分形成的气泡的外观。研究人员可以通过跟踪这些气泡的尺寸，数量和位置来分析神经变性的程度。
“计算这些泡沫是一种耗时和劳动密集型的过程，”凯文弗洛雷斯（Kevin Flores）表示，该研究的共同作者和NC州数学助理教授。“我们已经证明我们可以通过将深度学习的力量与所谓的GPU计算的高速速度相结合，从秒内收集来自图像的所有相关数据。这使得能够比传统技术更快地定量评估神经元变性。“
除了监测年龄对神经退化的影响外，研究人员还研究了“冷休克”或长期暴露在低温下的影响。研究人员惊奇地发现，冷休克也会导致神经退化。
“我们还发现，冷休克引起的神经退行性变与衰老引起的退行性变具有不同的气泡模式，”San Miguel说用肉眼很难或不可能分辨出两者之间的区别，但深度学习项目却始终如一地发现了这一点。
“这项工作告诉我们，深度学习工具能够发现我们可能缺失的模式——我们可能只是触及它们在促进我们对神经退化的理解方面的作用的表面。”
报纸上说深度学习分析揭示了衰老和冷休克诱导的不同神经元表型，“发表在期刊上BMC生物学. 这篇论文的第一作者是Sahand Saberi Bosari，他是一位新近的博士。毕业于北卡罗来纳州。
这项工作是在国家卫生研究院的资助下完成的，资助项目为R00AG046911和R21AG059099；并从国家科学基金会，资助下IOS183314。
-船夫-
编辑注意：研究摘要如下。
“能够深入学习的分析揭示了老化和冷休克所引起的明显神经元表型”
作者：Sahand Saberi-Bosari，Kevin B. Flores和Adriana San-Miguel，北卡罗来纳州立大学
出版：9月23日，BMC生物学
内政部：10.1186/s12915-020-00861-w
摘要：
背景：访问量化信息至关重要，以便更深入地了解生物系统。除了低通量之外，基于传统的图像分析主要限于对表型的误差定性或半定量评估，特别是对于复杂的亚细胞形态。PVD神经元C线虫这是负责苛刻的接触和热固性，经历了结构退化线虫年龄的特点是出现树突状突起。对这些神经退行性变模式的分析是劳动密集型的，仅限于定性评估。
结果：在这项工作中，我们应用深度学习，以进行PVD神经元呈现的复杂神经变性模式的定量图像分析C线虫. 我们应用卷积神经网络算法（maskr-CNN）来识别冷休克后或老化后出现的神经退行性亚细胞突起。一个多参数的表型剖面捕捉到了由每个扰动引起的独特的形态变化。我们发现，急性冷休克诱导的神经退行性变是可逆的，并取决于饲养温度，重要的是，老化和冷休克诱导不同的神经元珠模式。
结论：这项工作的结果表明，实施PVD神经变性的挑战性图像分割的深度学习使得能够以无偏见的方式定量跟踪微妙的形态变化。该分析表明，通过老化和冷冲击诱导了形态改变的不同模式，表明在游戏中不同的机制。这种方法可用于鉴定协调神经变性的分子组分，并表征其他压力源对PVD变性的影响。
- 类别：
