Derin Öğrenme ile Nöron Aktivitesi Ölçümü: Kalsiyum Görüntülerini Başarıyla Çözümleyen Algoritma

Nörobilim, sinir sistemimizin karmaşık yapısını ve nasıl çalıştığını anlamamızı sağlayan heyecan verici bir alan. Bu alanda yapılan araştırmaların amaçlarından biri nöronal aktivitenin dinamiklerini çözmektir. İşte bu noktada kalsiyum görüntüleme tekniği devreye girer.

Kalsiyum görüntüleme, nöronal aktiviteyi gözlemlemek için kullanılan gelişmiş bir görüntüleme tekniğidir. Bu yöntem, hücre içindeki kalsiyum konsantrasyonundaki değişiklikleri ölçerek nöronal aktiviteyi belirler. Nöronlar uyarıldığında hücre içindeki kalsiyum konsantrasyonu artar ve bu değişiklikler floresan sinyaller aracılığıyla izlenebilir.

Bu teknik nöronal ağların etkileşimini, sinirsel devrelerin çalışma prensiplerini ve nörolojik hastalıkların mekanizmalarını anlamamızı sağlar. Ayrıca ilaçların nöronal aktivite üzerindeki etkilerini incelemek için de kullanılır.

Kalsiyum görüntülerinde gürültüler ortaya çıkabilir.”Gürültü” terimi ölçülen veya elde edilen bir sinyalde istenmeyen, rastgele veya anlamsız dalgalanmaları ifade eder. Kalsiyum görüntülerinde gürültü, ölçülen kalsiyum sinyalini etkileyen çeşitli faktörlerden kaynaklanabilir. Örneğin: elektronik cihazlardan kaynaklanan elektriksel gürültü, ısıdan kaynaklanan termal gürültü, sensör hataları vb.

Zürih Üniversitesinde gerçekleştirilen bir çalışma derin öğrenme ile kalsiyum görüntülerinde gürültüyü azaltmaya odaklandı.

İŞTE ÇALIŞMANIN DETAYLARI…

Zürih Üniversitesi kalsiyum görüntüleme ekibinden Dr. Peter Rupprecht, nöron kültürlerinde kalsiyum görüntülemenin görsel açıdan etkileyici olduğunu, ancak sinirsel aktivitenin doğru bir şekilde yorumlanmasının zor olduğunu ifade ediyo. Bu zorluğa odaklanan bir algoritmanın, yeterli veri olmaması nedeniyle önceki dönemlerde oluşturulamadığını belirtiyor. Bu nedenle baş araştırmacı Peter ve ekip arkadaşları, toplamda 300’den fazla nöronu ve birçok beyin bölgesini kapsayan 20 farklı veritabanından oluşan büyük bir veri seti oluşturdu. Peter bu veri setinin, küçük ve basit bir ağ üzerinde çalıştırılabileceğini vurgulayarak, dizüstü bilgisayarlarda bile sorunsuz bir şekilde çalıştırılabileceğini söylüyor. Ayrıca, tek bir derin ağ üzerinde tüm veri kümelerinin eğitildiği bu yaklaşımın, tek veri setiyle eğitilmiş modellerden daha iyi performans gösterdiği bir öğrenme sürecinden bahsediyor.

Geliştirdikleri modelde aynı anda kalsiyum görüntüleme ve nöronun elektriksel aktivitesinin ölçümü yapılarak elde edilen büyük bir veri tabanı kullanılmıştır. “Aynı anda” ifadesi, her iki kayıt türünün eş zamanlı olarak gerçekleştirildiğini vurgular. Bu veri tabanı, nöronal aktivitenin hem kalsiyum görüntüleme hem de doğrudan elektriksel ölçümler aracılığıyla kaydedildiği bir kaynak sağlar.

Model, belirli bir zamandaki bilgileri inceleyerek çalışır. Her bir zaman noktası, bir saniyedeki belirli bir anı temsil eder. Giriş penceresi 64 zaman noktasını içerir. Üç evrişim katmanı, giriş penceresindeki zaman noktalarındaki özellikleri çıkarır. İki havuz katmanı, elde edilen özellikleri özetler ve boyutunu küçültür. Evrişim ve havuzlama, verinin önemli özelliklerini öğrenmeye yardımcı olur. Küçük bir dense layer, önceki katmanlardan elde edilen bilgileri birleştirir ve bir çıkarım yapar. Bu katman, aksiyon potansiyeli olasılığını hesaplar ve her zaman noktası için bir sayı üretir. Bu yapı, modelin kalsiyum izleme verilerini alıp her bir zaman noktasındaki aksiyon potansiyeli ihtimalini tahmin etmesini sağlar.

Araştırmacılar, veri setlerinin kalitesinin derin öğrenme algoritmalarının başarısını belirleyen kritik bir faktör olduğunu vurguluyor. Yapılan doğruluk ölçümlerinde Peter ve ekibinin geliştirdiği algoritmanın diğer aksiyon potansiyeli çıkarım algoritmalarına göre daha kesin sonuçlar elde ettiği belirtiliyor.Bu gelişmeler, veri kalitesinin ve esnek algoritmaların önemini vurgulayarak, algoritmalarının aksiyon potansiyeli çıkarımında başarılı bir yöntem olarak öne çıkmasını sağlıyor.

REFERANSLAR:

• Rupprecht, P., Carta, S., Hoffmann, A. et al. A database and deep learning toolbox for noise-optimized, generalized spike inference from calcium imaging. Nat Neurosci 24, 1324–1337 (2021). https://doi.org/10.1038/s41593-021-00895-5
• Subach OM, Sotskov VP, Plusnin VV, et al. Novel Genetically Encoded Bright Positive Calcium Indicator NCaMP7 Based on the mNeonGreen Fluorescent Protein. Int J Mol Sci. 2020;21(5):1644. Published 2020 Feb 28. doi:10.3390/ijms21051644