EPFL(Ecole Polytechnique Fédérale de Lausanne)과 하버드 대학의 과학자들은 움직이는 동물의 뉴런을 효율적으로 추적하기 위해 "방향 향상" 기능을 갖춘 컨볼루션 신경망을 사용하는 획기적인 인공 지능 방법을 만들었습니다. 이는 수동 주석을 크게 줄이고 뇌 영상 연구를 가속화하며 신경 행동에 대한 이해를 심화시킵니다.
EPFL과 하버드 대학의 과학자들은 움직이는 동물의 뉴런을 추적하는 인공 지능 기반 방법을 개발하여 최소한의 수동 주석으로 뇌 연구의 효율성을 향상시켰습니다.
최근의 발전으로 자유롭게 움직이는 동물의 뉴런을 이미징할 수 있게 되었습니다. 그러나 회로 활동을 디코딩하려면 이러한 이미징 뉴런을 계산적으로 식별하고 추적해야 합니다. 이는 뇌 자체가 벌레와 같은 유기체의 유연한 몸체 내에서 움직이고 변형될 때 특히 어려워집니다. 지금까지 과학계에는 이 문제를 해결할 수 있는 도구가 부족했습니다.
이제 EPFL(École Polytechnique Fédérale de Lausanne)과 하버드 대학의 과학자 팀이 움직이고 변형하는 동물의 뉴런을 추적하는 선구적인 인공 지능 방법을 개발했습니다. Nature Methods에 발표된 이 연구는 EPFL 기초 과학부의 Sahand Jamal Rahi가 주도했습니다.
새로운 방법은 이미지의 패턴을 인식하고 이해하도록 훈련된 인공지능의 일종인 CNN(Convolutional Neural Network)을 기반으로 합니다. 여기에는 가장자리, 색상 또는 모양과 같은 그림의 작은 부분을 한 번에 살펴본 다음 모든 정보를 모아 개체나 패턴을 이해하고 식별하는 "컨볼루션"이라는 프로세스가 포함됩니다.
문제는 동물의 뇌를 촬영하는 과정에서 뉴런을 식별하고 추적하려면 많은 이미지에 손으로 주석을 달아야 한다는 것입니다. 왜냐하면 동물들은 서로 다른 신체 변형으로 인해 서로 다른 시기에 매우 다르게 보이기 때문입니다. 동물 자세의 다양성을 고려할 때 CNN을 훈련시키기에 충분한 수의 주석을 수동으로 생성하는 것은 어려울 수 있습니다.
이 문제를 해결하기 위해 연구진은 "방향 향상" 기능을 갖춘 향상된 CNN을 개발했습니다. 이 혁신적인 기술은 제한된 수동 주석에서 참조로 신뢰할 수 있는 주석을 자동으로 합성합니다. 결과적으로 CNN은 뇌의 내부 변형을 효과적으로 학습한 다음 이를 사용하여 새로운 포즈에 대한 주석을 생성할 수 있으므로 수동 주석 및 반복 확인의 필요성이 크게 줄어듭니다.
새로운 방법은 다목적이며 이미지의 단일 지점으로 나타나는지 또는 3차원 볼륨으로 나타나는지 여부에 관계없이 뉴런을 식별할 수 있습니다. 연구자들은 뉴런이 302개밖에 없는 선충류 Caenorhabditis elegans에서 이를 테스트하여 신경과학에서 인기 있는 모델 유기체로 만들었습니다.
과학자들은 향상된 CNN을 사용하여 벌레의 일부 중간 뉴런(뉴런 사이에 신호를 전달하는 뉴런)의 활동을 측정했습니다. 그들은 이 뉴런들이 주기적인 냄새 폭발과 같은 다양한 자극에 노출될 때 반응 패턴을 바꾸는 등 복잡한 행동을 보인다는 사실을 발견했습니다.
연구팀은 CNN에 액세스할 수 있도록 하여 대상 개선 사항을 통합한 사용자 친화적인 그래픽 사용자 인터페이스를 제공하고 수동 주석부터 최종 교정까지 전체 프로세스를 포괄적인 파이프라인으로 간소화했습니다.
Sahand Jamal Rahi는 "뉴런을 분할하고 추적하는 데 필요한 수동 작업을 대폭 줄임으로써 새로운 방법은 분석 처리량을 전체 수동 주석의 3배로 늘립니다. 이 획기적인 발전은 뇌 영상 연구를 가속화하고 신경 회로 및 행동에 대한 이해를 심화시킬 수 있는 잠재력을 가지고 있습니다."라고 말했습니다.
컴파일된 소스: ScitechDaily