Когда мозг учится и реагирует на сенсорные стимулы, его нейроны устанавливают связи друг с другом. Эти связи, называемые синапсами, облегчают нейронную связь, а их анатомические и электрофизиологические свойства содержат информацию, жизненно важную для понимания того, как мозг ведет себя в состоянии здоровья и болезни.
Исследователи используют различные методы, включая электронную микроскопию, для определения и анализа свойств синапсов. Хотя электронная микроскопия может быть полезным инструментом для реконструкции нейронных цепей, она также требует больших объемов данных и трудозатрат. В результате до сих пор исследователи могли использовать его только для изучения небольших целевых областей мозга.
Изучение большого участка мозга с использованием традиционных методов электронной микроскопии приведет к получению терабайтов громоздких данных, учитывая, что в мозгу есть миллиарды нейронов, каждый из которых имеет от сотен до тысяч синаптических связей. Новая техника, разработанная в Карнеги-Меллон, упрощает эту проблему, сочетая специализированный процесс окрашивания с машинным обучением.«Вместо того, чтобы получать точную информацию из крошечной части мозга, теперь мы можем получать информацию с более низким разрешением из огромной области мозга», — сказала Элисон Барт, профессор биологических наук и временный директор инициативы Carnegie Mellon в области нейробиологии. «Это может быть отличным инструментом, чтобы увидеть, как прогрессирует болезнь, или как лекарственные препараты изменяют или восстанавливают синаптические связи».
Это исследование является последним примером того, как исследователи из исследовательской инициативы BrainHub Карнеги-Меллона объединяют свои знания в области биологии и информатики для создания новых инструментов для развития нейробиологии. В этой технике используется специальный химический препарат, который глубоко окрашивает синапсы в образце ткани мозга.
Когда ткань визуализируется с помощью электронного микроскопа, можно увидеть только синапсы, создавая изображение, которое можно легко классифицировать с помощью компьютерной программы. Затем исследователи используют алгоритмы машинного обучения для определения и сравнения свойств синапсов в столбце коры головного мозга.
Чтобы проверить эффективность своей техники, исследователи во главе с Сантошем Чандрасекараном изучили, как синапсы в сложной цепи, состоящей из сотен взаимосвязанных нейронов, будут изменяться при изменении соматосенсорного ввода. В прошлом Барт использовал эту модель для изучения поведения нейронов и формирования синапсов как в процессе обучения, так и в процессе развития. Но традиционные методы позволяли ей наблюдать только нейроны в очень небольшой области неокортекса.
«Это было похоже на поиск идеального подарка, но посещение только одного магазина. Возможно, мы смогли найти что-то в этом первом месте, но всегда была возможность найти что-то еще — может быть, даже что-то получше — в «другое место», — сказал Барт, который является членом совместного Центра нейронных основ познания Карнеги-Меллона и Университета Питтсбурга (CNBC). «Этот новый метод позволяет нам взглянуть на все шесть слоев неокортекса и увидеть, как синапсы в разных частях цепи изменяются вместе».
Исследователи проанализировали около 25 000 изображений и 40 000 синапсов, экспоненциально больше, чем они когда-либо могли увидеть до того, как использовали традиционные методы. Они обнаружили, что эту технику можно использовать для определения увеличения плотности и размера синапсов во время развития и обучения. В частности, они обнаружили, что свойства синапсов изменяются согласованным образом во всей исследуемой области неокортекса.«Некоторые из корковых слоев, которые, как мы видели, были наиболее поражены, никогда раньше не исследовались систематически», — объясняет Барт. «У нас есть много замечательных потенциальных клиентов, над которыми нужно работать».
В настоящее время исследователи начинают использовать эти данные для разработки новых гипотез о том, как синапсы организуются в неокортексе в ответ на сенсорный ввод.