Cientistas da Johns Hopkins desenvolveram um método envolvendo inteligência artificial para visualizar e rastrear mudanças na força das sinapses – os pontos de conexão através dos quais as células nervosas do cérebro se comunicam – em animais vivos. A técnica, descrita na Nature Methods , deve levar a uma melhor compreensão de como essas conexões no cérebro humano mudam com o aprendizado, envelhecimento, lesões e doenças, dizem os cientistas.

"Se você quiser aprender mais sobre como uma orquestra toca, você tem que observar músicos individuais ao longo do tempo, e este novo método faz isso para sinapses no cérebro de animais vivos", diz Dwight Bergles, professor do Departamento de Neurociência da Escola de Medicina da Universidade Johns Hopkins.

Bergles foi coautor do estudo com os colegas Adam Charles e Jeremias Sulam , ambos professores assistentes do Departamento de Engenharia Biomédica , e Richard Huganir , Bloomberg Distinguished Professor na JHU e diretor do departamento de neurociência. Todos os quatro pesquisadores são membros do Kavli Neuroscience Discovery Institute de Johns Hopkins .

As células nervosas transferem informações de uma célula para outra trocando mensagens químicas nas sinapses ou junções. No cérebro, explicam os autores, acredita-se que diferentes experiências de vida, como exposição a novos ambientes e habilidades de aprendizado, induzam mudanças nas sinapses, fortalecendo ou enfraquecendo essas conexões para permitir o aprendizado e a memória. Compreender como essas mudanças minúsculas ocorrem nos trilhões de sinapses em nossos cérebros é um desafio assustador, mas é fundamental para descobrir como o cérebro funciona quando saudável e como ele é alterado pela doença.

Para determinar quais sinapses mudam durante um determinado evento da vida, os cientistas há muito procuram maneiras melhores de visualizar a mudança química da mensagem sináptica, necessária pela alta densidade de sinapses no cérebro e seu pequeno tamanho - características que as tornam extremamente difíceis de visualizar, mesmo com novos microscópios de última geração.

"Precisávamos ir de dados de imagem desafiadores, embaçados e ruidosos para extrair as porções de sinal que precisamos ver", diz Charles.

Para fazer isso, Bergles, Sulam, Charles, Huganir e seus colegas recorreram ao aprendizado de máquina, uma estrutura computacional que permite o desenvolvimento flexível de ferramentas automáticas de processamento de dados. O aprendizado de máquina foi aplicado com sucesso a muitos domínios da imagem biomédica e, nesse caso, os cientistas aproveitaram a abordagem para melhorar a qualidade das imagens compostas por milhares de sinapses. Embora possa ser uma ferramenta poderosa para detecção automatizada, superando em muito a velocidade humana, o sistema deve primeiro ser "treinado", ensinando ao algoritmo como devem ser as imagens de sinapses de alta qualidade.

Nesses experimentos, os pesquisadores trabalharam com camundongos geneticamente modificados nos quais os receptores de glutamato – os sensores químicos nas sinapses – brilhavam em verde, ou fluoresciam, quando expostos à luz. Como cada receptor emite a mesma quantidade de luz, a quantidade de fluorescência gerada por uma sinapse nesses camundongos é uma indicação do número de sinapses e, portanto, de sua força.

Como esperado, a imagem no cérebro intacto produziu imagens de baixa qualidade nas quais grupos individuais de receptores de glutamato nas sinapses eram difíceis de ver claramente, muito menos de serem detectados individualmente e rastreados ao longo do tempo. Para convertê-las em imagens de maior qualidade, os cientistas treinaram um algoritmo de aprendizado de máquina com imagens tiradas de fatias cerebrais (ex vivo) derivadas do mesmo tipo de camundongos geneticamente modificados. Como essas imagens não eram de animais vivos, foi possível produzir imagens de qualidade muito superior usando uma técnica de microscopia diferente, bem como imagens de baixa qualidade – semelhantes às obtidas em animais vivos – das mesmas visualizações.

Essa estrutura de coleta de dados de modalidade cruzada permitiu que a equipe desenvolvesse um algoritmo de aprimoramento que pode produzir imagens de resolução mais alta a partir de imagens de baixa qualidade, semelhantes às imagens coletadas de camundongos vivos. Dessa forma, os dados coletados do cérebro intacto podem ser significativamente aprimorados e capazes de detectar e rastrear sinapses individuais (aos milhares) durante experimentos de vários dias.

Para acompanhar as mudanças nos receptores ao longo do tempo em camundongos vivos, os pesquisadores usaram a microscopia para obter imagens repetidas das mesmas sinapses em camundongos ao longo de várias semanas. Depois de capturar as imagens básicas, a equipe colocou os animais em uma câmara com novas imagens, cheiros e estímulos táteis por um único período de cinco minutos. Eles então fizeram imagens da mesma área do cérebro todos os dias para ver se e como os novos estímulos afetaram o número de receptores de glutamato nas sinapses.

Embora o foco do trabalho fosse o desenvolvimento de um conjunto de métodos para analisar as mudanças no nível das sinapses em muitos contextos diferentes, os pesquisadores descobriram que essa simples mudança no ambiente causava um espectro de alterações na fluorescência nas sinapses do córtex cerebral, indicando conexões onde o força aumentou e outros onde diminuiu, com uma tendência para o fortalecimento em animais expostos ao novo ambiente.

Os estudos foram viabilizados por meio de uma estreita colaboração entre cientistas com especialidades distintas, desde biologia molecular até inteligência artificial, que normalmente não trabalham juntos. Os pesquisadores agora estão usando essa abordagem de aprendizado de máquina para estudar alterações sinápticas em modelos animais da doença de Alzheimer e acreditam que o método pode lançar uma nova luz sobre as alterações sinápticas que ocorrem em outros contextos de doenças e lesões.

"Estamos realmente entusiasmados para ver como e onde o resto da comunidade científica levará isso", diz Sulam.

Os experimentos neste estudo foram conduzidos por Yu Kang Xu, um estudante de doutorado e membro do Kavli Neuroscience Discovery Institute na JHU; Austin Graves, professor assistente de pesquisa em engenharia biomédica na JHU; e Gabrielle Coste, estudante de doutorado em neurociência na JHU. Esta pesquisa foi financiada pelos Institutos Nacionais de Saúde (RO1 RF1MH121539).