Immagine, questa è un’immagine di neuroni (bianchi) presi usando tecniche di imaging del calcio. Un software innovativo denominato CaImAn può automaticamente distinguere tra singoli neuroni (contorni gialli) con la stessa accuratezza di un umano (contorni rossi). Credito: Giovannucci et al./Life 2019.
Monitorare manualmente l’attività neurale è un processo laborioso che vede alcuni scienziati raccogliere fino a un terabyte di dati in un’ora utilizzando l’imaging del calcio. Ma a gennaio, un articolo pubblicato su eLife ha annunciato che il software CaImAn (un’abbreviazione di analisi delle immagini di calcio) potrebbe ottenere accuratezza quasi umana mentre automatizza l’intero processo.
“Un ricercatore può riempire il più grande disco rigido disponibile in commercio in un giorno”, dice Michael Häusser, neuroscienziato dell’Università di Londra.
Inoltre, al Flatiron Institute di New York City, Dimitri Chklovskii, leader del gruppo di neuroscienze presso il Center for Computational Biology (CCB), ha affermato che “le persone impiegano più tempo ad analizzare i loro dati per estrarre tracce di attività piuttosto che raccoglierle”.
Ma non è solo il volume di dati che può sopraffare i team che monitorano l’attività neurale. Identificare i singoli neuroni può essere un processo molto impegnativo, con segnali fluorescenti provenienti da diversi neuroni che si sovrappongono e confondono il processo, insieme al movimento dal tessuto cerebrale stesso rendendo anche difficile monitorare i singoli neuroni utilizzando l’imaging del calcio.
L’imaging del calcio utilizza il colorante che si lega agli ioni calcio responsabili dell’attivazione dei neuroni. Quando è sotto la luce ultravioletta, il colorante è illuminato. È necessario che il colorante si leghi a uno ione di calcio per ottenere la fluorescenza in modo che i ricercatori possano monitorare l’attività dei neuroni visivamente.
L’ultima versione di CaImAn può essere utilizzata su laptop standard e analizza i dati in tempo reale, consentendo ai ricercatori di eseguire esperimenti mentre eseguono analisi contemporaneamente. Il software utilizza una combinazione di metodi computazionali standard e tecniche di apprendimento automatico.
Lo studio afferma che CaImAn “fornisce metodi automatici per affrontare i problemi comuni alla pre-elaborazione, tra cui la correzione del movimento, l’identificazione dell’attività neurale e la registrazione attraverso diverse sessioni di raccolta dei dati.” Raggiunge tutto questo con “l’intervento dell’utente minimo” .
La precisione di CaImAn è stata testata su un set di dati generati dagli esseri umani. Non solo il software si è dimostrato accurato quanto gli esseri umani, ma si è rivelato anche molto più efficiente. Questa maggiore efficienza consente ai ricercatori di adattare i loro esperimenti mentre lavorano, portando a miglioramenti negli studi che indagano su come specifici gruppi di neuroni contribuiscono a comportamenti diversi.
CaImAn ha anche affrontato la questione della standardizzazione dell’analisi dei dati delle immagini, con dataset che spesso rivelano variazioni tra i ricercatori.
Anche gli strumenti basati sull’apprendimento automatico sono stati sviluppati utilizzando set di dati generati dall’uomo come addestramento. Questi set di dati sono disponibili pubblicamente per consentire alla più ampia comunità di ricerca di sviluppare ulteriormente CaImAn e creare nuovi strumenti.
Più di 100 laboratori usano il software, che è stato reso liberamente disponibile per un certo numero di anni. Nel tentativo di gestire meglio i set di dati incredibilmente grandi prodotti dall’imaging del calcio, Dimitri Chklovskii ha avviato il progetto, con Eftychios Pnevmatikakis e Andrea Giovannucci che hanno successivamente compiuto lo sforzo.
È stato sviluppato per la prima volta da Pnevmatikakis mentre lavorava come postdoc nel laboratorio di Liam Paninski alla Columbia University.
Unendosi al gruppo di neuroscienze del CCB per tre anni per sviluppare ulteriormente il software, Giovannucci ha detto che “gli strumenti di analisi esistenti non erano abbastanza potenti da districare l’attività di questa popolazione di neuroni e implicavano che facessero tutti la stessa cosa” . Ha spiegato che l’algoritmo “sottrae le voci di sottofondo e si concentra su solo su alcune”.
Il software è adatto all’imaging a due fotoni e a un fotone e il neuroscienziato della Duke University, John Pearson, ha dichiarato che il suo laboratorio è “entusiasta di poter utilizzare uno strumento come questo”.
