编辑推荐：
由辛辛那提大学的Anna Kruyer和休斯顿大学的Demetrio Labate领导的研究人员在《科学进展》杂志上发表了一项研究，该研究应用物体识别技术来跟踪脑细胞结构的变化，并为大脑对海洛因使用、戒断和复发的反应提供了新的见解。
物体识别软件被执法部门用来帮助识别嫌疑人，被自动驾驶汽车用来在道路上行驶，被许多消费者用来解锁手机或支付早上的咖啡费用。
现在，由辛辛那提大学的Anna Kruyer和休斯顿大学的Demetrio Labate领导的研究人员已经应用物体识别技术来跟踪脑细胞结构的变化，并为大脑对海洛因使用，戒断和复发的反应提供了新的见解。这项研究发表在《科学进展》杂志上。
研究背景
Kruyer的实验室专注于海洛因复吸，因为许多过量死亡发生在人们在复吸期间高估了他们的药物使用能力。在过去的七年里，该团队开发了一种复发的动物模型，研究脑细胞与大脑奖励中心之间的相互作用，该中心负责协调复发过程。
“我们想要了解参与其中的神经元，以及所有不同的细胞和分子，这些细胞和分子可以塑造这种活动，我们的想法是，如果你能阻止复发，你就能帮助别人戒掉毒瘾。”
虽然神经元是一种更常见的研究脑细胞，但Kruyer专注于另一种称为星形胶质细胞的细胞。星形胶质细胞有许多功能，包括对神经元的代谢支持，提供神经元转化为神经递质的分子，以及在突触活动期间屏蔽或揭示不同的受体。
“星形胶质细胞是一种可以恢复突触内稳态的保护性细胞，”Kruyer说。“它们相对于突触是超级动态的，它们实时地靠近和远离突触，这可能会影响药物寻找。因此，如果你在复发期间阻止这种与突触的重新联系，你就可以增加和延长复发。”
Labate是一位应用数学家，擅长谐波分析和机器学习。
“我研究的一个中心焦点是数学技术的发展和应用，以揭示非欧几里得数据中有意义的模式，例如复杂形状的分析，”休斯顿大学数学系教授Labate博士说。“星形胶质细胞的研究为这种类型的研究提供了一个理想的环境：这些细胞是高度异质性的，在大小和形状上变化很大，并且能够根据外部刺激动态重塑其形态。”
机器学习的新方法
虽然动物模型研究已经产生了结果，但Kruyer和她的同事们面临着一个障碍，即所使用的技术无法转化为人类受试者。为了解决这个问题，他们专注于一种星形胶质细胞蛋白，它本质上是细胞的骨架。
“我们认为，如果我们能找到一种方法，将我们在突触水平上所看到的转化为细胞骨架的变化，也许我们就能看到星形胶质细胞在人类复发期间是否起着关键作用，”克鲁耶说。
Labate领导的一组数学家在数百个星形胶质细胞上训练物体识别机器学习模型，直到该技术能够准确地检测图像中的星形胶质细胞，类似于物体识别软件的工作原理。
Labate解释说：“机器学习技术已经在文献中广泛应用于图像分类任务，其目标是将每个细胞分配到特定的类别。”“在这种情况下，机器学习在识别基于图像的细胞特征方面特别强大，这些特征很难用传统的几何描述符捕获，但可以作为类别之间的有效鉴别器。”
一旦程序能够识别星形胶质细胞，研究小组训练它根据15种不同的标准分析特定的结构，包括星形胶质细胞骨架密度（类似于骨密度）、大小、长度与球形度以及从主分支脱落的小分支的数量。
“你可以这样想，如果你给电脑一堆街景图像，它通常会看到行人、汽车和建筑物，如果你给计算机1000张星形胶质细胞的图像，它会看到一些常见的东西。这是一个分割过程，计算机现在可以开始测量星形胶质细胞的不同特征。”
利用所有15种测量方法，根据它们在计算机检测星形胶质细胞的精度中的重要性加权，研究人员开发了一种单一的度量方法来量化每个星形胶质细胞的特征。
“在之前的工作中，我已经将机器学习用于细胞分类和分割问题，然而，在这篇论文中，我们解决了一个更微妙的问题：是否有特定的星形胶质细胞亚群与其他亚群相比表现出更明显的形态变化？为了研究这一点，我们引入了距离的概念来比较单个星形胶质细胞的形状特征，同时考虑到群体内固有的异质性。”
应用模型
在开发了识别星形胶质细胞的机器学习模型并报告了新的度量标准后，研究小组专门研究了大脑中称为伏隔核（NAc）的区域内的星形胶质细胞，该区域在药物复发期间活跃。
该模型能够根据星形胶质细胞的结构准确预测其来自NAc的位置，准确率达到80%。
“这告诉我们星形胶质细胞的结构因解剖结构而异，星形胶质细胞一直被认为是一种同质的细胞，但这向我们表明，星形胶质细胞的结构因位置而异，可能形状和大小与它们的功能有关。”
利用动物模型和从计算机模型中获得的新知识，研究小组发现，在接触海洛因后，星形胶质细胞似乎缩小了，可塑性降低了。
“这些数据表明，海洛因在分子上起着某种作用，使星形胶质细胞对突触活动的反应能力减弱，从而维持体内平衡。”
Labate补充说：“这篇论文体现了跨学科合作的力量，在这种合作中，创新的定量工具被开发或应用于解决复杂的生物学问题。”“这项研究的成功在于学科之间的有效沟通，以及我们愿意突破传统机器学习的界限，以解决生物学上有意义和及时的挑战。”
下一个步骤
Kruyer说，她最兴奋的是将机器学习应用于生物学问题，这消除了人类的错误和偏见，使研究更容易从动物模型转化为人类。
她说：“我们提出了开放式的问题，它给了我们所有这些非常细致的详细答案，然后我们用它做什么取决于我们。”“人类星形胶质细胞比动物模型更大、更复杂、更丰富，所以把这样的工具应用到人类身上真的很酷。”
展望未来，该团队希望更多地了解NAc中每个区域星形胶质细胞的具体机制，并使用人体组织样本训练新的模型。从长远来看，所获得的知识可以帮助开发新的成瘾治疗方法，重点是在接触海洛因之前恢复或替换星形胶质细胞的功能。
此外，Labate团队开发的机器学习方法可以适应并应用于具有复杂结构的其他类型的细胞。
他说：“通过精确量化和比较单细胞形态特征，这种方法为识别反映生物过程、疾病状态或治疗干预反应的细胞或分子生物标志物的新技术的发展打开了大门。”“更广泛地说，我们的工作引入了一个新的定量框架，用于揭示和验证复杂大脑状况（如滥用药物成瘾）的基本机制模型。”
Supervised and Unsupervised Learning Reveals Heroin-Induced Impairments in Astrocyte Structural Plasticity
生物通微信公众号
生物通 版权所有
