Dans les premiers temps de la recherche en neurosciences, les scientifiques coloraient minutieusement les cellules du cerveau et dessinaient à la main ce qu’ils voyaient au microscope. D’ici 2020, les machines pourront peut-être apprendre à faire ce travail. Selon une nouvelle étude de Cell, il serait possible d’enseigner aux machines comment repérer les caractéristiques des neurones et autres cellules qui n’ont pas été tachées ou qui n’ont pas subi d’autres traitements nocifs. L’étude a été financée en partie par le National Institute of Neurological Disorders and Stroke (NINDS), qui fait partie des National Institutes of Health.
“Cette approche a le potentiel de révolutionner la recherche biomédicale “, a déclaré Margaret Sutherland, Ph.D., directrice de programme au NINDS. “Les chercheurs génèrent maintenant une quantité extraordinaire de données. Pour les neuroscientifiques, cela signifie que des appareils de formation pour aider à analyser cette information peuvent aider à accélérer notre compréhension de la façon dont les cellules du cerveau sont assemblées et dans les applications liées au développement de médicaments.”
Un plat, ou culture, de cellules neuronales apparaît uniforme à l’œil nu et les différentes cellules individuelles qu’il contient ne sont pas visibles. Depuis la fin du XIXe siècle, alors que des neuroscientifiques pionniers, Santiago Ramon y Cajal et Camillo Golgi, ont dressé les premières cartes du système nerveux, les scientifiques ont développé des colorants et des méthodes de coloration pour aider à distinguer les structures du cerveau, notamment différents types de cellules et leur état de santé. Cependant, bon nombre de ces méthodes font appel à des produits chimiques agressifs qui fixent ou gèlent les cellules dans un état non naturel ou endommagent les cellules vivantes après l’application de taches multiples. Les techniques traditionnelles limitent également les détails que les scientifiques peuvent observer.
Une équipe dirigée par Steven Finkbeiner, M.D., Ph.D., directeur et chercheur principal aux Gladstone Institutes à San Francisco, et professeur de neurologie et de physiologie à l’Université de Californie à San Francisco, a étudié la possibilité de former des ordinateurs pour identifier les structures des cellules non souillées.
“Chaque jour, notre laboratoire créait des centaines d’images, beaucoup plus que ce que nous pouvions regarder et analyser nous-mêmes. Un jour, deux chercheurs de Google ont frappé à notre porte pour voir s’ils pouvaient nous aider “, a déclaré le Dr Finkbeiner, l’auteur principal de l’étude.
Les chercheurs ont utilisé une méthode appelée Deep Learning, qui repose sur les principes de l’apprentissage machine, un type d’intelligence artificielle dans laquelle les machines peuvent apprendre à partir de données et prendre des décisions. Les logiciels de reconnaissance faciale sont un exemple d’apprentissage automatique.
À l’aide de Deep Learning, l’équipe du Dr Finkbeiner a formé un programme informatique pour analyser les cellules du cerveau en lui montrant des images colorées et non colorées. Ensuite, pour vérifier si le programme avait appris quelque chose, les chercheurs l’ont contesté avec de nouvelles images non étiquetées.
Après la première phase de formation, le programme a identifié l’emplacement des cellules dans la culture en apprenant à repérer le noyau d’une cellule, une structure ronde qui contient des informations génétiques et sert de centre de commande de la cellule. Au cours d’autres expériences, le groupe du Dr Finkbeiner a accru la complexité des caractéristiques recherchées par le programme et l’a entraîné avec succès à distinguer les cellules mortes des cellules vivantes, ainsi qu’à identifier des types particuliers de cellules du cerveau. De plus, le programme a appris à différencier les axones et les dendrites, qui sont deux types spécifiques d’extensions des neurones. Selon les résultats, le programme a réussi à prédire les structures des tissus non marqués.
“L’apprentissage profond prend un algorithme, ou un ensemble de règles, et le structure en couches, en identifiant des éléments simples à partir de parties de l’image, puis transmet l’information à d’autres couches qui reconnaissent des éléments de plus en plus complexes, tels que des motifs et des structures. Cela rappelle la façon dont notre cerveau traite l’information visuelle “, a déclaré le Dr Finkbeiner. “Les méthodes d’apprentissage profond permettent de découvrir beaucoup plus d’informations qu’à l’œil humain.”
Le Dr Finkbeiner et son équipe ont noté que le principal inconvénient de l’utilisation de cette technologie est que les ensembles de données de formation doivent être très volumineux, idéalement environ 15 000 images. De plus, il peut y avoir un risque de surentraînement des programmes, qu’ils deviennent si spécialisés qu’ils ne peuvent identifier que des structures dans un ensemble particulier d’images ou dans des images générées d’une manière particulière, et ne pas faire de prévisions sur des images plus générales, ce qui pourrait limiter l’utilisation de cette technologie.
Le Dr Finkbeiner et ses collègues prévoient appliquer ces méthodes à la recherche axée sur les maladies.
“Maintenant que nous avons montré que cette technologie fonctionne, nous pouvons commencer à l’utiliser dans la recherche sur les maladies. L’apprentissage en profondeur peut permettre de repérer quelque chose dans les cellules qui pourrait aider à prédire les résultats cliniques et nous aider à dépister les traitements potentiels “, a déclaré le Dr Finkbeiner.
D’autres recherches sont nécessaires pour affiner la technologie et la rendre plus largement disponible.
Source :
Matériel fourni par le NIH/National Institute of Neurological Disorders and Stroke