Dans une étude récente publiée dans Méthodes naturelles, les chercheurs ont présenté DELiVR, un pipeline d'apprentissage en profondeur amélioré par la réalité virtuelle (VR) pour une détection efficace de l'activité neuronale en imagerie cérébrale, fournissant un outil convivial qui améliore l'annotation des données et la précision de la segmentation.
Étude: Analyse d'apprentissage profond des cellules cérébrales grâce à la réalité virtuelle. Crédit d’image : Gorodenkoff/Shutterstock.com
Sommaire
Arrière-plan
L’analyse de l’expression des protéines est cruciale pour comprendre les mécanismes physiologiques et pathologiques. L'immunohistochimie traditionnelle fournit des informations limitées à partir de coupes de tissus, tandis que l'élimination des tissus par imagerie fluorescente offre une vue complète au niveau de l'organisme entier.
Des recherches supplémentaires sont nécessaires pour affiner les techniques de détection, étendre les applications dans différentes conditions et comprendre pleinement les interactions complexes au sein des réseaux neuronaux.
À propos de l'étude
Les chercheurs ont développé une méthode complète de traitement et d’analyse de l’immunomarquage du cerveau entier à l’aide d’un protocole SHANEL modifié.
Ce protocole implique plusieurs étapes de préparation, notamment la déshydratation, la réhydratation et la coloration avec des anticorps c-Fos, qui sont utilisés comme marqueurs de l’activité neuronale. Le processus est amélioré par une série d’étapes de lavage et de blocage pour garantir la spécificité et la clarté de l’étiquetage.
L’équipe a utilisé la microscopie à feuille de lumière pour détecter et visualiser des cellules cérébrales spécifiques. Cette technique permet d’obtenir une imagerie haute résolution du tissu cérébral, qui a été traité pour être transparent.
Grâce à l’utilisation d’anticorps spécifiques et de systèmes optiques avancés, les chercheurs peuvent capturer des images tridimensionnelles détaillées de l’activité neuronale dans l’ensemble du cerveau.
Les chercheurs ont utilisé des méthodes automatisées et manuelles pour analyser les grandes quantités de données générées à partir de ces images. Ils ont développé un pipeline logiciel nommé DELiVR, qui intègre la réalité virtuelle et l'apprentissage profond pour rationaliser l'annotation et la segmentation des cellules cérébrales.
Ce système permet une identification rapide et précise des types de cellules et des modèles d’activité, accélérant ainsi considérablement le processus d’analyse des données. Outre les progrès techniques, l'étude s'est également concentrée sur l'application pratique de ces méthodes dans la recherche biomédicale.
Résultats de l'étude
L’équipe a utilisé le protocole SHANEL pour l’immunocoloration c-Fos du cerveau entier, l’élimination des tissus et la microscopie à fluorescence par feuille de lumière (LSFM) pour faciliter la formation de modèles d’apprentissage en profondeur.
Pour annoter efficacement ces ensembles de données complexes, ils sont passés de l'annotation traditionnelle bidimensionnelle (2D) tranche par tranche à une approche 3D plus dynamique utilisant la réalité virtuelle. Ce changement a été rendu possible par l'utilisation de logiciels VR commerciaux tels qu'Arivis VisionVR et syGlass, qui permettent aux annotateurs de s'immerger pleinement dans les données volumétriques.
Ces outils ont considérablement réduit le temps d'annotation et amélioré la précision par rapport aux méthodes traditionnelles utilisées dans ITK-SNAP.
L'approche VR a amélioré le processus de formation des modèles de segmentation d'apprentissage profond en permettant une annotation rapide et précise des régions d'intérêt (ROI) en trois dimensions.
Par exemple, en utilisant Arivis VisionVR, les annotateurs pourraient appliquer un seuil adaptatif aux retours sur investissement définis en fonction de leurs entrées, ce qui rationaliserait le processus d'annotation. En revanche, l’annotation 2D traditionnelle nécessitait de segmenter les cellules c-Fos+ dans chaque plan d’image, une méthode plus longue et plus sujette aux erreurs.
Pour exploiter pleinement ces ensembles de données annotés, l’équipe a développé DELiVR, un pipeline complet d’apprentissage en profondeur adapté à l’analyse détaillée de l’activité neuronale dans l’ensemble du cerveau.
DELiVR utilise une série d'étapes pour traiter et analyser les images cérébrales, depuis le sous-échantillonnage des images brutes jusqu'à l'alignement des cellules segmentées avec l'Allen Brain Atlas à l'aide d'algorithmes sophistiqués comme mBrainAligner.
Le pipeline facilite la détection et la cartographie des cellules dans des régions spécifiques du cerveau, offrant ainsi une meilleure compréhension de l'activité neuronale qui surpasse les modèles précédents sans apprentissage profond.
L'efficacité de DELiVR a été validée par rapport aux méthodes traditionnelles, montrant une amélioration substantielle de la précision et de la sensibilité de la détection. Le pipeline d'apprentissage en profondeur a augmenté le nombre de cellules détectées et amélioré la précision de ces détections, surpassant ainsi les méthodes établies telles que ClearMap.
Pour la visualisation, DELiVR produit une carte détaillée des cellules segmentées, colorant chaque cellule en fonction de sa région cérébrale, qui peut être visualisée davantage à l'aide d'outils tels que BrainRender.
La flexibilité de DELiVR s'étend à son déploiement ; il est conditionné dans un conteneur Docker convivial qui peut fonctionner à la fois sous Linux et Windows.
Cet emballage comprend un plugin Fidji dédié, simplifiant l'utilisation de DELiVR pour les chercheurs ayant différents niveaux d'expertise technique. De plus, le système permet un recyclage sur différents ensembles de données, améliorant ainsi son adaptabilité et sa précision pour divers besoins de recherche.
De plus, les capacités de DELiVR ont été démontrées dans une étude sur les modifications de l'activité cérébrale associées au cancer. Le pipeline a été utilisé pour comparer les modèles d’activité neuronale entre des souris atteintes de différents types de cancer, révélant des variations significatives de l’activité cérébrale liées à la cachexie associée au cancer.
Conclusions
Pour résumer, l’équipe a présenté DELiVR, un pipeline d’apprentissage en profondeur compatible VR pour la cartographie des cellules du cerveau entier chez la souris, conçu pour être accessible aux biologistes sans compétences en codage via une interface Fidji. Utilisant la réalité virtuelle pour des annotations de formation précises, DELiVR améliore la précision de la segmentation et s'intègre facilement aux ensembles de données existants.
Les méthodes traditionnelles comme ClearMap, qui manquent souvent de subtiles variations dues au bruit, sont surpassées par 3D BasicUNet de DELiVR.
L’outil a démontré son efficacité en établissant le profil de l’activation cérébrale chez des souris cancéreuses, révélant des schémas neuronaux distincts liés à la gestion du poids. DELiVR combine une grande précision dans la cartographie cellulaire avec des fonctionnalités conviviales, faisant progresser l'étude des phénomènes neurophysiologiques dans des contextes pathologiques.