Las neuronas destacan entre todas las células humanas por su habilidad de propagar rápidamente señales a través de largas distancias. Esta actividad se logra debido a la generación de pulsos eléctricos que pueden viajar a través de las fibras nerviosas.

Rastrear los pulsos eléctricos de las neuronas individuales es tan difícil como tratar de discernir quién está diciendo qué en un estadio de fútbol lleno de fanáticos que gritan. Hasta hace poco, los neurocientíficos han tenido que rastrear cada neurona manualmente.

Una herramienta de software innovadora llamada CaImAn automatiza este arduo proceso utilizando una combinación de métodos computacionales estándar y técnicas de aprendizaje automático.

En un artículo publicado en la revista eLife, los creadores de este software demuestran que CaImAn alcanza una precisión casi humana en la detección de ubicaciones de neuronas activas basadas en datos de imágenes de calcio.

Desde un ordenador portátil

CaImAn (una abreviatura de análisis de calcio de imágenes) ha estado disponible gratuitamente durante algunos años y ya ha demostrado ser inestimable para la comunidad de imágenes de calcio, con más de 100 laboratorios que utilizan el software.
La última versión de CaImAn puede ejecutarse en ordenador portátil estándar y analizar datos en tiempo real, lo que significa que los científicos pueden analizar datos a medida que realizan experimentos.

CaImAn es el producto de un esfuerzo iniciado por Dmitri Chklovskii, director del grupo de neurociencia en el Centro de Biología Computacional (CCB) en el Instituto Flatiron, en la ciudad de Nueva York. Contó con la colaboración de Eftychios Pnevmatikakis de Andrea Giovannucci para encabezar el proyecto. Su objetivo era abordar los enormes conjuntos de datos producidos por el cerebro mediante un método llamado calcio de imágenes.

Esa técnica consiste en agregar un tinte especial al tejido cerebral o a las neuronas en una placa. El tinte se une a los iones de calcio responsables de la activación de las neuronas. Bajo luz ultravioleta, el tinte se ilumina. La fluorescencia solo ocurre cuando el tinte se une a un ion de calcio, lo que permite a los investigadores rastrear visualmente la actividad de una neurona.

Desafío relevante

El análisis de los datos recopilados a través de calcio de imágenes plantea un desafío significativo. El proceso genera una gran cantidad de datos (hasta 1 terabyte por hora de películas parpadeantes) que rápidamente se vuelven abrumadoras.

«Un experimentador puede llenar el disco duro más grande disponible en el mercado en un día», dice Michael Häusser, neurocientífico de la University College London, en un comunicado. Su equipo probó la última versión de CaImAn.

Los datos también son ruidosos. Al igual que las voces mezcladas, las señales fluorescentes de diferentes neuronas a menudo se superponen, lo que dificulta la detección de neuronas individuales. Además, el tejido cerebral se agita, lo que aumenta el desafío de rastrear la misma neurona a lo largo del tiempo, sin perderle el rastro.

«Las herramientas de análisis existentes (hasta ahora) no eran lo suficientemente poderosas para desenredar la actividad de esta población de neuronas e implicaban que todas estaban haciendo lo mismo», explica Giovannucci. «El algoritmo resta las voces de fondo y se enfoca en unas pocas», revelando que las neuronas individuales tienen patrones de actividad distintos.

Comparación satisfactoria

Los investigadores probaron la precisión de CaImAn al comparar sus resultados con un conjunto de datos generado por humanos. La comparación demostró que el software es casi tan preciso como los humanos para identificar neuronas activas, pero mucho más eficiente.

Su rapidez permite a los investigadores adaptar sus experimentos sobre la marcha, mejorando los estudios de cómo los paquetes específicos de neuronas contribuyen a diferentes comportamientos. El conjunto de datos humanos también reveló una gran variabilidad de persona a persona, destacando el beneficio de tener una herramienta estandarizada para analizar datos de imágenes.

Además de la precisión de la evaluación comparativa, los investigadores utilizaron los resultados anotados por el ser humano como un conjunto de datos de capacitación, desarrollando herramientas basadas en el aprendizaje automático para mejorar el paquete CaImAn. Desde entonces, han hecho público este conjunto de datos, de modo que la comunidad pueda utilizarlo para ampliar aún más CaImAn o para crear nuevas herramientas.

Fuente: tendencias21.net