西南研究院（SwRI）与德克萨斯大学圣安东尼奥分校（UTSA）的研究合作利用机器视觉算法来追踪脑细胞（或神经元）随时间的发展情况。该团队通过监测新神经元如何生长并融入现有网络，旨在更好地理解脑细胞行为并识别神经疾病的新型疗法。
监测神经生长的创新方法
UTSA研究人员将人类干细胞培养成模拟与睡眠、体温调节和情绪相关的脑组织区域的活神经网络。他们使用共焦显微镜记录这些成熟细胞网络的时间延时图像。随后，SwRI开发了一种U-Net机器学习算法，用于从这些图像中识别和分析关键的神经元结构。
传统的神经元研究方法通常依赖于固定组织成像，这种方法限制了对细胞实时行为的洞察。相比之下，SwRI的计算方法可以跟踪未标记的细胞及其精细结构，在密集的活体培养物中捕捉细胞活动，使研究人员能够在较长时间内观察细胞活动。圣安东尼奥医学基金会为此项目提供了20万美元的资助。
“这项研究成果是自动分类生长中神经网络健康的重要一步。该算法可以帮助研究各种神经系统疾病，并协助开发和测试相关疗法。”领导该项目的SwRI计算机科学家Courtney Rouse博士表示。
研究的潜在成果
- 识别神经疾病的潜在治疗方法
科学家可以通过观察单个神经元对不同治疗或条件的反应，找到促进或抑制神经生长的有希望的药物候选物。
- 加速药物发现
自动化方法可以作为筛选工具，使研究人员能够快速评估各种化合物对神经元健康和连接的影响。
- 改善对大脑发育的理解
跟踪活细胞在成熟网络中的变化可能会揭示正常脑功能背后的新信息，并为神经疾病的早期干预提供线索。
- 改进用于生物医学研究的人工智能模型
SwRI和UTSA应用的技术可以适应其他细胞类型和组织，为更复杂的生物医学数据分析提供平台。
- 指导未来关于环境和生理应激源的实验
研究人员计划测试暴露于低氧水平、昼夜节律紊乱和其他应激源的神经元，观察其生长和功能的变化，以进一步了解组织健康。
跟踪和分析
新的跟踪算法主要关注“胞体”——细胞核所在的细胞主体部分，因为每个神经元只有一个胞体。为每个胞体附加一个参考点（或跟踪编号），使系统可以从一张图像到另一张图像跟踪这些细胞，实现高精度和召回率。该算法还可以检测树突，但它们较小的尺寸带来了额外的挑战。
未来研究方向
下一步包括建立树突如何连接到胞体的关系，并将电活动与整体组织健康相关联。UTSA的Amina Qutu实验室帮助开发了实验模型，计划将SwRI的细胞跟踪技术整合到增强的人工智能方法中。这一进展最终可能实现在模拟真实世界应激源和环境条件下更详细地监测神经元功能。
SwRI与UTSA的合作突显了计算工具在医学研究中的日益重要性，旨在促进更准确的诊断、治疗和预防神经系统疾病。研究人员表示，该项目中完善的方法将帮助医疗专业人员在处理复杂的大脑细胞健康数据时做出更明智的决策。
(全文结束)
