研究人员应用物体识别技术跟踪脑细胞结构的变化，并提供有关大脑如何应对海洛因使用、戒断和复发的新见解。
物体识别软件被执法部门用于帮助识别嫌疑人，自动驾驶汽车用于导航道路，许多消费者使用它来解锁手机或支付早晨的咖啡。
现在，由辛辛那提大学的安娜·克鲁耶（Anna Kruyer）和休斯顿大学的德梅特里奥·拉巴特（Demetrio Labate）领导的研究团队应用物体识别技术跟踪脑细胞结构的变化，并提供有关大脑如何应对海洛因使用、戒断和复发的新见解。该研究于4月30日发表在《科学进展》期刊上。
研究背景
克鲁耶的实验室专注于海洛因使用的复发，因为许多过量死亡发生在那些在复发期间高估自己用药能力的人。团队在过去七年中开发了一个复发的动物模型，研究脑细胞与调控复发过程的脑内奖赏中心之间的相互作用。
“我们想理解涉及其中的神经元，以及能够塑造该活动的各种细胞和分子，”克鲁耶博士说，她是辛辛那提大学詹姆斯·L·温克尔药学院药学系的助理教授。“如果你能干预复发，你就可以帮助某人保持清醒。”
虽然神经元是更常被研究的脑细胞，克鲁耶关注的是另一种叫做星形胶质细胞的细胞。星形胶质细胞具有多种功能，包括为神经元提供代谢支持，提供神经元转化为神经递质的分子，以及在突触活动中遮蔽或揭示不同受体。
“星形胶质细胞是一种能够恢复突触稳态的保护性细胞，”克鲁耶说。“它们相对于突触是极其动态的，并且实时朝向或远离突触移动，这会影响药物寻求。因此，如果你在复发期间防止它们与突触重新结合，你就可以增加和延长复发。”
拉巴特是一位应用数学家，擅长谐波分析和机器学习。
“我的研究的一个主要焦点是开发和应用数学技术，以揭示非欧几何数据中的有意义模式，例如复杂形状的分析，”拉巴特博士说，他是休斯顿大学数学系的教授。“星形胶质细胞的研究为这类调查提供了理想的环境：这些细胞高度异质，在大小和形状上差异很大，并能根据外部刺激动态重塑其形态。”
使用机器学习的新方法
虽然动物模型研究已经取得了结果，克鲁耶和她的同事面临一项障碍，即所用技术无法转化为人类对象。为了绕过这个问题，他们专注于一种星形胶质细胞的蛋白质，实质上作为细胞的骨架。
“我们想，如果我们能找到一种方法将我们在突触水平上看到的东西转化为细胞骨架的变化，或许我们就能看到星形胶质细胞在复发期间是否做了一些关键的事情，”克鲁耶说。
由拉巴特领导的一组数学家训练了物体识别机器学习模型，使用数百个星形胶质细胞，直到这一技术能够准确地在图像中检测到星形胶质细胞，类似于物体识别软件的工作方式。
“机器学习技术已在文献中广泛应用于图像分类任务，其中目标是将每个细胞分配到特定类别，”拉巴特解释道。“在这种情况下，机器学习尤其强大，可以识别基于图像的细胞特征，这些特征通过传统几何描述符难以捕捉，但有效地区分了类别。”
一旦程序能够识别星形胶质细胞，团队便训练其根据15个不同标准分析特定结构，包括星形胶质细胞骨骼密度（类似于骨密度）、大小、长度与球形度的比率，以及主支上小分支的数量。
“你可以想象，如果你给计算机一堆街景图片，它通常会看到行人、汽车和建筑，”克鲁耶说。“如果你给计算机1,000张星形胶质细胞的图片，它会常常看到某些东西。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。”
使用所有15个测量值，根据它们在计算机检测星形胶质细胞的精度中的重要性进行加权，研究人员开发了一个单一指标，以量化每个星形胶质细胞的特性。
“在之前的工作中，我已经利用机器学习处理细胞分类和分割问题，”拉巴特说。“然而，在本文中，我们提出了一个更细致的问题：是否存在特定亚群体的星形胶质细胞与其他星形胶质细胞相比表现出更明显的形态变化？为了解决这个问题，我们引入了距离的概念，以比较个别星形胶质细胞的形状特征，同时考虑到群体内的固有异质性。”
应用模型
在开发了识别星形胶质细胞并报告新指标的机器学习模型后，团队专门研究脑内一个名为奖赏中心（nucleus accumbens，NAc）的区域，该区域在药物复发时会被激活。
该模型能够以80%的准确率预测星形胶质细胞在NAc中的具体来源。
“这告诉我们星形胶质细胞的结构因解剖位置而异，”克鲁耶说。“星形胶质细胞一直被认为是这种同质的细胞，但这向我们表明，星形胶质细胞的结构因位置而显著变化 —— 也许形状和大小与它们的功能有关。”
通过使用动物模型和从计算机模型获得的新知识，团队发现星形胶质细胞在暴露于海洛因后似乎缩小并变得不那么可塑。
“这些数据表明，海洛因在分子层面上对星形胶质细胞造成了某种影响，使其难以响应突触活动并维持稳态，”克鲁耶说。
“这篇论文 exemplifies 了跨学科合作的力量，在此背景下，创新的定量工具被开发或调整以应对复杂的生物学问题，”拉巴特补充道。“这项研究的成功在于各学科之间的有效沟通以及拓展传统机器学习的边界，以应对生物上有意义和及时的挑战。”
下一步
克鲁耶说，她对机器学习在生物学问题中的应用感到最兴奋，因为这消除了人为错误和偏见，并使研究更容易从动物模型转化到人类。
“我们正在提出开放性问题，它给我们所有这些非常精细的详细答案，而我们接下来如何处理这些问题则取决于我们，”她说。“人类的星形胶质细胞远比动物模型中的大、复杂和丰富，因此像这样的工具在人体中向前推广是非常酷的。”
向前推进，团队希望更多地了解NAc内每个区域星形胶质细胞的具体机制，并使用人类组织样本训练新模型。从长远来看，获得的知识可能有助于开发针对上瘾的新疗法，重点是恢复或替换星形胶质细胞在暴露于海洛因前的功能。
此外，拉巴特团队开发的机器学习方法可以调整并应用于具有复杂结构的其他类型细胞。
“通过实现单细胞形态特征的精确量化和比较，这一方法为开发反映生物过程、疾病状态或对治疗干预反应的细胞或分子生物标志物的新技术开启了大门，”他说。“更广泛地说，我们的工作引入了一种新的定量框架，用于揭示和验证复杂脑状态（如药物成瘾）背后的基本机制模型。”
其他合著者包括米凯拉·马里尼、姚博·牛、亨·赵、阿尼什·莫汉和内森·库恩迪克。本研究得到了西蒙斯基金会（MPS-TSM783 00002738 至拉巴特）和国家卫生研究院（DA054339 至克鲁耶和NS007453 至库恩迪克）资助。所有作者声明与本手稿无竞争利益。
