İstatistiksel olarak tarafsız tahmin, voltaj görüntüleme verilerinin doğru bir şekilde giderilmesini sağlar

Gerilim görüntüleme, nöronların elektriksel aktivitesini optik olarak ölçmek için kullanılan fonksiyonel bir görüntüleme tekniğidir. Floresan yoğunluğu elektrik potansiyeline tepki olarak değişen belirli floresan molekülleri kullanır ve membrandan gelen floresans sinyallerinin doğrudan membran ötesi potansiyel bilgisini kodlamasına olanak tanır. Ekibimiz, voltaj görüntülemenin sınırlarını hacimsel ve büyük ölçekli görüntülemeye doğru zorluyor; bu, sağlam bir beyindeki çok sayıda nöronun diğer nöronlarla yüksek uzay-zamansal hassasiyetle nasıl iletişim kurduğunu izlememizi sağlayacak. Ne yazık ki, girişimlerimiz yalnızca bununla ilgili birçok teknik zorluğun altını çizdi. Gerilim görüntülemenin ölçeklendirilmesinde temel sorun sinyal-gürültü oranıydı (SNR). İlgilendiğimiz sinyalin (aksiyon potansiyeli) milisaniye ölçeğinde değiştiği göz önüne alındığında, görüntülemenin kHz frekanslarında veya yakınında yapılması gerekir; bu da kare başına mevcut foton sayısını kalsiyum görüntülemedekinden iki kat daha düşük bir büyüklükle sınırlandırır. Üstelik voltaj görüntülemedeki sinyalin genliği (dF/F), kalsiyum görüntülemedekinden yaklaşık bir kat daha düşüktür. Genel olarak bu faktörler, voltaj görüntülemeyi ilerletmek için SNR açısından önemli bir zorluk teşkil ediyordu.

Kalsiyum görüntüleme verilerinin SNR’sini on kat artıran DeepCAD ve DeepInterpolation tarafından elde edilen son başarı göz önüne alındığında, SNR sorununu çözmek için bunları uygulamaya çalışmamız doğaldı. Ne yazık ki, gürültüden arındırma sonrası aksiyon potansiyelleriyle ilişkili ani artışları tespit edemedik. Başlangıçta, bu başarısızlığın hayvandaki nöronal aktivite eksikliğinden mi yoksa başka bir faktörden mi kaynaklandığından emin değildik. Çok sayıda denemenin ardından, sivri uçların gürültü giderme sürecinden “hayatta kalamadığı” ortaya çıktı ve bu da bizi daha fazla araştırmaya sevk etti. Biraz düşündükten sonra bu sonucun kaçınılmaz olduğunu fark ettik. Bu yöntemler, geçici olarak bitişik çerçevelerden gelen bilgileri kullanarak mevcut çerçevenin tahmin edilmesine dayanır; bu sayede tahmin edilebilir bileşen, ki bu muhtemelen sinyaldir, ağ üzerinden “geçer”, gürültü olduğu varsayılan öngörülemeyen bileşen ise ağ tarafından zayıflatılır. Sonuç olarak, veriler aşırı örneklenmedikçe, geçici olarak bitişik çerçevelerden gelen bilgilere dayanarak tahmin edilemedikleri için ani artışlar zayıfladı.

Çözüm ararken ilgili bilgilerin DeepCAD ve DeepInterpolation süreçlerinde atılan çerçevenin içinde bulunduğunu fark ettik. Teorik olarak, videonun bir karesindeki tek bir pikseli atabilir ve videonun geri kalanını kullanarak değerini tahmin edebilir, böylece gerçek sinyali doğru bir şekilde ayırt edebiliriz. Bu tür işlemleri paralel olarak gerçekleştiren, uzay-zamansal kör nokta kavramını ortaya koyan optimal bir evrişimli ağ mimarisi tasarladık. Çeşitli varyantları denedikten sonra, sonunda her şey sorunsuz bir şekilde çalıştı. Sistem, keskin geçici sinyalleri korurken karşılaştığımız tüm voltaj görüntüleme verilerinin gürültüsünü giderebilir. Gürültüyü gidermek için piksel değerleri arasındaki uzay-zamansal bağımlılıklardan yararlanma kapasitesinin ışığında ve araştırma topluluğunu destekleme potansiyelini öngörerek buna DESTEK (görüntüleme verisinde uzay-zaman bilgisini kullanan İstatistiksel Olarak Tarafsız Tahmin) adını verdik.

Şekil 1. SUPPORT kullanarak çeşitli görüntülerin gürültüsünün giderilmesi. ( a ) zArchon1’i ifade eden bir zebra balığı omuriliğinin voltaj görüntülemesi. Sol üst: Ham veriler. Sol alt: DESTEK-denoised veriler. Sağ: Ham (siyah) ve DESTEK ile gürültüden arındırılmış (kırmızı) verilerden çıkarılan izler. (b) GCaMP7a’yı eksprese eden bir zebra balığı tüm beyninin kalsiyum görüntülemesi. (c) Fare kulak derisinin intravital görüntülenmesi.

Hem görüntünün kendisinin hem de çıkarılan sinyallerin büyük ölçüde iyileştirildiği larva zebra balığının voltaj görüntüleme verilerine DESTEK uygulayarak elde ettiğimiz sonuçlardan özellikle etkilendik (Şekil 1a). Daha sonra SUPPORT’un yalnızca voltaj görüntüleme için değil aynı zamanda kalsiyum görüntüleme için de ideal olduğunu fark ettik çünkü tüm sinir bilimcileri, kalsiyum dinamiklerini aşırı örneklemeye yetecek kadar hızlı bir görüntüleme sistemine erişemiyor veya bunu kullanmak istemiyor. Beklendiği gibi, SUPPORT yalnızca birkaç hertzde elde edilen kalsiyum görüntüleme verilerini mükemmel şekilde giderme yeteneğine sahipti (Şekil 1b).

Daha sonra, iş ortağımızdan gelen belirli bir veri kümesi için ağımızın, girdiyle neredeyse aynı olan çıktı ürettiğini keşfettik; bu, verinin gürültüsünü gideremediğimizi gösteriyor. Bu, yalnızca belirli bir pikselin uzay-zamansal komşu piksellerini bilerek, ağın gürültü de dahil olmak üzere belirli bir pikselin değerini doğru bir şekilde tahmin edebileceğini ileri sürdü. Bu, her pikseldeki gürültünün uzay-zamansal komşularından bağımsız olmadığı anlamına geliyordu. Başlangıçta kafamız karışmıştı çünkü bu durum yalnızca belirli bir mikroskoptan alınan veri kümelerinde meydana geldi, diğerlerinde olmadı. Verileri elde etmek için kullanılan mikroskoptan alınan görüntülerin, 10 piksel genişliğinde belirli yatay desenler içerdiğini ve bunun nedeni olduğundan şüphelenildiğini belirledik. Bunun, hızlı yatay tarama ve dedektördeki her pikseldeki gürültünün uzaysal komşularına bağlı olmasına neden olan 1/f gürültü gibi düşük frekanslı gürültünün birleşiminden kaynaklanabileceğini düşündük. Böyle bir gürültü korelasyonu küçük bir yerel alanla sınırlı olduğundan, etrafındaki 1×19 piksellik bir alanı gizlersek ağın bir pikseldeki gürültüyü tahmin edemeyeceğini düşündük. Neyse ki ağ mimarimiz, başlangıçta tasarımında amaçlanmasa da, kör noktanın boyutunu programlamak için son derece uygundu. Sonuçlar spekülasyonumuzu doğruladı (Şekil 1c).

Çalışmamızın daha geniş sinirbilim ve biyo-görüntüleme topluluklarında anında uygulama bulacağına inanıyoruz. Bunun nedeni, görüntüleme ve görüntü analizine yönelik makine öğrenimi uygulamalarındaki diğer çoğu ilerlemenin aksine, yöntemimizin herhangi bir özel deneysel ortam veya eğitim verisi gerektirmemesidir. Tekniğimiz, yeterli görüntüleme hızıyla çekilip çekilmediğine bakılmaksızın her türlü işlevsel görüntüleme verisini, hızlandırılmış görüntüleme verilerini ve hatta statik hacimsel görüntüleri önemli ölçüde geliştirebilir.

Son olarak, yapıcı ve eleştirel geri bildirimleri için ekibimize editör ve hakemlere en içten şükranlarımızı sunmak isteriz. Örneğin, voltaj görüntüleme uygulamasına odaklanmamızı, çok sayıda veri kümesi üzerinde genişletilmiş doğrulama yürütmemizi ve SUPPORT’un hareket içeren kayıtlar üzerinde nasıl performans gösterdiğini incelememizi önerdiler. Bu önerilerin SUPPORT’un yeteneklerini doğrulamak ve taslağı güçlendirmek açısından çok önemli olduğuna inanıyoruz.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir