Des scientifiques de l’université Johns Hopkins ont exploité l’intelligence artificielle pour visualiser et suivre les changements synaptiques chez des animaux vivants, dans le but d’améliorer notre compréhension des changements de connectivité cérébrale chez l’homme dus à l’apprentissage, au vieillissement, aux lésions et aux maladies. En utilisant l’apprentissage automatique, ils ont pu améliorer la clarté des images, ce qui leur a permis d’observer des milliers de synapses individuelles et leurs changements en réponse à de nouveaux stimuli.
L’intelligence artificielle facilite la visualisation des connexions neuronales dans le cerveau des souris.
Des scientifiques de Johns Hopkins ont tiré parti de l’intelligence artificielle pour créer une technique qui permet de visualiser et de surveiller les modifications de la force des synapses – les points de connexion par lesquels les cellules nerveuses du cerveau communiquent – dans les organismes vivants. Cette technique, décrite dans Nature Methods, pourrait, selon les chercheurs, ouvrir la voie à une meilleure compréhension de l’évolution de ces connexions dans le cerveau humain en fonction de l’apprentissage, de l’âge, des traumatismes et des maladies.
« Si l’on veut en savoir plus sur la façon dont un orchestre joue, il faut observer les joueurs individuellement au fil du temps, et cette nouvelle méthode permet de le faire pour les synapses dans le cerveau d’animaux vivants », explique Dwight Bergles, docteur en médecine, titulaire de la chaire Diana Sylvestre et Charles Homcy au département Solomon H. Snyder de neurosciences de la faculté de médecine de l’université Johns Hopkins (JHU).
Bergles a coécrit l’étude avec ses collègues Adam Charles, Ph.D., M.E., et Jeremias Sulam, Ph.D., tous deux professeurs assistants au département d’ingénierie biomédicale, et Richard Huganir, Ph.D., Bloomberg Distinguished Professor à la JHU et directeur du département Solomon H. Snyder de neurosciences. Les quatre chercheurs sont membres du Kavli Neuroscience Discovery Institute de Johns Hopkins.
Des milliers de synapses marquées SEP-GluA2 (en vert) entourant une dendrite peu marquée (en magenta) avant et après l’amélioration de la résolution de l’image XTC. Barre d’échelle 5 microns. Crédit : Xu, Y.K.T., Graves, A.R., Coste, G.I. et al. Nat Methods
Les cellules nerveuses transfèrent des informations d’une cellule à l’autre en échangeant des messages chimiques au niveau des synapses (« jonctions »). Dans le cerveau, expliquent les auteurs, les différentes expériences de la vie, telles que l’exposition à de nouveaux environnements et l’apprentissage de compétences, sont censées induire des changements au niveau des synapses, renforçant ou affaiblissant ces connexions pour permettre l’apprentissage et la mémoire. Comprendre comment ces changements infimes se produisent dans les billions de synapses de notre cerveau est un défi de taille, mais il est essentiel pour découvrir comment le cerveau fonctionne lorsqu’il est en bonne santé et comment il est altéré par la maladie.
Pour déterminer quelles synapses changent au cours d’un événement particulier de la vie, les scientifiques cherchent depuis longtemps de meilleurs moyens de visualiser la chimie changeante des messages synaptiques, ce qui est rendu nécessaire par la forte densité des synapses dans le cerveau et leur petite taille – des caractéristiques qui les rendent extrêmement difficiles à visualiser, même avec les nouveaux microscopes de pointe.
« Nous devions passer de données d’imagerie difficiles, floues et bruyantes à l’extraction des portions de signal que nous devons voir », explique Charles.
Pour ce faire, Bergles, Sulam, Charles, Huganir et leurs collègues se sont tournés vers l’apprentissage automatique, un cadre informatique qui permet le développement flexible d’outils de traitement automatique des données. L’apprentissage automatique a été appliqué avec succès à de nombreux domaines de l’imagerie biomédicale et, dans ce cas, les scientifiques ont tiré parti de cette approche pour améliorer la qualité des images composées de milliers de synapses. Bien qu’il puisse s’agir d’un outil puissant de détection automatique, surpassant largement la vitesse humaine, le système doit d’abord être « entraîné », c’est-à-dire que l’algorithme doit apprendre à quoi doivent ressembler des images de synapses de haute qualité.
Dans ces expériences, les chercheurs ont travaillé avec des souris génétiquement modifiées chez lesquelles les récepteurs de glutamate – les capteurs chimiques des synapses – deviennent verts (fluorescents) lorsqu’ils sont exposés à la lumière. Comme chaque récepteur émet la même quantité de lumière, la quantité de fluorescence générée par une synapse chez ces souris est une indication du nombre de synapses, et donc de leur force.
Comme prévu, l’imagerie dans le cerveau intact a produit des images de faible qualité dans lesquelles il était difficile de voir clairement les groupes individuels de récepteurs de glutamate au niveau des synapses, et encore plus de les détecter individuellement et de les suivre dans le temps. Pour convertir ces images en images de meilleure qualité, les scientifiques ont entraîné un algorithme d’apprentissage automatique avec des images de tranches de cerveau (ex vivo) provenant du même type de souris génétiquement modifiées. Comme ces images ne provenaient pas d’animaux vivants, il a été possible de produire des images de bien meilleure qualité en utilisant une technique de microscopie différente, ainsi que des images de faible qualité – similaires à celles prises sur des animaux vivants – des mêmes vues.
Ce cadre de collecte de données multimodales a permis à l’équipe de mettre au point un algorithme d’amélioration capable de produire des images de meilleure résolution à partir d’images de faible qualité, semblables aux images prises sur des souris vivantes. De cette manière, les données collectées à partir du cerveau intact peuvent être considérablement améliorées et permettre de détecter et de suivre des synapses individuelles (par milliers) au cours d’expériences de plusieurs jours.
Pour suivre l’évolution des récepteurs au fil du temps chez des souris vivantes, les chercheurs ont ensuite utilisé la microscopie pour prendre des images répétées des mêmes synapses chez les souris pendant plusieurs semaines. Après avoir pris des images de référence, l’équipe a placé les animaux dans une chambre avec de nouvelles vues, odeurs et stimulations tactiles pendant une période unique de cinq minutes. Ils ont ensuite pris des images de la même zone du cerveau tous les deux jours pour voir si et comment les nouveaux stimuli avaient affecté le nombre de récepteurs de glutamate au niveau des synapses.
Bien que l’objectif de ces travaux ait été de développer un ensemble de méthodes permettant d’analyser les changements au niveau des synapses dans de nombreux contextes différents, les chercheurs ont constaté que ce simple changement d’environnement provoquait un spectre d’altérations de la fluorescence au niveau des synapses du cortex cérébral, indiquant des connexions dont la force augmentait et d’autres dont la force diminuait, avec une tendance au renforcement chez les animaux exposés à l’environnement nouveau.
Les études ont été rendues possibles grâce à une étroite collaboration entre des scientifiques aux compétences distinctes, allant de la biologie moléculaire à l’intelligence artificielle, qui ne travaillent normalement pas en étroite collaboration. Mais ce type de collaboration est encouragé au Kavli Neuroscience Discovery Institute, un institut interdisciplinaire, explique Bergles. Les chercheurs utilisent actuellement cette approche d’apprentissage automatique pour étudier les changements synaptiques dans les modèles animaux de la maladie d’Alzheimer, et ils pensent que la méthode pourrait apporter un nouvel éclairage sur les changements synaptiques qui se produisent dans d’autres contextes de maladies et de lésions.
« Nous sommes très impatients de voir comment et où le reste de la communauté scientifique va s’emparer de cette méthode », déclare Sulam.
Référence : « Cross-modality supervised image restoration enables nanoscale tracking of synaptic plasticity in living mice » par Yu Kang T. Xu, Austin R. Graves, Gabrielle I. Coste, Richard L. Huganir, Dwight E. Bergles, Adam S. Charles et Jeremias Sulam, 11 mai 2023, Nature Methods.
DOI: 10.1038/s41592-023-01871-6
L’étude a été financée par les National Institutes of Health.
Les expériences de cette étude ont été menées par Yu Kang Xu (doctorant et boursier du Kavli Neuroscience Discovery Institute au JHU), Austin Graves, Ph.D. (professeur adjoint de recherche en ingénierie biomédicale au JHU), et Gabrielle Coste (doctorante en neurosciences au JHU).