Le logiciel de reconnaissance d’objets est utilisé par les forces de l’ordre pour aider à identifier les suspects, par des voitures autonomes pour naviguer dans les routes et par de nombreux consommateurs pour déverrouiller leurs téléphones portables ou payer leur café du matin.
Maintenant, les chercheurs dirigés par Anna Kruyer de l’Université de Cincinnati et de Demetrio Labate de l’Université de Houston ont appliqué la technologie de reconnaissance d’objets pour suivre les changements dans la structure des cellules cérébrales et fournir de nouvelles informations sur la façon dont le cerveau réagit à l’utilisation, au retrait et aux rechutes de l’héroïne.
La recherche est publiée dans la revue Avances scientifiques.
Le laboratoire de Kruyer se concentre sur la rechute de l’héroïne, car de nombreux décès par surdose surviennent lorsque les gens surestiment leur capacité de consommation de drogue pendant la rechute. L’équipe a développé un modèle animal de rechute au cours des sept dernières années, étudiant les interactions entre les cellules du cerveau et le centre de récompense du cerveau qui orchestre le processus de rechute.
« Nous voulons comprendre les neurones impliqués et toutes les différentes cellules et molécules qui peuvent façonner cette activité », a déclaré Kruyer, Ph.D., professeur adjoint au Département des sciences pharmaceutiques du James L. Winkle College of Pharmacy d’UC. « L’idée serait, si vous pouvez interférer avec la rechute, vous pouvez aider quelqu’un à rester propre. »
Alors que les neurones sont une cellule cérébrale plus fréquemment étudiée, Kruyer s’est concentré sur une autre cellule appelée astrocyte. Les astrocytes ont de nombreuses fonctions, notamment le soutien métabolique aux neurones, fournissant des molécules que les neurones se transforment en neurotransmetteurs et protégeant ou découvrant différents récepteurs pendant l’activité synaptique.
« Les astrocytes sont une sorte de cellule de protection qui peut restaurer l’homéostasie synaptique », a déclaré Kruyer.
« Ils sont super dynamiques par rapport à la synapse, et ils se déplacent vers et loin de la synapse en temps réel d’une manière qui peut avoir un impact sur la recherche de médicaments. Donc, si vous empêchez cette réassociation avec les synapses pendant la rechute, vous pouvez augmenter et prolonger la rechute. »
Labate est un mathématicien appliqué avec une expertise en analyse harmonique et en apprentissage automatique.
« Un objectif central de mes recherches est le développement et l’application des techniques mathématiques pour découvrir des modèles significatifs dans les données non euclidiennes, telles que l’analyse des formes complexes », a déclaré Labate, Ph.D., professeur agrégé au Département de mathématiques de l’Université de Houston.
« L’étude des astrocytes fournit un cadre idéal pour ce type d’enquête: ces cellules sont très hétérogènes, variant considérablement en taille et en forme, et sont capables de remodeler dynamiquement leur morphologie en réponse à des stimuli externes. »
Une nouvelle approche avec l’apprentissage automatique
Alors que les études sur les modèles animaux ont produit des résultats, Kruyer et ses collègues étaient confrontés à une barrière en ce que les techniques utilisées ne pouvaient pas être traduites pour les sujets humains. Pour contourner cette question, ils se sont concentrés sur une protéine astrocytaire qui agit essentiellement comme le squelette de la cellule.
« Nous pensions que si nous pouvions trouver un moyen de traduire ce que nous voyons au niveau synaptique aux changements dans le cytosquelette, nous pourrions peut-être voir si les astrocytes font quelque chose de critique pendant la rechute chez l’homme », a déclaré Kruyer.
Une équipe de mathématiciens dirigée par des modèles d’apprentissage automatique de reconnaissance d’objets formés sur des centaines de cellules d’astrocytes jusqu’à ce que la technologie puisse détecter avec précision un astrocyte dans une image, similaire au fonctionnement du logiciel de reconnaissance des objets.
« Les techniques d’apprentissage automatique ont été largement appliquées dans la littérature aux tâches de classification d’images, où l’objectif est d’attribuer chaque cellule à une catégorie spécifique », a expliqué Labate.
« Dans de tels contextes, l’apprentissage automatique est particulièrement puissant pour identifier les caractéristiques cellulaires basées sur l’image qui sont difficiles à capturer à l’aide de descripteurs géométriques traditionnels, tout en servant de discriminateurs efficaces entre les classes. »
Une fois que le programme pourrait identifier les astrocytes, l’équipe l’a formée pour analyser des structures spécifiques en fonction de 15 critères différents, notamment la densité du cytosquelettique des astrocytes (similaire à la densité osseuse), la taille, la longueur contre la sphérique et le nombre de branches plus petites qui sortent de la branche principale.
« Vous pouvez y penser comme si vous donniez un ordinateur un tas d’images de scènes de rue, cela verrait généralement des piétons, des voitures et des bâtiments », a déclaré Kruyer.
« Si vous donnez un ordinateur 1 000 images d’astrocytes, il y a des choses qu’elle verrait généralement. C’est le processus de segmentation par lequel un ordinateur peut maintenant commencer à faire des mesures des différentes caractéristiques de l’astrocyte. »
En utilisant les 15 mesures pondérées par leur importance dans la précision de l’ordinateur pour détecter les astrocytes, les chercheurs ont développé une seule métrique pour quantifier les caractéristiques de chaque astrocyte.
« Dans les travaux antérieurs, j’ai utilisé l’apprentissage automatique pour les problèmes de classification des cellules et de segmentation », a déclaré Labate.
« Dans cet article, cependant, nous abordons une question plus nuancée: existe-t-il des sous-populations spécifiques d’astroglia qui présentent des changements morphologiques plus prononcés par rapport aux autres? Pour étudier cela, nous avons introduit le concept de distance pour comparer les caractéristiques de forme des cellules d’astrocytes individuelles tout en tenant compte de la hétérogénéité inhérente au sein de la population. »
Appliquer le modèle
Après avoir développé le modèle d’apprentissage automatique pour identifier les astrocytes et signaler la nouvelle métrique, l’équipe a examiné les astrocytes spécifiquement dans une zone du cerveau appelé le noyau accumbens (NAC) qui est actif pendant la rechute de médicament.
Le modèle a pu prédire exactement d’où dans le NAC, un astrocyte provenait en fonction de sa structure avec une précision de 80%.
« Cela nous dit que la structure des astrocytes varie selon l’anatomie », a déclaré Kruyer. « Les astrocytes ont été considérés comme ce type de cellule homogène, mais cela nous indique que la structure des astrocytes varie considérablement selon l’emplacement – peut-être que la forme et la taille ont quelque chose à voir avec leur fonction. »
En utilisant des modèles animaux et les nouvelles connaissances acquises à partir des modèles informatiques, l’équipe a constaté que les astrocytes semblent rétrécir et devenir moins malléables après une exposition à l’héroïne.
« Ces données suggèrent que l’héroïne fait quelque chose moléculaire qui rend les astrocytes moins capables de répondre à l’activité synaptique et de maintenir l’homéostasie », a déclaré Kruyer.
« Cet article illustre la force de la collaboration interdisciplinaire, où des outils quantitatifs innovants sont développés ou adaptés pour s’attaquer aux questions biologiques complexes », a ajouté Labate.
« Le succès de cette recherche réside dans la communication efficace entre les disciplines et dans notre volonté de repousser les limites de l’apprentissage automatique traditionnel pour relever des défis biologiquement significatifs et opportuns. »
Étapes suivantes
Kruyer a déclaré qu’elle était très enthousiasmée par l’application de l’apprentissage automatique à une question biologique, qui élimine les erreurs et les préjugés humains et rend la recherche plus facilement traduisible des modèles animaux aux humains.
« Nous posons des questions ouvertes, et cela nous donne toutes ces réponses détaillées très fins, puis ce que nous faisons avec nous dépend de nous », a-t-elle déclaré.
« Les astrocytes humains sont beaucoup plus grands, beaucoup plus complexes et beaucoup plus abondants que dans les modèles animaux, donc appliquer un outil comme celui-ci est vraiment cool à reporter chez l’homme. »
À l’avenir, l’équipe veut en savoir plus sur les mécanismes spécifiques des astrocytes dans chaque région au sein du NAC et entraîner de nouveaux modèles à l’aide d’échantillons de tissus humains. À long terme, les connaissances acquises pourraient aider à développer de nouveaux traitements pour la dépendance axés sur la restauration ou le remplacement des astrocytes à leurs fonctions avant d’être exposés à l’héroïne.
De plus, l’équipe de la méthode d’apprentissage automatique Labate développée peut être adaptée et appliquée à d’autres types de cellules avec des structures complexes.
« En permettant une quantification précise et une comparaison des caractéristiques morphologiques unicellulaires, cette approche ouvre la porte au développement de nouvelles techniques pour identifier les biomarqueurs cellulaires ou moléculaires qui reflètent des processus biologiques, des états pathologiques ou des réponses aux interventions thérapeutiques », a-t-il déclaré.
« Plus largement, notre travail introduit un nouveau cadre quantitatif pour découvrir et valider des modèles mécanistes fondamentaux sous-jacents aux conditions cérébrales complexes, telles que la dépendance aux drogues d’abus. »
