研究人員探索如何促進神經變性

San Miguel說：“擁有使我們能夠識別這些神經退行性病變模式的工具將有助于我們確定不同基因在這些過程中所扮演的角色。”“這還將幫助我們評估各種藥物干預對模型生物體神經變性的影響。這是我們確定有希望的治療神經疾病候選藥物的一種方法。”

北卡羅萊納州立大學的研究人員已經證明了人工智能(AI)在識別模型秀麗隱桿線蟲中的神經變性并將其分類中的實用性。該工具使用深度學習(一種形式的AI)，并應促進并加速對神經變性的研究。

“研究人員想研究驅動神經變性的機制，其長期目標是尋找減緩或預防與年齡或疾病相關的變性的方法，”該論文的作者和助手Adriana San Miguel說。北卡羅來納州立大學化學與生物分子工程教授。“我們在這里的工作表明，深度學習可以準確地識別神經退行性變的物理癥狀;它可以比人類更快地做到;并且可以區分由不同因素引起的神經退行性變。

在這項研究中，研究人員關注秀麗隱桿線蟲(C. elegans)或round蟲，這是一種廣泛用于研究衰老和神經系統發育的模型生物。具體來說，研究人員專注于PVD神經元，PVD神經元是可以檢測觸摸和溫度的神經細胞。研究人員之所以選擇PVD神經元，是因為它存在于秀麗隱桿線蟲的整個神經系統中，并且已知會因衰老而退化。

蟲是微小且透明的-意味著有可能在存活期間看到其神經系統。傳統上，鑒定秀麗隱桿線蟲神經元的變性需要研究人員尋找細胞的微觀變化，例如在單個神經元的一部分上形成氣泡的外觀。研究人員可以通過跟蹤這些氣泡的大小，數量和位置來分析神經變性的程度。

該研究的合著者，北卡羅來納州立大學數學助理教授凱文·弗洛雷斯(Kevin Flores)說：“計算這些氣泡是一個耗時且費力的過程。”“我們已經證明，通過結合深度學習的功能和所謂的GPU計算的先進速度，我們可以在幾秒鐘內從圖像中收集所有相關數據。這可以更快地進行定量評估。神經元變性要比傳統技術高。”

San Miguel說：“我們還發現，由冷休克引起的神經變性與由衰老引起的變性具有不同的氣泡模式。”“用肉眼很難分辨出差異，但深度學習程序始終如一。

“這項工作告訴我們，深度學習工具能夠發現我們可能會缺少的模式-我們可能只是在增進我們對神經變性的理解上摸索了它們的效用。”

除了監測年齡對神經變??性的影響外，研究人員還研究了“冷休克”或長時間暴露在低溫下的影響。研究人員驚訝地發現，冷休克還會誘發神經變性。