Oprogramowanie do rozpoznawania obiektów, które znamy głównie z zastosowań w samochodach autonomicznych czy systemach bezpieczeństwa w telefonach, zaczyna odgrywać istotną rolę także w badaniach nad funkcjonowaniem mózgu. Najnowsze badania naukowców z University of Cincinnati i University of Houston otwierają zupełnie nowy rozdział w zrozumieniu biologicznych mechanizmów uzależnień, a konkretnie – nawrotów po odstawieniu heroiny. Dzięki wykorzystaniu uczenia maszynowego do analizy struktury komórek glejowych, naukowcy odkryli, jak bardzo morfologia mózgu może zmieniać się pod wpływem narkotyków.
Zespół kierowany przez prof. Annę Kruyer skupił się na analizie struktur astrocytów – wyspecjalizowanych komórek glejowych odpowiedzialnych m.in. za wspieranie neuronów i regulację środowiska synaptycznego. Choć neurony są tradycyjnie głównym obiektem badań neurobiologicznych, astrocyty stopniowo wychodzą z ich cienia. Ich dynamiczna interakcja z synapsami wydaje się mieć kluczowe znaczenie w przebiegu uzależnień i ich nawrotów. Kruyer zaznacza, że astrocyty potrafią przemieszczać się względem synaps w czasie rzeczywistym, wpływając na sposób, w jaki mózg reaguje na bodźce związane z narkotykiem.
Zaawansowane techniki analityczne umożliwiły uzyskanie dostępu do zupełnie nowych informacji na temat tych komórek. Dr Demetrio Labate z University of Houston, ekspert w dziedzinie analizy harmonicznej i uczenia maszynowego, opracował narzędzie oparte na rozpoznawaniu obiektów, które uczy się rozpoznawać poszczególne astrocyty na podstawie setek obrazów mikroskopowych. Dzięki analizie aż 15 różnych cech – w tym gęstości cytoszkieletu, rozmiaru, kształtu czy liczby odgałęzień – możliwe było stworzenie syntetycznego wskaźnika opisującego indywidualne cechy każdej komórki.
Największym przełomem było jednak zastosowanie tych narzędzi do analizy astrocytów w obrębie jądra półleżącego (nucleus accumbens) – obszaru mózgu odpowiedzialnego za przetwarzanie bodźców nagradzających i niezwykle aktywnego podczas nawrotów uzależnienia. Co istotne, model komputerowy z ponad 80-procentową dokładnością potrafił przewidzieć, z którego dokładnie obszaru jądra półleżącego pochodzi dana komórka, wyłącznie na podstawie jej struktury. Oznacza to, że astrocyty mogą nie być tak jednorodne, jak do tej pory sądziliśmy – ich kształt i rozmiar mogą zdradzać ich funkcję i lokalizację.
Analizując wyniki eksperymentów na zwierzętach, badacze odkryli, że pod wpływem heroiny astrocyty stają się mniejsze i mniej plastyczne, co może zaburzać ich zdolność do regulowania aktywności neuronów i utrzymania równowagi w synapsach. To osłabienie strukturalne może przyczyniać się do mechanizmów nawrotu, gdyż mózg traci zdolność odbudowy synaptycznego „porządku” po ekspozycji na narkotyk.
Wyniki te nie tylko pogłębiają naszą wiedzę na temat biologii uzależnień, ale również wskazują na potężny potencjał narzędzi opartych na sztucznej inteligencji w medycynie i biologii. Dzięki eliminacji ludzkiego błędu i uprzedzeń, a także możliwości precyzyjnej analizy danych obrazowych, badania nad strukturą komórek zyskują zupełnie nowy wymiar. Naukowcy podkreślają, że modele te mogą w przyszłości być wykorzystywane także w badaniach nad tkanką ludzką, co przybliża nas do tworzenia skutecznych terapii dla osób uzależnionych.
Plany na przyszłość obejmują dalsze badanie mechanizmów działania astrocytów w różnych obszarach mózgu oraz stworzenie kolejnych modeli opartych na ludzkich próbkach tkankowych. Celem długoterminowym jest opracowanie nowych metod leczenia uzależnień, gdzie kluczowe znaczenie może mieć przywrócenie astrocytom ich pierwotnych funkcji.
Opracowana przez zespół metoda może zostać zaadaptowana do analizy innych typów komórek o złożonej strukturze, otwierając tym samym drogę do identyfikacji biomarkerów istotnych w przebiegu chorób, odpowiedzi na leczenie czy rozwoju stanów patologicznych. Badania te przesuwają granice współczesnej neurobiologii, pokazując, jak interdyscyplinarna współpraca może prowadzić do odpowiedzi na najtrudniejsze pytania o działanie ludzkiego mózgu w warunkach uzależnienia.
