NeuroTrALE yazılım aracı, büyük miktardaki beyin görüntüleme verisini yarı otomatik olarak hızlı ve verimli bir şekilde işlemek üzere tasarlanmıştır.

2023’ün sonlarında, Alzheimer hastalığının ilerlemesini yavaşlatma potansiyeline sahip ilk ilaç  ABD Federal İlaç Dairesi tarafından onaylandı. Alzheimer, dünya nüfusunun sekizde birini etkileyen birçok zayıflatıcı nörolojik rahatsızlıktan biridir ve yeni ilaç doğru yönde atılmış bir adım olsa da, onu ve diğer bu tür hastalıkları tam olarak anlamak için önümüzde hala uzun bir yol var.

MIT Lincoln Laboratuvarı İnsan Sağlığı ve Performans Sistemleri Grubu’ndan teknik personel ve algoritma geliştiricisi Lars Gjesteby, “İnsan beyninin hücresel düzeyde nasıl işlediğine dair karmaşıklıkları yeniden yapılandırmak, sinirbilimdeki en büyük zorluklardan biridir” diyor. “Yüksek çözünürlüklü, ağ bağlantılı beyin atlasları, sağlıklı ve hasta beyinler arasındaki farkları belirleyerek bozukluklar hakkındaki anlayışımızı iyileştirmemize yardımcı olabilir. Ancak, çok büyük beyin görüntüleme veri kümelerini görselleştirmek ve işlemek için yeterli araç olmaması nedeniyle ilerleme engellenmiştir.”

Ağ bağlantılı bir beyin atlası, özünde yapısal bilgileri sinirsel işlevlerle ilişkilendirmeye yardımcı olabilecek ayrıntılı bir beyin haritasıdır. Bu tür atlaslar oluşturmak için beyin görüntüleme verilerinin işlenmesi ve açıklanması gerekir. Örneğin, nöronları birbirine bağlayan her akson veya ince lifin izlenmesi, ölçülmesi ve bilgiyle etiketlenmesi gerekir. Masaüstü tabanlı yazılım veya manuel odaklı araçlar gibi beyin görüntüleme verilerini işlemenin mevcut yöntemleri henüz insan beyni ölçeğindeki veri kümelerini işlemek için tasarlanmamıştır. Bu nedenle, araştırmacılar genellikle ham veriler okyanusunda ilerlemek için çok zaman harcarlar.

Gjesteby, makine öğrenimi, süper bilgisayar ve bu beyin haritalama zorluğuna kolay kullanım ve erişim sağlayan bir yazılım hattı olan Nöron İzleme ve Aktif Öğrenme Ortamı’nı (NeuroTrALE) oluşturmak için bir projeye öncülük ediyor. NeuroTrALE, veri işlemenin çoğunu otomatikleştiriyor ve çıktıyı araştırmacıların verileri düzenleyip belirli kalıpları işaretlemek, filtrelemek ve aramak için işlemelerine olanak tanıyan etkileşimli bir arayüzde görüntülüyor.

Bir yumak ipliği çözmek

NeuroTrALE’nin tanımlayıcı özelliklerinden biri, aktif öğrenme adı verilen kullandığı makine öğrenme tekniğidir. NeuroTrALE’nin algoritmaları, mevcut beyin görüntüleme verilerine dayanarak gelen verileri otomatik olarak etiketlemek üzere eğitilmiştir, ancak yabancı veriler hata potansiyeli sunabilir. Aktif öğrenme, kullanıcıların hataları manuel olarak düzeltmesine olanak tanır ve algoritmaya benzer verilerle karşılaştığında bir dahaki sefere iyileştirmeyi öğretir. Otomasyon ve manuel etiketlemenin bu karışımı, kullanıcıya çok daha az yük bindirerek doğru veri işlemeyi garanti eder.

“Bir yumak ipliğin röntgenini çektiğinizi düşünün. Tüm bu çapraz, üst üste binen çizgileri görürsünüz,” diyor laboratuvarın Homeland Decision Support Systems Group’undan Michael Snyder. “İki çizgi kesiştiğinde, bu, yumak parçalarından birinin 90 derecelik bir bükülme yaptığı anlamına mı gelir, yoksa biri düz yukarı, diğeri düz üzerinden mi gidiyor? NeuroTrALE’nin aktif öğrenmesiyle, kullanıcılar bu yumak ipliklerini bir veya iki kez izleyebilir ve algoritmayı bunları doğru bir şekilde ileriye doğru takip etmesi için eğitebilir. NeuroTrALE olmadan, kullanıcı her seferinde yumak ipliği veya bu durumda insan beyninin aksonlarını izlemek zorunda kalırdı.” Snyder, NeuroTrALE ekibinde çalışan David Chavez ile birlikte bir yazılım geliştiricisidir.

NeuroTrALE etiketleme yükünün büyük kısmını kullanıcıdan aldığı için araştırmacıların daha fazla veriyi daha hızlı işlemesine olanak tanır. Ayrıca, akson izleme algoritmaları, hesaplamaları aynı anda birden fazla GPU’ya dağıtmak için paralel hesaplamayı kullanır ve bu da daha hızlı, ölçeklenebilir işlemeye yol açar. Ekip, NeuroTrALE’yi kullanarak, geleneksel AI yöntemlerine kıyasla 32 gigabayt veriyi işlemek için gereken hesaplama süresinde %90’lık bir azalma gösterdi .

Ekip ayrıca veri hacminde önemli bir artışın işleme süresinde eşdeğer bir artışa dönüşmediğini gösterdi. Örneğin, yakın zamanda yapılan bir çalışmada , veri kümesi boyutunda %10.000’lik bir artışın, iki farklı türde merkezi işlem birimi kullanılarak toplam veri işleme süresinde yalnızca %9 ve %22’lik bir artışa yol açtığını gösterdiler.

“İnsan beyninde 100 trilyon bağlantı yapan tahmini 86 milyar nöronla, tek bir beyindeki tüm aksonları elle etiketlemek ömürler alırdı,” diye ekliyor projenin algoritma geliştiricilerinden Benjamin Roop. “Bu araç, yalnızca bir birey için değil, birçok birey için bağlantı haritalarının oluşturulmasını otomatikleştirme potansiyeline sahip. Bu, beyin hastalıklarını nüfus düzeyinde incelemenin kapısını açıyor.”

Keşfe giden açık kaynaklı yol

NeuroTrALE projesi, Lincoln Laboratuvarı ile MIT kampüsündeki Profesör Kwanghun Chung’un laboratuvarı arasında dahili olarak finanse edilen bir iş birliği olarak oluşturuldu . Lincoln Laboratuvarı ekibi, Chung Laboratuvarı araştırmacılarının MIT SuperCloud’a akan büyük miktardaki beyin görüntüleme verilerinden yararlı bilgiler analiz edip çıkarabilmeleri için bir yol oluşturmalıydı . MIT araştırmalarını desteklemek için Lincoln Laboratuvarı tarafından çalıştırılan bir süper bilgisayardı. Lincoln Laboratuvarı’nın yüksek performanslı bilgi işlem, görüntü işleme ve yapay zeka konusundaki uzmanlığı, bu zorluğun üstesinden gelmek için onu olağanüstü derecede uygun hale getirdi.

2020’de ekip NeuroTrALE’yi SuperCloud’a yükledi ve 2022’de Chung Lab sonuçlar üretiyordu. Science’da yayınlanan bir çalışmada , Alzheimer hastalığıyla ilişkili olarak prefrontal korteks hücre yoğunluğunu ölçmek için NeuroTrALE’yi kullandılar; hastalıktan etkilenen beyinlerin belirli bölgelerinde hücre yoğunluğu, hastalıktan etkilenmeyenlere göre daha düşüktü. Aynı ekip ayrıca beyinde zararlı nöroliflerin Alzheimer’dan etkilenen beyin dokusunda nerede dolanma eğiliminde olduğunu da buldu.

NeuroTrALE üzerindeki çalışmalar, NeuroTrALE’nin yeteneklerini geliştirmek için Lincoln Laboratuvarı finansmanı ve Ulusal Sağlık Enstitüleri’nden (NIH) gelen finansmanla devam etti. Şu anda, kullanıcı arayüzü araçları, nörobilim verileri için açık kaynaklı, web tabanlı bir görüntüleyici uygulaması olan Google’ın Neuroglancer programıyla entegre ediliyor . NeuroTrALE, kullanıcıların açıklamalı verilerini dinamik olarak görselleştirme ve düzenleme ve birden fazla kullanıcının aynı anda aynı verilerle çalışma becerisini ekler. Kullanıcılar ayrıca açıklama görevlerini kolaylaştırmak için çokgenler, noktalar ve çizgiler gibi bir dizi şekil oluşturabilir ve düzenleyebilir ve yoğun bölgelerdeki nöronları ayırt etmek için her açıklama için renk gösterimini özelleştirebilir.

“NeuroTrALE, konteynerler aracılığıyla bağımsız, sanal, bulut ve yüksek performanslı bilgi işlem ortamlarında kolayca ve hızla dağıtılabilen platformdan bağımsız, uçtan uca bir çözüm sunuyor.” diyor laboratuvarın Yapay Zeka Teknolojisi Grubu’ndan yüksek performanslı bilgi işlem mühendisi Adam Michaleas . “Ayrıca, veri görselleştirme ve eş zamanlı içerik incelemesi yoluyla nörobilim topluluğu içinde gerçek zamanlı iş birliği için yetenekler sağlayarak son kullanıcı deneyimini önemli ölçüde iyileştiriyor.”

NIH’nin araştırma ürünlerini paylaşma misyonuyla uyumlu olması için , ekibin hedefi NeuroTrALE’yi herkesin kullanabileceği tamamen açık kaynaklı bir araç haline getirmek. Ve Gjesteby, bu tür bir aracın, araştırma ve nihayetinde ilaç geliştirme için insan beyninin tamamını haritalama nihai hedefine ulaşmak için ihtiyaç duyulan şey olduğunu söylüyor. “Bu, verilerin ve algoritmaların herkes tarafından paylaşılması ve erişilmesinin amaçlandığı, topluluk tarafından yapılan bir tabandan çabadır.”

NeuroTrALE’nin akson izleme , veri yönetimi ve  etkileşimli kullanıcı arayüzü için kod tabanları  açık kaynaklı lisanslar aracılığıyla herkese açıktır.  NeuroTrALE’yi kullanma hakkında daha fazla bilgi için  lütfen Lars Gjesteby ile iletişime geçin.

Kaynak ve devamına Buradan ulaşabilirsin.