أداة مفتوحة المصدر تُساعد على فكّ تشابك الدماغ

في أواخر عام 2023، وافقت إدارة الغذاء والدواء الأمريكية على أول دواء يُحتمل أن يُبطئ من تطور مرض ألزهايمر. ويُعد ألزهايمر واحدًا من عدة اضطرابات عصبية مُضعفة تُؤثر على ثلث سكان العالم، وعلى رغم أن الدواء الجديد يُعد خطوة إيجابية، فلا يزال هناك طريق طويل للفهم الكامل لهذا الاضطراب وغيره من الأمراض المشابهة.

يقول لارس جيستبي، عضو الطاقم الفني ومطور الخوارزميات من مجموعة أنظمة صحة الإنسان وأدائه في مختبر لينكولن التابع لـ MIT: “إعادة بناء تعقيدات كيفية عمل الدماغ البشري على مستوى الخلايا هو أحد أكبر التحديات في علم الأعصاب. يمكن أن تساعد أطلس الدماغ المُشبكة ذات الدقة العالية في تحسين فهمنا للأمراض من خلال تحديد الاختلافات بين الأدمغة السليمة والمريضة. ومع ذلك، فقد تعثرت التقدم بسبب نقص الأدوات لكي نُصوّر ونُعالج مُجمّعات بيانات تصوير الدماغ الكبيرة جدا”.

أطلس الدماغ المُشبكة هو في جوهره خريطة مُفصلة للدماغ يمكن أن تساعد في ربط المعلومات البنيوية بالوظيفة العصبية. لبناء مثل هذه الأطلس، يجب معالجة بيانات تصوير الدماغ وتوضيحها. على سبيل المثال، يجب تتبع كل محور عصبي أو ليّف رفيع يُربط بين الخلايا العصبية، وقياسه وتسميته بمعلومات. لا تُصمم الطرق الحالية لِمعالجة بيانات تصوير الدماغ، مثل البرامج المُستندة إلى أجهزة الكمبيوتر المكتبية أو الأدوات المُوجهة يدويًا، لِمعالجة مُجمّعات بيانات على نطاق الدماغ البشري. ونتيجة لذلك، يقضي الباحثون غالبًا وقتًا طويلًا في التنقل من خلال مُحيط من البيانات ال خام.

يقود جيستبي مشروعًا لبناء بيئة التتبع العصبي والتعلم النَشِط (NeuroTrALE)، وهو خط أنابيب برمجي يُجلب التعلم الآلي والحوسبة الفائقة، بالإضافة إلى سهولة الاستخدام والوصول إلى هذا التحدي في رسم خرائط الدماغ. يُؤتمت NeuroTrALE جزءًا كبيرًا من معالجة البيانات ويُعرض المخرجات في واجهة تفاعلية تُمكن الباحثين من تحرير البيانات والتلاعب بها لِتمييز أنماط معينة وتصفية البيانات والبحث عنها.

فكّ تشابك كرة الخيوط

واحدة من الخصائص المُحددة لِـ NeuroTrALE هي تقنية التعلم الآلي التي تُستخدم، وتُسمى التعلم النَشِط. يتم تدريب خوارزميات NeuroTrALE على تسمية البيانات الواردة تلقائيًا بناءً على بيانات تصوير الدماغ الموجودة، لكن البيانات غير المألوفة يمكن أن تُقدم إمكانية لِحدوث أخطاء. يُمكن لِـ التعلم النَشِط المُستخدمين من تصحيح الأخطاء يدويًا، وتعليم الخوارزمية لِتحسين الأداء في المرة القادمة التي تُصادف بيانات مُشابهة. يُضمن هذا المزيج من التلقائية والتسمية اليدوية معالجة بيانات دقيقة مع عبء أقل كثيرًا على المُستخدم.

يقول مايكل شنايدر، من مجموعة أنظمة دعم قرارات الوطن في المختبر: “تخيل أخذ أشعة سينية لكرة من الخيوط. سترى كل هذه الخطوط المُتداخلة المُتداخلة. عندما تتقاطع خطان، هل يعني ذلك أن أحد قطع الخيوط يُشكل انحناءً بزاوية 90 درجة، أم أن واحدًا يذهب مستقيمًا للأعلى والآخر يذهب مستقيمًا للأعلى؟ مع التعلم النَشِط في NeuroTrALE، يمكن لِـ المُستخدمين تتبع هذه خيوط الخيوط مرة أو مرتين وتدريب الخوارزمية على تتبعها بشكل صحيح مُتقدمًا. بدون NeuroTrALE، سيتعين على المُستخدم تتبع كرة الخيوط، أو في هذه الحالة محاور الدماغ البشري، في كل مرة”. شنايدر هو مُطور برمجيات في فريق NeuroTrALE مع عضو الطاقم ديفيد تشافيز.

لأن NeuroTrALE يُزيل جزءًا كبيرًا من عبء التسمية من المُستخدم، فإنه يُمكن الباحثين من معالجة بيانات أكثر سرعة. علاوة على ذلك، تُستغل خوارزميات تتبع المحاور الحوسبة المُتوازية لِتوزيع الحسابات على عدة وحدات معالجة رسومية في وقت واحد، مما يُؤدي إلى معالجة أسرع و قابلة لِلتوسع. باستخدام NeuroTrALE، أظهر الفريق انخفاضًا بنسبة 90 في المئة في وقت الحوسبة اللازم لِمعالجة 32 غيغابايت من البيانات على الطرق الذكاء الاصطناعي التقليدية.

أظهر الفريق أيضًا أن زيادة كبيرة في حجم البيانات لا تُترجم إلى زيادة مُكافئة في وقت المعالجة. على سبيل المثال، في دراسة أُجريت مؤخرًا، أظهروا أن زيادة بنسبة 10.000 في المئة في حجم مُجمّع البيانات أدت إلى زيادة بنسبة 9 في المئة فقط و 22 في المئة في إجمالي وقت معالجة البيانات، باستخدام نوعين مُختلفين من وحدات معالجة المركزية.

يُضيف بنجامين روب، أحد مُطوري الخوارزميات في المشروع: “مع وجود 86 مليار خلية عصبية مُقدرة تُشكل 100 تريليون اتصال في الدماغ البشري، ستستغرق تسمية جميع المحاور في دماغ واحد يدويًا عمرًا. تُمكن هذه الأداة من أتمتة إنشاء مُجمّعات الوصلات لِـ فرد واحد فقط، ولكن لِـ العديد. يُفتح ذلك الباب لِـ دراسة أمراض الدماغ على مستوى السكان”.

الطريق المفتوح لِـ الاكتشاف

تُشكل مشروع NeuroTrALE تعاونًا مُمولًا داخليًا بين مختبر لينكولن ومختبر البروفيسور كوانغون تشونغ في حرم جامعة MIT. كان فريق مختبر لينكولن يحتاج إلى بناء طريقة لِـ باحثي مختبر تشونغ لِـ تحليل واستخراج معلومات مُفيدة من كمية بيانات تصوير الدماغ الكبيرة التي تتدفق إلى MIT SuperCloud – وهو حاسوب فائق تُشغّله مختبر لينكولن لِـ دعم أبحاث MIT. كانت خبرة مختبر لينكولن في الحوسبة الأداء العالي و معالجة الصور و الذكاء الاصطناعي مُناسبة بشكل استثنائي لِـ معالجة هذا التحدي.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي