Automatische Analyse von Ultrastrukturen der synaptischen Verbindungen in sehr großen Elektronenmikroskop Daten

• Antragstellerin: Anna Kreshuk, Ph.D.
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Kognitive und systemische Humanneurowissenschaften
• Förderung: Förderung von 2014 bis 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 252629829

Connectomics ist ein aufstrebendes Teilgebiet der Neurowissenschaft. Ziel ist die Beziehung zwischen dem anatomischen Aufbau von neuronalen Schaltkreisen und deren Funktionalität herzustellen. Im Wesentlichen bestehen die neuronalen Schaltkreise aus Neuronen, den funktionalen Elementen, und deren Verbindungen, den Synapsen. Zur Rekonstruktion der Schaltkreise ist ein großes dreidimensionales Bildfeld nötig, da sich die Neuronen über weite Gebiete verzweigen können. Bei der Aufnahme der Daten muss also eine Auflösung im Nanometerbereich für alle Raumdimensionen gewährleistet sein. Dies wird durch hochauflösende elektronenmikroskopische Aufnahmen vieler dünner, jeweils benachbarter, Querschnitte durch das zu untersuchende Gewebe erreicht. Die Analyse der synaptischen Verbindungen ist auf eine Lokalisierung der vergleichsweise kleinen Regionen in den typischerweise Terabyte großen Datensätzen angewiesen. Die manuelle Lokalisierung ist schon für kleinere Ausschnitte schwierig, sehr zeitaufwändig und fehleranfällig. Für Volumen, die auch nur kurze Schaltkreise einschließen stellt sich diese Aufgabe als fastunlösbar heraus. Dies hat in der Vergangenheit den Fortschritt des Connectomics Projektes verhindert. In den vergangenen Jahren wurden Algorithmen entwickelt die einerseits die Segmentierung der Neuronen und andererseits die Detektierung und Segmentierung der Synapsen ermöglichen. Auf Volumen mit isotroper Auflösung ist es bisher möglich Synapsen zuverlässig zu detektieren. Allerdings ist keine Segmentierung der Feinstruktur der Synapsen möglich. Auf Datensätzen mit anisotroper Auflösung ist selbst die Detektion der Synapsen nicht vollautomatisch möglich. Das hier vorgeschlagene Projekt zielt darauf ab, genau diese Probleme zu lösen. Um Synapsen zu lokalisieren und ihre quantitativen Eigenschaften zu extrahieren solle überwachtes maschinelles Lernen eingesetzt werden. Anhand eines kleinen, von Experten annotierten Ausschnittes wird der Algorithmus darauf trainiert, wesentliche Elemente der Feinstruktur von synaptischen Kontaktstellen zu erkennen. Er wird die verschiedenen Elemente zuerst unabhängig voneinander detektieren und diese dann mittels eines probabilistischen graphischen Modells verknüpfen. Der Algorithmus wird dann in ein benutzerfreundliches Softwarepaket integriert, das Neurowissenschaftlern eine interaktive Annotation erlaubt. Außerdem wird es möglich sein, mit dem einmal trainierten Algorithmus große Datenvolumen zu verarbeiten und die erhaltenen charakteristischen Eigenschaften der Synapsen für nachfolgende Analysen zu exportieren. Wir erwarten, dass der hier vorgestellte Algorithmus vollautomatisch eine der großen Herausforderungen der Analyse von neurobiologischen Daten, die Detektion von Synapsen, löst. Außerdem erwarten wir, dass unser Algorithmus auch für die Segmentierung der Neuronen helfen wird indem er relevante Regionen im Datenvolumen findet.

• DFG-Verfahren: Sachbeihilfen