در دهه گذشته، جامعه علوم اعصاب با استفاده از روش های تصویربرداری با وضوح بالا مانند میکروسکوپ الکترونی و میکروتوموگرافی اشعه ایکس برای درک بهتر ساختار و آناتومی سیستم های عصبی، مجموعه داده های بزرگی را جمع آوری کرده است. با این حال، تنوع قابل توجهی در نحوه جمع آوری و حاشیه نویسی داده ها وجود دارد که توانایی محققان را برای استفاده موثر از این سرمایه گذاری عمومی بزرگ محدود می کند.
محققان آزمایشگاه فیزیک کاربردی جانز هاپکینز (APL) در لورل، مریلند، از مهندسی سیستم‌ها و تخصص علمی آزمایشگاه برای گرد هم آوردن ذینفعان مختلف و توسعه استانداردهایی برای این مجموعه‌های داده با وضوح بالا استفاده می‌کنند. این داده‌ها شامل نقشه‌های شگفت‌انگیز مغز در مقیاسی بی‌سابقه است که در آن دانشمندان می‌توانند مستقیماً ارتباطات فردی بین سلول‌ها را با وضوح تنها چند نانومتر مشاهده و مطالعه کنند.
ویل گری رونکال، مهندس برق در بخش تحقیقات و توسعه اکتشافی APL (REDD) و محقق اصلی BENCHMARK (Electron Big-Data) گفت: “ما با اطمینان از اینکه داده ها و محصولات تجزیه و تحلیل قابل مقایسه و قابل تکرار هستند، سرمایه گذاری در تحقیقات علوم اعصاب را به میزان قابل توجهی افزایش خواهیم داد.” میکروسکوپی برای فرضیه‌های جدید جامعه: اندازه‌گیری و استخراج دانش، با کمک مالی ۱.۳ میلیون دلاری پروژه تحقیقاتی بنیاد از مؤسسه ملی بهداشت (NIH).
BENCHMARK یک پروژه کلیدی در ابتکار BRAIN NIH است که هدف آن انقلابی کردن درک مغز انسان است. این آژانس می‌گوید با تسریع توسعه و استفاده از فناوری‌های نوآورانه، محققان می‌توانند تصویر جدیدی پویا از مغز ایجاد کنند که برای اولین بار نشان می‌دهد که سلول‌های منفرد و مدارهای عصبی پیچیده در زمان و مکان چگونه با هم تعامل دارند. انتظار می رود که استفاده از این ابزارها و فناوری ها در نهایت منجر به راه های جدیدی برای درمان و پیشگیری از اختلالات مغزی شود.
یادداشت های گری-رونکال، تلاش های قبلی NIH BRAIN Initiative استانداردهایی را برای جمع آوری داده ها در میکروسکوپ نوری، تصویربرداری رزونانس مغناطیسی عملکردی، الکتروفیزیولوژی و ژنومیک ایجاد کرده است. اما تاکنون، ایجاد چنین مجموعه ای از دستورالعمل ها برای داده های ساختاری در مقیاس بزرگ مانند میکروسکوپ الکترونی (EM) و میکروتوموگرافی اشعه ایکس (XRM) انجام نشده است.
این تیم قصد دارد این استانداردها را در چند مرحله ارائه کند که شامل ادغام آنها می شود BossDBیک پایگاه داده عمومی علوم اعصاب که توسط APL ساخته و نگهداری می شود که شامل متنوع ترین مجموعه ای از تصاویر مغز میکروسکوپ الکترونی در جهان است.
“با ترکیب انبار داده ها، پردازش داده ها و پرس و جو بین مجموعه های داده در یک اکوسیستم واحد، هدف ما ایجاد سطح جدیدی از علم ثانویه در مجموعه داده های غنی تولید شده توسط جامعه علوم اعصاب است که به دموکراتیزه کردن علم برای تیم های تحقیقاتی که ممکن است قادر به انجام آن نباشند کمک کند. خود را مونتاژ کنند.
هدف دیگر این تلاش، توسعه دستورالعمل‌هایی برای حاشیه‌نویسی، فراداده، و سایر محصولات مشتق‌شده از داده‌های EM و XRM است تا از ابزارهای پردازش متقابل و نتایج ثابت از پردازش پایین‌دستی این داده‌ها اطمینان حاصل شود. گری-رونکال توضیح داد: «به عنوان مثال، می‌توانیم الگوهای سیم‌کشی ساختاری بین کرم‌ها، مگس‌ها، موش‌ها و انسان‌ها را مقایسه کنیم و ابزارها و پارادایم‌هایی را ایجاد کنیم که به افراد دیگر اجازه می‌دهد تا بر اساس این پرسش‌ها و پرسش‌های خود را ایجاد کنند.
شرکت کنندگان در انجمن تحقیقات یکپارچه APL برای نوآوری و نوآوری در مقطع کارشناسی – یا زنجیر – برنامه نقش مهمی در توسعه نمونه اولیه موتور پرس و جو ابرداده ایفا کرد، از جمله مورگان سانچز، که اکنون در حال تحصیل دکترا در هاروارد است، و دیمون مور، همکار APL GEM و دانشجوی کارشناسی ارشد در دانشگاه درکسل.
اریک جانسون، دانشمند و مهندس کامپیوتر REDD که به عنوان مدیر پروژه برای BENCHMARK خدمت می کند، گفت: بخش مهمی از ایجاد این استانداردها ایجاد اجماع در بین جامعه است.
این یک مرز فوق‌العاده هیجان‌انگیز است، اما برخی از سوالاتی که ما می‌پرسیم این سوالات تقریبا فریبنده‌ای ساده هستند، به این معنا که شاید یک قرن و نیم است که در حال مطالعه علوم اعصاب بوده‌ایم و نمی‌توانیم به آنها پاسخ دهیم. سوال “چند سیناپس در بدن قارچ مگس سرکه وجود دارد؟” جانسون گفت: “چند سیناپس در لایه دوم قشر موش وجود دارد؟”
او ادامه داد: «تنها در دهه گذشته است که به نقطه‌ای رسیده‌ایم که حتی این سؤال‌ها را می‌پرسیم». و با این تلاش‌ها، امیدواریم همه چیز را در قالبی قرار دهیم که هر کسی بتواند این پاسخ‌ها را دریافت کند.» فکر می‌کنم هر چه بیشتر به آن بپردازیم، سؤالات هیجان‌انگیزتر می‌شوند.”
مطالعه بیشتر: پیشرفت زیادی در استانداردسازی رابط‌ها برای داده‌های تصویربرداری فضایی در مقیاس بزرگ صورت گرفته است، اما برای استانداردسازی حاشیه‌نویسی‌ها، به‌ویژه ابرداده‌های مرتبط با واحدهای عصبی آناتومیک، به کار بیشتری نیاز است. که در “یک رویکرد زبان طبیعی قابل استفاده مجدد برای ذخیره و پرس و جو از حاشیه نویسی های Connectomics“- منتشر شده در ماه مه در مرزها در نورو انفورماتیک – سانچز، مور و نویسندگان همکار، ملاحظات طراحی کلیدی و مورد استفاده ای را که برای ابرداده های مجموعه داده در مقیاس بزرگ اخیر ایجاد شده است، به اشتراک می گذارند.
این مطالب بر اساس کارهایی است که توسط مؤسسه ملی بهداشت کمک های مالی R01MH126684، R24MH114799، R24MH114785 تحت برنامه انفورماتیک ابتکار مغز NIH پشتیبانی می شود.
