Аннотация результатов, полученных в 2022 году
Проведенные нами в 2022 г. эксперименты с использованием мониторинга постсинаптической кальциевой активности у анестезированных крыс в мультифотонном режиме сканирования, сосредоточены на понимании того, как гломерулярные ответы на ортоназальную стимуляцию кодируют идентичность и концентрацию биомаркеров рака желудка и рака легких. На выборке из 10 крыс нами систематически изучено взаимодействие между тремя градациями концентрации четырех биомаркеров (бензол, толуол, 6-метил-5-гептен-2-он, циклогексил изотиоцианат) с пятью - десятью повторными предъявлениями на крысу для высокой статистической мощности. Обнаружено, что все протестированные биомаркеры представлены на дорсальной поверхности обонятельной луковицы. Мы установили, что величина ответа гломерул, нелинейно зависит от удельного давления паров биомаркеров (от концентрации). Мы также выполнили внутрииндивидуальное и межиндивидуальное сравнение гломерулярных паттернов представления биомаркеров. Для оценки межиндивидуальной активности мозга был реализован и апробирован новый метод сравнения функциональных карт и расчёта вероятностной карты гломерулярной активности с корректировкой индивидуальных карт, заключающейся во вращении, масштабировании и сдвиге функциональной карты относительно ее ожидаемого положения на вероятностной карте, вычисленной в соответствии с анатомическими координатами. В силу высокой степени межиндивидуальной и внутрииндивидуальной вариабельности пространственно-временных характеристик паттернов гломерулярной активности в ходе экспериментальных исследований, размытости и нестационарности активируемых гломерулярных кластеров, традиционные процедуры локализации и сегментации на основе применения пороговых функций или методов объединения (наращивания) областей оказались не эффективными. Поэтому для решения задачи поиска в составе каждого кадра видеоряда областей ROI, активируемых при предъявлении животному биомаркера, нами использована нейронная сеть простейшей архитектуры при неявном представлении с помощью радиальных базисных функций (РБФ) поверхности кадра видеоряда – поля функций яркости пикселов. В результате выполненных вычислительных экспериментов было получено, что применение сети с РБФ позволило сжать размерность набора данных в 27 раз при сохранении точности бинарной классификации событий «маркер присутствует» или «маркера нет» при отборе лишь 20% нод от общего их количества, т.е. при условии K’=0.2K. Таким образом, нами показана принципиальная возможность синтеза адекватной математической модели временно́й динамики детектированных областей изображений и, соответственно, возможность построения модели нейрооптического отклика для генерации выборки синтезированных нейрооптических откликов с целью обучения классификатора на синтезированных данных в парадигме последовательного дообучения. Для декодирования паттернов гломерулярных карт для детекции наличия биомаркеров, добавленных в образцы воздуха, выдыхаемого здоровыми добровольцами, нами разработана модель нейрооптического отклика для генерации выборки синтезированных нейрооптических откликов с целью обучения классификатора на синтезированных данных в парадигме последовательного дообучения. Представленная модель синтезированных данных позволяет генерировать наборы данных, достаточные для компенсации критического для подходов глубокого обучения отсутствия труднодоступных экспериментальных данных. Кроме того, нами было показано, что метод классификации CNN на основе триплетных потерь способен обеспечить достаточную точность, несмотря на высокую дисперсию данных. По нашим данным, благодаря использованию предварительного обучения на синтетических данных, точность увеличилась с 0,68 до 0,74. Это показывает возможность улучшения подходов трансферного обучения к задачам декодирования гломерулярных карт. Таким образом, в 2022 нами проведена успешная проверка работоспособности биогибридного подхода и апробация при обнаружении биомаркеров рака, добавленных в образцы выдыхаемого человеком воздуха. Этот подход сочетает в себе сильные стороны обонятельной чувствительности крыс и возможности компьютерного зрения и методов машинного обучения для обнаружения и распознавания паттернов гломерулярной активности, специфичных для биомаркеров.

Аннотация результатов, полученных в 2023 году
Проведенные нами в 2023 г. эксперименты с использованием мониторинга постсинаптической кальциевой активности дорсальной поверхности обонятельной луковицы (дОЛ) у анестезированных крыс в мультифотонном режиме сканирования, сосредоточены на изучении возможности оценки изменения концентрации компонентов в смесях летучих органических соединений - биомаркеров рака желудка (6-метил-5-гептен-2-он) и рака легких (бензол, толуол). Для моделирования повышения концентрации биомаркера у онкологических больных, концентрация одного из компонентов смеси - 6-метил-5-гептен-2-он варьировалась. Оценка, выполненная с помощью библиотеки CaImAn, продемонстрировала динамический диапазон чувствительности гломерул к одорантам в составе смесей в интервале от 2 до 3, что согласуется с данными литературы о динамическом диапазоне гломерул у мышей. Повышение концентрации одного из компонентов смеси - 6-метил-5-гептен-2-она в 10 раз, моделирующее повышение концентрации биомаркера у онкологических больных, сопровождается увеличением амплитуды относительных значений (df/f) компонент высокого качества (комплекса гломерул), активных при предъявлении двух- и трех-компонентных смесей. В то же время дифференциация двух- и трехкомпонентных смесей с разными комбинациями концентраций биомаркеров по гломерулярным ответам с помощью библиотеки CaImAn затруднена низким качеством большинства извлеченных временных компонент кальциевой активности. В качестве альтернативного метода для выявления пространственных компонент и связанной с ними активности биомаркеров при отдельном предъявлении и в составе смесей мы использовали сеть гауссовских радиальных базисных функций (РБФ) для интерполяции интенсивности флуоресценции изображений дОЛ. Выбрав количество нод скрытого слоя РБФ-сети примерно равным возможному числу гломерул на изображении дОЛ, мы перешли к модели флуоресценции гломерулярного поля. Вся информация о флуоресценции изображения дОЛ содержится в векторе весов гауссовских нод обученной РБФ-сети. Мы предположили, что дискретные временные ряды весов тех гауссовых нод, которые принадлежат запаховым паттернам, имеют упорядоченную временную структуру, а временные ряды весов нод, которые относятся к паттернам жизнедеятельности, будут ближе к стационарному стохастическому процессу. Чтобы идентифицировать узлы, связанные с паттернами, вызванными запахами, мы использовали сингулярный спектральный анализ. Проведенный численный эксперимент подтвердил эффективность разработанной процедуры идентификации. Рассмотренный подход позволяет визуализировать запаховые закономерности на дОБ-изображении и реконструировать карты их пространственной топографии в единой стереотаксической системе координат мозга грызунов. Визуализация и реконструкция карт пространственной топографии паттернов отдельных биомаркеров и их двух- и трехкомпонентных смесей в пиксельной системе координат на основе использования нейронной сети со слоем РБФ демонстрирует вытормаживание паттерна активации гломерул при повышении концентрации 6 метил 5 гептен-2-она как при одиночном предъявлении, так и в составе смеси, что, по-видимому, позволяет контролировать чувствительность к входным данным, поддерживая пространственные карты гломерулярной активности. Обнаружено, что паттерн активации трехкомпонентной смеси, содержащей 6-метил-5-гептен-2-он, может быть эффективно восстановлен (по крайней мере, в пределах сканируемой области) с помощью анализа реакции на один и из компонентов смеси. Большая часть (80 %) расхождений между картами обусловлена вытормаживанием гломерул, активированных отдельным предъявлением стимула. Таким образом, задача предсказания паттерна гломерулярной активности в ответ на трехкомпонентную смесь запахов бензол + толуол+ 6 метил 5 гептен-2-он на основании реакций на 6-метил-5 гептен-2-он, является разрешимой. Исходя из эффективности на реальных данных и на более реалистичном моделировании кальциевого отклика предложена гипотеза, что сохранив калибровочные данные нейросетевого классификатора, полученные на 1 этапе проекта, можно различить реакцию крысы на запах в контрольном эксперименте с отдельным предъявлением биомаркера рака желудка 6-метил-5-гептен-2-она и на запах в эксперименте с предъявлением двухкомпонентных и трехкомпонентных смесей биомаркеров, включающих бензол, толуол, 6-метил-5-гептен-2-он. Для автоматического детектирования стимул-специфических откликов гломерул на биомаркеры: бензол, толуол, 6-метил-5-гептен-2-он с помощью нейросетевого классификатора, основанного на глубоком обучении, с использованием триплетной функции потерь, рассмотрена выборка данных (последовательностей изображений нейрооптических откликов на одоранты) двух крыс. Исходя из эффективности на реальных данных и на моделировании кальциевого отклика из 10 кодировщиков, предобученных на искусственных данных, выбран кодировщик №3 с наибольшей метрикой точности на валидационной выборке в сценарии с нормальным предобучением: сначала выполнялось предобучение на искусственных данных, затем – обучение на реальных данных. Точность на конец обучения составила 0.928. Вычислены евклидовы расстояния между энкодингами, соответствующими высокой концентрации эталонного вещества (6-метил 5 гептен-2-он), и энкодингами, соответствующими проверочным одорантам. Расстояния между энкодингами эталонных веществ и одорантов типа «помеха», как правило, не больше, чем между энкодингами эталонных запахов и энкодингами эталона в смеси. Для одной из протестированных крыс расстояния между энкодингами эталонного вещества и энкодингами одорантов типа «помеха» (бензол, толуол) больше, чем расстояния до энкодинга эталонного вещества в смеси с другими веществами, что говорит об успешном обучении кодировщика. Однако, аналогичные расстояния для другого животного отличаются слабо, что указывает на недостаточную обобщающую способность. Предполагается, что в перспективе расширение обучающей выборки добавлением данных в том же формате по другим крысам позволит повысить обобщающую способность основанного на глубоком обучении нейросетевого классификатора.