A pipeline for fluorescence brain imaging using dynamic clustering and classification

In the recent years the research has seen an enormous effort in modeling, analyzing and describing brain dynamics. This work aims to give a contribute to this fi eld, by validating a pipeline to identify dynamic communities in mouse brain imaging data. Understanding the dynamic aspect of brain functioning has been for long ignored both for computational reason and for the lack of algorithms able to perform such type of analysis. Identifying dynamic communities represents a fundamental step in characterizing the behavior of the brain, in order to understand functional groups of neurons and their interactions. After validating the robustness and signi cance of the pipeline, the statistics collected from the brains are used to train a machine learning algorithm which is able to classify a young brain from a old one with an accuracy of 92%. A biological hypothesis for this difference is formulated and tested through the injection of a drug that slows down synapses, and the new machine learning algorithm reaches an accuracy of 82% validating this hypothesis. This last results sheds lights on the possibility to use this pipeline as the source of input data for a classi cation algorithm that could differentiate between different types of brains as well as illnesses (e.g. Alzheimer) and at the same time offers insights on the reasons why a certain difference exists.

Negli ultimi anni la ricerca ha compiuto uno sforzo enorme nel modellare, analizzare e descrivere le dinamiche del cervello. Questo lavoro mira a dare un contributo in questo campo attraverso l'analisi e la validazione di una pipeline per identi ficare comunitá neuronali dinamiche partendo da immagini del cervello di topi. Capire la dinamicitá nel funzionamento del cervello é un aspetto che é stato ignorato per molto sia per motivi legati a limiti computazionali sia per la mancanza di algoritmi capaci di eseguire questo tipo di analisi. Identi ficare le comunitá dinamiche rappresenta un passo fondamentale nel caratterizzare il funzionamento del cervello, al fi ne di capire quali siano i gruppi funzionali di neuroni e quali le loro interazioni. Dopo aver validato la robustezza e la signi cativitá della pipeline, un algoritmo di machine learning stato addestrato attraverso le statistiche ottenute delle comunitá dinamiche neuronali al fi ne di classifi care cervelli giovani da cervelli anziani con una precisione del 92%. A seguito di tale classi cazione un'ipotesi biologica per motivare tale differenza é stata formulata e testata attraverso l'iniezione di una droga che rallenta le sinapsi. In seguito l'algoritmo di machine learning é stato addestrato sul dataset dei topi drogati, ottenendo una precisione nella predizione del 84%, validando l'ipotesi per cui cervelli anziani sono caratterizzati da sinapsi lente. Quest'ultimo risultato apre la strada all'uso di questa pipeline al fi ne di distinguere tipi diversi di cervelli cosí come tipi di malattie (e.g. Alzheimer) e allo stesso tempo offre preziose intuizioni sulle ragioni delle differenze fra cervelli.