Hermosäikeiden eristeenä toimiva, rasvaisen aineen muodostama myeliinituppi on välttämätön aivosolujen normaalille nopealle viestinnälle. Myeliinirakenteiden muodostama kuviointi vaihtelee huomattavasti aivokudoksen eri alueilla. Itä-Suomen yliopiston tutkijat ovat kehittäneet tietokonemenetelmän, joka pystyy mittaamaan näitä kuviointeja automaattisesti aivokuvista. Tulokset julkaistiin Brain Structure and Function -lehdessä.
Haasteena myeliinikuvioiden mittaaminen
Mikroskoopin näkymän muuttaminen mitattavaksi ja vertailtavaksi tiedoksi on ollut tutkijoille pitkäaikainen haaste. Se on perinteisesti ratkaistu värjäämällä kudosleikkeitä ja analysoimalla niitä silmämääräisesti alue kerrallaan. Määrällisenä mittarina on käytetty esimerkiksi värjäytymisen voimakkuutta. Näillä keinoilla ei kuitenkaan tavoiteta myeliinin rakenteen todellista monimutkaisuutta.
– Myeliini peittää suurimman osan aivojen hermosolujen viejähaarakkeista eli aksoneista ja muodostaa niiden kanssa hyvin monenlaisia rakenteita. Joillakin aivoalueilla, kuten aivokurkiaisessa ja näköhermossa, myelinoituneet aksonit ovat tiheästi pakkautuneita ja samansuuntaisia. Toisilla alueilla, kuten aivokuorella, niiden tiheys vaihtelee ja samoin suunta selkeästi yhdensuuntaisista aksoneista verkkomaisiin rakenteisiin ja erilaisiin välimuotoihin. Tarvitsimme keinon mitata näitä rakenteita kunnolla, eikä vain silmämääräisellä kuvailulla tai yksinkertaistavilla mittareilla, kuten värjäytymisen voimakkuudella, sanoo väitöskirjatutkija Melina Estela Itä-Suomen yliopiston A. I. Virtanen -instituutista.
Kuvioista numeroiksi
Uusi menetelmä jakaa jokaisen kudoskuvan pieniin ruutuihin ja tiivistää kunkin ruudun sisältämän tiedon pieneksi lukujoukoksi niin sanotun konvoluutioautoenkooderin avulla. Ryhmittelemällä numeroarvoiltaan samankaltaiset ruudut yhteen saadaan karttoja, jotka jakavat kudoksen automaattisesti erityispiirteiltään erilaisiin alueisiin, karkeammasta valkean ja harmaan aineen jaottelusta aina hienovaraisempiin rakenteisiin esimerkiksi hippokampuksen eri alueilla ja aivokuoren eri kerroksissa.
Menetelmä havaitsee vauriot ilman ennakko-oletuksia
Menetelmän opettamiseen käytettiin kudoskuvia sekä terveestä että vaurioituneesta eläinten aivokudoksesta ja niistä saatuja karttoja vertailtiin keskenään. Laajoja valkean aineen ratoja kuvaava kartta oli vaurioituneessa kudoksessa pienentynyt, mikä heijasti suoraan aksonivauriota. Myös muiden karttojen osuudet erosivat terveen ja vaurioituneen kudoksen välillä, mikä viittaa hienovaraisempiin muutoksiin, joiden tulkitseminen vaatii vielä lisätutkimusta.
Miksi tämä on tärkeää?
Koska menetelmä ei vaadi manuaalista analyysiä, se voisi tehdä laajamittaisista aivokudostutkimuksista nopeampia ja yhdenmukaisempia. Lähestymistapaa voitaisiin soveltaa myeliinin lisäksi muihinkin kudosvärjäyksen kohteisiin, kudostyyppeihin ja eri sairauksiin.
Tutkimus sai rahoitusta EU:n Horisontti 2020 -ohjelman Marie Skłodowska Curie -toimista (sopimusnro 101034307) sekä Suomen Akatemian FAME-lippulaivaohjelmasta.
Lisätietoja:
Melina Estela, Itä-Suomen yliopisto, A. I. Virtanen -instituutti, [email protected]
Alejandra Sierra, Itä-Suomen yliopisto, A. I. Virtanen -instituutti, [email protected]
Tutkimusartikkeli:
Melina Estela, Raimo A. Salo, Isabel San Martín Molina, Omar Narvaez, Ville Kolehmainen, Jussi Tohka, Alejandra Sierra. Autoencoders for unsupervised analysis of rat myeloarchitecture. Brain Struct Funct 231, 141 (2026). https://doi.org/10.1007/s00429-026-03166-w
