Az idegsejtek közötti kommunikáció alapja elsősorban a neuronok szinaptikus kapcsolatain alapszik, melynek szabályozásában kiemelkedően fontos szerepet tölt be a visszacsatolás elvén működő endokannabinoid jelátvitel. A preszinaptikusan elhelyezkedő CB1 kannabinoid receptor aktivációja a kalcium csatornák blokkolásához vezet, mely a beáramló kalcium mennyiségét, ezáltal a neurotranszmissziót csökkenti. Habár az endokannabinoid rendszer fő alkotóit már régóta ismerjük, keveset tudunk arról, hogy mennyiségük és nanoskálájú elhelyezkedésük hogyan befolyásolja a jelátvitel különböző formáinak megjelenését, hatékonyságát az egyes sejttípusokban. Ennek megértéséhez kiemelten fontos az élettani, anatómiai és molekuláris vizsgálatok korrelálása. A preszinaptikus kalcium koncentráció változása egy axonterminálisban kétfoton mikroszkópiával, az endokannabinoid rendszer alkotóinak nanoskálájú elhelyezkedése pedig szuperrezolúciós mikroszkópiával vizsgálható, azonban nem létezik módszer ennek a két technikának az együttes alkalmazására. Ezért tudományos diákköri munkám során célul tűztem ki egy új munkafolyamat kidolgozását, mely ezt a két módszert kapcsolja össze.
Ennek megvalósításához ImageJ, Python és NIKON makró nyelven írt programokat készítettünk, és lehetségessé tettük, hogy az ugyanabban az axonterminálisban mért kétfoton kalcium jelet korreláljuk a fehérjék nanoskálájú elhelyezkedésével. Ezzel az új módszerrel lehetővé vált az endokannabinoid és más jelátviteli rendszerek korrelált funkcionális és anatómia vizsgálata, mely nagyon hasznos lesz az élettani tulajdonságokat meghatározó nanoskálájú molekuláris szerveződési elvek felderítésére.
Az endokannabinoid rendszer hatékonysága különbözik az egyes sejttípusokban, ezért szükség van sejttípus-specifikus vizsgálatokra. Kutatócsoportunk korábban a hippokampuszban két CB1-pozitív sejttípus elkülönítésére egy objektív, ám időigényes eljárást dolgozott ki. Ennek továbbfejlesztésére egy mély tanuló modellt készítettem, mely a tanítóhalmazon 98%-os, a teszthalmazon 72%-os helyes osztályozást ért el. Ez azt jelenti, hogy a modell képes megtanulni a típusok elkülönítését, azonban még nem megfelelő az általánosító képessége, mely a modell komplexitásának csökkentésével javítható.
A mély tanuló modell kezdeti eredményei biztatóak, a jövőben célunk a teszthalmazon elért eredmény javítása, és a mély tanuló modell alkalmazása az osztályozást segítő manuális munka helyett.