pmid: "37222450"
title: "Engenharia reversa mediada por estimulação de redes neurais silenciosas."
authors: "Ren X, Bok I, Vareberg A, Hai A"
journal: "Journal of neurophysiology"
pubdate: "2023 Jun 01"
doi: "10.1152/jn.00100.2023"
source: "PMC Full Text"
Engenharia reversa mediada por estimulação de redes neurais silenciosas.
Autores
Ren X, Bok I, Vareberg A, Hai A
Periodico
Journal of neurophysiology (2023 Jun 01)
Conteudo
Estimulação mediada por engenharia reversa de redes neurais silenciosas
A reconstrução da conectividade de redes neuronais a partir da atividade de células individuais é essencial para compreender a função cerebral, mas o desafio de decifrar conexões a partir de populações de neurônios silenciosos tem sido amplamente não atendido. Demonstramos um protocolo para derivar a conectividade de redes neurais silenciosas simuladas usando estimulação combinada com um algoritmo de aprendizado supervisionado, que permite inferir pesos de conexão com alta fidelidade e prever trens de disparos nos níveis de disparo único e célula única com alta precisão. Aplicamos nosso método em gravações corticais de ratos alimentadas por um circuito de neurônios integra-e-dispara com vazamento conectados de forma heterogênea, disparando em distribuições lognormais típicas, e demonstramos desempenho melhorado durante a estimulação para múltiplas subpopulações. Essas previsões testáveis sobre o número e o protocolo das estimulações necessárias devem aprimorar futuros esforços para derivar conectividade neuronal e impulsionar novos experimentos para melhor compreender a função cerebral.
NOVO & NOTÁVEL Apresentamos um novo conceito para engenharia reversa de redes neurais silenciosas usando um algoritmo de aprendizado supervisionado combinado com estimulação. Quantificamos o desempenho do algoritmo e a precisão da derivação de pesos sinápticos em subpopulações inibitórias e excitatórias. Em seguida, mostramos que a estimulação permite decifrar a conectividade de circuitos heterogêneos alimentados com gravações reais de conjuntos de eletrodos, o que pode se estender no futuro para decifrar conectividade em amplas redes neurais biológicas e artificiais.
INTRODUÇÃO
Decifrar a função de redes neurobiológicas depende da determinação adequada da conectividade no nível neuronal individual. Revelar a conectividade específica do circuito e como ela medeia os disparos neuronais pode então levar a terapias mais eficazes para distúrbios cerebrais. Diferentes metodologias têm sido usadas para derivar o acoplamento neural no nível neuronal e no nível regional do cérebro. Esforços atuais envolvem reconstruir conexões estruturais altamente detalhadas ou derivar conexões monossinápticas putativas a partir de gravações eletrofisiológicas em larga escala e imageamento óptico. Apesar da crescente disponibilidade e maior precisão das modalidades de imageamento neurológico, as gravações eletrofisiológicas multiplexadas de potenciais de ação por matrizes de microeletrodos (MEAs) ainda são a entrada principal para decodificar a conectividade em resolução de microcircuitos. As MEAs fornecem leituras em escalas cada vez maiores, com sondas recentes capazes de fornecer gravações in vivo de até milhares de unidades simultaneamente.
A maioria dos estudos depende principalmente de unidades ativas para derivar a conectividade e exclui em grande parte neurônios que não disparam ou são minimamente ativos. No entanto, diversos grupos apresentam evidências de que mais da metade dos neurônios no cérebro são silenciosos, disparando em frequências muito baixas e tendo campos receptivos altamente especializados. Neurônios minimamente ativos não disparam espontaneamente nem participam de atividade oscilatória, mas geralmente disparam a taxas de 1 spike/min ou menos, com alguns grupos relatando frequências tão baixas quanto 0,001 Hz, dependendo da região cerebral e da tarefa estudada. A proporção de neurônios silenciosos em um tecido cerebral típico varia, variando entre pelo menos 10–20% no córtex sensorial e até 66% no córtex motor. Baixas taxas de disparo limitam a precisão da reconstrução da rede, devido ao conteúdo inerentemente baixo de informação em condições basais. Estimulação elétrica, estimulação sensorial e manipulações neurofarmacológicas são frequentemente usadas em pesquisas neurobiológicas para perturbar um sistema acima da linha de base e, portanto, poderiam ativar neurônios silenciosos e assim melhorar a inferência da conectividade da rede.
Neste trabalho, demonstramos um método de aprendizado supervisionado para analisar o uso da estimulação na determinação da conectividade entre neurônios pós-sinápticos e populações heterogêneas de neurônios pré-sinápticos, tanto silenciosos quanto ativos. Testamos nosso método em trens de disparos simulados e o aplicamos em dados experimentais de matriz de multieletrodos de neurônios corticais de ratos, usando circuitos de modelos neuronais de integração e disparo com vazamento (LIF). Mostramos que épocas de estimulação repetitiva podem evocar atividade suficiente para determinar os pesos sinápticos de toda a população neuronal. Caracterizamos o desempenho do nosso algoritmo para determinar pesos de neurônios excitatórios, inibitórios e não conectados na população e comparamos a capacidade do método de prever trens de disparos. Esta abordagem apresenta uma nova plataforma para aumentar o desempenho de algoritmos de aprendizado para reconstruir redes neuronais e para usar a estimulação neuronal para decifrar circuitos cerebrais em larga escala.
MÉTODOS
Trens de Disparos de População Neuronal Simulada
Geramos trens de disparos para populações de neurônios (tamanho variando entre 200 e 2.000 células) registrados durante a resposta ao estímulo. Sessenta e seis por cento dos trens de disparos correspondiam a neurônios "silenciosos" [disparando a 1 spike/min, ou 0,017 Hz], e o restante correspondia a neurônios responsivos [taxa média de disparo era de 20 Hz]. Para redes perceptron feedforward, os disparos foram gerados por amostragem aleatória usando uma distribuição uniforme com probabilidade de 1/f, e para circuitos neuronais recorrentes, a distribuição dos disparos era lognormal (µ = 3,7 Hz, σ = 3,5 Hz). Além da condição acima, comparamos resultados usando trens de disparos simulados de uma população sem neurônios silenciosos, onde todas as 200 unidades disparavam a 20 Hz (rede hiperativa).
Modelo de Integração e Disparo Feedforward e Conectividade
Para redes perceptron feedforward, simulamos neurônios pós-sinápticos como neurônios simples de integração e disparo (IAF) recebendo entradas de 100 dos trens de disparos da população total. Oitenta entradas foram definidas como excitatórias (com pesos positivos) e 20 entradas foram definidas como inibitórias (com pesos negativos). Os pesos de entrada variaram entre [−8, 8] mV, amostrados aleatoriamente com distribuição uniforme. Os disparos no modelo IAF simples foram gerados pela soma das entradas a cada passo de tempo (intervalos de 1 ms) usando onde V é o potencial de membrana do neurônio pós-sináptico, xi é a entrada do neurônio populacional i, wi é o peso da entrada i, n = número total de neurônios, limiar = 20 mV (com potencial de membrana de repouso = 0 mV) e y é a saída de disparo do neurônio pós-sináptico. Todos os modelos foram construídos no MATLAB 2020a (MathWorks Inc, Natick, MA).
Circuitos Recorrentes de Integração e Disparo com Vazamento
Para circuitos recorrentes, usamos modelos neuronais de integração e disparo com vazamento (LIF) para permitir excitabilidade tônica em resposta à entrada. O disparo pós-sináptico no tempo t + Δt foi determinado por um mecanismo de limiar e reset: onde Vm é o potencial de membrana, Ve é o potencial de repouso (−75 mV), Cm é a capacitância de membrana (100 pF) e Rm é a resistência de entrada (10 MΩ), com constante de tempo τm = Cm × Rm = 1 ms. Im é a corrente de membrana definida como a soma total das correntes de entrada pré-sinápticas: contribuída por cada célula pré-sináptica i com peso wi, ativa se spikei = 1 e com corrente pós-sináptica Ipost = 1 nA. Um disparo pós-sináptico é gerado se Vm > Vt (onde Vt é a tensão limiar), e Vm é resetado para Vreset.
Conectividade do Circuito
Circuitos de neurônios LIF interconectados foram construídos com distribuição de conectividade não aleatória: neurônios foram conectados com probabilidades P = 0,13 para conexões unidirecionais e Prep = 0,06 para conexões recíprocas. As conexões recíprocas eram 1,5 vezes mais fortes que as conexões unidirecionais. Cada neurônio no circuito tinha uma população neural pré-sináptica total de 120 células com razão de peso excitatório-inibitório de 4:1 e pesos na faixa de [−8, 8] mV. A distribuição da taxa de disparo para as células do circuito era lognormal (µ = 0,8703 Hz, σ = 0,8749 Hz).
Derivando a Conectividade
Usamos os trens de disparos do neurônio pós-sináptico e da população pré-sináptica como dados de referência para derivar os pesos de conexão com um algoritmo perceptron. Em cada iteração do algoritmo, os pesos de conexão derivados foram atualizados usando a regra de aprendizado perceptron:
Δwi é a atualização para o peso de entrada i, lr é a taxa de aprendizado, y é a saída de disparo do neurônio pós-sináptico nos dados de treinamento e y′ é a saída adivinhada pelo modelo perceptron. Usamos 2.500 tentativas (cada uma com duração de 1.000 ms) para treinar o modelo perceptron com taxa de aprendizado otimizada média de 0,01 (Fig. 1F).
Derivação mediada por estimulação dos pesos sinápticos de uma população neuronal feedforward com células silenciosas. A: diagrama esquemático de uma população neuronal de neurônios pré-sinápticos formando sinapses com um neurônio pós-sináptico integra-e-dispara (roxo), com pesos variando entre −8 e 8 mV; 66% dos neurônios na população eram silenciosos (taxa de disparo < 0,01 Hz), e o restante era ativo (taxa de disparo ∼20 Hz). Na condição estimulada, 25% dos neurônios foram estimulados (taxa de disparo ∼60 Hz). A codificação por cores é mantida para o restante da figura. O neurônio pós-sináptico recebeu entradas excitatórias e inibitórias com uma proporção de 4 para 1. B: raster de disparos dos trens de disparos da população ao longo de 1.000 ms. Os 34% superiores dos trens correspondem a neurônios ativos disparando a uma linha de base de 20 Hz. Os 66% inferiores correspondem a neurônios silenciosos que disparam a 0,017 Hz. A duração da estimulação foi de 200 ms. C: a taxa de aprendizado ótima foi determinada minimizando o erro quadrático médio (RMSE) ao longo de 100 iterações para um grupo de redes recorrentes representativas e em uma faixa de valores de taxa de aprendizado entre 10−5 e 10−2. D: pesos derivados vs. pesos reais no caso da população de neurônios hiperativos (sem neurônios silenciosos). Os pesos derivados corresponderam aos pesos reais (correlação de Pearson r = 1,00, P ∼ 0). E: pesos derivados vs. pesos reais no caso da população de neurônios realista, onde 66% da população são silenciosos. Os pesos derivados desviaram-se consideravelmente dos pesos reais (r = 0,44, P < 0,01). F: pesos derivados vs. pesos reais no caso da população estimulada, onde 25% da população foram estimulados a disparar a 60 Hz por 100 ms. Os pesos derivados corresponderam de perto aos pesos reais (r = 0,97, P ∼ 0). G: RMSE dos pesos derivados vs. pesos reais para os casos mostrados em D–F (n = 10 conjuntos de dados); barra de erro é EP.
Medidas de Desempenho
Avaliamos o desempenho do algoritmo para derivar a conectividade pelo erro quadrático médio (RMSE) entre os pesos derivados e os pesos de entrada reais. Além disso, avaliamos o desempenho usando os pesos derivados para prever disparos, medido pela média da sensibilidade da previsão (taxa de verdadeiros positivos, TPR) e precisão (valor preditivo positivo, PPV): onde Sa representa o subconjunto de eventos nos quais ocorre um disparo pós-sináptico e Sp representa o subconjunto de eventos nos quais o algoritmo prevê que há um disparo pós-sináptico. Sk é o k-ésimo evento em Sa, e é o k-ésimo evento na posição correspondente dos disparos previstos. Testamos o desempenho do algoritmo usando 10 simulações randomizadas, com diferentes trens de disparos e conectividade. Os dados de teste consistiram em 2.500 tentativas de 1.000 ms cada.
Condição de Rede Estimulada
Examinamos o efeito da estimulação na derivação da conectividade, definindo 50 dos trens de disparos da população de entrada (células escolhidas aleatoriamente) para disparar a 60 Hz durante cada duração de estimulação (200 ms) com base em parâmetros comumente utilizados. Examinamos os resultados em função do número de estimulações, variando de 1 a 15.
Classificação das Conexões
Classificamos os tipos de conexão para redes feedforward com base em faixas selecionadas (Tabela 1). Classificamos os pesos como não conectados usando um pequeno ε (0,16 mV), que era o RMSE dos pesos derivados para neurônios realmente não conectados em modelos perceptron com alta acurácia (desempenho > 0,99). Calculamos a acurácia da classificação para cada tipo de conexão como a probabilidade de o peso sináptico w ser corretamente classificado, dado o peso real.
Classificação dos pesos sinápticos
Forte Inibitório Fraco Inibitório Não Conectado Fraco Excitatório Forte Excitatório w ∈ (−8, −4) (−4, ε) (−ε, ε) (−ε, 4) (4, 8)
w, Peso sináptico; ε, raiz do erro quadrático médio (RMSE) dos pesos derivados para neurônios realmente não conectados em modelos perceptron com alta acurácia.
Dados Experimentais como Entrada do Modelo
Os dados de gravação neural alimentados como entrada para as redes feedforward e recorrentes foram obtidos de neurônios corticais de rato (A1084001, lote 2214638, Gibco Thermo Fisher Scientific) cultivados em matrizes de microeletrodos (MEAs; 60MEA100/10iR-ITO-gr, Harvard Biosciences) com métodos descritos anteriormente. Os MEAs foram revestidos com 0,1 mg/mL de polietilenoimina (408727, Sigma-Aldrich) e 4 μg/mL de laminina (23017-015, Thermo Fisher Scientific). Um volume de 50 µL de células foi plaqueado por 4 h a 1 milhão de células/mL em MEA esterilizado em meio (Neurobasal Plus + 1× GlutaMAX + 10% soro fetal bovino; Thermo Fisher), mantido em meio sem soro e substituído a cada 2–3 dias. Os dados foram registrados entre os dias in vitro (DIV) 18 e DIV 22 com um amplificador de cabeça MZ60 MEA a 6.104 Hz por canal, transmitido através do amplificador digitalizador neural PZ5 e do processador base RZ5P (Tucker-Davis Technologies, Alachua, FL). A duração total da gravação para cada conjunto de dados foi de 900 s, começando com um epoch de estimulação de 60 s. A estimulação foi aplicada globalmente por mudança de temperatura ambiente (de 37°C para temperatura ambiente, 60 s). Os arquivos de dados brutos foram carregados no MATLAB com o ambiente de software TDT Synapse e kit de desenvolvimento para processamento e análise.
RESULTADOS
Predição de Pesos Sinápticos para Populações com Neurônios Silenciosos é Aprimorada pela Estimulação
Caracterizamos o efeito de neurônios silenciosos na derivação de pesos sinápticos de uma população heterogênea (excitatórios, inibitórios e não conectados) para um neurônio pós-sináptico dentro de uma arena de um eletrodo de registro (Fig. 1, A e B) e caracterizamos a melhoria proporcionada pela estimulação (Fig. 1C). A correlação de Pearson foi realizada entre os pesos inferidos e os pesos reais para quantificar a similaridade entre eles. Como caso de referência, usamos uma população neuronal hiperativa como um cenário não realista, sem neurônios silenciosos, para o qual o algoritmo derivou pesos sinápticos com alta precisão (Fig. 1D; RMSE = 0,01 ± 0,00, correlação de Pearson r = 1, P = 0, n = 10 populações aleatórias). Para a população neuronal realista (com neurônios silenciosos), o algoritmo falhou em prever os pesos dos neurônios silenciosos e também de muitos dos neurônios ativos (Fig. 1E; RMSE = 3,59 ± 0,42, correlação de Pearson r = 0,44, P < 0,01). Quando a população foi suficientemente estimulada, o algoritmo foi capaz de derivar pesos com alta precisão (Fig. 1G; RMSE = 0,35 ± 0,06, correlação de Pearson r = 0,97, P ∼ 0, 15 estimulações, 100 iterações; ver Fig. Suplementar S1). O protocolo de estimulação melhorou suficientemente a predição de pesos de uma população com neurônios silenciosos (Fig. 1G) e também para frações limitadas da rede registrada, como é comum em configurações experimentais (Fig. Suplementar S2; RMSE diminuiu em 4,12 ± 0,64).
Para avaliar a precisão dos pesos inferidos de diferentes tipos de conexão antes e após a estimulação, comparamos o valor de RMSE de cinco grupos de conexões definidos de acordo com seu tipo (excitatório ou inibitório) e força (fraca, forte e não conectada). O RMSE foi melhorado pela estimulação para todos os tipos de pesos sinápticos (Fig 2A; teste t pareado: P < 0,05), exceto para células não conectadas, pois seu erro já era pequeno inicialmente (P = 0,1). Similarmente, a precisão da classificação dos tipos de conexão melhorou com a estimulação para todos os tipos, especialmente para conexões inibitórias (Fig 2B; P < 0,05). A precisão da classificação dos pesos não conectados foi alta no caso não estimulado e, portanto, não melhorou significativamente com a estimulação. A precisão dos pesos preditos para todos os tipos de conexão melhorou com o aumento do número de estímulos (Fig. Suplementar S1), particularmente para conexões inibitórias fortes (Fig. 2C). A precisão da classificação para conexões inibitórias e excitatórias melhorou drasticamente com o aumento do número de estímulos, devido à ativação de neurônios silenciosos (Fig. 2D).
Derivação de pesos sinápticos em função do tipo de estímulo e conexão. A: desempenho da derivação de conexões de diferentes tipos (excitatórias e inibitórias) e intensidades (ver métodos), nas condições não estimulada e estimulada (vermelho). A estimulação melhorou o desempenho para todos os casos, exceto o não conectado (teste t pareado, P < 0,05). RMSE, raiz do erro quadrático médio. B: precisão da classificação para cada tipo de conexão nas condições não estimulada e estimulada. C: desempenho da derivação dos pesos das conexões em função do número de estímulos, para os diferentes tipos de conexão mostrados em A. A área sombreada ao redor de cada curva mostra o DP. se, excitatório forte; si, inibitório forte; wi, inibitório fraco. D: precisão da classificação para neurônios excitatórios, inibitórios e não conectados em função do número de estímulos. Todas as barras de erro indicam EP (n = 10 conjuntos de dados).
Predição de Picos Usando os Pesos Derivados
Validamos o desempenho dos pesos de conexão derivados de populações não estimuladas e estimuladas na predição de picos do neurônio pós-sináptico, utilizando dados de teste dos picos populacionais na condição estimulada (Fig. 3A). Pesos derivados de populações não estimuladas previram picos de forma deficiente, com uma alta proporção de falsos negativos e alguns falsos positivos. Em contraste, pesos derivados de populações estimuladas previram picos pós-sinápticos com alta precisão, com a sensibilidade e o desempenho do modelo atingindo 0,96 ± 0,01 (Fig. 3B) e 0,97 ± 0,01 (Fig. 3C) após 15 estímulos, respectivamente. Também verificamos que os pesos derivados tiveram bom desempenho em dados populacionais da condição totalmente ativada (Fig. Suplementar S3). Para verificar se a estimulação de neurônios silenciosos afeta significativamente o padrão de picos pós-sinápticos, estimulamos um único neurônio silencioso excitatório forte e comparamos os picos pós-sinápticos previstos, usando pesos derivados de dados não estimulados e estimulados. Ativar o único neurônio silencioso foi suficiente para desencadear picos adicionais (Fig. 3E, caixa tracejada), que não foram previstos ao usar pesos derivados de dados populacionais não estimulados (Fig. 3E, silencioso), mas foram previstos fielmente usando pesos derivados de dados populacionais estimulados (Fig. 3F, estimulado).
Predição de spikes usando pesos de conexão derivados. A: spikes previstos com pesos derivados usando diferentes números de estímulos. O trem de spikes no topo mostra os spikes pós-sinápticos reais. Abaixo estão listados os trens de spikes previstos a partir de populações estimuladas com 0–15 estímulos. Os verdadeiros positivos são mostrados em azul; os falsos positivos são mostrados em cinza. B: sensibilidade da predição de spikes em função do número de estímulos. C: precisão da predição de spikes em função do número de estímulos. D: 3 exemplos de trens de spikes do neurônio pós-sináptico nos dados de teste (topo) e spikes previstos usando pesos derivados da população não estimulada (meio) e da população estimulada (base). Spikes azuis são verdadeiros positivos; spikes cinzas são falsos negativos. E: 3 exemplos de trens de spikes do neurônio pós-sináptico no caso não estimulado (topo) e ao estimular 1 neurônio silencioso excitatório forte (meio) e os spikes previstos usando pesos derivados dos dados da população não estimulada (base). F: o mesmo que E, mas com spikes previstos usando pesos derivados dos dados da população estimulada.
Circuitos Recorrentes Estimulados
Para avaliar o desempenho em um cenário realista, testamos o algoritmo em circuitos recorrentes de neurônios leaky integrate-and-fire (LIF), recebendo dados experimentais reais como entrada pré-sináptica (Fig. 4). Os circuitos foram construídos como hubs interconectados com conexões unidirecionais e recíprocas e força sináptica típica (Fig. 4A) e exibiram distribuições lognormais de taxas de disparo (Fig. 4A, inserção). Uma célula pós-sináptica recebeu entrada de seis conjuntos de dados de gravações de matrizes de microeletrodos extracelulares de unidade única de 64 canais, cada um com duração total de 900 s (Fig. 4B). Em seguida, o modelo foi treinado para estimar as conexões sinápticas entre os neurônios. A diminuição na diferença entre os pesos derivados e reais (Δw) foi observada em graus variáveis dentro de seis subpopulações (inibitórias/excitatórias forte, média e fraca; veja, por exemplo, Fig. 4, C–E e F–H, respectivamente). Esse efeito foi observado em todos os conjuntos de dados (Fig. 4I), com melhora significativa observada em inibitórias fracas, excitatórias fracas e excitatórias médias (P < 0,015, n = 6). O desempenho para uma rede LIF feedforward recebendo dados experimentais como entrada também foi melhorado quando o algoritmo foi treinado em 60 s de dados multicanal estimulados e testado em 840 s (Fig. 4B).
Aplicação de algoritmo de aprendizado a circuito realista com gravações neuronais ao vivo. A reconstrução da rede neural é melhorada com aprendizado supervisionado de uma rede estimulada de neurônios integra-e-dispara com vazamento (IAF) alimentados com gravações neuronais ao vivo. A: circuito configurado com razão excitatório-inibitório de 4 para 1 e probabilidades P = 0,13 para conexões unidirecionais e Prep = 0,06 para conexões recíprocas. B: gravações alimentadas na rede. São mostrados 16 canais, 60 s cada, de um total de 64 canais, 900 s cada, alimentados no circuito como entrada (barra de escala é 100 µV). C–H: previsão melhorada da conectividade para subpopulações inibitórias (I) e excitatórias (E) fortes/médias/fracas divididas por agrupamento aglomerativo (Δw = diferença entre pesos derivados e reais) I: erro quadrático médio (RMSE) da previsão de pesos para diferentes subpopulações. J: desempenho do algoritmo com e sem estimulação (vermelho e azul, respectivamente) para 100 iterações. O algoritmo foi treinado em todos os dados indiscriminadamente. Todas as barras de erro denotam EP (n = 6 conjuntos de dados).
Grandes Populações Neuronais
Para determinar os requisitos de dados para derivar pesos de conexão de populações neuronais maiores, calculamos a taxa média de disparos como uma estimativa do número de disparos nos dados de populações com tamanhos variando de 200 a 2.000 neurônios (Fig. 5). A taxa média de disparos aumentou linearmente com o número de estimulações, e a inclinação dessa relação diminuiu com o tamanho da rede (Fig. 5A). O número de estímulos necessários para produzir uma taxa de disparo semelhante à da população de 200 neurônios com 15 estímulos aumentou linearmente com o tamanho da população (Fig. 5C). Em seguida, estimamos o grau de cobertura proporcionado pelos estímulos em populações de diferentes tamanhos, medido pela porcentagem de neurônios que são estimulados pelos estímulos aleatórios no geral (Fig. 5B). O número de estímulos necessários para obter 99% de cobertura aumentou linearmente com o tamanho da rede (Fig. 5C), de modo que <200 estimulações foram suficientes para obter cobertura total para todas as populações examinadas.
Derivando a conectividade para redes de grande escala. A: frequência média de disparos em função do número de estimulações para diferentes tamanhos de rede. A frequência aumentou linearmente com o número de estimulações. A inclinação diminuiu à medida que o tamanho da rede aumentou. B: cobertura da população pela estimulação, medida pela % da população ativada, em função do número de estímulos. A inclinação da curva diminuiu à medida que o tamanho da rede aumentou. C: o número de estimulações necessárias para atingir 99% de cobertura aumentou linearmente com o tamanho da rede. Da mesma forma, o número de estimulações necessárias para atingir uma frequência de 7,4 Hz (correspondente ao caso de 200 neurônios, 15 estímulos) aumentou linearmente com o tamanho da rede.
DISCUSSÃO
Neste estudo, demonstramos a utilidade da estimulação para derivar a conectividade de populações neuronais com uma proporção significativa da rede composta por neurônios silenciosos, como observado fisiologicamente. Até o momento, o desafio imposto por neurônios silenciosos na derivação de conexões permaneceu amplamente inexplorado. Aqui, mostramos que um algoritmo de aprendizado supervisionado combinado com um pequeno número de estimulações permitiu inferir pesos de conexão com alta fidelidade e prever trens de disparos com alta precisão. Caracterizamos o desafio apresentado por neurônios silenciosos para diferentes tipos de conexões e para diferentes tamanhos de população. Nossos resultados fazem previsões testáveis sobre o número e o protocolo das estimulações necessárias, o que deve aprimorar esforços futuros para derivar a conectividade neuronal que fundamenta a função cerebral.
Aplicamos nosso método em circuitos LIF interconectados de forma heterogênea recebendo gravações neurais multicanais ao vivo como entrada e demonstramos desempenho melhorado durante a estimulação para múltiplas subpopulações. A implementação do método para conjuntos de dados eletrofisiológicos diversos depende do uso de parâmetros experimentais para estimulação seletiva e contínua de subpopulações neuronais interconectadas. A aquisição multiplexada de disparos únicos de redes conectadas durante estímulos é rotineira tanto clinicamente quanto pré-clinicamente por várias horas durante diferentes formas de estímulo. Mudanças robustas nas taxas de disparo são prevalentes durante estímulos sensoriais e elétricos, mas o ajuste fino dos padrões de disparo com apenas mudanças modestas nas taxas de disparo também é possível. Trabalhos recentes demonstram modulação de características sutis da atividade cortical, incluindo sincronização de fase e intervalos entre disparos de subpopulações, com apenas pequenas alterações nas taxas de disparo. A expansão futura do nosso método envolverá a resposta em salvas durante a estimulação que enfatiza mudanças nos padrões de disparo em vez do aumento na taxa, para identificar cenários que adicionem suficientemente à quantidade de informação necessária para derivar pesos e prever disparos. Além disso, nossas simulações sugerem a capacidade de prever mudanças sutis nas taxas de disparo de até disparos únicos evocados por células pré-sinápticas individuais (Fig. 3, E e F). Em nossa validação em nível de circuito usando gravações MEA neuronais ao vivo, mostramos que a previsão de pesos sinápticos pode ser melhorada pela estimulação (Fig. 4). Trabalhos adicionais usando conjuntos de dados in vivo mais realistas e circuitos combinando circuitos feedforward e feedback podem abordar esse desafio de testar se disparos únicos também podem ser previstos em cenários onde o número de neurônios para uma determinada rede é amplamente desconhecido. Isso oferece uma maneira de reconstruir redes contendo neurônios com campos receptivos altamente seletivos que também podem responder a estímulos abstratos, um tipo de célula observado fisiologicamente em animais e humanos na forma de células de lugar e células de conceito abstrato.
Nossos testes envolvem elevar uma parte da população acima da linha de base de disparo como base para derivar a conectividade. Alguns experimentos de estimulação, particularmente envolvendo estimulação elétrica cerebral profunda para fins neuroterapêuticos, resultam na redução das taxas de disparo em direção à inibição completa em algumas regiões e, às vezes, geram uma combinação de excitação e inibição em resposta ao estímulo. O paradigma que apresentamos aqui assume o direcionamento de uma região cerebral excitatória para a rede estudada. Isso pode, por sua vez, impulsionar o design de novos experimentos para caracterizar a conectividade em mesoescala de regiões anatômicas do cérebro, ao mesmo tempo que facilita a maximização da quantidade de informações adquiridas sobre a rede.
Gravações recentes em grande escala em roedores acordados fornecem uma plataforma viável para mapeamento de conectividade derivada de estímulos, demonstrando a ativação de subpopulações em múltiplas regiões cerebrais, abrangendo o córtex visual primário, regiões hipocampais e talâmicas em resposta a estímulo visual constante. Ferramentas de grande escala cada vez mais acessíveis para eletrofisiologia permitirão localizar metodicamente regiões excitáveis com resolução de célula única e de disparo único em todo o cérebro. Consequentemente, nossos resultados afirmam que a estimulação elétrica local provavelmente não facilitará a reconstrução da rede, em grande parte devido ao disparo síncrono indiscriminado e observações falso-positivas que levam à determinação imprecisa dos pesos sinápticos (Fig. Suplementar S4). Isso coincide com restrições conhecidas relacionadas à simetria do raio de influência ao redor de um eletrodo, que resultam em estimulação indiscriminada na região registrada e provavelmente obscurecerão a conectividade manifestada nos padrões de disparo.
Para pesquisas pré-clínicas, no entanto, onde a estimulação optogenética está disponível no nível de tipo celular único, nossos resultados devem se adequar bem onde há um alto grau de controle do número e da distribuição volumétrica dos neurônios estimulados. Para a reconstrução de redes em grande escala, descobrimos que são necessárias sessões de estimulação mais longas, com uma relação linear entre o tamanho da rede e o número de épocas de estimulação para uma derivação suficientemente precisa dos pesos sinápticos (Fig. 5). Mudanças de longo prazo na conectividade da rede durante o treinamento ao longo de muitos dias sugerem que estudos futuros envolvendo gravação eletrofisiológica em escala muito grande e sessões longas de estimulação, habituação da rede e reconexão terão que ser incluídos no algoritmo de derivação.
Caracterizamos o uso de estimulação para derivar conexões de uma população de neurônios para um neurônio pós-sináptico. Isso permitiu uma investigação focada na questão dos neurônios silenciosos na derivação de conexões. Nossos resultados e estrutura de estimulação podem ser usados para expandir a investigação na derivação de conexões de redes recorrentes e superar questões adicionais, como conexões espúrias devido a correlações de disparos. Empregamos um modelo de neurônio integra-e-dispara com implementação simples de conexões sinápticas. Embora tais modelos sejam amplamente utilizados para modelar redes cerebrais, será de interesse geral aplicar nossa estrutura de estimulação para derivar conexões a partir de dados de disparos verdadeiros obtidos de redes com modelos biofísicos detalhados de neurônios e dinâmica sináptica. Antecipamos que superar os desafios não lineares impostos por redes neuronais realistas envolverá o uso de nossa estrutura em conjunto com métodos para derivar conexões baseados em correlações cruzadas de disparos ou usando métodos de otimização de propósito geral, como algoritmos genéticos ou máxima verossimilhança.
Conclusões
Estabelecemos parâmetros de estimulação para derivar a conectividade de populações neuronais silenciosas por meio de um algoritmo de aprendizado supervisionado. Nosso algoritmo fornece reconstrução de rede com alta fidelidade e previsão precisa de disparos. Caracterizamos o desempenho para diferentes tipos de conexão e tamanhos de população e verificamos previsões melhoradas para circuitos realistas recebendo gravação neural ao vivo como entrada. Este trabalho estabelece um método que se espera que aprimore futuros esforços para derivar a conectividade neuronal subjacente à função cerebral.
DISPONIBILIDADE DOS DADOS
Os dados serão disponibilizados mediante solicitação razoável.
MATERIAL SUPLEMENTAR
FINANCIAMENTO
Esta pesquisa foi financiada pelos NIH Grants K01EB027184 e DP2NS122605 para A.H. Este material também é baseado em pesquisa apoiada pelo US Office of Naval Research sob os números de prêmio PANTHER N00014-23-1-2006 e N00014-22-1-2371 para A.H. através do Dr. Timothy Bentley.
DIVULGAÇÕES
Os autores declaram não haver conflitos de interesse, financeiros ou de outra natureza.
CONTRIBUIÇÕES DOS AUTORES
X.R. e A.H. conceberam e desenharam a pesquisa; X.R. e I.B. realizaram os experimentos; X.R., I.B. e A.V. analisaram os dados; X.R., A.V. e A.H. interpretaram os resultados dos experimentos; X.R. preparou as figuras; X.R. redigiu o manuscrito; X.R. e A.H. editaram e revisaram o manuscrito; A.H. aprovou a versão final do manuscrito.
REFERÊNCIAS
Um circuito de detecção de movimento visual sugerido pela conectômica da Drosophila
Conectividade lateral e interações contextuais no córtex visual primário do macaco
Anatomia e função de uma rede excitatória no córtex visual
Conectividade inibitória densa no neocórtex
Processamento de informação mediado por GABA alterado e disfunções cognitivas na depressão e outros transtornos cerebrais
Análise de rede da conectividade do sistema motor na doença de Parkinson: modulação das interações talamocorticais após palidotomia
Estimulação cerebral profunda para a doença de Parkinson
Estimulação cerebral profunda palidal versus subtalâmica para a doença de Parkinson
Modelos cerebrais em larga escala de epilepsia: dinâmica encontra conectômica
O surgimento de um modelo de circuito para o vício
Microscopia eletrônica de série completa de cérebro inteiro em larvas de zebrafish
A lógica fuzzy da conectividade de rede no tálamo visual do camundongo
Imagem 3D simultânea de atividade neuronal em animais inteiros usando microscopia de campo de luz
Caracterização de células principais e interneurônios do neocórtex por interações de rede e características extracelulares
Dinâmica espaço-temporal da excitação e inibição neocorticais durante o sono humano
Inferência eficiente 'shotgun' de conectividade neural a partir de dados de atividade altamente subamostrados
Predição da atividade cerebral intrínseca
Integração multirregional no cérebro durante a atividade de fMRI em estado de repouso
A conectividade efetiva da rede de modo padrão após traumatismo cranioencefálico moderado
SegEM: análise de imagem eficiente para conectômica de alta resolução
Reconstrução saturada de um volume de neocórtex
Gravações de longo prazo melhoram a detecção de conexões excitatórias-excitatórias fracas no córtex pré-frontal de ratos
Imagem de voltagem e optogenética revelam mudanças dependentes do comportamento na dinâmica hipocampal
Imagem de cálcio em camundongos em livre movimento durante estimulação elétrica de estruturas cerebrais profundas
Tecnologias de matriz de multieletrodos para neurociência e cardiologia
Arquitetura de circuito de célula piramidal-interneurônio e dinâmica em redes hipocampais
Detecção de picos para grandes populações neurais usando matrizes de multieletrodos de alta densidade
Seguindo a ontogenia das ondas retinianas: gravações pan-retinianas da dinâmica populacional no camundongo neonatal
Sondas de silício totalmente integradas para gravação de alta densidade da atividade neural
Gravação elétrica de alta densidade e imageamento de impedância com um chip de matriz de multieletrodos CMOS multimodal
Detecção de células silenciosas, sincronização e atividade modulatória em redes celulares em desenvolvimento
Quão silencioso é o cérebro: existe um problema de "matéria escura" na neurociência?
Determinantes intracelulares da atividade de células de lugar e silenciosas do hipocampo CA1 em um ambiente novo
Representação esparsa de sons no córtex auditivo não anestesiado
Células de lugar e células silenciosas no hipocampo de ratos em livre comportamento
Atividade de diferentes classes de neurônios do córtex motor durante a locomoção
A atividade espontânea no córtex somatossensorial primário durante o vibrissar natural em ratos acordados com restrição de cabeça é específica do tipo celular
Imagem da atividade neural em larga escala com resolução celular em camundongos acordados e móveis
Atividade neural no córtex do barril subjacente à localização de objetos baseada em vibrissas em camundongos
Estimulação elétrica de pulso único para sondar a conectividade funcional e patológica na epilepsia
Estimulação elétrica direta do córtex humano – o padrão ouro para mapear funções cerebrais?
Conectividade diferencial e dinâmica de resposta de neurônios excitatórios e inibitórios no córtex visual
Modelagem da resposta cerebral a padrões arbitrários de estimulação visual para uma interface cérebro-computador flexível e de alta velocidade
Estimulação de neurônios dopaminérgicos nigroestriatais pela nicotina
A estimulação farmacológica de Nurr1 melhora funções cognitivas através do aumento da neurogênese hipocampal adulta
fMRI molecular do transporte de serotonina
Evidência experimental para disparos esparsos no neocórtex
Processamento temporal em múltiplos mapas topográficos no sistema eletrossensorial
Modulação das respostas visuais pelo estado comportamental no córtex visual de camundongos
Reconstrução e simulação de microcircuitos neocorticais
Qual modelo usar para neurônios corticais com disparos?
Características altamente não aleatórias da conectividade sináptica em circuitos corticais locais
Algoritmos de aprendizado baseados em perceptron
Aprendizado e classificação por perceptron em uma célula piramidal cortical modelada
Manipulação da atividade neural guiada por imagem com uma droga paramagnética
Excitabilidade dendrítica e controle de ganho em microcircuitos corticais recorrentes
Mudanças no padrão de disparo dependentes da frequência no córtex motor durante estimulação cerebral profunda do tálamo
Células conceito: os blocos de construção das funções de memória declarativa
A estimulação do núcleo subtalâmico altera o padrão de disparo dos neurônios palidais
Registro em larga escala de conjuntos neuronais
Optogenética de resolução unicelular temporalmente precisa
Mudanças na conectividade da rede cortical com exposição prolongada a interface cérebro-máquina após amputação crônica
Reconstrução de circuitos neuronais a partir de trens de disparos paralelos
Processamento de orientação por integração sináptica através de neurônios táteis de primeira ordem
Mecanismos interneuronais das oscilações teta hipocampais em um modelo em escala real do circuito CA1 de roedores
Neuroevolução profunda: algoritmos genéticos são uma alternativa competitiva para treinar redes neurais profundas para aprendizado por reforço (Pré-impressão)
Análise multi-escala e multimodal revela relação complexa na interface neural entre tecido cerebral e implante: nova ênfase na interface biológica