Resumen de Real-time software technology and its implementation in experimental neuroscience closed-loop protocols
Rodrigo Vicente Amaducci Swarc
Comprender las dinámicas neuronales es una tarea compleja debido a que estas son altamente no lineales, parcialmente observables (solo podemos registrar unos pocos componentes del cerebro de manera simultánea) y se encuentran en un proceso de constante adaptación y cambio debido a la interacción entre las neuronas y la plasticidad asociada a ellas. El protocolo predominante para el estudio de dichas dinámicas, conocido como el paradigma de estímulo-respuesta, consiste en introducir estímulos estereotipados al sistema, registrar su respuesta y analizarla a posteriori de manera offline. Por lo tanto, este protocolo presenta limitaciones a la hora de interpretar dinámicas neuronales transitorias que en cada momento están recibiendo retroalimentación de cientos o miles de elementos.
Las técnicas experimentales de ciclo cerrado (closed-loop) en neurociencia surgen como una manera de hacer frente a estos problemas, puesto que permiten observar, controlar y estimular los sistemas neuronales con una interacción online basada en su propia actividad. Sin embargo, no siempre es sencillo implementar esta clase de protocolos ya que requieren de tecnologías de tiempo real (real-time) así como diseños experimentales más elaborados. Debido a esto, muchos laboratorios e investigadores en neurociencia desestiman el uso del paradigma de ciclo cerrado.
El objetivo de esta tesis es el desarrollo de tecnología software de tiempo real para la implementación de protocolos de ciclo cerrado en neurociencia experimental. Para ello se han llevado a cabo tres proyectos en los cuales se ha trabajado con diversas técnicas de adquisición de datos, detección de eventos, análisis y estimulación electrofisiológica en tiempo real. Estas tecnologías han sido validadas en diferentes escalas de descripción del sistema nervioso.
El primer proyecto ha consistido en el desarrollo de RTHybrid, una aplicación software para la construcción de circuitos híbridos entre neuronas biológicas vivas y neuronas simuladas por ordenador, útiles en el estudio de las dinámicas neuronales y el rol de elementos específicos dentro de los circuitos. Para ello incorpora una librería de modelos de neurona y de sinapsis, así como una serie de algoritmos de adaptación automática para llevar a cabo una correcta interacción entre todos los elementos involucrados. Puesto que en muchos casos dicha interacción de ciclo cerrado debe realizarse respetando unas restricciones temporales muy estrictas, se ha implementado esta herramienta sobre sistemas operativos de tiempo real. Se ha validado el correcto funcionamiento de la aplicación en experimentos in vitro con neuronas de invertebrados vivas procedentes de un circuito Generador Central de Patrones (CPG, siglas en inglés).
Para el segundo proyecto se ha construido el FLC-Hybrot, un robot hibrido (hybrot) cuya locomoción está controlada por la actividad neuronal de un CPG funcional y vivo de un cangrejo. El robot utiliza los invariantes dinámicos del circuito neuronal para organizar su movimiento y a su vez envía retroalimentación sensorial a las neuronas alterando su comportamiento y, por lo tanto, también el movimiento coordinado del hybrot resultante de este ciclo cerrado híbrido. Los componentes biológicos y electrónicos del hybrot se comunican a través de una conexión Bluetooth. Este proyecto supone la primera validación del uso de un principio dinámico emergente de un circuito vivo funcional para controlar un dispositivo robótico con retroalimentación sensorial.
Por último, el tercer proyecto llevado a cabo como parte de esta tesis ha sido el desarrollo de CNN-ripple, un sistema de detección e intervención en tiempo real de los eventos electrofisiológicos conocidos como sharp wave ripples (SWR) mediante técnicas de deep learning. Se ha diseñado e implementado una red neuronal convolucional (CNN) capaz de identificar estos eventos tanto en contextos offline como online en señales registradas con diferentes tipos de dispositivos, así como en distintas especies animales. Para favorecer y facilitar el uso de este método, se ha añadido como un plugin a la plataforma Open Ephys, uno de los softwares de adquisición cuyo uso está más extendido en neurociencia experimental. Para reducir las latencias en la detección provocadas por el envío de datos, se ha implementado un sistema que hace uso de una Raspberry Pi para ejecutar el software, realizando muchas de las tareas más críticas a nivel de hardware. Se ha validado el funcionamiento de CNN-ripple en múltiples experimentos in vivo con ratones, incluidos varios de ciclo cerrado con estimulación optogenética.
Con el objetivo de favorecer la estandarización y diseminación de las técnicas de ciclo cerrado en neurociencia experimental, todos los protocolos y tecnologías desarrolladas como parte de esta tesis se encuentran disponibles en repositorios de código abierto.
