Los ingenieros del MIT han ideado una manera de automatizar el proceso de monitoreo de las neuronas en un cerebro vivo usando un algoritmo de computadora que analiza imágenes de microscopio y guía un brazo robótico a la célula objetivo. En esta imagen, una pipeta guiada por un brazo robótico se aproxima a una neurona identificada con una mancha fluorescente. La tasa de éxito es comparable a la de científicos altamente capacitados que realizan el proceso manualmente.
Grabación de señales eléctricas desde el interior de una neurona en el cerebro vivo puede revelar una gran cantidad de información sobre la función de la neurona y cómo se coordina con otras células en el cerebro. Sin embargo, realizar este tipo de grabación es extremadamente difícil, por lo que solo un puñado de laboratorios de neurociencia en todo el mundo lo hacen.
Para hacer esta técnica más ampliamente disponible, los ingenieros del MIT ahora han ideado una manera de automatizar el proceso, utilizando un algoritmo de computadora que analiza las imágenes del microscopio y guía un brazo robótico a la célula objetivo.
Esta tecnología podría permitir a más científicos estudiar neuronas individuales y aprender cómo interactúan con otras células para permitir la cognición, la percepción sensorial y otras funciones cerebrales. Los investigadores también podrían utilizarlo para aprender más acerca de cómo los circuitos neuronales se ven afectados por trastornos cerebrales.
“Saber cómo las neuronas se comunican es fundamental para la neurociencia básica y clínica. Nuestra esperanza es que esta tecnología le permitirá ver lo que está sucediendo dentro de una célula, en términos de computación neural o en un estado de enfermedad “, dice Ed Boyden, profesor asociado de ingeniería biológica y Ciencias del cerebro y cognitivas en el MIT, y un Miembro del Media Lab del MIT y del McGovern Institute for Brain Research.
Boyden es el principal autor del artículo, que aparece en la edición del 30 de agosto de Neuron . El autor principal del trabajo es el estudiante graduado del MIT, Ho-Jun Suk.
Guía de precisión
Durante más de 30 años, los neurocientíficos han estado utilizando una técnica conocida como clamp clamp para registrar la actividad eléctrica de las células. Este método, que consiste en traer una pequeña pipa de vidrio hueco en contacto con la membrana celular de una neurona, abriendo un pequeño poro en la membrana, suele llevar a un estudiante graduado o postdoctorante varios meses para aprender. Aprender a realizar esto en las neuronas en el cerebro de mamíferos vivos es aún más difícil.
Hay dos tipos de pinzamiento de parche: un método “ciego” (no guiado por imágenes), que es limitado porque los investigadores no pueden ver dónde están las células y sólo pueden registrar desde cualquier célula que encuentre la primera y una versión guiada por imágenes que Permite segmentar una celda específica.
Hace cinco años, Boyden y sus colegas del MIT y Georgia Tech, entre ellos el coautor Craig Forest, idearon una manera de automatizar la versión ciega del pinzamiento de parches. Ellos crearon un algoritmo de computadora que podría guiar la pipeta a una célula basada en mediciones de una propiedad llamada impedancia eléctrica – lo que refleja lo difícil que es para que la electricidad fluya fuera de la pipeta. Si no hay células alrededor, la electricidad fluye y la impedancia es baja. Cuando la punta golpea una célula, la electricidad no puede fluir también y la impedancia sube.
Una vez que la pipeta detecta una célula, puede detener su movimiento instantáneamente, impidiendo que pase por la membrana. Una bomba de vacío entonces aplica succión para formar un sello con la membrana de la célula. Entonces, el electrodo puede romperse a través de la membrana para registrar la actividad eléctrica interna de la célula.
Los investigadores lograron una precisión muy alta utilizando esta técnica, pero todavía no se podía utilizar para dirigir una célula específica. Para la mayoría de los estudios, los neurocientíficos tienen un tipo particular de células que les gustaría aprender, dice Boyden.
“Podría ser una célula que está comprometida en el autismo, o está alterada en la esquizofrenia, o una célula que está activa cuando se almacena una memoria. Esa es la celda de la que quieres saber “, dice. “No querrás reparar mil células hasta que encuentres la que sea interesante.”
Para permitir este tipo de objetivos precisos, los investigadores se propusieron automatizar la fijación de parches guiados por imágenes. Esta técnica es difícil de realizar manualmente porque, aunque el científico puede ver la neurona objetivo y la pipeta a través de un microscopio, él o ella debe compensar el hecho de que las células cercanas se moverán cuando la pipeta entre en el cerebro.
“Es casi como tratar de golpear un objetivo en movimiento dentro del cerebro, que es un tejido delicado”, dice Suk. “Para las máquinas es más fácil porque pueden seguir la pista de donde está la célula, pueden mover automáticamente el foco del microscopio, y pueden mover automáticamente la pipeta.”
Al combinar varias técnicas de procesamiento de imágenes, los investigadores crearon un algoritmo que guía la pipeta a aproximadamente 25 micras de la célula objetivo. En ese punto, el sistema comienza a basarse en una combinación de imágenes e impedancia, que es más precisa en la detección de contacto entre la pipeta y la célula objetivo que cualquiera de las dos señales.
Los investigadores tomaron imágenes de las células con microscopía de dos fotones, una técnica comúnmente utilizada que utiliza un láser pulsado para enviar luz infrarroja al cerebro, iluminando células que han sido diseñadas para expresar una proteína fluorescente.
Usando este acercamiento automatizado, los investigadores podían apuntar y registrar con éxito de dos tipos de células – una clase de interneurones, que transmiten mensajes entre otras neuronas, y un sistema de neuronas excitatorias conocidas como células piramidales. Lograron una tasa de éxito de alrededor del 20 por ciento, que es comparable al desempeño de científicos altamente capacitados que realizan el proceso manualmente.
Desentrañando los circuitos
Esta tecnología prepara el camino para estudios en profundidad del comportamiento de las neuronas específicas, lo que podría arrojar luz sobre sus funciones normales y cómo van mal en enfermedades como el Alzheimer o la esquizofrenia. Por ejemplo, las interneuronas que los investigadores estudiaron en este artículo han sido previamente vinculadas con el Alzheimer. En un estudio reciente de ratones, dirigido por Li-Huei Tsai, director del Instituto Picower de Aprendizaje y Memoria del MIT, y realizado en colaboración con Boyden, se informó que inducir una frecuencia específica de oscilación de onda cerebral en interneuronas en el hipocampo podría ayudar Para limpiar placas amiloides similares a las encontradas en pacientes con Alzheimer.
“Realmente le encantaría saber lo que está sucediendo en esas células”, dice Boyden. “¿Están señalando a células específicas de aguas abajo, que luego contribuyen al resultado terapéutico? El cerebro es un circuito, y para entender cómo funciona un circuito, tienes que ser capaz de controlar los componentes del circuito mientras están en acción “.
Esta técnica también podría permitir estudios de preguntas fundamentales en la neurociencia, como la forma en que las neuronas individuales interactúan entre sí como el cerebro toma una decisión o recuerda una memoria.
Bernardo Sabatini, profesor de neurobiología en la Escuela de Medicina de Harvard, dice que está interesado en adaptar esta técnica a su laboratorio, donde los estudiantes pasan mucho tiempo registrando la actividad eléctrica de las neuronas que crecen en un laboratorio.
“Es tonto tener estudiantes increíblemente inteligentes haciendo tareas tediosas que podrían ser hechas por robots”, dice Sabatini, quien no estuvo involucrado en este estudio. “Estaría feliz de que los robots hagan más de la experimentación para poder centrarnos en el diseño y la interpretación de los experimentos”.
Para ayudar a otros laboratorios a adoptar la nueva tecnología, los investigadores planean poner los detalles de su enfoque en su sitio web, autopatcher.org .
Otros co-autores incluyen Ingrid van Welie, Suhasa Kodandaramaiah y Brian Allen. La investigación fue financiada por Jeremy y Joyce Wertheimer, los Institutos Nacionales de Salud (incluyendo la NIH Single Cell Initiative y el Pioneer Award del Director del NIH), el HHMI-Simons Faculty Scholars Program y el New York Stem Cell Foundation-Robertson Award.
Fuente: MIT