Experimentos Neuro-robótica de circuito cerrado para comprobar propiedades computacionales de Redes Neuronales

El objetivo general del siguiente experimento consiste en investigar la interacción bidireccional entre una red biológica de neuronas disociadas y un pequeño robot. El diálogo continuo puede modificar las propiedades computacionales del sistema neuronal, induciendo una especie de aprendizaje. Esto se logra preparando un cultivo neuronal sobre una matriz de microelectrodos para permitir una sesión experimental de varias horas sin comprometer la actividad celular.

Como segundo paso, se calcula un mapa de respuesta de la cultura, lo que permite la selección de electrodos estimulantes para el experimento real en bucle cerrado. A continuación, se definen los parámetros de codificación y decodificación para permitir el intercambio de información entre los sistemas biológicos y electrónicos. Los resultados muestran un aumento significativo en las capacidades de navegación del agente robótico, basado en la comparación de la distancia promedio recorrida entre impactos bajo diferentes condiciones de control.

Este método puede ayudarnos a responder preguntas clave en nuestro campo de la ingeniería, como, ¿podemos llegar a un diccionario para traducir el lenguaje de las neuronas al lenguaje de las máquinas y viceversa? Por lo general, las personas nuevas en este método tendrán dificultades debido a la complejidad tecnológica del montaje experimental y de la arquitectura del software. Martha Bizo, estudiante de doctorado de mi laboratorio, demostrará el procedimiento.

El primer paso consiste en preparar un arreglo de microelectrodos o chip MEA con 60 electrodos que pueden utilizarse para estimular o registrar la red neuronal. Tras sembrar los cultivos neuronales en los chips MEA, espere aproximadamente tres semanas hasta que la red neuronal haya madurado. El día del experimento, precaliente el sistema de calentamiento MEA durante cinco a 10 minutos ajustando el controlador de temperatura a 37 grados Celsius y encendiendo la placa calefactora situada debajo del propio MEA.

Asimismo, utilice una tapa calefaccionada para reducir la evaporación; use tapas permeables a los gases, esterilizadas en autoclave, para cubrir los cultivos y limitar la evaporación y prevenir cambios en la osmolaridad durante la grabación. Ahora haga circular agua con CO₂ sobre el cultivo para mantener niveles estables de oxígeno y pH. Deje reposar el cultivo durante 30 minutos. Tras el período de reposo, registre la actividad espontánea de las células neuronales durante 30 minutos.

Luego guarde los datos en un archivo haciendo clic en el botón de grabación en el cuadro de picos del formulario de registro de datos. En el formulario de visualización de datos brutos, identifique los 10 canales con el mayor recuento de picos. A continuación, seleccione esos canales en cualquiera de las configuraciones de MEA.

La forma de codificación se muestra aquí arrastrando el cursor del ratón sobre las áreas deseadas. Una vez seleccionados los canales, haga clic con el botón derecho en cualquier parte del diseño de la MEA y seleccione agregar al área sensorial izquierda en el menú emergente. Estos electrodos se utilizarán para aplicar estimulación eléctrica en un paso posterior.

A continuación, verifique que el estimulador y el amplificador MEA estén correctamente conectados. Todas las configuraciones requieren dos cables por canal de estimulación deseado, mientras que se necesita un cable coaxial adicional para transmitir la señal de sincronía. Cuando esté listo, encienda el estimulador.

El siguiente paso consiste en definir los parámetros del estímulo en el formulario de mapa de conexión. Todas las estimulaciones aplicadas al cultivo se realizan mediante ondas cuadradas de voltaje fásicas. Establezca la duración media en 300 microsegundos y el valor de amplitud en 1,5 voltios pico a pico.

Comience a grabar la respuesta a la estimulación presionando el botón de inicio. En el mapa de conexión, se entrega automáticamente una serie de 30 estímulos a 0,2 hertz desde uno de los electrodos de estimulación seleccionados previamente. Mientras este electrodo actúa como electrodo de estimulación, se registran las respuestas desde los otros 59 electrodos en el chip MEA.

Luego, con un retraso de cinco segundos entre series, se repite sucesivamente en cada uno de los nueve electrodos de estimulación restantes identificados la serie de 30 estímulos, mientras se recopilan grabaciones desde los 59 electrodos restantes. A continuación, mediante el código espía, una aplicación que realiza cálculos sobre datos neuronales, se crea un mapa de conexión por computadora para cada canal estimulante. A partir de los mapas de conexión, se descartan del análisis posterior todos los electrodos estimulantes que no provocaron respuestas.

Luego, entre los electrodos restantes, seleccione el par con la menor superposición en las respuestas, tal como se describe en el protocolo del texto; seleccione uno de estos electrodos para codificar la información sensorial del lado izquierdo del robot y el otro para codificar las lecturas del lado derecho. Para ello, arrastre el cursor del ratón sobre un electrodo, haga clic derecho en la distribución de la MEA y luego seleccione agregar al área sensorial izquierda. A continuación, arrastre el cursor sobre el otro electrodo.

Haga clic derecho y seleccione agregar al área sensorial derecha. A continuación, en el formulario de codificación, seleccione el esquema de codificación estableciendo el tipo de codificación en lineal. Luego defina las tasas mínima y máxima de estimulación utilizando el rango predeterminado de 0,5 a dos hercios y ajuste el parámetro de jitter a cero.

Luego, en el formulario de decodificación, configure los parámetros del algoritmo de decodificación. Es decir, cambie la velocidad y el parámetro de constante de tiempo de decaimiento a uno, para una cultura moderadamente activa con aproximadamente un pico por segundo por canal. A continuación, establezca los parámetros de ráfaga del algoritmo de decodificación en el formulario de decodificación a cero.

El tiempo de decaimiento es irrelevante si el cambio de velocidad es cero. En el formulario del gestor de experimentos, seleccione los datos que se registrarán haciendo clic en las casillas de verificación para guardar datos de picos, datos del robot y datos de estímulos. Ahora inicie una ejecución del robot previa al aprendizaje seleccionando el botón iniciar experimento en el formulario del gestor de experimentos.

Cuando se le solicite, seleccione nuevos nombres de archivo para los archivos de datos. Permita que el experimento se ejecute durante 30 minutos. Luego, haga clic en el botón detener experimento para finalizar la ejecución del robot.

A continuación, active el protocolo de aprendizaje marcando la entrega de 10 estimulaciones después. Marque la casilla en el formulario del administrador de experimentos. Luego, haga clic nuevamente en el botón iniciar experimento para realizar nuevamente la ejecución del robot de entrenamiento durante 30 minutos.

Durante esta ejecución de aprendizaje, la estimulación proveniente del robot cambia de un estímulo irregular a un estímulo titánico. Cuando el robot choca con un obstáculo, se utiliza el estímulo titánico para entrenar la red neuronal. Después de guardar los datos, desactive nuevamente el protocolo de aprendizaje desmarcando la entrega de estimulación tánica.

Después de marcar la casilla, haga clic en iniciar experimento para realizar una ejecución del robot de 30 minutos posterior al aprendizaje. Como antes, recuerde cambiar los nombres de archivo para evitar sobrescribirlos. Además del robot virtual mostrado anteriormente, este mismo conjunto de ejecuciones de entrenamiento puede utilizarse con una red neuronal y un robot físico.

Se muestra aquí la trayectoria seguida por un robot virtual durante un experimento MEA vacío de 20 minutos. No se sembraron células sobre la MEA para este experimento de control. Las áreas en verde claro son espacios libres donde el robot puede moverse, y los círculos en verde oscuro representan obstáculos infranqueables que el robot puede percibir mediante sus sensores de distancia.

En cada ensayo, el robot comienza en la sección superior izquierda de la arena y viaja hasta su posición final representada como un punto rosa grande. Los puntos negros más pequeños representan impactos contra un obstáculo. Las trayectorias codificadas por colores indican el tiempo transcurrido.

En este experimento sin red neuronal, el robot fue detenido por el primer obstáculo que encontró. Se muestra aquí la trayectoria de un robot virtual durante un experimento en lazo abierto en el que el robot queda efectivamente cegado. En lugar de codificar información sensorial, los trenes de estimulación entregados a la red neuronal son solo secuencias regulares.

Se muestra aquí la trayectoria seguida por un robot virtual durante un experimento de 20 minutos en bucle cerrado, en el cual la red neuronal recibió retroalimentación satánica después de que el robot chocara con un obstáculo. Obsérvese que, a diferencia del experimento en bucle abierto, este robot navegó con éxito alrededor de muchos obstáculos. Esto indica que una interacción bidireccional entre los elementos neuronales y artificiales es necesaria para obtener buenos desempeños de navegación del robot.

Este gráfico muestra el rendimiento de navegación del robot expresado como píxeles recorridos entre impactos sucesivos. Las dos primeras columnas muestran la distribución de las distancias recorridas, dos experimentos de control, la configuración de MEA vacía y la configuración de bucle abierto. Las columnas tercera y cuarta muestran el rendimiento sin y con la administración de la estimulación Titanic.

Tras cada choque contra un obstáculo, la introducción de la estimulación Titanic mejora significativamente. La distancia recorrida entre dos choques consecutivos mejora así el rendimiento de navegación del robot. Esta gráfica representa la probabilidad de que un algoritmo de decodificación determinado del robot navegue con éxito a través de una pista corta en un tiempo limitado.

Los paradigmas de decodificación difieren entre sí debido a las ponderaciones relativas de ráfagas y picos aislados tras su desarrollo. Esta técnica allanó el camino para los URG en el campo de la neuro robótica y la neuroprótesis, al explorar cómo conectar el cerebro y las máquinas con el fin de mejorar el rendimiento de las interfaces neuronales modernas. Tras ver este video, deberías tener una buena comprensión de cómo planificar y ejecutar un experimento híbrido para investigar las propiedades computacionales de una red neuronal biológica incorporada.