Utilisation de l'activité de spiking de neurone pour déclencher des stimuli à boucle fermée dans les expériences neurophysiologiques
12 novembre 2019
Ce protocole démontre comment utiliser un système électrophysiologique pour la stimulation en boucle fermée déclenchée par les modèles d'activité neuronale. Un exemple de code Matlab qui peut être facilement modifié pour différents dispositifs de stimulation est également fourni.
Ce système d’enregistrement neurophysiologique standard peut être utilisé pour effectuer une stimulation en boucle fermée qui est utile pour étudier les interactions causales dans le cerveau. Ce protocole permet aux neuroscientifiques ayant une expertise limitée en informatique de mettre rapidement en œuvre une variété d’expériences en boucle fermée avec peu de coûts. Les expériences en boucle fermée sont de plus en plus importantes pour les sciences fondamentales et la recherche.
Par exemple, de multiples études sur l’épilepsie ont montré que le déclenchement de la stimulation neuronale lors de l’apparition des crises est une approche efficace pour réduire la gravité des crises. Pour faciliter l’adoption d’expériences en boucle fermée dans la recherche en neurosciences, ce protocole fournit du code MATLAB pour convertir un système d’enregistrement électrophysiologique en boucle ouverte en un système en boucle fermée. Cette mise en œuvre de la stimulation en boucle fermée est démontrée chez un rat éveillé.
Pour installer le système d’acquisition de données Cheetah 6.4, ouvrez la page Web du logiciel qui inclut les bibliothèques pour interagir avec le système d’acquisition Cheetah et installez SpikeSort-3D. Installez le paquet de développement NetCom. Connectez-vous à un compte MATLAB pour sélectionner la licence, la version et le système d’exploitation corrects.
Ensuite, téléchargez la bibliothèque pour le déclenchement d’événements en ligne tel qu’indiqué et extrayez les fichiers dans le dossier MATLAB des documents. Pour l’acquisition de données, ouvrez le logiciel Cheetah et enregistrez les données de spiking pour remplir les formes d’ondes du modèle. Après quelques minutes, arrêtez l’acquisition de données et effectuez un SpikeSort sur les données enregistrées.
Ensuite, ouvrez SpikeSort3-D et cliquez sur le menu du fichier et le fichier spike de charge Pour sélectionner un fichier spike dans le dossier avec les données enregistrées. Ensuite, cliquez sur le menu cluster, autocluster en utilisant KlustaKwik, et exécuter. Pour effectuer une expérience en boucle fermée, reprenez l’acquisition de données dans Cheetah et ouvrez MATLAB.
Ouvrez ClosedLoop. M et cliquez sur exécuter. Alternativement, exécutez en boucle fermée dans la fenêtre de commande.
Parcourez le dossier d’enregistrement et sélectionnez l’un des fichiers de données spiking pour charger les informations de pointe définies dans l’enregistrement initial. Cliquez sur les cases à cocher appropriées sous les formes d’ondes tracées pour sélectionner un ou plusieurs neurones qui déclencheront la stimulation. Définissez le nombre minimum de neurones qui déclencheront la stimulation en entrant un entier dans la boîte de texte min matches et définissez la fenêtre de temps dans laquelle les pointes correspondant aux différentes formes d’ondes sont considérées comme coactives en entrant un nombre dans la boîte de texte de fenêtre.
Ensuite, cliquez sur envoyer pour commencer le déclenchement en ligne des événements basés sur l’activité de spiking des neurones sélectionnés. Dans cette expérience représentative, le rat était reposé sur un pot de fleurs qui était un lieu de repos familier pendant les pauses dans les expériences comportementales. Ici, un fonctionnement simultané représentatif du logiciel d’enregistrement et du programme MATLAB qui affiche les formes d’onde de pointe acquises en temps réel peut être observé.
Lorsque des pointes provenant de clusters de déclenchement prédéfinis sont détectées, les formes d’onde sont affichées avec une ligne de tiret en gras dans la fenêtre de figure MATLAB déclenchant une tonalité et fournissant un système en boucle fermée. Dans ce chiffre, un histogramme représentatif illustrant les retards entre le moment de générer un pic artificiel et le moment d’induire un signal déclenché sont affichés. Après la préparation d’un animal et l’installation du logiciel, l’expérience en boucle fermée se compose de deux étapes principales, l’acquisition initiale de données et la stimulation en boucle fermée au cours de laquelle les pointes déclenchent des stimuli externes.
Ce protocole permet également le traitement d’un stimulus basé sur l’activité de neurones multiples qui est important pour répondre aux questions sur le traitement de l’information dans le cerveau. Les avantages de cette solution MATLAB sont son faible coût et sa flexibilité dans la définition des modèles d’activité pour déclencher des stimuli qui peuvent aider à étudier une variété de questions neuroscientifiques.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Ce protocole démontre l'utilisation d'un système électrophysiologique pour la stimulation en boucle fermée basée sur les modèles d'activité neuronale. Il permet aux neuroscientifiques, même avec une expertise limitée en informatique, de mener des expériences en boucle fermée efficacement et de manière rentable. Le protocole comprend un exemple de code MATLAB pour la mise en œuvre et est illustré avec des enregistrements d'un rat éveillé, montrant l'interaction en temps réel entre les pics neuronaux et la stimulation.
Composants clés de l'étude
Domaine de la science
- Neuroscience
- Électrophysiologie
- Systèmes en boucle fermée
Contexte
- La stimulation en boucle fermée est essentielle pour étudier les interactions causales dans le cerveau.
- Cette approche est particulièrement utile dans la recherche sur l'épilepsie pour atténuer la gravité des crises.
- Le protocole répond au besoin de systèmes en boucle fermée accessibles en neurosciences.
Objectif de l'étude
- Fournir une méthode pour mettre en œuvre une stimulation en boucle fermée avec un coût et une expertise minimaux.
- Faciliter l'étude de l'activité neuronale et des réponses par la stimulation en temps réel.
- Permettre aux chercheurs de mieux comprendre le traitement de l'information dans le cerveau.
Méthodes utilisées
- L'étude utilise un système d'enregistrement neurophysiologique standard pour les expériences en boucle fermée.
- L'enregistrement sur des rats éveillés a été utilisé comme modèle biologique.
- Un code MATLAB est fourni pour la personnalisation et la conversion des systèmes en boucle ouverte.
- Les étapes clés comprennent l'acquisition des données, le tri des données de pics et la définition des paramètres de stimulation.
- L'expérience en boucle fermée implique le déclenchement en temps réel de stimuli basés sur l'activité neuronale.
Résultats principaux
- Le protocole permet une stimulation basée sur l'activité de plusieurs neurones, améliorant la compréhension des interactions neuronales.
- Les données de pics ont été utilisées pour déclencher des stimuli externes, démontrant une rétroaction efficace en boucle fermée.
- La visualisation en temps réel de l'activité neuronale a été réalisée via l'interface MATLAB.
- Les principales conclusions mettent en évidence la flexibilité et la rentabilité de la solution basée sur MATLAB.
Conclusions
- Cette étude permet aux chercheurs de mettre en œuvre et d'adopter facilement des techniques de stimulation en boucle fermée.
- Les résultats ont des implications pour faire progresser la compréhension des mécanismes neuronaux et des fonctions cérébrales.
- Les modèles de stimulation flexibles contribuent à répondre à diverses questions en neurosciences.
Questions fréquemment posées
Executive Industry Relevance
Closed-loop neurophysiological systems enable causal interrogation of brain circuits by linking neuronal activity patterns to real-time stimulation, supporting target validation and mechanistic de-risking in preclinical neuroscience. This MATLAB-based approach lowers technical barriers for implementing closed-loop designs, facilitating scalable and reproducible studies of neural information processing. The protocol supports early discovery workflows by providing a flexible, cost-effective tool for hypothesis-driven stimulation experiments in disease-relevant models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by triggering stimuli based on defined spiking activity of single or multiple neurons.
- Operational Value: Supports functional target validation through real-time causal manipulation of neuronal circuits in awake animal models.
- Predictive Value: Enhances confidence in target engagement by demonstrating stimulus-evoked neural responses under controlled, closed-loop conditions.
Screening & Assay Development
- Scientific Value: Prepares validated neuronal recording systems for downstream assay standardization by enabling precise, activity-dependent stimulation.
- Operational Value: Improves assay reproducibility through user-defined spike detection thresholds and coactivity windows for consistent stimulus triggering.
- Scalability: Facilitates platform reuse across experiments via modifiable MATLAB code adaptable to various stimulation devices and recording setups.
Translational & Preclinical Research
- Translational Continuity: Demonstrated in awake rats, supporting relevance to disease models and preclinical validation of neuromodulation strategies.
- Mechanistic De-risking: Allows study of information processing in the brain by treating stimuli based on multi-neuron activity patterns, reducing ambiguity in causal interpretations.
- Risk-Adjusted Advancement: Supports go/no-go decisions by providing quantitative, real-time feedback on neural responses to stimulation.
Pipeline & Workflow Integration
The method integrates into early discovery workflows by enabling hypothesis testing through real-time stimulation triggered by neuronal spiking activity, bridging electrophysiology and intervention studies.
- Discovery Biology: Supports pathway clarification and biological de-risking by allowing researchers to test causal relationships between defined neural activity patterns and downstream responses.
- Screening: Enhances assay readiness through reproducible spike-sorting and online event triggering based on user-defined neuronal clusters.
- Analytics: Provides quantitative dependent variable measurements such as spike-triggered stimulus timing and histogrammed response delays for comparative condition analysis.
- Translational Research: Connects to preclinical continuity via demonstration in awake rodents, supporting extrapolation to disease-relevant systems.
- Enterprise Reuse: Framed as a reusable capability due to open-source MATLAB code that can be adapted across labs and stimulation modalities without major reengineering.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in target modulation, reduction of mechanistic ambiguity in neural circuit studies.
- Operational Value: Standardization, reproducibility, and low-cost implementation using widely available electrophysiology and MATLAB tools.
- Strategic Value: Better go/no-go decisions in target validation, capital efficiency, and reduced late-stage biological risk in neuromodulation programs.
- Portfolio Impact: Risk-adjusted prioritization of targets based on causal evidence from closed-loop stimulation experiments.
Implementation Considerations
- Requires expertise in electrophysiology, spike sorting, and basic MATLAB scripting for parameter configuration.
- Depends on instrumentation such as Neuralynx Cheetah system and compatible PC for real-time data acquisition and processing.
- Necessitates cross-team standardization of spike detection thresholds, coactivity windows, and min-match parameters for reproducible triggering.
- Involves adaptation considerations when applying to different model systems or stimulation modalities beyond tone or serial port outputs.
- Practical limitations include dependency on stable spike sorting and potential latency in real-time processing affecting temporal precision of stimulation.
