시각 보철물 연구를 위한 망막 뉴런의 전산 모델링 - 기본 접근
2022년 6월 21일
우리는 전기 자극에 대한 반응으로 망막 뉴런의 행동을 계산적으로 모델링하는 워크 플로를 요약합니다. 계산 모델은 다목적이며 다양한 생리적 시나리오를 시뮬레이션하고 향후 생체 내/체외 연구의 결과를 예측하는 데 유용한 자동화 단계를 포함합니다.
이 프로토콜은 다양한 자극에 대한 신경 세포의 반응을 예측하는 데 도움이되므로 물리적 프로토 타입이나 생명 조직 없이도 신경 자극에 대한 새로운 아이디어를 탐색 할 수 있습니다. 물리적으로 에뮬레이션하기 어려운 개념을 테스트하기 위한 예비 연구로 사용할 수 있으며 비용과 시간 효율적이므로 많은 수의 매개변수를 테스트할 수 있습니다. 이 방법은 망막 이외의 다른 신경 자극 시스템에서 신경 반응을 예측할 수 있습니다.
또한 전기 자극에만 국한되지 않고 빛 자극에도 사용할 수 있습니다. 시작하려면 FEM 소프트웨어를 실행하고 모델 마법사를 클릭한 다음 3D를 클릭합니다. 물리 선택 목록 상자에서 AC/DC를 확장하고 전기장과 전류를 선택합니다.
스터디를 클릭하고 일반 스터디 옵션 아래에 고정 스터디를 추가한 다음 완료를 클릭합니다. 형상 설정에서 길이 단위를 미터에서 마이크로미터로 변경합니다. geometry one을 마우스 오른쪽 버튼으로 클릭한 다음 블록을 클릭하여 블록 도메인을 생성합니다.
이 단계를 두 번 더 반복하여 총 3개의 블록을 만듭니다. 모든 블록에 대해 깊이와 너비를 모두 5, 000 마이크로 미터로 설정하고 블록의 높이 값을 지정하십시오. 기준 옵션을 가운데로 변경하고 각 블록에 Z 값을 할당합니다.
모델에 전극을 추가하기 위한 작업 평면을 생성하려면 모델 트리에서 형상을 마우스 오른쪽 버튼으로 클릭하고 작업 평면을 선택합니다. 작업 평면 1을 클릭하고 평면 유형을 평행하게 변경합니다. 평면 유형 아래에 있는 선택 활성화 버튼을 클릭하고 블록 1의 바닥 표면을 선택합니다.
매개 변수 1을 클릭하고 전극 반경 값을 정의합니다. 작업 평면에 디스크 전극을 그리려면 작업 평면 1 아래의 평면 형상을 클릭하고 기본 도구 모음에서 스케치를 클릭합니다. 원을 선택하고 그래픽 탭에서 사각형 안의 아무 곳이나 클릭한 다음 드래그하여 디스크 전극을 만듭니다.
반경을 마이크로미터 단위로 미리 정의된 값으로 변경하고 xw 및 yw를 0마이크로미터로 변경한 다음 모두 빌드를 클릭합니다. 모델 트리에서 재료를 마우스 오른쪽 버튼으로 클릭한 다음 빈 재료를 클릭하고 재료 1을 클릭하고 선택 항목을 수동으로 변경합니다. 그래픽 창에서 도메인을 클릭하여 도메인 하나만 선택되도록 합니다.
재료 속성, 기본 속성을 선택한 다음 전기 전도도를 클릭하고 재료에 추가 버튼을 클릭합니다. 전기 전도도 값을 미터당 0.043 지멘스로 변경합니다. 영역 2와 3에 대해 각각 미터당 0.7 및 1.55 지멘스의 전기 전도도 값으로 단계를 반복합니다.
3D 모델을 메쉬하려면 모델 트리로 이동하여 메쉬 1을 마우스 오른쪽 버튼으로 클릭한 다음 자유 사면체를 클릭합니다. 자유 사면체를 클릭하고 모두 빌드를 선택하십시오. FEM에 물리학을 적용하려면 모델 트리에서 전류 1을 확장하고 전류 보존 1, 전기 절연 1, 초기값 1이 나열되어 있는지 확인합니다.
그런 다음 전류를 마우스 오른쪽 버튼으로 클릭하십시오. 그런 다음 접지를 클릭하고 전극에서 가장 먼 표면에 적용하십시오. 그런 다음 전류를 마우스 오른쪽 버튼으로 클릭하십시오.
그런 다음 디스크 전극에 할당 된 부동 전위를 클릭하고 I0 값을 1 마이크로 암페어로 변경하여 단일 전류를 적용합니다. 파라메트릭 스윕으로 시뮬레이션을 실행하려면 모델 트리에서 스터디 1을 마우스 오른쪽 버튼으로 클릭한 다음 파라메트릭 스윕을 클릭합니다. 파라메트릭 스윕을 클릭하고 스터디 설정 테이블에서 추가를 클릭한 다음 매개변수 이름으로 elec_rad 선택합니다.
매개변수 값 목록에 50, 150, 350, 500을 입력하고 매개변수 단위에 대해 마이크로미터를 입력합니다. 그런 다음 계산을 클릭하여 스터디를 실행합니다. CellBuilder 기능을 사용하여 모폴로지를 가져오려면 NEURON Computational Suite의 설치 폴더에서 nrngui를 실행합니다.
그런 다음 도구를 클릭 한 다음 기타를 클릭하고 3D 가져 오기를 클릭 한 다음 파일 선택 상자를 선택하십시오. 다운로드 한 SWC 파일을 찾아 읽기를 클릭하십시오. 지오메트리를 가져오면 내보내기를 클릭한 다음 CellBuilder를 클릭합니다.
가져온 세포 모폴로지의 HOC 파일을 생성하려면 하위 집합 탭으로 이동하여 모델에 미리 정의된 하위 집합을 관찰합니다. 연속 생성 상자를 선택하고 관리로 이동한 다음 내보내기를 클릭하고 형태를 rgc.hoc로 내보냅니다. 셀의 형태를 보려면 도구, 모델보기, 하나의 실제 셀을 클릭하십시오.
그런 다음 도구 모음에서 루트 soma 0을 클릭합니다. 나타나는 창을 마우스 오른쪽 버튼으로 클릭하고 액세스 유형 및 보기 액세스를 클릭합니다. 육안 검사로 이 모델의 수지상 필드 직경은 약 250마이크로미터여야 합니다.
지금은 뉴런 창을 닫습니다. FEM 소프트웨어를 엽니다. 응용 프로그램 작성기로 이동합니다.
응용 프로그램 작성기 트리에서 메서드를 마우스 오른쪽 단추로 클릭합니다. 새 방법을 선택하고 확인을 클릭하십시오. 파일로 이동한 다음, 환경설정과 방법을 클릭하십시오.
모든 코드보기 상자를 선택하고 확인을 클릭하십시오. 뉴런 세그먼트의 좌표를 텍스트 파일에 로드하는 HOC 파일을 씁니다. FEM 방법 스크립트를 사용하여 원하는 위치와 일치하도록 값을 이동하고 셀의 새 위치에 대한 좌표 값이 포함된 텍스트 파일을 저장합니다.
COMSOL 방법을 열고 이동 된 좌표 및 전압 값을 저장하십시오. FEM 소프트웨어에서 자동화된 단계를 실행하려면 모델 빌더, 개발자, 실행 방법으로 전환하고 방법 1을 클릭합니다. 이렇게 하면 적절한 전압 값을 가진 DAT 파일이 생성됩니다.
선택한 IDE를 열고 새 파일을 클릭하여 범용 프로그래밍 언어로 시뮬레이션을 반복하여 텍스트 원고에 결정된 대로 새 스크립트를 만듭니다. 마지막으로 실행을 클릭하거나 F5 키를 눌러 스크립트를 실행하면 NEURON Computational Suite의 GUI도 열립니다. NEURON Computational Suite의 GUI에서 세포 외 자극에 대한 NEURON 모델의 반응을 그래프로 표시합니다.
이렇게하려면 자극을하십시오. HOC에서 그래프를 클릭한 다음 도구 모음에서 전압 액세스를 클릭하고 그래프 창에서 아무 곳이나 마우스 오른쪽 버튼으로 클릭하고 무엇을 플롯합니까? 축삭을 입력합니다.
v1 그래프 필드에 있으며, 이는 시간 스텝 당 축삭의 마지막 세그먼트의 막 횡단 전위를 플로팅한다는 것을 의미합니다. 여기에 설명된 모델은 0.25밀리초 펄스 폭에서 상부 극맥락 전극 크기를 증가시키면 모델 뉴런의 활성화 역치가 증가한다는 것을 확인했습니다. 모델을 검증하기 위해 활동 전위 특성을 관찰했습니다.
잠복기 또는 자극 시작과 활동 전위 스파이크의 피크 사이의 시간은 1에서 2.2 밀리 초 사이였습니다. 이는 네트워크 매개 망막 활성화가 아닌 짧은 대기 시간 급증에 해당합니다. 이 모델의 스파이크 폭은 1 밀리 초였으며 이는 시험관 내에서 측정 된 토끼 RGC의 스파이크 폭과 동일한 범위입니다.
이 모델은 축삭의 좁은 부분이 디스크 전극 바로 위에있을 때 가장 낮은 임계 값을 보여 주었고 X 거리가 커질수록 증가했습니다. 전극을 원위 축삭쪽으로 더 이동시키는 것은 축삭 초기 세그먼트의 존재와 나트륨 채널이 더 널리 퍼져있는 좁은 세그먼트로 인해 전극을 수상 돌기쪽으로 이동하는 것과 비교하여 더 낮은 임계 값을 생성했습니다. 설명 된 방법은 적용하기 쉽고 새로운 자극 방법 또는 신경 전자 설계에 대한 개념 증명을 생성하는 연구원을 가속화합니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
이 연구는 전기 자극에 대한 망막 뉴런 반응을 모델링하는 계산 워크플로우를 제시합니다. 이 접근법을 통해 연구자들은 다양한 생리학적 시나리오를 효율적으로 시뮬레이션하고 다양한 유형의 자극에 대한 신경 반응을 예측할 수 있습니다.
주요 연구 구성 요소
과학 영역
- 신경과학
- 계산 모델링
- 망막 생리학
배경
- 망막 뉴런 행동을 이해하는 것은 신경 자극 기술을 발전시키는 데 중요합니다.
- 기존 방법은 종종 물리적 프로토타입이나 생물학적 조직을 필요로 하는데, 이는 제한적일 수 있습니다.
- 제안된 모델은 가상 실험을 통해 시간과 자원을 절약할 수 있습니다.
- 전기 자극을 넘어 빛 자극까지 포함합니다.
연구 목적
- 다양한 자극에 대한 망막 신경 반응의 시뮬레이션을 자동화합니다.
- 복잡한 신경 행동을 조사하는 비용 효과적인 방법을 제공합니다.
- 물리적 모델이 필요한 예비 연구를 용이하게 합니다.
사용된 방법
- 연구는 계산 모델링을 위한 유한 요소법(FEM) 소프트웨어를 활용합니다.
- 자극에 대한 반응을 예측하기 위해 망막 신경 모델에 중점을 둡니다.
- 주요 단계에는 형상 설정, 전기장 적용, 파라메트릭 스윕 실행이 포함됩니다.
- FEM 소프트웨어의 자동화된 단계는 전압 반응 데이터를 생성하는 데 도움을 줍니다.
주요 결과
- 모델은 전극 크기와 자극 매개변수에 따라 다양한 신경 반응을 예측했습니다.
- 전기생리학적 측정은 자극 변화와 상관되는 막투과전위 증가를 나타냈습니다.
- 결과는 계산 모델링이 물리적 실험을 효과적으로 대체할 수 있음을 검증합니다.
결론
- 이 연구는 자극에 대한 신경 반응을 예측하는 데 있어 계산 모델링의 효과를 입증합니다.
- 물리적 프로토타입 없이 신경 자극에 대한 조사를 가능하게 합니다.
- 이 발견은 망막 신경 생리학을 이해하고 자극 전략을 발전시키는 데 영향을 미칩니다.
자주 묻는 질문
Executive Industry Relevance
Computational modeling of retinal neurons enables predictive evaluation of neural stimulation strategies, reducing reliance on animal models and accelerating early-stage neuroprosthesis research. This approach supports rapid hypothesis testing and parameter optimization for visual prosthesis design, directly impacting discovery-stage decision-making and portfolio prioritization. Its integration into R&D pipelines enhances mechanistic de-risking and informs translational continuity for neural engineering programs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables in silico interrogation of neural activation mechanisms relevant to visual prosthesis targets.
- Supports biological de-risking by predicting physiological and psychophysical outcomes of stimulation protocols.
- Facilitates rapid triage of electrode configurations and stimulation parameters before in vivo validation.
Screening & Assay Development
- Prepares validated computational models for downstream experimental workflows in neurostimulation research.
- Standardizes quantitative outputs such as activation thresholds and spike latencies for reproducible comparison.
- Enables scalable parameter sweeps to identify optimal stimulation conditions for device development.
Translational & Preclinical Research
- Aligns computational predictions with in vitro and in vivo electrophysiological benchmarks for translational relevance.
- Supports continuity from discovery modeling to preclinical validation of neuroprosthetic interventions.
- Provides mechanistic insights that inform risk-adjusted advancement of candidate stimulation strategies.
Pipeline & Workflow Integration
This modeling workflow bridges early discovery, lead identification, and preclinical evaluation in neural device R&D.
- Discovery Biology: Enables hypothesis-driven testing of neural response to electrical and light stimuli, clarifying activation pathways.
- Screening: Delivers reproducible, quantitative readouts such as transmembrane potentials and activation thresholds.
- Analytics: Provides statistical outputs for comparing electrode designs and stimulation protocols across conditions.
- Translational Research: Connects computational predictions to experimental validation, supporting biomarker alignment and translational continuity.
- Enterprise Reuse: Establishes a reusable modeling platform adaptable to other neural systems and stimulation modalities.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neural stimulation research.
- Operational Value: Standardizes modeling workflows, enhances reproducibility, and enables high-throughput parameter testing.
- Strategic Value: Improves go/no-go decisions and capital efficiency by minimizing unnecessary animal studies.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of neuroprosthesis candidates.
Implementation Considerations
- Requires expertise in computational neuroscience and familiarity with neurophysiological modeling concepts.
- Depends on access to finite element modeling and neuron simulation software infrastructure.
- Necessitates cross-team standardization of model parameters and validation criteria.
- Adaptable to various neural systems with appropriate morphological and biophysical data.
- Model fidelity and predictive accuracy are contingent on quality of input data and biological assumptions.
Biopharma FAQs
Chapters in this video
0:05
Introduction
0:43
Setting up the Finite Element Model (FEM) in the Software s GUI
5:11
Importing the Geometry of the Neural Cell in the Neuron Computational Suite s GUI
6:47
Writing a Code for Automations of FEM Simulations and Displaying the Data
8:56
Results: A Workflow to Combine the Finite Element and Biophysical Neuron Modeling
10:23
Conclusion
