Closed-loop Neuro-robot Experimenten om Test computationele eigenschappen van neuronale netwerken
March 2nd, 2015
In dit artikel wordt een experimenteel kader gepresenteerd om gesloten-lusexperimenten uit te voeren, waarin informatieverwerking (d.w.z., codering en decodering) en het leren van neuronale assemblages worden bestudeerd tijdens de continue interactie met een robotachtig lichaam.
Het algemene doel van het volgende experiment is om de bidirectionele interactie te onderzoeken tussen een biologisch netwerk van gedissocieerde neuronen en een kleine robot. Het continue dialoog kan de computationele eigenschappen van het neuronale systeem wijzigen, wat een soort van leren induceert. Dit wordt bereikt door een neuronale cultuur voor te bereiden over een micro elektrode array om een experimentele sessie van meerdere uren mogelijk te maken zonder de celactiviteit te compromitteren.
Als tweede stap wordt een responsmap van de cultuur berekend, wat de selectie van stimulerende elektroden voor het daadwerkelijke closed loop experiment mogelijk maakt. Vervolgens worden coderings- en decoderingsparameters gedefinieerd om de uitwisseling van informatie tussen biologische en elektronische systemen mogelijk te maken. De resultaten tonen een significante toename in de navigatiecapaciteiten van het robotagent op basis van de vergelijking van de gemiddelde afgelegde afstand tussen hits onder verschillende controlecondities.
Deze methode kan ons helpen om antwoord te geven op belangrijke vragen in ons ingenieursveld, zoals, kunnen we een woordenboek maken om de taal van de neuronen te vertalen naar de taal van de machines en vice versa? Over het algemeen zullen personen die nieuw zijn in deze methode worstelen vanwege de technologische complexiteit van de experimentele opstelling en software-architectuur. Het demonstreren van de procedure zal Martha Bizo, PhD-student van mijn lab, zijn.
De eerste stap is om een micro elektrode array of MEA chip met 60 elektroden voor te bereiden die kan worden gebruikt voor het stimuleren of opnemen van het neurale netwerk. Na het plateren van neuronale culturen op de ME, wachten de chips ongeveer drie weken tot het neurale netwerk is volwassen. Op de dag van het experiment, verwarm het MEA-verwarmingssysteem gedurende vijf tot 10 minuten door de temperatuurregelaar op 37 graden Celsius in te stellen en de verwarmingsplaat onder de MEA zelf in te schakelen.
Gebruik ook een verwarmde deksel om verdamping te verminderen door autoclaaf gesteriliseerde gasdoorlatende doppen gebruiken om de culturen te bedekken met een dop om verdamping te beperken en veranderingen in osmolariteit tijdens opname te voorkomen. Circuleer nu car bear over de cultuur om zowel stabiele zuurstof- als pH-niveaus te behouden. Laat de cultuur 30 minuten rusten. Na de rustperiode, neem de spontane activiteit van de neuronale cellen gedurende 30 minuten op.
Sla vervolgens de gegevens op in een bestand door op de opnameknop in het spikesvak van het gegevensopnameformulier te klikken. Identificeer in het ruwe gegevensweergaveformulier de 10 kanalen met het hoogste piekgetal. Selecteer vervolgens die kanalen in een van de MEA-lay-outs.
Het coderingsformulier wordt hier getoond door de muiscursor over de gewenste gebieden te slepen. Zodra de kanalen zijn geselecteerd, klikt u met de rechtermuisknop ergens op de MEA-lay-out en selecteert u toevoegen aan de linkerzintuiglijke gebied in het pop-upmenu. Deze elektroden zullen worden gebruikt om elektrische stimulatie te leveren in een volgende stap.
Verifieer vervolgens dat de stimulator en MEA-versterker correct zijn aangesloten. Alle configuraties vereisen twee draden per gewenste stimulatiekanaal, terwijl een extra coaxiale kabel vereist is om het synchronie-signaal te dragen. Wanneer u klaar bent, zet u de stimulator aan.
De volgende stap is het definiëren van de stimulusparameters in het verbindingskaartformulier. Alle stimulaties die aan de cultuur worden geleverd, zijn door fasekwadratische spanningsgolven. Stel de halve duur in op 300 microseconden en stel de amplitude in op 1,5 piektopspanning.
Begin met het opnemen van de reactie op de stimulatie door op de startknop te drukken. In het verbindingskaartformulier wordt automatisch een serie van 30 stimuli met 0,2 hertz afgeleverd van een van de eerder geselecteerde stimulatie-elektroden. Terwijl deze elektrode als stimulatie-elektrode fungeert, worden reacties opgenomen van de overige 59 elektroden op de MEA-chip.
Vervolgens, met een vertraging van vijf seconden tussen de series, worden de serie van 30 stimuli op hun beurt herhaald op elk van de overige negen geïdentificeerde stimulatie-elektroden terwijl opnames worden verzameld van de overige 59 elektroden. Maak vervolgens een computerverbindingskaart voor elk stimulerend kanaal met behulp van spy-code, een toepassing die berekeningen op neurale gegevens uitvoert. Verwerp uit de verbindingskaarten voor verdere analyse alle stimulerende elektroden die geen reacties veroorzaakten.
Selecteer vervolgens uit de resterende elektroden het paar met de minste overlap in reacties zoals beschreven in het tekstprotocol, selecteer een van deze elektroden om sensorische informatie van de linkerkant van de robot te coderen en de andere om metingen van de rechterkant te coderen. Sleep hiervoor de muiscursor over een elektrode, klik met de rechtermuisknop op de MEA-lay-out en selecteer vervolgens toevoegen aan de linkerzintuiglijke gebied. Sleep vervolgens de cursor over de andere elektrode.
Klik met de rechtermuisknop en selecteer toevoegen aan het rechterzintuiglijke gebied. Selecteer vervolgens in het coderingsformulier het coderingsschema door het coderingstype in te stellen op lineair. Definieer vervolgens de minimale en maximale stimulatiesnelheden door het standaardbereik van 0,5 tot twee hertz te gebruiken en stel de jitter-parameter op nul.
Stel vervolgens in het decoderingsformulier de parameters van het decoderingsalgoritme in. Dat is de snelheidsverandering en de tijdsconstante van de vervalparameters tot een voor een matig actieve cultuur met ongeveer één piek per seconde per kanaal. Stel vervolgens de decoderingsalgoritme-burstparameters in het decoderingsformulier op nul.
De vervaltijd is niet relevant als de snelheidsverandering nul is. Selecteer in het experimentbeheerformulier de gegevens die moeten worden opgenomen door op de selectievakjes spike-gegevens, robotgegevens en stimuligegevens te klikken. Start nu een voorlopige robotrun door de knop experiment starten in het experimentbeheerformulier te selecteren.
Selecteer wanneer gevraagd nieuwe bestandsnamen voor de gegevensbestanden. Laat het experiment 30 minuten lopen. Klik vervolgens op de knop experiment stoppen om de robotrun te stoppen.
Schakel vervolgens het leerprotocol in door het vakje leveren aan 10 stimulatie na te markeren. in het experiment
Overzicht
Deze studie presenteert een raamwerk voor closed-loop experimenten om de interactie tussen neuronale assemblages en een robotisch lichaam te onderzoeken. Het onderzoek richt zich op codering, decodering en leerprocessen in neuronale netwerken tijdens continue interactie.
Belangrijkste Onderzoekscomponenten
Wetenschapsgebied
- Neurowetenschappen
- Robotica
- Neuro-engineering
Achtergrond
- Het experiment beoogt bidirectionele communicatie tussen biologische neuronen en robotische systemen te onderzoeken.
- Neuronale culturen worden bereid op micro-elektrode arrays voor uitgebreide experimentele sessies.
- Het begrijpen hoe neuronale systemen kunnen leren van robotische interacties is cruciaal voor het bevorderen van neuro-engineering.
- Technologische complexiteit levert uitdagingen op voor nieuwe onderzoekers op dit gebied.
Doel van het onderzoek
- Om te onderzoeken hoe neuronale culturen hun computationele eigenschappen kunnen aanpassen door interactie met een robot.
- Om een methode te ontwikkelen voor het vertalen van neuronale signalen naar robotische commando's en vice versa.
- Om de navigatiecapaciteiten van robotische agenten te verbeteren met behulp van biologische input.
Gebruikte methoden
- Bereiding van micro-elektrode arrays (MEAs) voor neuronale cultuur.
- Opname van spontane neuronale activiteit en definiëren van coderings/decoderingsparameters.
- Uitvoeren van closed-loop experimenten met stimulatie en opname van reacties.
- Gebruik van software voor gegevensanalyse en verbindingsmapping tussen elektroden.
Belangrijkste resultaten
- Aanzienlijke verbeteringen in de navigatiecapaciteiten van de robotische agent werden waargenomen.
- Succesvolle totstandkoming van een communicatieprotocol tussen neuronen en robotische systemen.
- Identificatie van effectieve stimulatie-elektroden voor informatie-uitwisseling.
- Demonstratie van leercapaciteiten in neuronale culturen door robotische interactie.
Conclusies
- Dit raamwerk opent nieuwe wegen voor het begrijpen van neuronaal leren als reactie op robotische stimuli.
- Het benadrukt het potentieel voor het ontwikkelen van geavanceerde neuroprothetische apparaten.
- Toekomstig onderzoek kan voortbouwen op deze bevindingen om mens-machine-interfaces te verbeteren.
Veelgestelde vragen
Executive Industry Relevance
This closed-loop neuro-robotic platform enables bidirectional communication between neuronal networks and artificial systems, offering a mechanistic approach to de-risk target validation in neurotherapeutic discovery. By quantifying how neuronal activity modulates robotic behavior and vice versa, the method supports predictive confidence in assessing neural circuit function and information processing. It provides a disease-relevant system for probing computational properties of neuronal networks, informing early-stage hypothesis testing in CNS drug discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing how neuronal networks encode and decode sensory-motor information in a closed-loop context.
- Operational Value: Enables functional validation of neuronal targets through real-time interaction with a robotic effector, clarifying pathway involvement in information processing.
- Predictive Value: Supports portfolio triage by measuring learning-induced changes in navigational performance as a proxy for synaptic plasticity and network adaptability.
Screening & Assay Development
- Scientific Value: Prepares validated neuronal cultures on microelectrode arrays for reproducible, long-term recording and stimulation, enabling standardized assay formats.
- Operational Value: Defines coding and decoding parameters that allow quantitative exchange of information between biological and electronic systems, supporting assay readiness.
- Scalability: Facilitates rapid selection of diverse encoding, decoding, and learning algorithms to test computational hypotheses across multiple conditions.
Translational & Preclinical Research
- Translational Value: Uses embryonic mammalian hippocampal networks as a disease-relevant model to study information coding mechanisms relevant to cognitive disorders.
- Preclinical Continuity: Demonstrates how bidirectional brain-body interactions can be leveraged to enhance robotic navigation, informing neuroprosthetic design.
- Mechanistic De-risking: Identifies effective stimulation electrodes and stimulation paradigms (e.g., Titanic stimulation post-obstacle hit) that significantly improve behavioral output, reducing ambiguity in mechanism-of-action studies.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from early target validation through preclinical assessment, particularly for neurotherapeutics targeting synaptic plasticity, network excitability, or sensory processing.
- Discovery Biology: Supports hypothesis testing by allowing researchers to manipulate contextual feedback and observe changes in neuronal computational properties over extended sessions.
- Screening: Enables assay standardization through response mapping and selection of non-overlapping stimulation electrodes for left/right sensory coding, ensuring reliable signal routing.
- Analytics: Generates quantitative dependent variable measurements (e.g., average distance traveled between hits) that allow comparison of navigational performance across control, open-loop, and closed-loop conditions.
- Translational Research: Connects discovery-phase findings to preclinical continuity by demonstrating how learning protocols (e.g., delivery of Titanic stimulation after obstacle hits) induce measurable improvements in robotic behavior.
- Enterprise Reuse: Establishes a reusable platform for testing diverse algorithms and stimulation paradigms, reducing redundant setup efforts across projects.
Operational & Enterprise Impact
- Scientific Value: Provides mechanistic insight into how bidirectional interactions modify neuronal computational properties, reducing ambiguity in target engagement and pathway modulation.
- Operational Value: Standardizes neuronal culture preparation, MEA-based recording/stimulation, and closed-loop control software for reproducible experimental sessions.
- Strategic Value: Improves go/no-go decisions by linking neuronal activity to functional outputs (robotic navigation), enabling risk-adjusted advancement of neurotherapeutic candidates.
- Portfolio Impact: Supports prioritization of compounds or genetic interventions that enhance learning-dependent plasticity in neuronal networks, based on measurable improvements in closed-loop performance.
Implementation Considerations
- Requires expertise in neuronal culture maintenance, microelectrode array handling, and electrophysiological recording techniques.
- Dependent on specialized instrumentation including MEAs, stimulators, amplifiers, temperature control systems, and robotic interfaces (virtual or physical).
- Necessitates cross-team standardization of stimulation parameters (e.g., phasic square waves at 300 μs half-duration, 1.5 V peak-to-peak amplitude) and decoding algorithms (linear coding, speed change and decay time constants set to 1).
- Involves adaptation considerations when transferring protocols from virtual to physical robotic systems, particularly regarding sensor feedback and environmental interaction.
- Practical limitations include the technological complexity of setup and software architecture, which may pose barriers for new users without dedicated training.
Biopharma FAQs
Chapters in this video
0:05
Title
1:33
Preparation of Neuronal Culture Over an MEA
2:38
Selection of MEA Electrodes to Stimulate the Neuronal Culture and Response Map Computation
5:42
Interfacing the Neuronal Curlture with the Robot: Selection of Coding and Decoding Schemes
6:31
Performing a Neuro-robotic Experiment
8:03
Results: Closed-loop Feedback Improves Control of Robots by Neuronal Networks
10:33
Conclusion
