Computationele modellering van retinale neuronen voor visueel protheseonderzoek - Fundamentele benaderingen
21 juni 2022
We vatten een workflow samen om het gedrag van een netvliesneuron computationeel te modelleren als reactie op elektrische stimulatie. Het computationele model is veelzijdig en omvat automatiseringsstappen die nuttig zijn bij het simuleren van een reeks fysiologische scenario's en het anticiperen op de uitkomsten van toekomstige in vivo / in vitro studies.
Dit protocol helpt de reactie van neurale cellen op verschillende stimuli te voorspellen, waardoor we nieuwe ideeën in neurale stimulatie kunnen verkennen zonder fysiek prototype of levensweefsel nodig te hebben. Het kan worden gebruikt als een voorstudie om concepten te testen die een uitdaging zijn om fysiek te emuleren, en het is kosten- en tijdsefficiënt, waardoor het testen van grote aantallen parameters mogelijk is. Deze methode kan de neurale respons voorspellen in andere neurale stimulatiesystemen naast het netvlies.
Het is ook niet beperkt tot elektrische stimulaties, maar kan ook worden gebruikt voor lichtstimuli. Om te beginnen, voert u de FEM-software uit en klikt u op modelwizard en vervolgens op 3D. Vouw in de keuzelijst fysica selecteren AC/DC uit en selecteer elektrische velden en stroom.
Klik op studie en voeg een stationaire studie toe onder de optie algemene studies en klik vervolgens op gereed. Wijzig in de geometrie-instellingen de lengte-eenheid van meter in micrometer. Klik met de rechtermuisknop op geometrie één en klik vervolgens op blok om een blokdomein te maken.
Herhaal deze stap nog twee keer om in totaal drie blokken te maken. Stel voor alle blokken zowel de diepte als de breedte in op 5.000 micrometer en wijs de hoogtewaarde voor het blok toe. Wijzig de basisoptie in centreren en wijs Z-waarden toe voor elk blok.
Als u een werkvlak wilt maken voor het toevoegen van een elektrode aan het model, klikt u met de rechtermuisknop op de geometrie in de modelstructuur en kiest u werkvlak. Klik op werkvlak één en wijzig het vliegtuigtype in parallelvlak. Klik op de selectieknop activeren onder het vliegtuigtype en kies het onderste oppervlak van blok één.
Klik op parameters één en definieer de waarde voor de straal van de elektrode. Om een schijfelektrode op het werkvlak te tekenen, klikt u op vlakgeometrie onder werkvlak één en klikt u op schets in de hoofdwerkbalk. Selecteer cirkel, klik ergens in de rechthoek op het tabblad Afbeeldingen en sleep om een schijfelektrode te maken.
Wijzig de straal in een vooraf gedefinieerde waarde in micrometer, xw en yw in nul micrometer en klik vervolgens op alles bouwen. Klik in de modelstructuur met de rechtermuisknop op materiaal, klik vervolgens op leeg materiaal en klik vervolgens op materiaal één en wijzig de selectie in handmatig. Klik op de domeinen in het grafische venster zodat alleen domein één wordt gekozen.
Kies materiaaleigenschappen, basiseigenschappen, klik vervolgens op elektrische geleidbaarheid en klik op de knop Toevoegen aan materiaal. Wijzig de elektrische geleidbaarheidswaarde naar 0,043 siemens per meter. Herhaal de stappen voor domeinen twee en drie met de elektrische geleidbaarheidswaarden van respectievelijk 0,7 en 1,55 siemens per meter.
Als u een 3D-model wilt meshen, gaat u naar de modelstructuur en klikt u met de rechtermuisknop op mesh one en klikt u vervolgens op free tetrahedral. Klik op gratis tetraëdrische en kies alles bouwen. Om natuurkunde toe te passen op FEM, breidt u elektrische stromen één uit in de modelboom en controleert u of stroombehoud één, elektrische isolatie één en beginwaarden één worden vermeld.
Klik vervolgens met de rechtermuisknop op de elektrische stromen. Klik vervolgens op de grond en breng deze aan op het oppervlak dat het verst van de elektrode verwijderd is. Klik vervolgens met de rechtermuisknop op de elektrische stromen.
Klik vervolgens op zwevende potentiaal die is toegewezen aan de schijfelektrode en wijzig de I0-waarde in één microampère om een eenheidsstroom toe te passen. Om de simulatie uit te voeren met een parametrische sweep, klikt u in de modelstructuur met de rechtermuisknop op studie één en klikt u vervolgens op parametrische sweep. Klik op parametrisch vegen en klik in de studie-instellingentabel op toevoegen en kies vervolgens elec_rad voor de parameternaam.
Type 50, 150, 350, 500 voor de parameterwaardelijst en micrometer voor de parametereenheid. Klik vervolgens op compute om het onderzoek uit te voeren. Als u de morfologie wilt importeren met de CellBuilder-functie, voert u nrngui uit vanuit de installatiemap van de NEURON Computational Suite.
Klik vervolgens op tools, klik vervolgens op diversen, importeer 3D en vink vervolgens het vakje kies een bestand aan. Zoek het gedownloade SWC-bestand en klik op lezen. Zodra de geometrie is geïmporteerd, klikt u op exporteren en vervolgens op CellBuilder.
Als u een HOC-bestand van de geïmporteerde celmorfologie wilt maken, gaat u naar het tabblad subsets en observeert u de subsets die vooraf zijn gedefinieerd in het model. Vink het vakje voor continu maken aan, ga naar beheer en klik vervolgens op exporteren en exporteer de morfologie als rgc.hoc. Om de morfologie van de cel te bekijken, klikt u op gereedschap, modelweergave, één echte cellen.
Klik vervolgens op root soma zero op de werkbalk. Klik met de rechtermuisknop op het verschijnende venster en klik op toegangstype en weergavetoegang. Bij visuele inspectie zou de dendritische velddiameter van dit model ongeveer 250 micrometer moeten zijn.
Sluit de NEURON-vensters voorlopig. Open de FEM-software. Ga naar de Application Builder.
Klik met de rechtermuisknop op methoden in de Application Builder-structuur. Kies een nieuwe methode en klik op ok. Ga naar bestand en klik op Voorkeuren en methoden.
Vink het vakje alle codes bekijken aan en klik op OK. Schrijf het HOC-bestand dat de coördinaten van de segmenten van de neuronen laadt naar een tekstbestand. Gebruik het FEM-methodescript om de waarden te verschuiven naar de gewenste locatie en sla een tekstbestand op met de coördinaatwaarden voor de nieuwe locatie van de cel.
Open de COMSOL-methode en sla de verschoven coördinaten- en spanningswaarden op. Als u de geautomatiseerde stappen in de FEM-software wilt uitvoeren, schakelt u over naar de modelbouwer, ontwikkelaar, voert u de methode uit en klikt u op methode één. Dit produceert DAT-bestanden met de juiste spanningswaarden.
Loop de simulaties in een algemene programmeertaal door de gekozen IDE te openen en klik op een nieuw bestand om een nieuw script te maken, zoals bepaald in het tekstmanuscript. Klik ten slotte op uitvoeren of druk op F5 om het script uit te voeren, waardoor ook de GUI van de NEURON Computational Suite wordt geopend. Breng de reactie van het NEURON-model op de extracellulaire stimulatie in de GUI van de NEURON Computational Suite in kaart.
Om dit te doen, voer stimulatie uit. hoc, klik op grafiek, klik vervolgens op spanningstoegang vanaf de werkbalk en klik in het grafiekvenster met de rechtermuisknop ergens en kies, plot wat? Typ axon in.
v1 in het variabele naar grafiekveld, wat betekent dat het de transmembraanpotentiaal van het laatste segment van het axon per tijdstap zal plotten. Het hier beschreven model bevestigde dat het vergroten van de suprachoroïdale elektrodegrootte bij een pulsbreedte van 0,25 milliseconde de activeringsdrempel van het modelneuron verhoogde. De actiepotentiaalkenmerken werden waargenomen om het model te valideren.
De latentie of de tijd tussen het begin van de stimulus en de piek van de actiepotentiaalpiek varieerde van 1 tot 2,2 milliseconden. Dit kwam overeen met de korte latentie-spiking als gevolg van niet-netwerkgemedieerde retinale activering. De spikebreedte van dit model was één milliseconde en dit ligt in hetzelfde bereik als de spikebreedtes van konijnenRGCs die in vitro zijn gemeten.
Het model toonde de laagste drempel wanneer het smalle segment van het axon zich direct boven de schijfelektrode bevond en het nam toe naarmate de X-afstand groter werd. Het verder verplaatsen van de elektrode naar het distale axon produceerde een lagere drempel in vergelijking met het verplaatsen van de elektrode naar de dendrieten vanwege de aanwezigheid van het axon initiële segment en het smalle segment waar de natriumkanalen vaker voorkomen. De beschreven methode is eenvoudig toe te passen en versnelt onderzoekers in het produceren van proofs of concept voor nieuwe stimulatiemethoden of neuro-elektro-ontwerpen.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een computationele workflow om de reacties van retinale neuronen op elektrische stimuli te modelleren. De aanpak stelt onderzoekers in staat om verschillende fysiologische scenario's efficiënt te simuleren en kan neurale reacties voor verschillende soorten stimuli voorspellen.
Belangrijkste Studiecomponenten
Wetenschapsgebied
- Neurowetenschappen
- Computationeel Modelleren
- Retinale Fysiologie
Achtergrond
- Het begrijpen van het gedrag van retinale neuronen is cruciaal voor het bevorderen van neurale stimulatietechnieken.
- Traditionele methoden vereisen vaak fysieke prototypen of biologische weefsels, wat beperkend kan zijn.
- Het voorgestelde model kan tijd en middelen besparen door virtuele experimenten mogelijk te maken.
- Het gaat verder dan alleen elektrische stimulatie om ook lichtstimuli te omvatten.
Doel van de Studie
- Om de simulatie van retinale neuronale reacties op verschillende stimuli te automatiseren.
- Om een kosteneffectieve methode te bieden voor het onderzoeken van complex gedrag van neuronen.
- Om voorstudie mogelijk te maken die anders fysieke modellen zouden vereisen.
Gebruikte Methoden
- De studie maakt gebruik van eindige-elementenmethode (FEM) software voor computationeel modelleren.
- Het richt zich op retinale neuronale modellen om reacties op stimuli te voorspellen.
- Cruciale stappen omvatten het instellen van de geometrie, het toepassen van elektrische velden en het uitvoeren van parametrische sweeps.
- Automatische stappen in de FEM software helpen bij het genereren van voltageresponsgegevens.
Belangrijkste Resultaten
- Het model voorspelde gevarieerde neurale reacties op basis van elektrodegrootte en stimulatieparameters.
- Elektrofysiologische metingen wezen op een verhoogd transmembraanpotentiaal dat correleerde met veranderingen in stimulatie.
- Resultaten valideren dat computationeel modelleren effectief kan dienen als vervanger voor fysiek experimenteren.
Conclusies
- Deze studie toont de effectiviteit van computationeel modelleren bij het voorspellen van neuronale reacties op stimuli.
- Het maakt onderzoek naar neurale stimulatie mogelijk zonder de noodzaak voor fysieke prototypen.
- De bevindingen hebben implicaties voor het begrijpen van retinale neurofysiologie en het bevorderen van stimulatiestrategieën.
Veelgestelde Vragen
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
