Modelowanie obliczeniowe neuronów siatkówki do badań nad protezami wzrokowymi - podstawowe podejścia
21 czerwca 2022
Podsumowujemy przepływ pracy, aby obliczeniowo modelować zachowanie neuronu siatkówki w odpowiedzi na stymulację elektryczną. Model obliczeniowy jest wszechstronny i obejmuje etapy automatyzacji, które są przydatne w symulowaniu szeregu scenariuszy fizjologicznych i przewidywaniu wyników przyszłych badań in vivo/in vitro.
Protokół ten pomaga przewidywać reakcję komórek nerwowych na różne bodźce, co pozwala nam badać nowatorskie pomysły w stymulacji neuronalnej bez konieczności posiadania fizycznego prototypu lub żywej tkanki. Może być używany jako badanie wstępne do testowania koncepcji, które są trudne do fizycznego naśladowania, a także jest efektywny kosztowo i czasowo, umożliwiając testowanie dużej liczby parametrów. Ta metoda może przewidywać odpowiedź neuronalną w innych systemach stymulacji neuronalnej poza siatkówką.
Nie ogranicza się również do stymulacji elektrycznej, ale może być również stosowany do bodźców świetlnych. Aby rozpocząć, uruchom oprogramowanie MES i kliknij kreator modelu, a następnie 3D. W polu listy Wybierz fizykę rozwiń węzeł AC/DC i wybierz pola elektryczne i prąd.
Kliknij na badanie i dodaj badanie stacjonarne w opcji badania ogólne, a następnie kliknij na gotowe. W ustawieniach geometrii zmień jednostkę długości z metra na mikrometr. Kliknij prawym przyciskiem myszy geometrię pierwszą, a następnie kliknij blok, aby utworzyć domenę bloku.
Powtórz ten krok jeszcze dwa razy, aby utworzyć w sumie trzy bloki. Dla wszystkich bloków ustaw zarówno głębokość, jak i szerokość na 5 000 mikrometrów i przypisz wartość wysokości bloku. Zmień opcję bazową na wyśrodkowanie i przypisz wartości Z dla każdego bloku.
Aby utworzyć płaszczyznę roboczą do dodania elektrody do modelu, kliknij prawym przyciskiem myszy płaszczyznę geometrii w drzewie modelu i wybierz opcję Płaszczyzna robocza. Kliknij pierwszą płaszczyznę roboczą i zmień typ płaszczyzny na równoległą. Kliknij przycisk aktywuj wybór poniżej typu płaszczyzny i wybierz dolną powierzchnię bloku pierwszego.
Kliknij na parametry jeden i zdefiniuj wartość promienia elektrody. Aby narysować elektrodę tarczową na płaszczyźnie roboczej, kliknij geometrię płaszczyzny w obszarze płaszczyzny roboczej i kliknij szkic na głównym pasku narzędzi. Wybierz okrąg, kliknij w dowolnym miejscu wewnątrz prostokąta na karcie Grafika i przeciągnij, aby utworzyć elektrodę dyskową.
Zmień promień na wstępnie zdefiniowaną wartość w mikrometrze, xw i yw na zero mikrometra, a następnie kliknij zbuduj wszystko. W drzewie modelu kliknij prawym przyciskiem myszy materiał, następnie kliknij pozycję pusty materiał, a następnie kliknij pierwszy materiał i zmień wybór na ręczny. Kliknij domeny w oknie graficznym, aby wybrać tylko jedną domenę.
Wybierz właściwości materiału, podstawowe właściwości, a następnie kliknij przewodność elektryczna i kliknij przycisk dodaj do materiału. Zmień wartość przewodności elektrycznej na 0,043 siemensa na metr. Powtórz kroki dla domen drugiej i trzeciej o wartościach przewodności elektrycznej wynoszących odpowiednio 0,7 i 1,55 siemensa na metr.
Aby utworzyć siatkę modelu 3D, przejdź do drzewa modelu i kliknij prawym przyciskiem myszy siatkę pierwszą, a następnie kliknij opcję Swobodny czworościan. Kliknij na dowolny czworościenny i wybierz zbuduj wszystko. Aby zastosować fizykę do MES, rozwiń wartość prądów elektrycznych o jeden w drzewie modelu i sprawdź, czy wymienione są wartości zachowania prądu jeden, izolacja elektryczna i wartości początkowe jeden.
Następnie kliknij prawym przyciskiem myszy prądy elektryczne. Następnie kliknij masę i nałóż to na powierzchnię najbardziej oddaloną od elektrody. Następnie kliknij prawym przyciskiem myszy prądy elektryczne.
Następnie kliknij potencjał pływający przypisany do elektrody dyskowej i zmień wartość I0 na jeden mikroamper, aby zastosować prąd jednostkowy. Aby uruchomić symulację z przeciągnięciem parametrycznym, w drzewie modelu kliknij prawym przyciskiem myszy pozycję badanie pierwsze, a następnie kliknij opcję Przeciągnięcie parametryczne. Kliknij na parametryczne przeciągnięcie, a następnie w tabeli ustawień badania kliknij dodaj, a następnie wybierz elec_rad dla nazwy parametru.
Wpisz 50, 150, 350, 500 dla listy wartości parametrów i mikrometr dla jednostki parametrów. Następnie kliknij przycisk compute (obliczenia), aby uruchomić badanie. Aby zaimportować morfologię za pomocą funkcji CellBuilder, uruchom nrngui z folderu instalacyjnego pakietu NEURON Computational Suite.
Następnie kliknij narzędzia, a następnie kliknij różne, importuj 3D, a następnie zaznacz pole wyboru pliku. Znajdź pobrany plik SWC i kliknij odczyt. Po zaimportowaniu geometrii kliknij eksport, a następnie CellBuilder.
Aby utworzyć plik KWR z importowaną morfologią komórki, należy przejść do zakładki podzbiory i obserwować podzbiory, które zostały predefiniowane w modelu. Zaznacz pole tworzenia ciągłego, przejdź do zarządzania, a następnie kliknij przycisk eksportuj i wyeksportuj morfologię jako rgc.hoc. Aby wyświetlić morfologię komórki, kliknij narzędzie, widok modelu, jedną prawdziwą komórkę.
Następnie kliknij root soma zero na pasku narzędzi. Kliknij prawym przyciskiem myszy pojawiające się okno i kliknij typ dostępu i wyświetl dostęp. Z oględzin wynika, że średnica pola dendrytycznego tego modelu powinna wynosić około 250 mikrometrów.
Na razie zamknij okna NEURON. Otwórz oprogramowanie MES. Przejdź do Konstruktora aplikacji.
Kliknij prawym przyciskiem myszy metody w drzewie Konstruktora aplikacji. Wybierz nową metodę i kliknij w porządku. Przejdź do pliku, a następnie kliknij preferencje i metody.
Zaznacz pole wyświetl wszystkie kody i kliknij OK. Napisz plik HOC, który ładuje współrzędne segmentów neuronów do pliku tekstowego. Użyj skryptu metody MES, aby przesunąć wartości tak, aby pasowały do żądanej lokalizacji i zapisać plik tekstowy zawierający wartości współrzędnych dla nowego położenia komórki.
Otwórz metodę COMSOL i zapisz przesunięte wartości współrzędnych i napięcia. Aby uruchomić zautomatyzowane kroki w oprogramowaniu MES, przełącz się na konstruktora modelu, programistę, metodę uruchamiania i kliknij metodę pierwszą. Spowoduje to utworzenie plików DAT z odpowiednimi wartościami napięcia.
Zapętl symulacje w języku programowania ogólnego przeznaczenia, otwierając wybrane IDE i klikając nowy plik, aby utworzyć nowy skrypt, zgodnie z tekstem rękopisu. Na koniec kliknij uruchom lub naciśnij F5, aby uruchomić skrypt, który otworzy również GUI pakietu NEURON Computational Suite. Wykres reakcji modelu NEURON na stymulację zewnątrzkomórkową w graficznym interfejsie użytkownika pakietu NEURON Computational Suite.
Aby to zrobić, uruchom stymulację. Hoc, kliknij na Wykres, następnie kliknij Dostęp do napięcia na pasku narzędzi, a następnie w oknie wykresu kliknij prawym przyciskiem myszy w dowolnym miejscu i wybierz, Wykres Co? Wpisz axon.
v1 w polu zmienna do wykresu, co oznacza, że wykreśli potencjał transbłonowy ostatniego segmentu aksonu na krok czasowy. Opisany tutaj model potwierdził, że zwiększenie rozmiaru elektrody nadnaczyniówkowej przy szerokości impulsu 0,25 milisekundy zwiększyło próg aktywacji neuronu modelowego. Obserwowano charakterystykę potencjału czynnościowego w celu walidacji modelu.
Opóźnienie lub czas między początkiem bodźca a szczytem skoku potencjału czynnościowego wahał się od 1 do 2,2 milisekundy. Odpowiadało to krótkiemu wzrostowi opóźnień spowodowanemu aktywacją siatkówki nieza pośrednictwem sieci. Szerokość kolca w tym modelu wynosiła jedną milisekundę i jest to ten sam zakres, co szerokości kolców króliczych RGC mierzone in vitro.
Model wykazał najniższy próg, gdy wąski segment aksonu znajdował się bezpośrednio nad elektrodą dyskową i zwiększał się wraz ze wzrostem odległości X. Przesunięcie elektrody dalej w kierunku dystalnego aksonu spowodowało niższy próg w porównaniu z przesunięciem elektrody w kierunku dendrytów ze względu na obecność początkowego segmentu aksonu i wąskiego segmentu, w którym kanały sodowe są bardziej rozpowszechnione. Opisana metoda jest łatwa do zastosowania i przyspiesza prace badawcze w tworzeniu dowodów słuszności koncepcji dla nowatorskich metod stymulacji lub projektów neuro-electro.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
To badanie przedstawia obliczeniowy przepływ pracy do modelowania reakcji neuronów siatkówki na bodźce elektryczne. Podejście to pozwala naukowcom na efektywne symulowanie różnych scenariuszy fizjologicznych i może przewidywać reakcje neuronowe dla różnych rodzajów bodźców.
Kluczowe elementy badania
Obszar nauki
- Neuronauka
- Modelowanie obliczeniowe
- Fizjologia siatkówki
Tło
- Rozumienie zachowania neuronów siatkówki jest kluczowe dla postępu w technikach stymulacji neuronowej.
- Tradycyjne metody często wymagają fizycznych prototypów lub tkanek biologicznych, co może być ograniczające.
- Zaproponowany model może zaoszczędzić czas i zasoby, pozwalając na wirtualne eksperymenty.
- Rozszerza się poza stymulację elektryczną, aby uwzględnić bodźce świetlne.
Cel badania
- Automatyzacja symulacji reakcji neuronów siatkówki na różne bodźce.
- Dostarczenie niedrogiego sposobu na badanie złożonych zachowań neuronowych.
- Ułatwienie wstępnych badań, które inaczej wymagałyby fizycznych modeli.
Stosowane metody
- Badanie wykorzystuje oprogramowanie metody elementów skończonych (FEM) do modelowania obliczeniowego.
- Skupia się na modelach neuronów siatkówki, aby przewidywać reakcje na bodźce.
- Kluczowe kroki obejmują ustalenie geometrii, stosowanie pól elektrycznych i przeprowadzanie przeglądów parametrycznych.
- Zautomatyzowane kroki w oprogramowaniu FEM pomagają generować dane dotyczące reakcji napięciowych.
Główne wyniki
- Model przewidywał zróżnicowane reakcje neuronowe w oparciu o wielkość elektrod i parametry stymulacji.
- Pomiar elektrofizjologiczny wskazywał na wzrost potencjału transbłonowego korelującego ze zmianami w stymulacji.
- Wyniki potwierdzają, że modelowanie obliczeniowe może skutecznie zastępować eksperymenty fizyczne.
Wnioski
- To badanie wykazuje skuteczność modelowania obliczeniowego w przewidywaniu reakcji neuronowych na bodźce.
- Umożliwia badania stymulacji neuronowej bez konieczności fizycznych prototypów.
- Wyniki mają zastosowanie do zrozumienia neurofizjologii siatkówki i rozwoju strategii stymulacji.
Często zadawane pytania
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
