Name: De circuito fechado experiências neuro-robótico para testar as propriedades computacionais da Neuronal Networks (Vídeo) | JoVE Journal
Uploaded: 2015-03-02T14:00:00.000+00:00
Duration: 11 min 18 s
Description: Explore experimentos de circuito fechado em neuro-robótica para investigar propriedades computacionais de redes neuronais. Este método utiliza arrays de microeletrodos para estudar codificação, decodificação e aprendizado em culturas neuronais interagindo com robôs.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Os autores gostariam de agradecer a Ph.D. estudante Marta Bisio para cultivar e manutenção de redes neuronais mais de microeléctrodos Arrays e Dr. Marina Nanni e Dr. Claudia Chiabrera de NBT-IIT para a assistência técnica para os procedimentos de dissecação e de dissociação. A investigação conducente a estes resultados foi financiada pelo Sétimo Programa-Quadro da União Europeia (ICT-FET FP7 / 2007-2013, FET Jovem Explorers esquema) ao abrigo do contrato de concessão n ° 284772 BRAIN BOW ( <a href="http://www.brainbowproject.eu">www.brainbowproject.eu</a> ). Os autores também gostaria de agradecer a Silvia Chiappalone por sua ajuda na produção dos gráficos utilizados na introdução.

1. Preparação de Cultura neuronal ao longo de um MEA <ol><li> Placa culturas neuronais em chips da MEA, conforme descrito 29. A descrição de um procedimento semelhante também é fornecida 9 e na secção Discussão. </li><li> Ligar o sistema de aquecimento MEA em 5-10 min antes de começar a gravação para minimizar o stress térmico de células: alvo definido temperatura do controlador de temperatura para 37 ° C e ligar a placa de aquecimento inferior ao próprio (fornecido no mais comercial MEA sistemas de MEA) e, se disponível, uma tampa aquecida de modo a reduzir significativamente a evaporação. </li><li> Esterilizar cápsulas permeáveis ​​ao gás antes de cada utilização num autoclave com calor húmido-(30 min, 130 ° C). Para evitar a evaporação e evitar alterações na osmolaridade, manter as culturas cobertas com tampas durante a gravação. </li><li> Coloque a cultura neuronal no amplificador 30 min antes de começar a gravação. NOTA: Basta mover as culturas do incubator para o amplificador irá perturbar significativamente a atividade espontânea por cerca de meia hora. Durante este tempo, a cultura temperatura média vai se estabilizar. </li><li> Se um circuito carbair está disponível, dar início à circulação de carbair (uma mistura de 5% de CO 2 e 95% de O 2 + N 2) para experiências mais longos do que um par de horas: culturas exigirá que, a fim de manter ambos os níveis de oxigénio e de pH estável. </li></ol> 2. Seleção de parâmetros de gravação para MEA Acquisition <ol><li> Selecione a largura de banda do filtro de software para detectar picos (ou seja, a atividade Multi-Unit - MUA) 30: na forma RawDataDisplay marcar a caixa de seleção &quot;300 Hz-3 kHz &#39;. </li><li> Comece a aquisição de dados: pressione o botão &quot;Iniciar&quot; na forma RawDataDisplay. </li><li> Ganho de ajuste Threshold para a detecção de pico no RawDataDisplay a 7. NOTA: Dependendo da especificidade / seletividade tradeoff desejado e no adotada detectaralgoritmo de iões, este limite pode ser ajustado entre 6 e 10 vezes o desvio padrão calculado. </li><li> Jogo de Memória Threshold para 2 seg e pressione o botão &quot;Lock&quot; quando nenhuma atividade spiking é visível no display (ambos os comandos estão na forma RawDataDisplay). Marcar o &#39;SD Estimativa da mediana&#39; para o cálculo do desvio padrão do ruído a partir da mediana do valor absoluto do sinal observado 31,32, se é difícil fornecer mesmo janelas de tempo curtos sem actividade cravação. Remova a marca de esta opção após pressionar o botão &quot;Lock&quot;, como o algoritmo subjacente é computacionalmente intensivo e pode fazer com que o PC a ficar. </li><li> Ligue rotina de detecção de pico (checkbox &#39;Detecção Spike&#39; na forma RawDataDisplay). Se a detecção de pico já está em execução (ou seja, a caixa de seleção já está marcado), descarte picos detectados até o momento, clicando no botão &quot;Reset&quot; na forma de gravação de dados. </li></ol> 3. Seleção de MEA eletrodos para estimular a computação neuronal Cultura e Response Mapa <ol><li> Grave atividade espontânea das células neuronais cultivadas através da MEA para 30 min: salvar dados em um arquivo clicando no botão &#39;Record&#39;, na caixa &#39;Spikes »do formulário DataRecording, após a quantidade desejada de tempo decorrido (30 min, neste caso). </li><li> Identificar os 10 canais mais ativos (ou seja, 10 canais com maior contagem de pico), em seguida, selecionar os canais em qualquer um dos layouts MEA (tanto na codificação, decodificação ou Connection Mapa formas), arrastando o cursor do mouse sobre as áreas desejadas. Uma vez que os canais são selecionados, clique direito em qualquer lugar no layout MEA e selecione &quot;Adicionar à esquerda área sensorial &#39;no menu pop-up: esses eletrodos serão utilizados para entregar a estimulação elétrica na etapa 3.5. </li><li> Verifique se estimulador e amplificador MEA estão conectados corretamente: todas as configurações require dois fios por canal estimulação desejado, enquanto um cabo coaxial extra serão necessários para transportar o sinal de sincronia (por favor, consulte os manuais dos instrumentos especificas para diagramas de conexão). Prossiga então para transformar o estimulador por diante. </li><li> Definir parâmetros de estímulo na forma Connection Mapa. Todos os estímulos entregues à cultura são ondas de tensão praça bifásicos. Definir meia de duração para 300 ms e amplitude de 1,5 V pp 33. NOTA: Os estímulos grande o suficiente para evocar respostas neurais de forma confiável, muito provavelmente, o compromisso registro da atividade a partir dos mesmos sites. No resto do papel, eletrodos utilizados para entrega estimulação não deve ser selecionada para a gravação de qualquer informação relevante. </li><li> Gravar para a estimulação de resposta: pressione o botão Iniciar na forma ConnectionMap. Uma série de 30 estímulos, com um intervalo de 5 segundos é, por sua vez, entregues automaticamente a partir de cada um dos eléctrodos escolhidos, enquanto que as respostas são fichaed dos restantes 59 eléctrodos. </li><li> Calcular um mapa de ligação (ou seja, a probabilidade de observar uma resposta de um eléctrodo dentro de um intervalo de tempo após a entrega do estímulo de um eléctrodo diferente) para cada canal de estimulação através de qualquer software ou SpyCode matemática, uma aplicação desenvolvida no passado (e livremente disponíveis mediante solicitação) para realizar cálculos em dados neurais 28. </li><li> A partir dos mapas de conexão, selecione melhores eletrodos: descartar todos os eletrodos estimulantes que não evocam respostas (ou seja, na janela de tempo após a estimulação, disparando as taxas não são significativamente mais elevados do que durante a queima espontânea). <ol><li> Escolha, entre os eletrodos restantes, a par com o mínimo de transpor nas respostas. Especificamente para cada eletrodo estimulante, calcular a média de contagem de pico em cada eletrodo de registro, em seguida, calcular a diferença entre os eletrodos correspondentes para todos os eléctrodos de estimulação pares. Selecione o casal para which a soma dos valores absolutos das diferenças de resposta ao longo de todos os canais de gravação é maior. </li></ol></li><li> Escolha um desses eletrodos para codificar informações sensoriais do lado esquerdo do robô e outro para codificar leituras a partir do lado direito: a fim de fazer isso, arraste o cursor do mouse sobre um eletrodo, clique com o botão direito sobre o layout MEA em seguida, selecione &quot;Adicionar à esquerda área sensorial&quot; (ou &quot;Adicionar a área sensorial direito&quot;). </li></ol> 4. A interface da Cultura Neuronal com o Robot: Seleção de Codificação e esquemas de decodificação <ol><li> Definir &#39;Tipo de Codificação &quot;sob a forma de codificação para Linear. </li><li> Definir as taxas mínimas e máximas de estimulação na forma de codificação. Use o intervalo padrão de 0,5-2 Hz. </li><li> Defina o parâmetro &quot;Jitter&quot; sob a forma de codificação para 0. </li><li> Defina os parâmetros do algoritmo de decodificação no Formulário de Decoding (peso e coeficiente de extinção) para 1, para uma cultura moderadamente ativos (~ 1 spike / s por channel). Definir um novo par parâmetro se as taxas de queima fortemente e constantemente desviar-se este valor. Veja a discussão para a função exata de parâmetros de descodificação. </li><li> Defina o algoritmo de decodificação parâmetros de rajada no Formulário de decodificação. Peso estabelecido para 0 (tempo de decaimento é então irrelevante), a menos que distinção entre picos e explosões é o objecto de estudo. NOTA: Os valores sugeridos na etapa 4.4 irá produzir movimentos do robô lisas e velocidades compatíveis com os tempos de reação do robô para culturas primárias de rato moderadamente ativos. Os parâmetros de rajada têm exactamente a mesma função que as descritas na etapa 4.4, mas o evento de disparo é a detecção de uma rajada, em vez de um pico: a velocidade real de cada roda é simplesmente a soma das contribuições de picos detectados e rajadas. </li></ol> 5. Projeto de Navegação Arena para a Robot <ol><li> Na forma Designer Virtual Arena, escolher entre delimitada (os limites da arena são visíveis para o robô e impassable) ou infinita (se as saídas do robô de um lado da arena, ele será imediatamente re-entra a partir da frente um) arena e definir o tamanho da arena em pixels. <ol><li> Não utilizar espaços delimitados menores do que 100 x 100 pixels, a fim de permitir o movimento significativo. Não use os obstáculos com um raio menor que 5 pixels como eles podem simplesmente cair entre as linhas de visão do robô. </li><li> Tenha em mente que muito grandes tamanhos de arena pode causar o desempenho do computador para se degradar: se uma grande arena é necessária, o desempenho do software de teste com a arena desejada antes de iniciar difícil de repetir os experimentos. </li></ol></li><li> Definir robô posição inicial manualmente (clique no botão &quot;Seleção manual&quot; na forma Arena Designer Virtual, em seguida, o local desejado) ou especificando as coordenadas do robô no experimento começar no &#39;Robot Iniciando posição campos. </li><li> Adicione qualquer número de obstáculos intransponíveis na arena. Ou colocá-los homemually na arena após clicar no botão &quot;Adicionar Obstacle manualmente&quot; ou definir o número e tamanho do intervalo. </li><li> Clique no botão &quot;Gerar Arena &#39;para gerar a arena com os recursos selecionados. Nenhuma mudança ocorrerá até que este botão é pressionado. </li><li> Salve a arena projetada e carregar o arquivo relativo, antes do uso em um experimento, com os botões de comando na parte inferior do formulário Designer Virtual Arena. </li></ol> 6. Selecção de eletrodos MEA a ficha Neuronal Atividade da Cultura <ol><li> Escolha eletrodos de registro temporários daqueles em que diferentes respostas, na etapa 3.8, foram observados: eletrodos que apresentaram respostas maiores após a estimulação da &#39;esquerda&#39; (ou &#39;direito&#39;) eletrodo constituirá a &quot;esquerda&quot; (ou &quot;direita&quot;) eletrodos de registro. Não use eletrodos que não apresentaram respostas significativas para qualquer eletrodo estimulante para controlar o robô. From do menu pop-up de layout MEA, selecione &quot;Adicionar à área motora esquerda&quot; (ou &quot;Adicionar a área motora direito &#39;) para definir eletrodos de registro. </li><li> Selecione os recursos para gravar na forma Experiment Manager. Nesta fase, spikes e estimulação carimbos de tempo são a única informação relevante. </li><li> Realizar um teste drive 10 min: ligar o robô executar clicando no botão Iniciar Experiment na forma Gerente Experiment, clique novamente depois de 10 min de terem decorrido. NOTA: Uma vez que todos os parâmetros foram definidos (codificação e decodificação, arena robô, estimulando e eletrodos de gravação, características para registro), uma seleção de nome de arquivo irá pedir nome de arquivos gravados e destino, em seguida, o robô vai começar a se mover em sua arena, seguindo as regras definidas. Todos os recursos selecionados são salvos automaticamente em tempo real. </li><li> Repita os passos 3.6 e 6.1 em dados obtidos na etapa 6.3, a fim de selecionar eletrodos de registro de dados recolhidos durante uma corrida real robot (ver Discussion para a lógica desta abordagem em duas fases). </li></ol> 7. Realizar um Experiment Neuro-robótica <ol><li> Selecione no Gerenciador de Experiment formar os dados a serem gravados: marcar o Spike, Robot e caixas de dados estímulos. </li><li> Lançamento de um robô prazo de pré-aprendizagem: clique no botão &#39;Iniciar Experiment &quot;sob a forma Experiment Manager. Selecione novos nomes de arquivo para arquivos de dados quando solicitado. Quando 30 minutos se passaram, clique no botão &#39;Iniciar Experiment&#39; novamente para parar o robô prazo. </li><li> Ligue o protocolo de aprendizagem (marque a caixa de seleção &quot;Entregar Tetânica Estimulação Após Hit&quot; na forma Gerente Experiment) e realizar o robô funcionamento do treinamento, do mesmo comprimento que a fase de pré-formação (ou seja, 30 min). Lembre-se de nomes de arquivos de entrada diferente quando solicitado para evitar a substituição de dados a partir do passo 7.2. </li><li> Desligue o protocolo de aprendizagem novamente (desmarque a caixa de seleção &quot;Entregar Tetânica Estimulação Após Hit &#39;) E realizar o pós-learning robô prazo. Mais uma vez, lembre-se de mudar os nomes de arquivos para evitar a substituição. </li></ol> 8. Segundo Mapa Response Computação <ol><li> Repita os passos de 3,1-3,6. Use dados de essas gravações para testar se as alterações foram induzidos ou nos padrões de atividade espontânea ou evocada pelo protocolo de aprendizagem. </li></ol>

<ol><li>Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volitional+control+of+neural+activity%3A+implications+for+brain%E2%80%93computer+interfaces%5BTitle%5D)+AND+%22The+Journal+of+Physiology%22%5BJournal%5D)">Volitional control of neural activity: implications for brain–computer interfaces.</a> The Journal of Physiology. 579 (3), 571-579 (2007).</li>
<li>Carmena, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+to+control+a+brain%E2%80%93machine+interface+for+reaching+and+grasping+by+primates%5BTitle%5D)+AND+%22PLoS+Biology%22%5BJournal%5D)">Learning to control a brain–machine interface for reaching and grasping by primates.</a> PLoS Biology. 1 (2), e42(2003).</li>
<li>Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+miniaturized+system+for+spike-triggered+intracortical+microstimulation+in+an+ambulatory+rat%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat.</a> Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).</li>
<li>Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+programmable+closed-loop+recording+and+stimulating+wireless+system+for+behaving+small+laboratory+animals%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals.</a> Scientific Reports. 4, (2014).</li>
<li>Maher, M., Pine, J., Wright, J., Tai, Y. -C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+neurochip%3A+a+new+multielectrode+device+for+stimulating+and+recording+from+cultured+neurons%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">The neurochip: a new multielectrode device for stimulating and recording from cultured neurons.</a> Journal of Neuroscience. 87 (1), 45-56 (1999).</li>
<li>Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Band-tunable+and+multiplexed+integrated+circuits+for+simultaneous+recording+and+stimulation+with+microelectrode+arrays%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays.</a> Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).</li>
<li>Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Neurochip-2%3A+an+autonomous+head-fixed+computer+for+recording+and+stimulating+in+freely+behaving+monkeys%5BTitle%5D)+AND+%22Neural+Systems+and+Rehabilitation+Engineering.+IEEE+Transactions+on%22%5BJournal%5D)">The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys.</a> Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).</li>
<li>Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+brains+to+robots%3A+an+artificial+body+for+studying+the+computational+properties+of+neural+tissues%5BTitle%5D)+AND+%22Artificial+Life%22%5BJournal%5D)">Connecting brains to robots: an artificial body for studying the computational properties of neural tissues.</a> Artificial Life. 6 (4), 307-324 (2000).</li>
<li>Hales, C. M., Roston, J. D., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+culture%2C+record+and+stimulate+neuronal+networks+on+micro-electrode+arrays+%28MEAs%29%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs).</a> Journal of Visualized Experiments. (39), 2056(2010).</li>
<li>Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+fixed-array+multi-microelectrode+system+designed+for+long-term+monitoring+of+extracellular+single+unit+neuronal+activity+in+vitro%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro.</a> Neurosci Lett. 6 (2), 101-105 (1977).</li>
<li>Potter, S. M., DeMarse, T. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+approach+to+neural+cell+culture+for+long-term+studies%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A new approach to neural cell culture for long-term studies.</a> Journal of Neuroscience Methods. 110 (1), 17-24 (2001).</li>
<li>le Feber, J., Stegenga, J., Rutten, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+slow+electrical+stimuli+to+achieve+learning+in+cultured+networks+of+rat+cortical+neurons%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons.</a> PLoS One. 5 (1), e8871(2010).</li>
<li>Marom, S., Shahaf, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+learning+and+memory+in+large+random+networks+of+cortical+neurons%3A+lessons+beyond+anatomy%5BTitle%5D)+AND+%22Quarterly+reviews+of+biophysics%22%5BJournal%5D)">Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy.</a> Quarterly reviews of biophysics. 35 (1), 63-87 (2002).</li>
<li>Shahaf, G., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Learning in networks of cortical neurons.</a> The Journal of Neuroscience. 21 (22), 8782-8788 (2001).</li>
<li>Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamics+and+plasticity+in+developing+neuronal+networks+in+vitro%5BTitle%5D)+AND+%22Progress+in+Brain+Research%22%5BJournal%5D)">Dynamics and plasticity in developing neuronal networks in vitro.</a> Progress in Brain Research. 147, 171-188 (2005).</li>
<li>Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dissociated+cortical+networks+show+spontaneously+correlated+activity+patterns+during+in+vitro+development%5BTitle%5D)+AND+%22Brain+Research%22%5BJournal%5D)">Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development.</a> Brain Research. 1093 (1), 41-53 (2006).</li>
<li>Tateno, T., Jimbo, Y., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+cholinergic+modulation+in+cultured+networks+of+rat+cortical+neurons%3A+spontaneous+activity%5BTitle%5D)+AND+%22Neuroscience%22%5BJournal%5D)">Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity.</a> Neuroscience. 134 (2), 425-437 (2005).</li>
<li>Masquelier, T., Deco, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+bursting+dynamics+in+excitatory+cortical+neuron+cultures+results+from+the+combination+of+different+adaptive+mechanism%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism.</a> PLoS One. 8 (10), e75824(2013).</li>
<li>Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+bursting+in+cortical+cultures+with+closed-loop+multi-electrode+stimulation%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation.</a> The Journal of Neuroscience. 25 (3), 680-688 (2005).</li>
<li>Martinoia, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+an+embodied+in+vitro+electrophysiology%3A+the+NeuroBIT+project%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Towards an embodied in vitro electrophysiology: the NeuroBIT project.</a> Neurocomputing. 58-60, 1065-1072 (2004).</li>
<li>Mussa-Ivaldi, F. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+perspectives+on+the+dialogue+between+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">New perspectives on the dialogue between brains and machines.</a> Frontiers in Neuroscience. 4 (1), 44(2010).</li>
<li>Warwick, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+a+Mobile+Robot+with+a+Biological+Brain%5BTitle%5D)+AND+%22Defence+Science+Journal%22%5BJournal%5D)">Controlling a Mobile Robot with a Biological Brain.</a> Defence Science Journal. 60 (1), (2010).</li>
<li>Kudoh, S. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Vitroid%E2%80%93the+robot+system+with+an+interface+between+a+living+neuronal+network+and+outer+world%5BTitle%5D)+AND+%22International+Journal+of+Mechatronics+and+Manufacturing+Systems%22%5BJournal%5D)">Vitroid–the robot system with an interface between a living neuronal network and outer world.</a> International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).</li>
<li>Jimbo, Y., Tateno, T., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+induction+of+pathway-specific+potentiation+and+depression+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22Biophysical+Journal%22%5BJournal%5D)">Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons.</a> Biophysical Journal. 76 (2), 670-678 (1999).</li>
<li>Chiappalone, M., Massobrio, P., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+plasticity+in+cortical+assemblies%5BTitle%5D)+AND+%22European+Journal+of+Neuroscience%22%5BJournal%5D)">Network plasticity in cortical assemblies.</a> European Journal of Neuroscience. 28 (1), 221-237 (2008).</li>
<li>Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simulated+neuro-robotic+environment+for+bi-directional+closed-loop+experiments%5BTitle%5D)+AND+%22Paladyn%22%5BJournal%5D)">A simulated neuro-robotic environment for bi-directional closed-loop experiments.</a> Paladyn. 1 (3), 179-186 (2010).</li>
<li>Novellino, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+neurons+to+a+mobile+robot%3A+an+in+vitro+bidirectional+neural+interface%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">Connecting neurons to a mobile robot: an in vitro bidirectional neural interface.</a> Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).</li>
<li>Bologna, L. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigating+neuronal+activity+by+SPYCODE+multichannel+data+analyzer%5BTitle%5D)+AND+%22Neural+Networks%22%5BJournal%5D)">Investigating neuronal activity by SPYCODE multichannel data analyzer.</a> Neural Networks. 23 (6), 685-697 (2010).</li>
<li>Frega, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+cultures+coupled+to+micro-electrode+arrays%3A+a+novel+approach+to+perform+in+vitro+excitotoxicity+testing%5BTitle%5D)+AND+%22Neurotoxicology+and+Teratology%22%5BJournal%5D)">Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing.</a> Neurotoxicology and Teratology. 34 (1), 116-127 (2012).</li>
<li>Quian Quiroga, R., Panzeri, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Extracting+information+from+neuronal+populations%3A+information+theory+and+decoding+approaches%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Extracting information from neuronal populations: information theory and decoding approaches.</a> Nature Reviews Neuroscience. 10 (3), 173-185 (2009).</li>
<li>Donoho, D. L., Johnstone, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ideal+spatial+adaptation+by+wavelet+shrinkage%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Ideal spatial adaptation by wavelet shrinkage.</a> Biometrika. 81 (3), 425-455 (1994).</li>
<li>Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Realistic+simulation+of+extracellular+recordings%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">Realistic simulation of extracellular recordings.</a> Journal of neuroscience methods. 184 (2), 285-293 (2009).</li>
<li>Wagenaar, D. A., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+parameters+for+stimulation+of+dissociated+cultures+using+multi-electrode+arrays%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Effective parameters for stimulation of dissociated cultures using multi-electrode arrays.</a> Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).</li>
<li>Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).</li>
<li>Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modular+neuronal+assemblies+embodied+in+a+closed-loop+environment%3A+toward+future+integration+of+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neural+Circuits%22%5BJournal%5D)">Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines.</a> Frontiers in Neural Circuits. 6, (2012).</li>
<li>Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).</li>
<li>Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+antiepileptic+drugs+on+hippocampal+neurons+coupled+to+micro-electrode+arrays%5BTitle%5D)+AND+%22Frontiers+in+Neuroengineering%22%5BJournal%5D)">Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays.</a> Frontiers in Neuroengineering. 6, 10(2013).</li>
<li>Gal, A., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Entrainment+of+the+intrinsic+dynamics+of+single+isolated+neurons+by+natural-like+input%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input.</a> Journal of Neuroscience. 33 (18), 7912-7918 (2013).</li>
<li>Mainen, Z. F., Sejnowski, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reliability+of+spike+timing+in+neocortical+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Reliability of spike timing in neocortical neurons.</a> Science. 268 (5216), 1503-1506 (1995).</li>
<li>Maccione, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+algorithm+for+precise+identification+of+spikes+in+extracellularly+recorded+neuronal+signals%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals.</a> Journal of neuroscience methods. 177 (1), 241-249 (2009).</li>
<li>DeMarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+neurally+controlled+animat%3A+biological+brains+acting+with+simulated+bodies%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">The neurally controlled animat: biological brains acting with simulated bodies.</a> Autonomous Robots. 11 (3), 305-310 (1023).</li>
<li>Bakkum, D. J., Chao, Z. C., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+electrical+stimuli+shape+behavior+of+an+embodied+cortical+network+in+a+goal-directed+learning+task%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task.</a> Journal of Neural Engineering. 5 (3), 310-323 (2008).</li>
<li>Truccolo, W., Hochberg, L. R., Donoghue, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Collective+dynamics+in+huma+and+monkey+sensorimotor+cortex%3A+predicting+single+neuron+spikes%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes.</a> Nature Neuroscience. 13 (1), 105-111 (2010).</li>
</ol>

Os autores declaram não ter interesses financeiros concorrentes.

Neste documento uma arquitetura neuro-robótico baseado em um controlador neuronal (ou seja, uma rede de neurónios provenientes do córtex ou do hipocampo de ratos embrionários), bi-direccionalmente ligado a um robô virtual, é apresentada. O robô, que tem sensores e rodas, é forçado a mover-se em uma arena estático com obstáculos e sua tarefa consiste em evitar colisões. O primeiro e possivelmente o mais crítico aspecto do processo descrito é a preparação das próprias culturas, como a taxa de falhas tenderá a ser significativa mesmo nas melhores condições técnicas. Uma descrição detalhada das técnicas de cultura é, no entanto, fora do âmbito do presente trabalho. Como orientação geral, as gravações deve ocorrer quando a taxa de disparo da rede atinge um nível estável, geralmente após 3 semanas in vitro. A indicação aproximada de culturas saudáveis ​​é a presença de atividade eletrofisiológica espontânea em vários chann gravaçãoels (pelo menos 20 canais de mais de 60 disponíveis). Tais culturas são caracterizados por um elevado grau de inter-ligação neuronal. Sob tais condições, a atividade neural geralmente torna-se fortemente sincronizada e, às vezes, mostra eventos epileptiformes, com spiking intenso seguido por minutos de duração períodos de silêncio 37. Ambas estas características apresentam um problema: a sincronização excessivo irá tornar impossível distinguir as respostas a estímulos de diferentes eléctrodos, enquanto que as culturas que exibem a actividade epileptiforme irá responder ao primeiro estímulo apresentado com um tempo de explosão actividade, seguido por um período de silêncio, independentemente qualquer estímulo sucessivo entregue. Ambos os problemas podem ser fortemente melhorada pelo emprego de culturas estampados 35, em que a população neural é dividida em duas ou mais fracamente sub-grupos interligados. Outra questão é que as respostas neurais dependem fortemente da distribuição de stimul entradai 38,39. Numa experiência de malha fechada, a estimulação é entregue em função das leituras de sensores, que, por sua vez, são uma consequência do movimento do robô e, portanto, dos próprios respostas neurais. Isto implica que não há nenhuma maneira fácil de estabelecer de antemão o que as respostas serão observadas durante o experimento real. Como resultado, a selecção de eléctrodos de entrada e saída devem confiar em aproximações sucessivas. No protocolo descrito, um processo de duas etapas (ou seja, os passos 5.5 e 6.4) é implementado para tentar determinar um mapa de ligação. No primeiro passo, uma sequência regular de estímulos é entregue e as respostas a tais estímulos são utilizadas para derivar um primeiro mapa de ligação e um conjunto de canais de gravação temporária. Esta configuração é, então, utilizado para executar a unidade de teste descrito no passo 6.4 e seleccionar os canais de gravação que serão monitorados durante a experiência real. Na seção Resultados, uma res de navegação representativasult e as melhorias imediatas trazidas pela introdução de um paradigma de aprendizagem são apresentados. Ao longo da descrição protocolo, várias outras variantes possíveis experimentais são mencionados. Por exemplo, os dois principais sistemas de codificação implementadas em HyBrainWare2 (lineares e estocásticos) onde desenvolvidos para investigar o papel exato da entrada variabilidade temporal o código neural 38. No caso linear, a taxa de estimulação instantânea é uma função dos parâmetros definidos pelo usuário e sensores do robô gravações. No caso estocástico, cada instante de tempo tem uma dada probabilidade de ser escolhido para proporcionar um estímulo. Tal probabilidade é calculado automaticamente pelo HyBrainWare2 de modo que as taxas de estimulação esperados corresponder ao do primeiro caso. A possibilidade de adicionar jitter para codificação linear proporciona uma transição suave entre os dois casos descritos acima. Da mesma forma, explorando diferentes combinações de parâmetros na seção de decodificação pode ajudar a lançar luz sobre o precise papel de estourar in vitro em redes neurais. A velocidade de cada roda do robô aumenta proporcionalmente com o parâmetro peso cada vez que um evento for detectado na área de saída correspondente, enquanto que o coeficiente de extinção indica a quantidade de tempo, em segundos, uma das contribuições preciso para perder 50% do seu valor . A decadência é um simples exponencial. Essas variantes já foram tidas em conta na concepção atual de HyBrainWare2, mas muitas mais possibilidades de pesquisa estão abertos se modificações adicionais no software ou configuração experimental pode ser introduzido. Uma limitação bastante significativo para o protocolo aqui descrito é a exigência do software desenvolvido sob encomenda, HyBrainWare2 (disponível gratuitamente, mediante pedido a todos os interessados). Este software foi projetado para um conjunto de dispositivos (estimulador, placa de aquisição, amplificador MEA) de um modelo e fabricante específico. Embora seja possível adaptá-lo para trabalhar em disetups fferent, a conversão irá tomar alguma habilidade de programação. Da mesma forma, as opções existentes cobrem apenas um conjunto limitado de todas as questões experimentais que poderiam ser investigados através de uma tal configuração. Por exemplo, o algoritmo de detecção de pico aplicado na arquitectura apresentada (tempo preciso detecção espiga 40) está completamente definida por vários parâmetros codificados que precisam de ser alterados, se o objecto de registo é muito diferente das redes neuronais dissociadas (por exemplo, células cardíacas ou fatias). Finalmente, o protocolo de aprendizagem consiste no fornecimento de uma curta, de alta frequência (2 segundos de estimulação de 20 Hz, cada impulso de estímulo é o mesmo que os utilizados para codificar informação sensorial) estimulação após cada batida obstáculo. Se o robô atinge um obstáculo com o seu lado direito, a estimulação tetânica é entregue ao eletrodo que geralmente códigos de informação lado direito eo mesmo vale para sucessos do lado esquerdo. Este protocolo é codificado e não pode be alterado pelo usuário, sem modificar software de sair. Embora a configuração apresentada aqui não é o primeiro sistema encarnada para experimentos híbrido, em circuito fechado 20,23,27,41,42, os projetados no passado se concentraram em uma única tese apoiada por dados de um número limitado de preparações análogas . Por outro lado, a configuração descrita tem sido usado por um grande número de experiências (mais de 100 culturas foram registados desde 2012) com diferentes preparações de modularidade e de origem, enquanto as próprias experiências abordadas questões diferentes (por exemplo, impacto de estimulação tetânica e relevância de explosão, conforme apresentado nos resultados). Em um futuro próximo, novas sessões experimentais estão previstos para verificar os efeitos duradouros de ambos estimulação tetânica e de circuito fechado e a relação entre a estimulação regularidade e observaram respostas. Outra questão a ser abordada é a ligação entre a atividade espontânea e observado, coma idéia de acrescentar um novo algoritmo de decodificação que leva em conta a história da atividade passada e estimulação 43.

Muitas características da função cerebral Atualmente impossível de replicar em um sistema artificial. A capacidade do cérebro para processar rapidamente a informação sensorial complexa e de gerar, em resposta, os comandos precisos do motor é por si só, já para além do state-of-the-art atual. Mas sua capacidade de se adaptar a diferentes condições de aprender com experiências passadas torna tão vastamente superior a sistemas de controle humanos desenvolvida. Até agora, as tentativas de replicar ou explorar essa plasticidade se encontraram pouco sucesso, e a compreensão do funcionamento interno do cérebro tem escapado das garras dos investigadores. Um dos principais problemas ao investigar a relação entre cérebro e comportamento é a incapacidade de acessar corretamente todas as variáveis ​​no sistema: idealmente, uma instalação experimental ideal seria permitir a gravação e estimulação simultânea de um grande número de neurônios, estabilidade a longo prazo , monitoramento de sinapses posições e pesos, e controlável bi-directional interacção com o ambiente. A dificuldade na localização de todas essas variáveis ​​simultaneamente levou ao estudo da relação cérebro-comportamento em duas escalas muito diferentes: ou com comportando animais, sem um bom controle sobre condições experimentais 1-7 ou com, peças pequenas e isoladas, tais como porções de tecido neuronal, sem visão de conjunto do sistema de 8. Neste último caso, enquanto nenhuma configuração experimental concebido permite o monitoramento completo de todos os parâmetros envolvidos no funcionamento do mesmo uma rede neural simples, um bom trade-off é fornecida pelos neurônios dissociados cultivadas sobre Micro-Eletrodo Arrays (AMA) 9. Esses dispositivos, nascidos no final dos anos 70, 10 têm várias vantagens sobre as técnicas de eletrofisiologia tradicionais: em primeiro lugar, a possibilidade de gravação e estimulando uma rede neural em muitos locais diferentes ao mesmo tempo (geralmente 60 eletrodos). Além disso, o acoplamento de AAM com células é quase não-invasivaPermitindo a observação da mesma rede por longos períodos de tempo, até vários meses 11. Os efeitos fisiológicos de estimulação eléctrica em culturas dissociadas foram estudados extensivamente graças a esses dispositivos, revelando que muitas propriedades observadas em escalas maiores (tais como, por exemplo, plasticidade e memória simples processa 12-14) estão conservados, apesar da perda da arquitectura. Durante o crescimento da cultura, essas redes começar a mostrar atividade espontânea em cerca de 7 dias in vitro (DIV) 15,16. A atividade da rede tende a mudar radicalmente com maior crescimento; primeiro como picos individuais reunir em rajadas (no final da segunda semana) 17, mais tarde, à medida que muda para um padrão de sincronização altamente complexa, de rede não periódica explode 18, que representa o estado de maturidade de uma rede. Tem sido sugerido que este comportamento 19 síncrono, um pouco semelhante ao observado in vivo fichaSeres em animais para dormir, é causada pela falta de estímulos sensoriais. Uma abordagem diferente tentativa de obter uma melhor compreensão da codificação da informação tem sido feita por meio de experimentos de circuito fechado, em que foram utilizados diferentes tipos de sinais para controlar a estimulação do próprio 11,20-23 rede neuronal. Nestas experiências, um agente externo capaz de interagir com o ambiente tem sido utilizado para gerar a informação sensorial alimentado para a rede neural, a qual, por sua vez, produzido comandos do motor para um mecanismo efector. Isto permitiu a observação de como as propriedades dinâmicas e adaptativas dos sistemas neurais evoluiu em resposta a alterações induzidas no ambiente. Uma instalação para executar &#39;incorporada neurofisiologia&#39; experiências foi desenvolvido, em que um sensor de plataforma com rodas (um robô física ou o seu modelo virtual) se move sobre numa arena e os seus perfis de velocidade são determinadas pela actividade de uma neuronalsistema (isto é, uma população de neurónios de rato cultivadas ao longo de um MEA). O robô é caracterizado por os perfis de velocidade das suas duas rodas controlados de forma independente e por as leituras actuais dos sensores de distância. A natureza exacta dos sensores de distância não é relevante; eles podem ser ativa ou passiva sensores ópticos ou sensores de ultra-som. Claramente, esta questão não se aplica no caso de robôs virtuais, em que os sensores podem ser projetados com qualquer recurso desejado. Nas experiências aqui descritas, o robô é sempre utilizada a aplicação virtual, com seis sensores de distância que apontam no 30 °, 60 ° e 90 ° a partir da posição em ambas as direcções do robô. A atividade dos três sensores de esquerda e direita é calculada a média ea atividade da cultura biológica é impulsionada pela informação recolhida por tais &quot;super-sensores&quot; (que só vai ser referidos como sensores de &quot;certas&quot; no resto &quot;esquerda&quot; e deste trabalho). O protocol descrito pode ser efectivamente aplicado ao robô físico com ajustes relativamente menores. A informação recolhida pelo robô (físicos ou virtuais) é codificado em uma série de estímulos que são usadas para manipular a actividade da rede neural biológica, que está fisicamente separado pelo robô. Os próprios estímulos são todos idênticos e, portanto, não codificam quaisquer informações. O que é relevante é a sua frequência: aumentos da taxa de estimulação quando o robô se aproxima de um obstáculo, com diferentes locais de entrega de codificação de informações sensoriais dos &quot;olhos&quot; esquerda e direita do robô. A rede neural vai apresentar diferentes respostas para o trem de entrada de estímulos: a tarefa de o algoritmo de descodificação é traduzir a actividade da rede resultante em comandos utilizados para controlar as rodas de um robô. Dado um comportamento de rede &#39;perfeito&#39; (isto é, com confiança e respostas a estímulos de diferentes eletrodos totalmente separados), este seria Result em que o robô a condução em sua arena sem bater em qualquer obstáculo. A maioria das redes apresentam um comportamento muito diferente da idealidade, portanto, um protocolo de aprendizagem simples é introduzida: quando ativado, estimulação tetânica (breves períodos de estimulação de alta freqüência, de 20 Hz de estimulação por 2 segundos, inspirado por protocolos descritos em 24,25) na sequência de um colisão com um obstáculo é entregue. Se os resultados de estimulação tetânica em um fortalecimento local da conectividade de rede, isso irá resultar em um aumento progressivo das capacidades de navegação do robô. HyBrainWare2, uma versão melhorada do software personalizado publicado em 26, é a arquitectura núcleo desenvolvidos para lidar com o controlo dos diferentes dispositivos do sistema (estimulador, a aquisição de dados, processamento e visualização, a comunicação robô ou simulação). Este software foi desenvolvido em nosso laboratório e está disponível gratuitamente, mediante pedido. Este software fornece a interface coma placa de aquisição de dados: uma vez que o usuário começa a aquisição de dados a partir da GUI, o software controla a placa de aquisição de começar a amostragem e conversão A / D de dados provenientes dos eletrodos de registro. Estes dados podem ser gravadas, exibida a tela ou analisados ​​em tempo real para detectar picos, de acordo com as opções definidas pelo utilizador (ver secção Procedimento para detalhes). Além disso, dentro do software, a definição de codificação (tradução de informação sensorial em uma estimulação elétrica) e decodificação (tradução de actividade registada em comandos motores para o robô) algoritmos deve ser especificado. Em particular, a nossa configuração é relativamente fácil de usar em comparação com sistemas semelhantes projetados no passado 27, uma vez que quase todas as variáveis ​​podem ser acessados ​​pelo usuário à direita antes do início do experimento real, enquanto toda a informação gravada é automaticamente salva em um formato compatível com uma caixa de ferramentas de análise de dados neural 28. A secção seguinte procedimento descreve uma experiência de aprendizagem em culturas de hipocampo de ratazana dissociado: toda a cultura e parâmetros experimentais são fornecidos para esta preparação particular e pode necessitar de ser modificada, se um substrato biológico diferente é para ser utilizado. Da mesma forma, a experiência descrita toma vantagem da arquitectura de circuito fechado para investigar o efeito de aprendizagem de estimulação tetânica, mas a própria arquitectura é flexível o suficiente para ser usada no estudo de diferentes características das redes neurais dissociados. As principais variantes do experimento proposto são explicadas na seção Discussão.

<table><tbody><tr><td>Gerador de Estímulo 4002</td><td>Sistemas</td><td></td><td></td>Multicanal</tr><tr><td>MEA1060-Inv-BC</td><td>Sistemas</td><td></td><td></td>Multicanal</tr><tr><td>TC02</td><td>Sistemas</td><td></td><td></td>Multicanal</tr><tr><td>NI 6255 Placa de Aquisição</td><td>National Instruments</td><td></td><td></td></tr><tr><td>Microsoft Visual Studio 2008</td><td>Microsoft</td><td></td><td></td></tr><tr><td>2078P Sistema Multicanal-Nacional Placa adaptadora de instrumentos</td><td>Desenvolvido na Universidade de Genova (Itália)</td><td></td><td></td></tr><tr><td>Matlab 2010</td><td>Mathworks</td><td></td><td></td></tr><tr><td>HyBrainWare2</td><td></td><td></td><td><a href="https://docs.google.com/forms/d/1ffdr_a5OhzuuAduiPvoLJIvR4x_fDfsKvuM6RcRPLhU/viewform">HyBrainWare2: Informações de contato</a></td></tr></tbody></table>

de circuito fechado experiências neuro-robótico para testar as propriedades computacionais da neuronal networks

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

A codificação de informações no Sistema Nervoso Central (SNC) permanece inexplorada. Há evidências crescentes de que, mesmo em um nível muito baixo, a representação de um determinado estímulo pode depender do contexto e da história. Se este for realmente o caso, as interações bidirecionais entre o cérebro (ou, se necessário, um modelo reduzido dele) e o sistema sensório-motor podem lançar uma luz sobre como a codificação e a decodificação de informações são realizadas. Aqui, um sistema experimental é introduzido e descrito no qual a atividade de um elemento neuronal (ou seja, uma rede de neurônios extraídos de hipocampos embrionários de mamíferos) recebe contexto e é usada para controlar o movimento de um agente artificial, enquanto a informação ambiental é realimentada para a cultura como uma sequência de estímulos elétricos. Essa arquitetura permite uma seleção rápida de diversos algoritmos de codificação, decodificação e aprendizado para testar diferentes hipóteses sobre as propriedades computacionais das redes neuronais.

O modelo experimental desenvolvido permitiu o teste de se a uma troca de informações entre uma cultura de neurónios e a realização virtual de um robô físico é possível 34. A Figura 1 mostra várias amostras de caminhos percorridos obtidos por um robô virtual no mínimo de 20 experiências em condições diferentes : da esquerda para a direita, uma experiência adequada em circuito fechado, um &quot;vazio MEA&quot; experimento robô (sem células são banhados no MEA para este experimento de controle) e um robô experiência em circuito aberto (taxa de estimulação é constante, em vez de codificação de informações do sensor) estão representados. Os traços representativos confirmar que uma interacção bidireccional entre os elementos neuronais artificiais e é necessário, a fim de obter bons desempenhos de navegação do robô. No entanto, o robô sofre vários golpes contra os obstáculos. Na Figura 2, o desempenho de navegação do robô, expressed como pixels percorridos entre visitas subsequentes, é mostrada em diferentes condições. As duas primeiras colunas mostram a distribuição de distâncias percorridas nas experiências de controlo acima mencionados (&quot;MEA vazio» e configurações de circuito aberto), enquanto que as terceira e quarta colunas exibir o desempenho sem e com, respectivamente, a entrega de estimulação tetânica seguinte cada bateu contra um obstáculo. A introdução da estimulação tetânica (Cf. Processo, ponto 7.2) melhora significativamente a distância percorrida entre duas batidas consecutivas, melhorando assim o desempenho de navegação do robô 35. Na Figura 3, o desempenho de navegação de um robô com diferentes condições de descodificação é apresentado. Para este fim, uma configuração diferente da arena foi aprovada. Isto ajudou a quantificar o bem-sucedida de navegação do robô dentro da arena 36: tal como descrito no passo 4.1 do processo, o robô éapresentou uma série de pistas curtas. A taxa de sucesso é simplesmente a relação entre o número de pistas cruzadas com sucesso sobre o número de faixas apresentadas. Em particular, durante as experiências foi realizada uma identificação em tempo real dos picos de ruptura e isoladas. Os paradigmas de decodificação diferem uns dos outros por causa dos pesos relativos de rajadas e picos isolados (Cf. Processo, aponta 3,5-3,6 e Discussão). <img alt="Figura 1" src="/files/ftp_upload/52341/52341fig1highres.jpg" width="700" /> Figura 1: Uma rede neuronal e um robô tem um intercâmbio bidirecional de informações Esta figura mostra três caminhos representativos percorrida pelo robô mais de 20 minutos de experimento.. Em particular, as áreas verdes de luz são livres para o robô se mover em, enquanto escuros pixels verdes representam obstáculos intransponíveis que o robô pode perceber através de seus sensores de distância. Em cada ensaio, o robô começa in seção superior esquerdo da arena e viaja para a sua posição final, retratado como um grande ponto-de-rosa. Os pontos pretos pequenos representam batidas contra um obstáculo, enquanto o percurso codificados por cor fornece uma indicação da evolução no tempo de movimento do robô. A barra de cores à direita exprime tempo decorrido desde o início do experimento em questão de minutos. (A) caminho seguido durante um experimento de circuito fechado. (B) Caminho seguido durante um &#39;vazio&#39; experimento MEA (sem células são cultivadas no MEA superfície) Path. (C), seguido durante um experimento de malha aberta (taxa de estimulação é constante durante todo o experimento). <a href="/files/ftp_upload/52341/52341fig1highres.jpg" target="_blank">Por favor, clique aqui para ver uma versão maior da figura.</a> <img alt="Figura 2" src="/files/ftp_upload/52341/52341fig2.jpg" /> Figura 2: Resultados de desempenho são afectados por fechado-loop e estimulação tetânica. Este gráfico relata as distribuições das distâncias percorridas pelo robô entre hits subseqüentes em diferentes condições. Em particular, as duas primeiras distribuições representam experiências de controle (&quot;vazio&quot; para as gravações sem neurônios banhados no MEA, &quot;circuito aberto&quot; (OL) para experimento com um robô &quot;cega&quot;). As duas últimas colunas representam a condição de &quot;circuito fechado&quot;, sem (CL) e com (CL + TS) o protocolo de aprendizagem implementados através Tetânica Stimulation (TS), que foi entregue para a cultura seguinte choca contra um obstáculo. Em cada caixa, o segmento horizontal central representa a mediana da distribuição, o quadrado vazio o valor médio, o bar central estende-se ao primeiro e terceiro quartil e os bigodes estender aos 5 e 95 percentis. Outliers são representados como diamantes. As estatísticas foram realizadas utilizando a análise de uma maneira Kruskall-Wallis de variânciaem fileiras: a comparação aos pares de Student-Newman-Keuls revela que todos os valores das medianas são significativamente diferentes, com p &lt;0,05. <img alt="Figura 3" src="/files/ftp_upload/52341/52341fig3.jpg" /> Figura 3: Decoding influencia o desempenho robótico O gráfico acima representa a probabilidade, para um determinado algoritmo de decodificação, do robô para navegar com sucesso através de uma pista curta em uma quantidade limitada de tempo.. Identificação das rajadas e picos isolados é executada em tempo real durante a própria experiência. No primeiro caso (&quot;picos&quot;) todos os picos detectados com o mesmo peso relativo, para a segunda e terceira distribuições de peso foi de 0 fixados para, respectivamente, pontos e picos isolados pertencentes a uma explosão. As últimas duas colunas representam os resultados obtidos no caso em que todos os picos são responsáveis ​​por, mas com um peso relativo diferente de acordo com a sua posição.Em particular na coluna isolado quarta spikes foram dadas peso relativo mais elevado do que os eventos de ruptura, enquanto a ponderação é invertido para a decodificação em relação ao quinto dados da coluna. Em cada gráfico, a linha central representa a mediana da distribuição, o quadrado vazio o valor da média, enquanto que o bar central estende-se ao primeiro e terceiro quartil e os bigodes estender aos 5 e 95 percentis. As estatísticas foram realizadas utilizando a análise de uma maneira Kruskall-Wallis de variância em fileiras. A comparação entre (método de Student-Newman-Keuls,) revela que as diferenças significativas (p &lt;0,05) pode ser observada entre as colunas 1 e 4, 2 e 4, 2 e 5, 2 e 3.

Neste artigo, é apresentada uma estrutura experimental para realizar experimentos de malha fechada, na qual o processamento de informações (ou seja, codificação e decodificação) e o aprendizado de montagens neuronais são estudados durante a interação contínua com um corpo robótico.

De circuito fechado experiências neuro-robótico para testar as propriedades computacionais da Neuronal Networks

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation ...

O objetivo geral do experimento a seguir é investigar a interação bidirecional entre uma rede biológica de neurônios dissociados e um pequeno robô. O diálogo contínuo pode modificar as propriedades computacionais do sistema neuronal, induzindo um tipo de aprendizado. Isso é conseguido preparando uma cultura neuronal sobre uma matriz de microeletrodos, de modo a permitir uma sessão experimental de várias horas sem comprometer a atividade celular.Como segundo passo, é calculado um mapa de resposta da cultura, o que permite a seleção dos eletrodos estimulantes para o experimento real em malha fechada. Em seguida, são definidos parâmetros de codificação e decodificação para permitir a troca de informações entre os sistemas biológicos e eletrônicos. Os resultados mostram um aumento significativo nas capacidades de navegação do agente robótico com base na comparação da distância média percorrida entre acertos sob diferentes condições de controle.Este método pode nos ajudar a responder perguntas fundamentais em nossa área de engenharia, como, por exemplo, será possível criar um dicionário para traduzir a linguagem dos neurônios para a linguagem das máquinas e vice-versa? Geralmente, indivíduos novos neste método enfrentarão dificuldades devido à complexidade tecnológica da montagem experimental e da arquitetura de software. A demonstração do procedimento será realizada por Martha Bizo, estudante de doutorado do meu laboratório.O primeiro passo é preparar um arranjo de microeletrodos ou chip MEA com 60 eletrodos que podem ser usados para estimular ou registrar a rede neural. Após o cultivo de neurônios nos chips MEA, aguarde cerca de três semanas até que a rede neural tenha amadurecido. No dia do experimento, pré-aqueça o sistema de aquecimento MEA por cinco a dez minutos, ajustando o controlador de temperatura para 37 graus Celsius e ligando a placa de aquecimento localizada abaixo do próprio MEA.Utilize também uma tampa aquecida para reduzir a evaporação, usando tampas permeáveis a gases esterilizadas em autoclave para cobrir as culturas, limitando assim a evaporação e evitando alterações na osmolaridade durante a gravação. Agora, circule car bear sobre a cultura para manter níveis estáveis de oxigênio e pH. Deixe a cultura em repouso por 30 minutos. Após o período de repouso, registre a atividade espontânea das células neuronais por 30 minutos.Em seguida, salve os dados em um arquivo clicando no botão de gravação na caixa de picos do formulário de gravação de dados. No formulário de exibição dos dados brutos, identifique os 10 canais com a maior contagem de picos. Depois, selecione esses canais em qualquer um dos layouts de MEA.A forma de codificação é mostrada aqui arrastando o cursor do mouse sobre as áreas desejadas. Uma vez que os canais forem selecionados, clique com o botão direito em qualquer lugar do layout da MEA e selecione adicionar à área sensorial esquerda no menu pop-up. Esses eletrodos serão usados para entregar estimulação elétrica em uma etapa subsequente.Em seguida, verifique se o estimulador e o amplificador MEA estão corretamente conectados. Todas as configurações exigem dois fios por canal de estimulação desejado, enquanto um cabo coaxial adicional é necessário para transmitir o sinal de sincronia. Quando estiver pronto, ligue o estimulador.O próximo passo é definir os parâmetros do estímulo no formulário de mapa de conexão. Todos os estímulos aplicados ao cultivo são ondas quadradas de tensão fásicas. Ajuste a duração da semi-onda a 300 microssegundos e defina a amplitude em 1,5 volts de pico a pico.Inicie a gravação da resposta à estimulação pressionando o botão de início. No mapa de conexão, uma série de 30 estímulos a 0,2 hertz é automaticamente entregue a partir de um dos eletrodos de estimulação previamente selecionados. Enquanto este eletrodo atua como eletrodo de estimulação, as respostas são registradas nos demais 59 eletrodos do chip MEA.Em seguida, com um intervalo de cinco segundos entre as séries, a série de 30 estímulos é repetida sucessivamente em cada um dos nove eletrodos de estimulação restantes identificados, enquanto os registros são coletados dos 59 eletrodos restantes. A seguir, é criado um mapa de conexão por computador para cada canal estimulante usando o spy code, um aplicativo que realiza cálculos em dados neurais. A partir dos mapas de conexão, descartam-se da análise posterior todos os eletrodos estimulantes que não evocaram respostas.Em seguida, entre os eletrodos restantes, selecione o par com a menor sobreposição nas respostas conforme descrito no protocolo textual, escolhendo um desses eletrodos para codificar informações sensoriais do lado esquerdo do robô e o outro para codificar leituras do lado direito. Para isso, arraste o cursor do mouse sobre um eletrodo, clique com o botão direito no layout da MEA e, em seguida, selecione adicionar à área sensorial esquerda. Depois, arraste o cursor sobre o outro eletrodo.Clique com o botão direito e selecione adicionar à área sensorial direita. Em seguida, no formulário de codificação, selecione o esquema de codificação definindo o tipo de codificação como linear. Depois, defina as taxas mínima e máxima de estimulação utilizando o intervalo padrão de 0,5 a dois hertz e configure o parâmetro de jitter como zero.Em seguida, no formulário de decodificação, defina os parâmetros do algoritmo de decodificação. Ou seja, altere a velocidade e o parâmetro da constante de decaimento para um, para uma cultura moderadamente ativa com aproximadamente um pico por segundo por canal. Em seguida, defina os parâmetros de rajada do algoritmo de decodificação no formulário de decodificação como zero.O tempo de decaimento é irrelevante se a mudança de velocidade for zero. No formulário do gerenciador de experimentos, selecione os dados a serem registrados marcando as caixas de seleção salvar dados de pico, dados do robô e dados dos estímulos. Agora, inicie uma execução pré-aprendizado do robô selecionando o botão iniciar experimento no formulário do gerenciador de experimentos.Quando solicitado, selecione novos nomes de arquivo para os arquivos de dados. Deixe o experimento rodar por 30 minutos. Em seguida, clique no botão parar experimento para encerrar a execução do robô.Em seguida, ative o protocolo de aprendizagem marcando a entrega de 10 estímulos após. Marque a caixa de seleção no formulário do gerenciador de experimentos. Em seguida, clique novamente no botão iniciar experimento para realizar novamente a execução de treinamento do robô por 30 minutos.Durante esta execução de aprendizado, a estimulação proveniente do robô muda de estímulo irregular para estímulo Titânico. Quando o robô atinge um obstáculo, o estímulo Titânico é utilizado para treinar a rede neural. Após salvar os dados, desative novamente o protocolo de aprendizado desmarcando a opção de entrega de estimulação tânica.Após marcar a caixa de seleção, clique em iniciar experimento para realizar uma execução do robô virtual de 30 minutos após a aprendizagem. Como antes, lembre-se de alterar os nomes dos arquivos para evitar sobrescrita. Além do robô virtual mostrado anteriormente, este mesmo conjunto de execuções de treinamento pode ser utilizado com uma rede neural e um robô físico.Mostrado aqui está o trajeto percorrido por um robô virtual durante um experimento MEA vazio de 20 minutos. Nenhuma célula foi semeadas na MEA para este experimento controle. As áreas em verde claro são livres para o robô se mover, e os círculos em verde escuro representam obstáculos intransponíveis que o robô pode perceber por meio de seus sensores de distância.Em cada ensaio, o robô inicia na seção superior esquerda da arena e se desloca até sua posição final representada por um ponto rosa grande. Os pontos pretos menores representam colisões contra um obstáculo. Os caminhos codificados por cores indicam o tempo decorrido.Neste experimento sem rede neural, o robô foi parado pelo primeiro obstáculo que encontrou. É mostrado aqui o trajeto de um robô virtual durante um experimento em malha aberta, no qual o robô é efetivamente cegado. Em vez de codificar informações sensoriais, os trens de estimulação entregues à rede neural são apenas sequências regulares.Mostrado aqui está o trajeto percorrido por um robô virtual durante um experimento em malha fechada de 20 minutos, no qual a rede neural recebeu feedback sensorial após o robô colidir com um obstáculo. Observe que, diferentemente do experimento em malha aberta, este robô navegou com sucesso ao redor de muitos obstáculos. Isso indica que uma interação bidirecional entre os elementos neuronais e artificiais é necessária para obter um bom desempenho de navegação do robô.Este gráfico mostra o desempenho de navegação do robô expresso em pixels percorridos entre acertos subsequentes. As duas primeiras colunas exibem a distribuição das distâncias percorridas, dois experimentos controle, a configuração MEA vazia e a configuração em malha aberta. As colunas terceira e quarta exibem o desempenho sem e com a aplicação da estimulação Titanic.Após cada colisão com um obstáculo, a introdução da estimulação Titanic melhora significativamente. A distância percorrida entre duas colisões consecutivas melhora, assim, o desempenho de navegação do robô. Este gráfico representa a probabilidade de um dado algoritmo de decodificação permitir que o robô navegue com sucesso por uma pista curta em um tempo limitado.Os paradigmas de decodificação diferem uns dos outros devido aos pesos relativos de rajadas e picos isolados após seu desenvolvimento. Essa técnica abriu caminho para os GNRs no campo da neuro-robótica e neuropróteses, possibilitando explorar formas de conectar cérebros e máquinas com o objetivo de melhorar o desempenho das interfaces neurais modernas. Após assistir a este vídeo, você deverá ter uma boa compreensão de como planejar e executar um experimento híbrido para investigar as propriedades computacionais de uma rede neural biológica incorporada.

closed-loop-neuro-robotic-experiments-to-test-computational

Research

JoVE Journal

Neuroscience

Neurociência

Nós usamos um circuito fechado de interface fly-máquina para investigar os princípios gerais no controle neuronal.

Uma Plataforma Experimental para Estudo de Desempenho de circuito fechado de interfaces cérebro-máquina

Este vídeo demonstra o desenvolvimento de uma cultura neuronal 3D acoplada a uma matriz de microeletrodos planares com neurônios do hipocampo. Os neurônios isolados formam uma rede 2D na área ativa do conjunto de microeletrodos e aderem a microesferas de vidro em uma placa de vários poços com uma inserção de membrana. Ao transferir essas microesferas revestidas de neurônios para o eletrodo, elas se organizam em uma rede neural 3D interconectada.

Construindo redes neuronais tridimensionais acopladas a matrizes de microeletrodos

É apresentada uma abordagem para a modelagem de rede neural na plataforma robótica LEGO Mindstorms. O método fornece uma ferramenta de simulação para invertebrados pesquisa em neurociência, tanto no laboratório de pesquisa e sala de aula. Esta técnica permite a investigação de princípios de controle de robôs biomiméticos.

Projetando e implementando Simulações do Sistema Nervoso em LEGO Robots

Os protocolos de circuito fechado estão se tornando cada vez mais difundidos na eletrofisiologia moderna. Apresentamos uma maneira simples, versátil e barata de realizar protocolos eletrofisiológicos complexos em neurônios piramidais corticais in vitro, usando um computador desktop e uma placa de aquisição digital.

Eletrofisiologia em tempo real: Usando protocolos de circuito fechado para sondar Neuronal Dynamics and Beyond

Este manuscrito descreve um protocolo para crescer em redes modulares vitro que consistem em espacialmente confinados, circuitos neuronais funcionalmente inter-relacionados. Uma máscara polimérico é utilizado para uma camada de padrão de proteína para promover a adesão celular sobre o substrato de cultura. Neurônios Banhado crescer em áreas revestidas estabelecendo conexões espontâneas e exibem atividade eletrofisiológica.

Desenho, Tratamento de Superfícies, Cellular Galvanização e Cultura de modulares Neuronal de redes formadas por Circuitos Funcionalmente Inter-conectados

Células neuronais de rato cultivadas em matrizes de múltiplos eléctrodos apresentam um aumento na resposta após estimulação eléctrica. Este protocolo demonstra como cultivar neurônios, como registrar a atividade, e como estabelecer um protocolo para treinar as redes para responder a padrões de estimulação.

Aumento Time-dependente na resposta da rede à estimulação de culturas de pilha neuronais em matrizes do micro-elétrodo

Este protocolo demonstra como usar um sistema eletrofisiológico para estimulação de circuito fechado desencadeada por padrões de atividade neuronal. O código matlab da amostra que pode facilmente ser modificado para dispositivos diferentes da estimulação é fornecido igualmente.

Usando a atividade de spiking do neurônio para provocar estímulos do Closed-Loop em experiências neurophysiological

Resumimos um fluxo de trabalho para modelar computacionalmente os comportamentos de um neurônio da retina em resposta à estimulação elétrica. O modelo computacional é versátil e inclui etapas de automação que são úteis na simulação de uma variedade de cenários fisiológicos e na antecipação dos resultados de futuros estudos in vivo / in vitro .

Modelagem Computacional de Neurônios da Retina para Pesquisa de Próteses Visuais - Abordagens Fundamentais

Apresentamos um método para a estimulação química flexível e multimodal e registro da atividade neural simultânea de muitos vermes Caenorhabditis elegans . Esse método usa microfluídica, hardware e software de código aberto e análise automatizada supervisionada de dados para permitir a medição de fenômenos neuronais como adaptação, inibição temporal e crosstalk de estímulos.

Estimulação Multimodal Automatizada e Gravação Neuronal Simultânea de Múltiplos Pequenos Organismos

Este estudo explora os efeitos de um robô pneumático macio configurável no aprimoramento da topologia da rede de todo o cérebro pós-AVC. A análise da teoria dos grafos indica melhorias significativas no coeficiente de agrupamento, comprimento do caminho e eficiência global. Os resultados destacam o potencial dos protocolos robóticos programáveis para modular a neuroplasticidade e otimizar a recuperação funcional na reabilitação do AVC.

Robô pneumático macio modula métricas da teoria dos grafos da rede cerebral para reabilitação das mãos após acidente vascular cerebral

Este protocolo demonstra como simulações neurais baseadas em física podem ser usadas para interpretar biomarcadores eletrofisiológicos de neuroterapêuticos e descobrir seu efeito nos circuitos neurais, fornecendo uma abordagem mecanicamente fundamentada para o desenvolvimento neuroterapêutico.

Um Protocolo para Descobrir Mecanismos Neurais dos Efeitos Neuroterapêuticos na Eletroencefalografia Usando o Neurosolver Neocortical Humano

Explore experimentos de circuito fechado em neuro-robótica para investigar propriedades computacionais de redes neuronais. Este método utiliza arrays de microeletrodos para estudar codificação, decodificação e aprendizado em culturas neuronais interagindo com robôs.

De circuito fechado experiências neuro-robótico para testar as propriedades computacionais da Neuronal Networks

Explorar mais vídeos