Introduction
Plusieurs caractéristiques de fonctionnement du cerveau sont actuellement impossible à reproduire dans un système artificiel. La capacité du cerveau à traiter rapidement l'information sensorielle complexe et pour générer, en réponse, les commandes de moteur précis est par lui-même déjà au-delà de l'état-of-the-art actuel. Mais sa capacité à se adapter aux conditions différentes en apprenant de l'expérience passée, il est donc largement supérieure aux systèmes de contrôle des droits développé. Jusqu'à présent, tente de reproduire ou d'exploiter cette plasticité ont rencontré peu de succès, et la compréhension des rouages du cerveau a échappé à la portée des chercheurs. L'une des principales questions alors qu'il enquêtait sur la relation entre le cerveau et le comportement est l'impossibilité d'accéder correctement toutes les variables dans le système: idéalement, un dispositif expérimental optimal permettrait enregistrement et la stimulation simultanée à un grand nombre de neurones, la stabilité à long terme , suivi des synapses positions et poids, et contrôlable bi-directional interaction avec l'environnement. La difficulté dans le suivi de toutes ces variables simultanément conduit à l'étude de la relation cerveau-comportement à deux échelles très différentes: soit avec un comportement des animaux, avec aucune amende contrôle sur les conditions expérimentales 1-7 ou avec de petites pièces, isolées, comme des parties de le tissu neuronal, sans vue d'ensemble du système 8. Dans ce dernier cas, alors qu'aucun dispositif expérimental mis au point permet la surveillance complète de tous les paramètres intervenant dans le fonctionnement de même un réseau de neurones simple, un bon compromis est fourni par les neurones dissociés cultivés sur Micro-électrodes (AME) Tableaux 9. Ces dispositifs, nés à la fin des années 70, 10 présentent plusieurs avantages par rapport aux techniques d'électrophysiologie traditionnelles: d'une part, la possibilité d'enregistrer et de stimuler un réseau de neurones dans de nombreux endroits différents à la fois (généralement 60 électrodes). En outre, le couplage des AME avec des cellules est presque non-invasive, Ce qui permet l'observation d'un même réseau pour de longues périodes de temps, jusqu'à plusieurs mois 11. Les effets physiologiques de la stimulation électrique sur les cultures dissociées ont été largement étudiées grâce à ces dispositifs, révélant que de nombreuses propriétés observées à des échelles supérieures (comme, par exemple, la plasticité et processus simple souvenir 12-14) sont conservées malgré la perte de l'architecture. Pendant la croissance de la culture, ces réseaux commencent à montrer l'activité spontanée à environ 7 jours in vitro (DIV) 15,16. L'activité du réseau a tendance à changer radicalement avec la croissance; d'abord comme des pointes simples réunissent en rafales (vers la fin de la deuxième semaine) 17, plus tard, il se transforme en un modèle très complexe de synchronisation, le réseau non périodique éclate 18, qui représente l'état de maturité d'un réseau. Il a été suggéré 19 que ce comportement synchrone, quelque peu similaire à celle observée dans le dossier in vivoments sur les animaux de couchage, est causée par le manque de données sensorielles.
Une approche différente a tenté d'acquérir une meilleure compréhension de l'information codage a été prise par la réalisation d'expériences en boucle fermée, dans laquelle différents types de signaux ont été utilisés pour contrôler la stimulation du réseau neuronal se 11,20-23. Dans ces expériences, un agent externe capable d'interaction avec le milieu a été utilisé pour générer des informations sensorielles introduit dans le réseau neuronal, qui, à son tour, produit des commandes de moteur pour un mécanisme effecteur. Cela a permis des observations de la façon dont les propriétés dynamiques et d'adaptation des systèmes neuronaux ont évolué en réponse aux changements induits dans l'environnement.
Une configuration pour effectuer 'incarne neurophysiologie' expériences a été développé, où une plate-forme à roues de capteur (un robot physique ou son modèle virtuel) se déplace dans une arène et de ses profils de vitesse sont déterminées par l'activité d'une neuronalesystème (ce est à dire, une population de neurones de rat cultivés sur une MEA). Le robot est caractérisé par les profils de vitesse de ses deux roues de manière indépendante et contrôlée par les valeurs actuelles des capteurs de distance. La nature exacte des capteurs de distance ne est pas applicable; ils peuvent être actives ou passives des capteurs optiques ou des capteurs à ultrasons. De toute évidence, cette question ne se applique pas dans le cas des robots virtuels, dans lequel des capteurs peuvent être conçus avec toute fonction désirée.
Dans les expériences décrites ici, le robot est toujours utilisé l'application virtuelle, avec six capteurs de distance pointant à 30 °, 60 ° et 90 ° de la position du robot dans les deux sens. L'activité des trois capteurs gauche et droit est moyenne et l'activité de la culture biologique est entraîné par les informations recueillies par ces «super-capteurs» (qui sera simplement dénommé «bons» des capteurs dans le reste de «gauche» et de ce travail). Le protocol décrit peut effectivement être appliquée au robot physique avec des ajustements relativement mineurs. Les informations recueillies par le robot (physique ou virtuel) est codée dans une série de stimuli qui sont utilisées pour manipuler l'activité du réseau neuronal biologique, qui est physiquement séparé par le robot. Les stimuli eux-mêmes sont tous identiques et donc ne codent pas d'informations. Ce qui est pertinent est leur fréquence: hausses de taux de stimulation lorsque le robot se approche d'un obstacle, avec différents sites de prestation de codage de l'information sensorielle des «yeux» gauche et droite du robot. Le réseau de neurones va présenter des réponses différentes au train entrant de stimulations: la tâche de l'algorithme de décodage consiste à traduire l'activité de réseau résultant en des commandes utilisées pour commander les roues du robot. Compte tenu d'un comportement «parfait» du réseau (ce est à dire, des informations fiables et totalement réponses à des stimuli de différentes électrodes séparées), cela Result dans le robot de conduite dans son arène sans frapper ne importe quel obstacle. La plupart des réseaux présente un comportement très différents de l'idéalité, donc un protocole d'apprentissage simple est introduit: lorsqu'il est activé, stimulation tétanique (brèves de sorts de la stimulation à haute fréquence, 20 stimulation Hz pour 2 sec, inspiré par les protocoles décrits dans 24,25) suite à une collision avec un obstacle est livré. Si les résultats de stimulation tétanique à un renforcement locale de la connectivité réseau, cela se traduira par une augmentation progressive des capacités de navigation du robot.
HyBrainWare2, une version améliorée du logiciel personnalisé publié en 26, est l'architecture de base mis au point pour traiter la commande des différents dispositifs du système (stimulateur, l'acquisition des données, le traitement et la visualisation, la communication ou la simulation du robot). Ce logiciel a été développé dans notre laboratoire et est disponible gratuitement sur demande. Ce logiciel fournit l'interface avecla carte d'acquisition de données: une fois que l'utilisateur démarre l'acquisition de données à partir de l'interface graphique, le logiciel contrôle la carte d'acquisition pour commencer l'échantillonnage et la conversion A / D de données provenant des électrodes d'enregistrement. Ces données peuvent ensuite être enregistrées, affichées à l'écran ou analysé en temps réel pour détecter les pics, selon les options définies par l'utilisateur (voir la section Procédure pour plus de détails). En outre, dans le logiciel, la définition de codage (traduction de l'information sensorielle en une stimulation électrique) et le décodage (traduction de l'activité enregistrée en commandes de moteur pour le robot) algorithmes doit être spécifié. En particulier, notre configuration est relativement conviviale par rapport aux systèmes similaires conçus dans le passé 27, puisque presque toutes les variables peuvent être accessibles à l'utilisateur juste avant de commencer l'expérience réelle, tandis que toutes les informations enregistrées sont automatiquement enregistrées dans un format compatible avec une analyse des données de neurones boîte à outils 28.
La section de procédure suivante décrit une expérience d'apprentissage sur les cultures d'hippocampe de rat dissocié: toute la culture et les paramètres expérimentaux sont fournis pour cette préparation particulière et peuvent avoir besoin d'être modifié si un substrat biologique différente doit être utilisée. De même, l'expérience décrite tire parti de l'architecture en boucle fermée pour étudier l'effet d'apprentissage de stimulation tétanique, mais l'architecture lui-même est suffisamment souple pour être utilisée dans l'étude de différents dispositifs de réseaux de neurones dissociés. Les grandes variantes de l'expérience proposée sont expliquées plus en détail dans la section Discussion.
Protocol
1. Préparation de la culture neuronale sur une MEA
- Plate cultures de neurones sur des puces de MEA, comme décrit 29. La description d'une procédure similaire est également prévu 9 et dans la section Discussion.
- Tourner le système de chauffage de MEA sur 5-10 minutes avant de commencer l'enregistrement afin de minimiser la contrainte thermique subie par les cellules: set cible de la température du régulateur de température à 37 ° C et basculer sur la plaque chauffante en dessous de la MEA lui-même (à condition que dans la plupart commerciaux systèmes MEA) et, le cas échéant, une couverture chauffée afin de réduire considérablement l'évaporation.
- Stériliser bouchons perméables aux gaz avant chaque utilisation dans un autoclave avec humide-chaleur (30 min, 130 ° C). Pour éviter l'évaporation et empêcher les changements dans osmolarité, garder les cultures couvertes avec des bouchons pendant l'enregistrement.
- Placer la culture neuronale dans l'amplificateur 30 min avant de commencer réellement l'enregistrement.
NOTE: Il suffit de déplacer les cultures de l'incubator à l'amplificateur va perturber significativement l'activité spontanée pendant environ une demi-heure. Pendant ce temps, la température du milieu de culture se stabilisera. - Si un circuit de carbair est disponible, commencer circulation des carbair (un mélange de 5% de CO 2 et 95% O 2 + N 2) pour des expériences de plus de deux heures: cultures auront besoin dans le but de maintenir les deux niveaux d'oxygène et de pH stable.
2. Sélection des paramètres d'enregistrement pour l'acquisition de MEA
- Sélectionnez la bande passante du filtre logiciel pour détecter les pics (ce est à dire, Multi-Unité de l'activité - MUA) 30: sous la forme RawDataDisplay cochez la case '300 Hz-3 kHz.
- Lancer l'acquisition de données: appuyez sur le bouton «Démarrer» sous la forme RawDataDisplay.
- Gain défini de seuil de détection de pic dans la RawDataDisplay à 7.
REMARQUE: Selon la spécificité / sélectivité compromis souhaité et sur la adoptée détecteralgorithme ions, ce seuil peut être réglée entre 6 et 10 fois l'écart-type calculé. - Réglez la mémoire de seuil à 2 sec et appuyez sur le bouton 'Lock' lorsque aucune activité de dopage est visible sur l'écran (les deux commandes sont sous la forme RawDataDisplay). Mark «devis SD d'une médiane de 'bruit pour calculer l'écart type de la médiane de la valeur absolue du signal observé 31,32, se il est difficile de fournir, même courtes fenêtres de temps sans dopage activité. Décochez cette option après avoir appuyé sur le bouton 'Lock', que l'algorithme sous-jacent est de calcul intensif et pourrait causer le PC à la traîne.
- Tournez sur la routine de détection de pic (case à cocher 'Spike Détection' sous la forme RawDataDisplay). Si la détection de pic est déjà en cours d'exécution (ce est à dire, la case est déjà marqué), jeter pics détectés jusqu'à ce moment en cliquant sur le bouton 'Reset' dans le formulaire d'enregistrement des données.
3. Sélection des AME électrodes pour stimuler l'Calcul Neuronal Culture et Réponse Plan
- Enregistrez activité spontanée des cellules neuronales cultivées sur la MEA pendant 30 min: enregistrer des données dans un fichier en cliquant sur le bouton "Enregistrer", dans la case «Pointes» du formulaire Enregistrement de données, après la quantité désirée de temps se est écoulé (30 min, dans ce cas).
- Identifier les 10 chaînes les plus actifs (par exemple, 10 chaînes avec nombre le plus élevé de pic), puis sélectionnez ces canaux dans l'une des dispositions des AEM (soit dans le codage, formes décodage ou de connexion Carte) en faisant glisser le curseur de la souris sur les zones souhaitées. Une fois que les canaux sont sélectionnés, faites un clic droit ne importe où sur la mise en page de MEA et sélectionnez «Ajouter à gauche zone sensorielle" dans le menu pop-up: ces électrodes seront utilisés pour fournir une stimulation électrique dans l'étape 3.5.
- Vérifiez que stimulateur et amplificateur de MEA sont correctement connectés: toutes les configurations require deux fils par canal de stimulation souhaitée, tandis qu'un câble coaxial supplémentaire sera nécessaire pour transporter le signal de synchronisme (se il vous plaît consulter les manuels des dispositifs médicaux spécifiques pour schémas de connexion). Procédez ensuite de tourner le stimulateur.
- Définir les paramètres de relance sous la forme de connexion de la carte. Tous les stimulations livrés à la culture sont biphasiques ondes de tension carré. Ensemble demi-durée de 300 microsecondes et une amplitude de 1,5 V pp 33.
REMARQUE: Stimuli assez grand pour évoquer de manière fiable réponses neurales sera compromis très probable l'enregistrement de l'activité des mêmes sites. Dans le reste du document, les électrodes utilisées pour la livraison de stimulation ne doivent pas être sélectionnés pour l'enregistrement toutes les informations pertinentes. - Inscrivez la réponse à la stimulation: appuyez sur le bouton Démarrer dans le formulaire de ConnectionMap. Une série de 30 stimuli, avec un intervalle de 5 secondes est, à son tour, livré automatiquement à partir de chacune des électrodes sélectionnées, tandis que les réponses sont ficheed des 59 électrodes restantes.
- Calculer une carte de connexion (ce est à dire, la probabilité d'observer une réponse d'une électrode dans un intervalle de temps après la livraison de la relance d'une électrode différente) pour chaque canal stimuler par ne importe quel logiciel de mathématiques ou SpyCode, une application développée dans le passé (et librement disponibles sur demande) pour effectuer des calculs sur les données de neurones 28.
- De les cartes de connexion, sélectionnez meilleurs électrodes: jeter tous les électrodes de stimulation qui ne évoquent réponses (ce est à dire dans la fenêtre de temps après la stimulation, tiraient taux ne sont pas significativement plus élevé que lors de la cuisson spontanée).
- Sélectionnez, parmi les électrodes restantes, la paire avec le moins overleap dans les réponses. Spécifiquement pour chaque électrode de stimulation, calculer le nombre moyen de pic dans chaque électrode d'enregistrement, puis calculer la différence entre les électrodes correspondantes pour toutes les électrodes paires stimulantes. Sélectionnez le couple pour which à la somme des valeurs absolues des différences de réponse sur toutes les voies d'enregistrement est la plus élevée.
- Sélectionnez une de ces électrodes pour coder l'information sensorielle du côté gauche du robot et l'autre pour coder des lectures de la droite: pour ce faire, faites glisser le curseur de la souris sur une électrode, cliquez-droit sur la mise en page de MEA puis sélectionnez »Ajouter à gauche zone sensorielle» (ou «Ajouter à la zone sensorielle droit»).
4. L'interface de la Culture neuronale avec le Robot: Sélection de Codage et décodage Schémas
- Set 'codage de type "sous la forme de codage linéaire.
- Définir les taux minimum et maximum stimulation sous la forme de codage. Utilisez la plage de défaut de 0,5-2 Hz.
- Réglez le paramètre «Jitter» sous la forme de codage à 0.
- Définissez les paramètres de l'algorithme de décodage dans le formulaire de décodage (poids et coefficient d'extinction) à 1, pour une culture modérément active (~ 1 pic / s par channel). Définir un nouveau paramètre paire si les taux de tir se écartent fortement et constamment de cette valeur. Voir la discussion pour la fonction exacte de paramètres de décodage.
- Réglez l'algorithme de décodage paramètres rafale dans le formulaire de décodage. Réglez poids à 0 (temps de décroissance est alors pertinent), à moins que la distinction entre les pointes et des éclats est l'objet d'étude.
REMARQUE: Les valeurs suggérées dans l'étape 4.4 seront produire des mouvements et des vitesses compatibles avec des temps de réaction de robot pour les cultures primaires de rat modérément actifs robots lisses. Les paramètres d'éclatement ont exactement la même fonction que celles décrites dans l'étape 4.4, mais l'événement déclencheur est la détection d'une salve à la place d'un pic: la vitesse réelle de chaque roue est simplement la somme des contributions des pointes et des éclats détectés.
5. Conception de la navigation pour le Robot Arena
- Dans le formulaire de Designer virtuel Arena, choisir entre délimitées (les limites de l'arène sont visibles pour le robot et impassable) ou illimitée (si les sorties du robot d'un côté de l'arène, il sera instantanément rentrer de la face une) arène et définir la taille de l'aréna en pixels.
- Ne pas utiliser arènes bornées inférieures à 100 x 100 pixels, afin de permettre un mouvement significatif. Ne utilisez pas les obstacles avec un rayon inférieur à 5 pixels, car ils peuvent tout simplement se situer entre les lignes de vue du robot.
- Gardez à l'esprit que de très grandes tailles d'arène peut affecter les performances de l'ordinateur à se dégrader: si une grande arène est nécessaire, les performances du logiciel de test avec l'arène souhaité avant de démarrer difficiles à répétition des expériences.
- Réglez robot de la position démarrant manuellement (cliquez sur le bouton «Sélection manuelle» dans le formulaire de Designer Arena virtuel, puis l'emplacement désiré) ou en spécifiant les coordonnées du robot à commencer expérience dans le «Robot» Position de départ champs.
- Ajouter ne importe quel nombre d'obstacles infranchissables dans l'arène. Soit les placer l'hommesivement dans l'arène après avoir cliqué sur le bouton "Ajouter Obstacle manuellement» ou nombre et la taille définir gamme.
- Cliquez sur le bouton "Générer Arena 'pour générer l'arène avec les fonctionnalités sélectionnées. Aucun changement ne aura lieu avant cette touche est enfoncée.
- Enregistrer l'arène conçu et charger le fichier relatif, avant de l'utiliser dans une expérience, avec les boutons de commande dans la partie inférieure du formulaire de Designer virtuel Arena.
6. Sélection des AME électrodes à enregistrement neuronale activité de la Culture
- Sélectionnez électrodes d'enregistrement temporaires ceux sur lesquels des réponses différentes, à l'étape 3.8, ont été observés: des électrodes qui ont montré des réponses plus grandes après la stimulation de la (ou «droit») électrode «gauche» constituera la «gauche» (ou «droit») des électrodes d'enregistrement. Ne pas utiliser des électrodes qui ne indiquent des réactions significatives soit électrode de stimulation pour contrôler le robot. Farom le menu pop-up MEA mise en page, sélectionnez «Ajouter à la zone du moteur gauche» (ou «Ajouter à la zone du moteur droit») pour définir des électrodes d'enregistrement.
- Sélectionnez caractéristiques d'enregistrer sous la forme de Experiment Manager. A ce stade, les pointes et les estampilles temporelles de stimulation sont la seule information pertinente.
- Effectuer un essai routier de 10 min: démarrer le robot de fonctionner en cliquant sur le bouton Démarrer de l'expérience dans le formulaire de Experiment Manager, cliquez à nouveau après 10 minutes se sont écoulées.
NOTE: Une fois que tous les paramètres ont été définis (codage et le décodage, l'arène de robot, stimulation et l'enregistrement électrodes, dispose d'enregistrement), une sélection de nom de fichier vous demandera le nom enregistré et la destination des fichiers, le robot commence à se déplacer dans son arène, suivant les règles définies. Tous les composants sélectionnés sont automatiquement sauvegardés en temps réel. - Répétez les étapes 3.6 et 6.1 sur les données acquises à l'étape 6.3, afin de sélectionner électrodes d'enregistrement à partir des données recueillies lors d'une course de robot réelle (voir Discussion pour la justification de cette approche en deux étapes).
7. Effectuer une expérience neuro-robotique
- Sélectionnez dans la Experiment Manager former les données à enregistrer: marquer le Spike, Robot et cases stimuli données.
- Lancez un robot terme pré-apprentissage: cliquez sur le bouton «Démarrer Experiment» sous la forme de Experiment Manager. Sélectionnez nouveaux noms de fichiers pour les fichiers de données lorsque vous êtes invité. Lorsque 30 minutes se sont écoulées, cliquez à nouveau sur le bouton «Début de l'expérience» pour arrêter la course de robot.
- Mettez sur le protocole d'apprentissage (marque «Livrer Tetanic Stimulation Après Hit 'case à cocher dans le formulaire de Experiment Manager) et effectuer la formation Robot Run, de la même longueur que la phase de pré-formation (par exemple, 30 min). Ne oubliez pas d'entrée différents noms de fichiers lorsque vous êtes invité pour éviter d'écrasement des données de l'étape 7.2.
- Eteignez le protocole d'apprentissage nouveau (décocher la case «Livrer Tetanic Stimulation Après Hit 'à cocher) Et effectuer la post-apprentissage Robot Run. Une fois de plus, ne oubliez pas de changer les noms de fichiers pour éviter d'écraser.
8. Deuxième Plan Calcul Réponse
- Répétez les étapes 3.1 à 3.6. Utiliser les données de ces enregistrements pour tester si des changements ont été induits soit dans les motifs spontanées ou induites par le protocole activité d'apprentissage.
Representative Results
Le cadre expérimental développé permis de tester si un échange d'informations entre une culture de neurones et la réalisation virtuelle d'un robot physique est possible 34. La figure 1 montre plusieurs échantillons de chemins obtenus parcourus par un robot virtuel dans 20 expériences min dans des conditions différentes : de gauche à droite une expérience appropriée en boucle fermée, une expérience de robot «vide MEA '(pas de cellules sont étalées sur la MEA pour cette expérience de contrôle) et une expérience de robot en boucle ouverte (fréquence de stimulation est constant au lieu de coder les informations du capteur) sont représentés. Les traces représentatives confirment qu'une interaction bidirectionnelle entre les éléments neuronaux artificiels et est nécessaire pour obtenir de bonnes performances de navigation du robot. Néanmoins, le robot subit plusieurs coups contre les obstacles.
Sur la figure 2, les performances de navigation du robot, expressed sous forme de pixels parcourus entre touches subséquentes, est montré dans des conditions différentes. Les deux premières colonnes présentent la distribution des distances parcourues dans les expériences de contrôle mentionnés ci-dessus ("MEA vide" et les configurations en boucle ouverte), tandis que les troisième et quatrième colonnes affichent les performances avec et sans, respectivement, la fourniture de stimulation tétanique après chaque frapper contre un obstacle. L'introduction de la stimulation tétanique (Cf. procédure, point 7.2) améliore significativement la distance parcourue entre deux coups consécutifs, améliorant ainsi les performances de navigation du robot 35.
Sur la figure 3, les performances de navigation d'un robot avec des conditions différentes de décodage est présentée. À cette fin, une configuration de scène différente a été adoptée. Cela a permis de quantifier le succès de navigation du robot dans l'arène 36: comme décrit dans l'étape 4.1 de la procédure, le robot estprésenté une série de pistes courtes. Le taux de réussite est tout simplement le rapport entre le nombre de pistes croisées avec succès sur le nombre de pistes présentées. En particulier, au cours des expériences d'une identification en temps réel des pointes de salve et isolé a été effectuée. Les paradigmes de décodage diffèrent les uns des autres à cause des poids relatifs des éclats et des pointes isolées (Cf. procédure, souligne 03.05 à 03.06 et discussion).
Figure 1: un réseau neuronal et d'un robot ont un échange bidirectionnel d'informations Cette figure montre trois voies représentatives parcourues par le robot au-dessus de 20 minutes d'expérience.. En particulier, les zones vertes claires sont gratuits pour le robot de se déplacer dans, alors que sombres pixels verts représentent des obstacles infranchissables que le robot peut percevoir à travers ses capteurs de distance. Dans chaque essai, le robot commence in la section supérieure gauche de l'arène et se déplace à sa position finale, dépeint comme un grand point rose. Les petits points noirs représentent les résultats contre un obstacle, tandis que la trajectoire d'un code de couleur fournit une indication de l'évolution temporelle du mouvement du robot. La barre de couleur sur la droite exprime le temps écoulé depuis le début de l'expérience en quelques minutes. (A) trajectoire suivie lors d'une expérience en boucle fermée. (B) trajectoire suivie lors d'une expérience de MEA «vide» (pas de cellules sont cultivées sur la MEA surface). (C) trajectoire suivie lors d'une expérience en boucle ouverte (fréquence de stimulation est constante tout au long de l'expérience). Se il vous plaît cliquer ici pour voir une version plus grande de la figure.
Figure 2: Les résultats de performance sont affectées par fermé-loop et stimulation tétanique. Ce graphique présente les distributions des distances parcourues par le robot entre visites ultérieures dans différentes conditions. En particulier, les deux premières distributions représentent des expériences de contrôle («vide» pour les enregistrements sans neurones plaquées sur la MEA, «boucle ouverte» (OL) pour l'expérience avec un robot «aveugle»). Les deux dernières colonnes représentent la condition de «boucle fermée» sans (CL) et avec (CL + TS), le protocole d'apprentissage mis en œuvre par stimulation tétanique (TS), d'être livré à la culture suivante coups contre un obstacle. Dans chaque case, le segment horizontal central représente la médiane de la distribution, la place vide de la valeur moyenne, la barre centrale se étend à la première et troisième quartile et les moustaches se étendent aux 5 e et 95 e percentiles. Les valeurs aberrantes sont représentés comme des diamants. Les statistiques ont été effectuées en utilisant l'Kruskall-Wallis analyse unidirectionnelle de variancerangs sur: la comparaison par paires de Student-Newman-Keuls révèle que toutes les valeurs moyennes sont significativement différentes à p <0,05.
Figure 3: Décodage influence la performance robotique Le graphique ci-dessus représente la probabilité, pour un algorithme de décodage donné, du robot à naviguer avec succès à travers une courte piste dans un temps limité.. Identification de salves et les pics isolés est effectuée en temps réel au cours de l'expérience elle-même. Dans le premier cas («Pointes») tous les pics détectés présentent le même poids relatif, pour les deuxième et troisième distributions un poids de 0 a été fixée pour, respectivement, des pointes et des pointes isolées appartenant à une rafale. Les deux dernières colonnes représentent les résultats obtenus dans le cas où toutes les pointes sont pris en compte, mais avec un poids relatif différent selon leur position.En particulier dans la quatrième colonne isolé pointes ont été donnés poids relatif plus élevé que les événements en rafale, tandis que la pondération est inversé pour le décodage par rapport à la cinquième données de la colonne. Dans chaque graphique, la ligne centrale représente la médiane de la distribution, la place vide, la valeur moyenne, tandis que le bar central se étend à la première et troisième quartile et les moustaches se étendent aux 5 e et 95 e percentiles. Les statistiques ont été effectuées en utilisant l'Kruskall-Wallis analyse unidirectionnelle de variance sur les rangs. La comparaison deux à deux (méthode de Student-Newman-Keuls), révèle que des différences significatives (p <0,05) peuvent être observées entre les colonnes 1 et 4, 2 et 4, 2 et 5, 2 et 3.
Discussion
Dans cet article, une architecture de neuro-robot basé sur un contrôleur de neurones (par exemple, un réseau de neurones en provenance du cortex ou de l'hippocampe de rats embryonnaires), connecté de façon bidirectionnelle à un robot virtuel, est présentée. Le robot, qui comporte des capteurs et des roues, est forcé de se déplacer dans une scène statique avec des obstacles et sa tâche consiste à éviter les collisions.
La première et peut-être le plus important aspect de la procédure est décrite la préparation des cultures elles-mêmes, comme le taux d'échec aura tendance à être importante même dans les meilleures conditions techniques. Une description détaillée de la culture de techniques est, cependant, en dehors de la portée du présent travail. En règle générale, les enregistrements doivent se produire lorsque le taux d'allumage du réseau atteint un niveau stable, habituellement après 3 semaines in vitro. Une indication approximative des cultures en bonne santé est la présence de l'activité électrophysiologique spontanée dans plusieurs chann d'enregistrementels (au moins 20 canaux sur 60 disponibles). Ces cultures sont caractérisées par un haut degré d'inter-connectivité neuronale. Dans ces conditions, l'activité neuronale en général devient fortement synchronisée et, parfois, il affiche les événements épileptiformes, avec dopage intense suivie par minutes-longues périodes de silence 37. Ces deux caractéristiques présentent un problème: la synchronisation excessive, il sera impossible de distinguer les réponses à des stimuli de différentes électrodes, alors que les cultures présentant une activité épileptique seront répondre à la première relance présenté avec une longue explosion de l'activité, suivie par une période de silence, indépendamment de tout stimuli successifs livré. Ces deux questions peuvent être fortement améliorées par l'emploi des cultures à motifs 35, dans lequel la population de neurones est divisée en deux ou plusieurs sous-groupes faiblement interconnectés.
Un autre problème est que les réponses de neurones dépendent fortement de la distribution de stimul entranti 38,39. Dans une expérience en boucle fermée, la stimulation est délivrée en fonction des lectures de capteur, qui, à leur tour, sont une conséquence du mouvement du robot et donc des réponses de neurones eux-mêmes. Cela implique qu'il n'y a pas de moyen facile d'établir à l'avance quelles réponses seront observé pendant l'expérience réelle. Par conséquent, la sélection des électrodes d'entrée-sortie doit se appuyer sur des approximations successives. Dans le protocole décrit, un procédé en deux étapes (à savoir, les étapes 5.5 et 6.4) est mis en oeuvre pour tenter de déterminer un plan de connexion. Dans la première étape, une séquence régulière de stimulations est remis et les réponses à ces stimuli sont utilisées pour dériver une première carte de connexion et un ensemble temporaire des voies d'enregistrement. Cette configuration est ensuite utilisée pour effectuer l'essai décrit à l'étape 6.4 et sélectionner les canaux d'enregistrement qui seront surveillés pendant l'expérience réelle.
Dans la section des résultats, un représentant res de navigationULT et les améliorations immédiates apportées par l'introduction d'un paradigme de l'apprentissage sont présentés. Tout au long de la description de protocole, plusieurs autres variantes expérimentales possibles sont mentionnés. Par exemple, les deux principaux systèmes de codage mis en œuvre dans HyBrainWare2 (linéaires et stochastiques) où développées pour enquêter sur le rôle exact de la variabilité temporelle d'entrée sur le code neural 38. Dans le cas linéaire, le taux de stimulation instantanée est une fonction de paramètres définis par l'utilisateur et de capteurs sont des enregistrements. Dans le cas stochastique, chaque instance de temps a une probabilité donnée d'être choisi pour fournir un stimulus. Cette probabilité est calculée automatiquement par HyBrainWare2 de sorte que les taux de stimulation attendus correspondent à ceux de l'ancien cas. La possibilité d'ajouter gigue au codage linéaire permet une transition en douceur entre les deux cas décrits ci-dessus. De la même manière, en explorant différentes combinaisons de paramètres dans la section de décodage pourrait aider à faire la lumière sur le PreciSE rôle d'éclatement dans les réseaux de neurones in vitro. La vitesse de chaque roue du robot augmente proportionnellement au paramètre de poids chaque fois qu'un événement est détecté dans la zone de sortie correspondant, tandis que le coefficient d'extinction indique le temps, en secondes, l'une des contributions faut pour perdre 50% de sa valeur . La décroissance est une exponentielle simple. Ces variantes ont déjà été prises en compte dans la conception actuelle de HyBrainWare2, mais beaucoup plus de possibilités de recherche sont ouverts si des modifications supplémentaires dans le logiciel ou dispositif expérimental peuvent être introduits.
Une limitation assez importante du protocole décrit ici est l'exigence du logiciel développé sur mesure, HyBrainWare2 (disponible gratuitement sur demande à tous les utilisateurs intéressés). Ce logiciel a été conçu pour un ensemble de dispositifs (stimulateur, carte d'acquisition, amplificateur de MEA) d'un modèle et fabricant spécifique. Se il est en effet possible de l'adapter au travail de diconfigurations fférents, la conversion aura une certaine habileté de programmation. De même, les options incluses couvrent seulement un ensemble limité de toutes les questions expérimentales qui pourraient être étudiés à travers une telle configuration. Par exemple, l'algorithme de détection de pic mis en œuvre dans l'architecture présentée (de détection de pic de temps précis 40) est complètement défini par plusieurs paramètres codés en dur qui doivent être changé si l'objet de l'enregistrement est très différent de réseaux de neurones dissociés (par exemple, les cellules cardiaques ou tranches). Enfin, le protocole d'apprentissage consiste en la fourniture d'un court, haute fréquence (2 sec de 20 stimulation Hz, chaque impulsion de stimulation est le même que ceux qui sont utilisés pour coder l'information sensorielle) la stimulation après chaque coup d'obstacle. Si le robot rencontre un obstacle avec son côté droit, la stimulation tétanique est délivré à l'électrode qui habituellement codes d'information et le côté droit est de même pour les résultats du côté gauche. Ce protocole est codé en dur et ne peut pas be modifié par l'utilisateur sans modifier le logiciel de quitter.
Bien que la configuration présentée ici ne est pas le premier système incarné pour des expériences hybride, en boucle fermée 20,23,27,41,42, ceux conçus dans le passé se sont concentrés sur une seule thèse étayée par des données à partir d'un nombre limité de préparations analogues . D'autre part, l'installation décrite a été utilisé pour un grand nombre d'expériences (plus de 100 cultures ont été enregistrées depuis 2012) avec des préparations différentes de modularité et d'origine, tandis que les expériences elles-mêmes abordé des questions différentes (par exemple l'impact de la stimulation tétanique et pertinence de rupture, tel que présenté dans les résultats). Dans un proche avenir, de nouvelles sessions expérimentales sont prévues pour vérifier les effets durables de la stimulation tétanique et en boucle fermée et la relation entre la stimulation régularité et réponses observé. Une autre question à aborder est le lien entre l'activité spontanée et observée, avecl'idée d'ajouter un nouvel algorithme de décodage qui tient compte de l'histoire de l'activité passée et la stimulation 43.
Acknowledgments
Les auteurs tiennent à remercier Ph.D. étudiant Marta Bisio pour la culture et le maintien de réseaux neuronaux plus de micro-électrodes tableaux et Dr Marina Nanni et Dr. Claudia Chiabrera de NBT-IIT pour l'assistance technique pour les procédures de dissection et de dissociation. Les recherches menant aux présents résultats ont reçu un financement de septième programme-cadre de l'Union européenne (TIC-FET FP7 / 2007-2013, FET Jeunes Explorateurs régime) sous convention de subvention n ° 284772 CERVEAU BOW ( www.brainbowproject.eu ). Les auteurs tiennent également à remercier Silvia Chiappalone pour son aide dans la production des graphiques utilisés dans l'introduction.
Materials
| Name | Company | Catalog Number | Comments |
| Stimulus Generator 4002 | Multi Channel Systems | ||
| MEA1060-Inv-BC | Multi Channel Systems | ||
| TC02 | Multi Channel Systems | ||
| NI 6255 Acquisition Card | National Instruments | ||
| Microsoft Visual Studio 2008 | Microsoft | ||
| 2078P Multichannel System-National Instruments adapter board | Developed at University of Genova (Italy) | ||
| Matlab 2010 | Mathworks | ||
| HyBrainWare2 | HyBrainWare2: Contact Information |
References
- Fetz, E. E. Volitional control of neural activity: implications for brain–computer interfaces. The Journal of Physiology. 579 (3), 571-579 (2007).
- Carmena, J. M., et al. Learning to control a brain–machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), e42 (2003).
- Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat. Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).
- Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals. Scientific Reports. 4, (2014).
- Maher, M., Pine, J., Wright, J., Tai, Y. -C. The neurochip: a new multielectrode device for stimulating and recording from cultured neurons. Journal of Neuroscience. 87 (1), 45-56 (1999).
- Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays. Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).
- Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys. Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).
- Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. Connecting brains to robots: an artificial body for studying the computational properties of neural tissues. Artificial Life. 6 (4), 307-324 (2000).
- Hales, C. M., Roston, J. D., Potter, S. M. How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs). Journal of Visualized Experiments. (39), 2056 (2010).
- Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro. Neurosci Lett. 6 (2), 101-105 (1977).
- Potter, S. M., DeMarse, T. B. A new approach to neural cell culture for long-term studies. Journal of Neuroscience Methods. 110 (1), 17-24 (2001).
- le Feber, J., Stegenga, J., Rutten, W. L. The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons. PLoS One. 5 (1), e8871 (2010).
- Marom, S., Shahaf, G. Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy. Quarterly reviews of biophysics. 35 (1), 63-87 (2002).
- Shahaf, G., Marom, S.
- Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. Dynamics and plasticity in developing neuronal networks in vitro. Progress in Brain Research. 147, 171-188 (2005).
- Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development. Brain Research. 1093 (1), 41-53 (2006).
- Tateno, T., Jimbo, Y., Robinson, H. Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity. Neuroscience. 134 (2), 425-437 (2005).
- Masquelier, T., Deco, G. Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism. PLoS One. 8 (10), e75824 (2013).
- Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation. The Journal of Neuroscience. 25 (3), 680-688 (2005).
- Martinoia, S., et al. Towards an embodied in vitro electrophysiology: the NeuroBIT project. Neurocomputing. 58-60, 1065-1072 (2004).
- Mussa-Ivaldi, F. A., et al. New perspectives on the dialogue between brains and machines. Frontiers in Neuroscience. 4 (1), 44 (2010).
- Warwick, K., et al. Controlling a Mobile Robot with a Biological Brain. Defence Science Journal. 60 (1), (2010).
- Kudoh, S. N., et al. Vitroid–the robot system with an interface between a living neuronal network and outer world. International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).
- Jimbo, Y., Tateno, T., Robinson, H. Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons. Biophysical Journal. 76 (2), 670-678 (1999).
- Chiappalone, M., Massobrio, P., Martinoia, S.
- Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. A simulated neuro-robotic environment for bi-directional closed-loop experiments. Paladyn. 1 (3), 179-186 (2010).
- Novellino, A., et al. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).
- Bologna, L. L., et al. Investigating neuronal activity by SPYCODE multichannel data analyzer. Neural Networks. 23 (6), 685-697 (2010).
- Frega, M., et al. Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing. Neurotoxicology and Teratology. 34 (1), 116-127 (2012).
- Quian Quiroga, R., Panzeri, S. Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience. 10 (3), 173-185 (2009).
- Donoho, D. L., Johnstone, J. M. Ideal spatial adaptation by wavelet shrinkage. Biometrika. 81 (3), 425-455 (1994).
- Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R.
- Wagenaar, D. A., Pine, J., Potter, S. M. Effective parameters for stimulation of dissociated cultures using multi-electrode arrays. Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).
- Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).
- Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines. Frontiers in Neural Circuits. 6, (2012).
- Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).
- Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays. Frontiers in Neuroengineering. 6, 10 (2013).
- Gal, A., Marom, S. Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input. Journal of Neuroscience. 33 (18), 7912-7918 (2013).
- Mainen, Z. F., Sejnowski, T. J. Reliability of spike timing in neocortical neurons. Science. 268 (5216), 1503-1506 (1995).
- Maccione, A., et al. A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals. Journal of neuroscience methods. 177 (1), 241-249 (2009).
- DeMarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. The neurally controlled animat: biological brains acting with simulated bodies. Autonomous Robots. 11 (3), 305-310 (1023).
- Bakkum, D. J., Chao, Z. C., Potter, S. M. Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task. Journal of Neural Engineering. 5 (3), 310-323 (2008).
- Truccolo, W., Hochberg, L. R., Donoghue, J. P. Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes. Nature Neuroscience. 13 (1), 105-111 (2010).
