Un nuevo método de visualización ayuda a dar sentido a grandes conjuntos de datos de actividad neuronal

Los recientes avances tecnológicos abrieron interesantes posibilidades para la neurociencia, permitiendo la recopilación de datos neuronales cada vez más detallados. Sin embargo, hasta ahora ha resultado más difícil dar sentido a la gran cantidad de registros neuronales recopilados por neurocientíficos de todo el mundo.

Investigadores del Campus de Investigación Janelia del Instituto Médico Howard Hughes (HHMI) han desarrollado Rastermap, un nuevo método computacional que podría ayudar a visualizar mejor las grabaciones recopiladas de muchas neuronas a la vez. Este método, descrito en un artículo publicado en Neurociencia de la naturalezase aplicó inicialmente a grabaciones obtenidas de la corteza cerebral de ratones y monos, del hipocampo de ratas, del cerebro de pez cebra e incluso de neuronas artificiales de redes neuronales.

«Hace unos 10 años, comenzamos a tener acceso a conjuntos de datos mucho más grandes de cientos, miles y, a veces, decenas de miles de neuronas registradas simultáneamente», dijo a Medical Xpress Marius Pachitariu, autor principal del artículo.

«Esto fue motivado por la comprensión de que necesitamos observar muchas neuronas ‘trabajando juntas’ al mismo tiempo en un circuito para comprender realmente algunas de las características fundamentales de la computación neuronal. Los ingenieros trabajaron con neurocientíficos para crear los tipos de dispositivos de grabación que pueden «Monitorear la actividad neuronal de esta manera y los expertos en computación crearon herramientas para procesar estas grandes cantidades de datos».

Las colaboraciones interdisciplinarias entre neurocientíficos e ingenieros han dado lugar a la recopilación de innumerables registros neuronales, en los que a menudo se detecta simultáneamente la actividad de muchas neuronas. En estas grabaciones, cada neurona individual tiene sus propios patrones de actividad distintos que se desarrollan a lo largo del tiempo y que normalmente constan de decenas de miles de puntos de datos por neurona.

«En estas grabaciones, cada neurona constituye una dimensión de actividad neuronal en un espacio neuronal, y cuando tienes 10.000 neuronas tienes 10.000 dimensiones», explicó Pachitariu. «El problema es que no somos muy buenos visualizando la actividad neuronal en espacios tan dimensionales. Esa fue la motivación para crear Rastermap».

El objetivo clave del reciente estudio de Pachitariu y sus colegas fue desarrollar un método de visualización que permita a los neurocientíficos producir fácilmente gráficos de aspecto familiar (es decir, gráficos rasterizados), que mapean claramente grandes cantidades de datos de múltiples neuronas. El método que desarrollaron, llamado Rastermap, se basa principalmente en un algoritmo de ordenación.

«Supongamos que tienes 20 conos y tienes que ordenarlos según su similitud», dijo Pachitariu. «Primero puedes notar que son de diferentes tamaños, por lo que los ordenas en función de eso.

«Es bastante fácil, pero luego te das cuenta de que también son diferentes colores aleatorios y que también se verían bien ordenados por color. Entonces, ajustas el orden un poco para poner más colores similares uno al lado del otro, pero luego te das cuenta de que también tienen formas ligeramente diferentes (p. ej., algunas son más planas y otras más puntiagudas) y usted realmente desea tener eso en cuenta también, por lo que cambia aún más el orden.

«Ahora, en lugar de 20 conos con propiedades de tamaño, color y relación de aspecto, tenemos 50.000 neuronas con propiedades más abstractas, como tasas de activación, respuestas a estímulos externos, correlaciones con los movimientos del animal, etc.»

Rastermap toma propiedades de neuronas individuales e intenta ordenarlas de manera que tengan sentido. Su algoritmo subyacente procesa datos de manera similar a cómo los humanos ordenarían los conos en la analogía mencionada anteriormente. A partir de un orden aleatorio, el algoritmo desplaza continuamente las neuronas, colocándolas más cerca de otras neuronas con patrones de actividad similares.

«Rastermap continúa este proceso durante muchas iteraciones, utilizando algoritmos ligeramente inteligentes, y al final se obtiene un buen orden», dijo Pachitariu. «Finalmente, lo que hacemos con este orden es lo más importante: utilizamos el orden para mostrar las tasas de activación de las neuronas en una matriz, donde tomamos el rastro de activación de cada neurona en función del tiempo (un largo rastro horizontal a través de la matriz para cada neurona) y las movimos según el orden, de modo que las neuronas con rastros similares estén una al lado de la otra».

En última instancia, Rastermap produce un gráfico ordenado, donde grupos de neuronas con perfiles de actividad similares se colocan uno al lado del otro. Esto permite a los investigadores dar sentido rápidamente a datos neuronales densos y extensos, lo que a su vez puede conducir a nuevos descubrimientos interesantes.

«Nuestro método de visualización funciona bien porque las neuronas en el cerebro no son completamente independientes unas de otras: comparten ciertos patrones de actividad, pero a menudo los patrones que comparten no son con sus neuronas más cercanas en el tejido, sino con neuronas relativamente lejanas que tienen una actividad similar», dijo Pachitariu.

«También funciona bien porque las neuronas individuales tienden a ser bastante ruidosas, por lo que simplemente mirar una de ellas de forma aislada no te permite ‘ver’ las respuestas a un estímulo o comportamiento específico, pero cuando tienes entre 20 y 50 de estas neuronas con patrones similares, su promedio es mucho más fácil de ver en un solo ensayo «.

Como parte de su artículo reciente, Pachitariu y sus colegas utilizaron su método para visualizar datos recopilados en estudios anteriores, incluidos registros simultáneos de múltiples neuronas en la corteza del ratón, así como neuronas registradas en todo el cerebro del pez cebra.

En ambos casos, Rastermap pareció presentar los resultados reportados anteriormente de maneras más claras y visualmente más atractivas. Los investigadores también comenzaron a utilizar Rastermap en otros estudios realizados en su laboratorio, que arrojaron nuevos resultados interesantes.

«Creemos que Rastermap será cada vez más útil a medida que los científicos registren más y más neuronas, lo que seguramente sucederá», dijo Pachitariu. «Esperamos que apoye un enfoque científico basado en descubrimientos, que tradicionalmente ha sido un fuerte impulsor del progreso en neurociencia, simplemente porque a menudo no sabemos qué propiedades neuronales buscar y nos topamos con propiedades neuronales interesantes principalmente por accidente. .

«Rastermap te ofrece la oportunidad de realizar ese tipo de investigación en la era de los registros neuronales a gran escala».

El nuevo método de visualización introducido por este equipo de investigadores pronto podría ser utilizado por otros neurocientíficos de todo el mundo para dar sentido a grandes conjuntos de datos que rastrean la actividad de varias neuronas simultáneamente. Esto podría ayudar a recopilar nuevos conocimientos sobre la función de neuronas específicas, así como sobre las conexiones entre diferentes partes del cerebro.

«Posiblemente algún día, cuando las grabaciones a gran escala lleguen a los entornos clínicos, Rastermap podría permitir a los científicos leer e interpretar los patrones de actividad neuronal en el cerebro humano, por ejemplo, para hacer que cosas como BCI sean más efectivas y más fácilmente interpretables», dijo Pachitariú.

Aprovechando sus esfuerzos recientes, Pachitariu y sus colegas están trabajando ahora para desarrollar más técnicas de visualización que podrían hacer avanzar la investigación en neurociencia. Al mismo tiempo, están probando los métodos que desarrollaron en colaboración con neurocientíficos e investigadores médicos en el Campus de Investigación Janelia del HHMI.

«Para citar a un reciente premio Nobel: para trabajar con espacios de 14 dimensiones (o mucho más grandes), visualiza (en tu cabeza) un espacio tridimensional y di 14 en voz muy alta», añade Pachitariu. «Esto es aún mucho más difícil cuando se necesita visualizar un espacio de 50.000 dimensiones, por lo que necesitamos métodos para abarcar desde espacios que no podemos visualizar intuitivamente hasta espacios que sí podemos.

«Y debemos asegurarnos de no ‘tirar el bebé junto con el agua de la bañera’, por así decirlo, cuando hacemos estas simplificaciones, porque la forma más fácil de simplificar es simplemente descartar la mayoría de los datos. Eso es lo que PCA hace para Los datos neuronales, por ejemplo, son un algoritmo de reducción de dimensionalidad simple y popular, pero probablemente necesitemos ir más allá «.

Proporcionado por Ciencia X

© 2024 Red Ciencia X