30. Juli 2021
Der McKnight Endowment Fund for Neuroscience (MEFN) gab die drei Empfänger von $600.000 an Zuschüssen durch die McKnight Technological Innovations in Neuroscience Awards 2021 bekannt und würdigte diese Projekte für ihre Fähigkeit, die Art und Weise, wie neurowissenschaftliche Forschung betrieben wird, grundlegend zu verändern. Jedes der Projekte erhält in den nächsten zwei Jahren insgesamt $200.000, um die Entwicklung dieser bahnbrechenden Technologien zur Kartierung, Überwachung und Modellierung der Gehirnfunktion voranzutreiben. Die Preisträger 2021 sind:
- Timothy Dunn, Ph.D., Duke University, der an einem System zur Erfassung der Körperbewegungen von Probanden mit 3D-Messungen (anstelle von 2D-Pixelmessungen) arbeitet, indem mehrere Videokameras und ein neuer Algorithmus für maschinelles Lernen kombiniert werden. Das Verfahren ermöglicht die hochauflösende Verfolgung kleiner, diskreter Körperteile bei sich frei verhaltenden Tieren, ermöglicht das Studium im naturnahen Raum und kann sogar mehrere sozial interagierende Tiere verfolgen, eine Kombination von Funktionen, die in aktuellen Systemen nicht verfügbar sind.
- Jeffrey Kieft, Ph.D., von der University of Colorado School of Medicine, der einen Weg zur Entwicklung von RNA entwickelt, um eine Form des Schutzes zu schaffen, die die Geschwindigkeit reduzieren kann, mit der mRNA durch Enzyme zerstört wird. Auf diese Weise könnten die Forscher die Fülle an spezifischen mRNA-Proteinen in Zellen steuern, die für die Untersuchung und möglicherweise sogar die Behandlung bestimmter Erkrankungen nützlich sind.
- Suhasa Kodandaramaiah, Ph.D., von der University of Minnesota Twin Cities, der Robotersysteme einsetzt, um eine robustere Verfolgung der Gehirnaktivität bei sich frei bewegenden Tieren zu ermöglichen. Durch die Robotik, um die Hardware entlang mehrerer Achsen synchron mit dem Tier zu bewegen, ermöglicht dieser Ansatz den Einsatz größerer, leistungsstärkerer und höher auflösender Überwachungssysteme als die miniaturisierten Versionen, die häufig für Experimente an frei beweglichen Tieren verwendet werden.
Erfahren Sie im Folgenden mehr über jedes dieser Forschungsprojekte.
Über die technologischen Innovationen in den Neurowissenschaften
Seit der Einführung des McKnight Technological Innovations in Neuroscience Award im Jahr 1999 hat das MEFN über diesen Preismechanismus mehr als $15 Millionen zu innovativen Technologien für die Neurowissenschaften beigetragen. Das MEFN ist besonders an Arbeiten interessiert, die neue und neuartige Ansätze verfolgen, um die Fähigkeit zur Manipulation und Analyse der Gehirnfunktion zu verbessern. Technologien, die mit McKnight-Unterstützung entwickelt wurden, müssen letztlich anderen Wissenschaftlern zur Verfügung gestellt werden.
„Es war wieder eine Freude zu sehen, mit welchem Einfallsreichtum unsere Bewerber neue Neurotechnologien einbringen“, sagte Dr. Markus Meister, Vorsitzender des Preiskomitees und Anne P. und Benjamin F. Biaggini-Professor für Biowissenschaften bei Caltech. „In diesem Jahr standen wir unter vielen aufregenden Entwicklungen vor einer schwierigen Wahl, und unsere Auszeichnungen umfassen ein breites Spektrum, von einem Roboter-Exoskelett zur Unterstützung der neuronalen Aufzeichnung bei Nagetieren über die molekulare Kontrolle der genauen Genexpression bis hin zu Algorithmen für die 3D-Nachverfolgung von Tierverhalten. ”
Zur diesjährigen Auswahlkommission gehörten auch Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting und Hongkui Zeng, die aus 73 Bewerbern die diesjährigen Technological Innovations in Neuroscience Awards ausgewählt haben.
Absichtserklärungen für die 2022 Technological Innovations in Neuroscience Awards sind am Montag, den 6. Dezember 2021, fällig. Eine Ankündigung zum 2022-Prozess wird im August veröffentlicht. Klicken für weitere Informationen zu den Auszeichnungen.
2021 McKnight Technological Innovations in Neuroscience Awards
Timothy Dunn, Ph.D., Assistant Professor, Department of Biomedical Engineering, Duke University
Mehrskalige dreidimensionale Verhaltensquantifizierung bei Individuen und sozialen Gruppen
Aktuelle Methoden zur Bewegungsmessung von frei verhaltenden Tieren haben Grenzen: Sehr detaillierte Beobachtungen kleiner Bewegungen eines Tieres (z. B. einer einzelnen Ziffer) erfordern eingeschränkte Bewegungsbereiche. Die Untersuchung des frei beweglichen Verhaltens im 3D-Raum bedeutet oft, die Auflösung zu begrenzen, vielleicht nur die Gesamtposition zu verfolgen oder sich auf die Beschreibung eines Beobachters zu verlassen. Die automatische Videoverfolgung bei Tieren erfordert normalerweise eine unnatürliche, einfache Umgebung, und Körperteile, die für Kameras nicht sichtbar sind, werden nicht genau verfolgt. Hochauflösende Vorhersagen der Künstlichen Intelligenz (KI) über große dreidimensionale Räume mit volumetrischer räumlicher Darstellung, einer kürzlich entwickelten Technik, um diese Probleme zu überwinden, erfordern enorme Rechenleistung. Das Hinzufügen mehrerer Tiere für soziale Beobachtungen führt zu zusätzlichen Problemen.
Infolgedessen sind die begehrtesten Daten nur unzureichend verfügbar: Hochauflösende, automatische Verfolgung von Tieren im 3D-Raum, die allein oder in Gruppen natürliche Verhaltensweisen ausführen, und Quantifizierung dieser Bewegung in einem standardisierten Format. Dr. Dunn arbeitet an einem neuen Ansatz, der diesem Ideal näher kommen soll. Aufbauend auf den Erkenntnissen aus einem geometrischen 3D-Maschinenlernalgorithmus, den sein Team verwendet hat, um die Genauigkeit von Vorhersagen erheblich zu verbessern, arbeiten Dr. Dunn und sein Team jetzt an adaptiver rekurrenter Bildabtastung (ARIS), die Bilder von mehreren Kameras kombiniert, um ein Modell zu erstellen, das kann die Körperposition auf vielen Skalen messen und vorhersagen, selbst wenn ein Teil (wie ein Arm oder Fuß) nicht direkt sichtbar ist.
ARIS verbessert selektiv die Auflösung feinskaliger Körpermerkmale und verwendet prädiktive Modellierung basierend auf dem, was es über sein Objekt weiß (Anordnung und Länge der Gliedmaßen, wie sie verbunden sind, wie sie sich bewegen usw.) – zuerst durch das Analysieren enormer Mengen gelernt von Trainingsdaten von frei verhaltenden Ratten und dann mit Trainingsdaten anderer Arten verfeinert – um sich auf den Raumabschnitt zu konzentrieren, in dem sich der Körperteil wahrscheinlich befindet. Dies verbraucht weit weniger Rechenleistung als frühere volumetrische 3D-Tools. In seiner Forschung wird Dr. Dunn ARIS implementieren und Daten in mehreren Maßstäben aufzeichnen, von der Gesamtposition und Körperhaltung bis hin zur Bewegung feiner Merkmale der Hände, Füße und des Gesichts. Weitere Forschung wird seine Wirksamkeit bei der Interaktion mehrerer Tiere untersuchen. Diese Fähigkeit, Verhalten auf neue, präzisere Weise zu messen, hat weitreichende Auswirkungen auf die Untersuchung neurologischer Störungen, die die Bewegung beeinträchtigen, die Gehirnaktivität mit dem Verhalten in Verbindung bringen und soziale Interaktionen untersuchen.
Jeffrey Kieft, Ph.D., Professor, Department of Biochemistry and Molecular Genetics, University of Colorado School of Medicine
Eine neue Technologie zur Kontrolle des Transkriptoms
Messenger-RNA oder mRNA wird als ein wichtiger Akteur für das Leben und die Gesundheit von Zellen angesehen. Diese RNA-Moleküle sind die Matrizen für die Proteinherstellung und werden in den Zellen erzeugt, um Anweisungen an die Proteinherstellungsmaschinerie zu übertragen, und werden dann von Enzymen zerstört. Die Gesamtheit der mRNA, die ein Organismus exprimiert, wird als „Transkriptom“ bezeichnet.
Mängel an mRNA und nicht-kodierender RNA (ncRNA) werden mit bestimmten neurodegenerativen und neurologischen Entwicklungsstörungen in Verbindung gebracht. Wenn im Transkriptom zu wenig einer bestimmten mRNA oder ncRNA vorhanden ist, können bestimmte Zellfunktionen abgebaut oder deaktiviert werden. Dr. Kieft erforscht einen neuartigen Weg, das Transkriptom zu steuern, indem der Zerfall von mRNA und ncRNA verlangsamt wird. Da Dr. Kieft wusste, dass einige Enzyme, die die RNAs zerstören, sie im Wesentlichen von einem Ende zum anderen „zerkauen“, nutzte Dr. Kieft sein Verständnis der Struktur und Faltung von RNA-Molekülen, um ein manipuliertes Stück Exoribonuklease-resistenter RNA (xrRNA) zu schaffen, das , wenn es in kompatible mRNA oder ncRNA eingeführt wird, kombiniert und faltet sich zu einer „blockierenden“ Struktur, wodurch die Form der RNA buchstäblich verändert wird, indem ein Vorsprung eingefügt wird, der die Enzyme in ihren Bahnen stoppt.
Durch die Verlangsamung des Zerfalls der Ziel-mRNA und ncRNA sieht Dr. Kieft die Möglichkeit, deren Häufigkeit innerhalb des Transkriptoms zu steuern. Entwickelte xrRNAs könnten nur bestimmte Ziele erkennen, sich mit ihnen verbinden und den Schutz schaffen, sodass Forscher den Anteil des Ziels erhöhen können, ohne die Menge zu ändern, die erzeugt wird. Der Ansatz hat den Vorteil, dass er für die Wirtszelle weniger störend ist als die unnatürliche Steigerung der mRNA, und die Präzision, mit der xrRNA konstruiert werden kann, bietet das Potenzial, mehrere RNAs gleichzeitig anzugreifen und möglicherweise sogar eine Feinabstimmung durch präzises Steuern der Geschwindigkeit von Verfall. Dr. Kieft sieht in dieser Anwendung, die aus der Grundlagenforschung zur Erforschung von RNA hervorgegangen ist, ein potenziell leistungsfähiges Forschungswerkzeug für Neurowissenschaftler und vielleicht sogar die Grundlage für Therapien in fernerer Zukunft.
Suhasa Kodandaramaiah, Ph.D., Benjamin Mayhugh Assistant Professor, Department of Mechanical Engineering, University of Minnesota Twin Cities
Robotergestützte hirnweite Aufzeichnungen bei frei verhaltenden Mäusen
Neurowissenschaftler, die die Gehirnaktivität während des Verhaltens untersuchen, müssen normalerweise einen Kompromiss eingehen: Sie verwenden miniaturisierte neuronale Sensoren am Kopf, die leicht genug sind, damit sich ein Tier frei verhalten kann, aber eine niedrigere Auflösung haben oder nicht das gesamte Gehirn überwachen können. Oder sie verwenden leistungsfähigere Werkzeuge, die für die Versuchstiere viel zu schwer sind und andere Lösungen erfordern, wie die Immobilisierung beim Laufenlassen der Tiere auf einem Laufband oder sogar Virtual-Reality-Erfahrungen, die das Verhalten eines Versuchsobjekts dennoch einschränken.
Dr. Kodandaramaiah stellt sich der Herausforderung mit einem robotischen kranialen Exoskelett, das das Gewicht der neuralen Aufzeichnungs- und Überwachungshardware trägt, während es dem Probanden (in diesem Fall einer Maus) immer noch erlaubt, seinen Kopf um alle drei Grad zu drehen: eine volle 360-Grad-Drehung im Gierachse (horizontale Rotation) und etwa 50 Grad Bewegung in der Nick- und Rollachse, während man sich in einer Arena bewegt. Der Roboter hat drei gelenkige Arme, die in einer dreieckigen Konfiguration angeordnet sind, über dem Objekt aufgehängt sind und sich an der Befestigungsstelle am Kopf treffen. Sensoren in der Halterung erkennen, welche Bewegung die Maus ausführt und lenken den Roboter, um die Bewegung mit so wenig Widerstand wie möglich zu ermöglichen, sodass sich die Maus in einer Arena drehen und bewegen kann, die typischerweise für neurowissenschaftliche Experimente mit allen notwendigen sensorischen Geräten verwendet wird, und Drähte von den vom Roboter getragenen Implantaten.
Der Verzicht auf Miniaturisierung ermöglicht es Forschern, jede verfügbare State-of-the-Art-Hardware zu verwenden, was bedeutet, dass ein Roboter theoretisch schon kurz nach seiner Einführung auf die neueste Technologie aufgerüstet werden kann. Um an diesen Punkt zu gelangen, wird das Team von Dr. Kodandaramaiah mehrere Schritte durchlaufen – die Entwicklung des Exoskeletts; Entwicklung der Kopfbühne mit den erforderlichen Sensoren sowie hochdichten Elektroden und Kameras für die externe Beobachtung von Augen, Schnurrhaaren und mehr; Durchführen von Benchtop-Tests; Abstimmen des Roboters auf die Eingaben, die eine Maus liefern kann; Bestimmen, wie Sonden eingeführt werden; und schließlich Live-Aufnahmen machen. Mit dieser mechanischen Untermauerung hofft Dr. Kodandaramaiah, den Forschern dabei zu helfen, dem Zustand näher zu kommen, in dem sie detaillierte neuronale Aufzeichnungen über das gesamte Gehirn von sich frei verhaltenden Probanden über lange Zeiträume hinweg erstellen können.
