30 de julio de 2021
El McKnight Endowment Fund for Neuroscience (MEFN) anunció los tres beneficiarios de $600,000 en subvenciones a través de los premios McKnight Technological Innovations in Neuroscience Awards 2021, reconociendo estos proyectos por su capacidad para cambiar fundamentalmente la forma en que se lleva a cabo la investigación en neurociencia. Cada uno de los proyectos recibirá un total de $200.000 durante los próximos dos años, avanzando en el desarrollo de estas tecnologías innovadoras utilizadas para mapear, monitorear y modelar la función cerebral. Los premiados de 2021 son:
- Timothy Dunn, Ph.D., de la Universidad de Duke, que está trabajando en un sistema para capturar el movimiento corporal de sujetos utilizando mediciones 3D (en lugar de mediciones de píxeles 2D) combinando múltiples cámaras de video y un nuevo algoritmo de aprendizaje automático. El método permite el seguimiento de alta resolución de partes del cuerpo pequeñas y discretas en animales que se comportan libremente, permite el estudio en un espacio naturalista e incluso puede rastrear múltiples animales que interactúan socialmente, una combinación de características que no están disponibles en los sistemas actuales.
- Jeffrey Kieft, Ph.D., de la Facultad de Medicina de la Universidad de Colorado, quien está desarrollando una forma de diseñar ARN para crear una forma de protección que pueda reducir la velocidad a la que las enzimas destruyen el ARNm. De esta forma, los investigadores podrían gestionar la abundancia de proteínas de ARNm específicas en las células, útiles para estudiar y posiblemente incluso tratar determinados trastornos.
- Suhasa Kodandaramaiah, Ph.D., de la Universidad de Minnesota Twin Cities, que está utilizando sistemas robóticos para permitir un seguimiento más sólido de la actividad cerebral en animales que se mueven libremente. Al utilizar la robótica para mover el hardware a lo largo de múltiples ejes en sincronía con el animal, este enfoque permite el uso de sistemas de monitoreo más grandes, más potentes y de mayor resolución que las versiones miniaturizadas que a menudo se usan para experimentos con animales que se mueven libremente.
Obtenga más información sobre cada uno de estos proyectos de investigación a continuación.
Acerca de los Premios a las innovaciones tecnológicas en neurociencia
Desde que se estableció el Premio McKnight a las Innovaciones Tecnológicas en Neurociencia en 1999, el MEFN ha contribuido con más de $15 millones a tecnologías innovadoras para la neurociencia a través de este mecanismo de premio. El MEFN está especialmente interesado en trabajos que adopten enfoques nuevos y novedosos para mejorar la capacidad de manipular y analizar la función cerebral. En última instancia, las tecnologías desarrolladas con el apoyo de McKnight deben ponerse a disposición de otros científicos.
"Una vez más, ha sido emocionante ver el ingenio que nuestros solicitantes están aportando a las nuevas neurotecnologías", dijo Markus Meister, Ph.D., presidente del comité de premios y profesor de ciencias biológicas Anne P. y Benjamin F. Biaggini. en Caltech. “Este año, nos enfrentamos a una decisión difícil entre muchos desarrollos interesantes, y nuestros premios abarcan una amplia gama, desde un exoesqueleto robótico para respaldar el registro neuronal en roedores, hasta el control molecular de la expresión genética precisa y algoritmos para el seguimiento 3D del comportamiento animal. "
El comité de selección de este año también incluyó a Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting y Hongkui Zeng, quienes eligieron los premios a las innovaciones tecnológicas en neurociencia de este año entre un grupo altamente competitivo de 73 solicitantes.
Las cartas de intención para los Premios a las Innovaciones Tecnológicas en Neurociencia 2022 vencen el lunes 6 de diciembre de 2021. En agosto se publicará un anuncio sobre el proceso de 2022. Hacer clic para más información sobre los premios.
Premios McKnight a las innovaciones tecnológicas en neurociencia 2021
Timothy Dunn, Ph.D., profesor asistente, Departamento de Ingeniería Biomédica, Universidad de Duke
Cuantificación del comportamiento tridimensional multiescala en individuos y grupos sociales
Los métodos actuales para medir el movimiento de animales que se comportan libremente tienen limitaciones: las observaciones muy detalladas de pequeños movimientos de un animal (un solo dígito, por ejemplo) requieren rangos de movimiento restringidos. Estudiar el comportamiento de movimiento libre en el espacio 3D a menudo significa limitar la resolución, tal vez solo rastrear la posición general o confiar en la descripción de un observador. El seguimiento automático de vídeo en animales normalmente requiere un entorno simple y antinatural, y las partes del cuerpo que no son visibles para las cámaras no se rastrean con precisión. Las predicciones de inteligencia artificial (IA) de alta resolución en grandes espacios tridimensionales utilizando representación espacial volumétrica, una técnica desarrollada recientemente para superar estos problemas, requieren una potencia informática masiva. Agregar varios animales para observaciones sociales introduce problemas adicionales.
Como resultado, hay poca disponibilidad de los datos más deseados: seguimiento automático de alta resolución de animales en el espacio 3D que realizan comportamientos naturales, solos o en grupos, y cuantificación de ese movimiento en un formato estandarizado. El Dr. Dunn está trabajando en un nuevo enfoque que pretende acercar ese ideal. Aprovechando lo aprendido de un algoritmo de aprendizaje automático geométrico 3D que su equipo utilizó para mejorar en gran medida la precisión de las predicciones, el Dr. Dunn y su equipo ahora están trabajando en el muestreo adaptativo de imágenes recurrentes (ARIS) que combina imágenes de múltiples cámaras para construir un modelo que Puede medir y predecir la posición del cuerpo en muchas escalas, incluso cuando una parte (como un brazo o un pie) no es directamente visible.
ARIS mejora selectivamente la resolución de características corporales a escala fina y utiliza modelos predictivos basados en lo que sabe de su sujeto (disposición y longitud de las extremidades, cómo se conectan, cómo se mueven, etc.), aprendido primero analizando enormes cantidades de datos de entrenamiento de ratas que se comportan libremente y luego se afinaron utilizando datos de entrenamiento en otras especies, para centrarse en la porción del espacio donde es probable que esté la parte del cuerpo. Esto utiliza mucha menos potencia computacional que las herramientas volumétricas 3D anteriores. En su investigación, el Dr. Dunn implementará ARIS y registrará datos en múltiples escalas, desde la posición general y la postura hasta el movimiento de los rasgos finos de las manos, los pies y la cara. Investigaciones futuras explorarán su eficacia con la interacción de múltiples animales. Esta capacidad de medir el comportamiento de una manera nueva y más precisa tiene amplias implicaciones para el estudio de los trastornos neurológicos que afectan el movimiento, vinculando la actividad cerebral con el comportamiento y estudiando las interacciones sociales.
Jeffrey Kieft, Ph.D., Profesor, Departamento de Bioquímica y Genética Molecular, Facultad de Medicina de la Universidad de Colorado
Una nueva tecnología para controlar el transcriptoma
El ARN mensajero, o ARNm, es reconocido como un actor vital en la vida y la salud de las células. Estas moléculas de ARN son las plantillas para producir proteínas y se crean dentro de las células para llevar instrucciones a la maquinaria de producción de proteínas y luego son destruidas por las enzimas. La totalidad del ARNm que expresa un organismo se denomina "transcriptoma".
Las deficiencias de ARNm y ARN no codificante (ARNnc) están relacionadas con ciertos trastornos neurodegenerativos y del neurodesarrollo. Si hay muy poco de un ARNm o ncRNA específico en el transcriptoma, ciertas funciones celulares pueden degradarse o desactivarse. El Dr. Kieft está explorando una forma novedosa de gestionar el transcriptoma ralentizando la descomposición del ARNm y el ARNnc. Sabiendo que algunas enzimas que destruyen el ARN esencialmente lo “mastican” de un extremo al otro, el Dr. Kieft utilizó su conocimiento de cómo se estructuran y pliegan las moléculas de ARN para crear una pieza diseñada de ARN resistente a exoribonucleasas (xrRNA) que , cuando se introduce en ARNm o ARNnc compatible, se combina y se pliega para formar una estructura de "bloqueo", cambiando literalmente la forma del ARN al insertar una protuberancia que detiene las enzimas en seco.
Al ralentizar la descomposición del ARNm y el ARNnc objetivo, el Dr. Kieft ve la oportunidad de gestionar su abundancia dentro del transcriptoma. Los xrRNA diseñados podrían reconocer solo objetivos específicos, vincularse con ellos y crear protección, de modo que los investigadores puedan aumentar la proporción del objetivo sin cambiar la cantidad que se crea. El enfoque tiene la ventaja de ser menos perjudicial para la célula huésped que el refuerzo no natural del ARNm, y la precisión con la que se puede diseñar xrRNA ofrece la posibilidad de apuntar a múltiples ARN a la vez y posiblemente incluso permitir un ajuste fino mediante la gestión precisa de la tasa de decadencia. El Dr. Kieft ve esta aplicación, nacida de la ciencia básica que estudia el ARN, como una herramienta de investigación potencialmente poderosa para los neurocientíficos, y tal vez incluso la base para terapias en un futuro más lejano.
Suhasa Kodandaramaiah, Ph.D., Profesor asistente Benjamin Mayhugh, Departamento de Ingeniería Mecánica, Universidad de Minnesota Twin Cities
Grabaciones de todo el cerebro asistidas por robots en ratones que se comportan libremente
Los neurocientíficos que estudian la actividad cerebral durante los comportamientos generalmente tienen que hacer una concesión: utilizan sensores neuronales miniaturizados montados en la cabeza que son lo suficientemente livianos como para permitir que el animal sujeto se comporte libremente, pero tienen una resolución más baja o no pueden monitorear todo el cerebro. O utilizan herramientas más potentes, que son demasiado pesadas para los animales sujetos y requieren otras soluciones, como la inmovilización mientras se deja que los animales se muevan en una cinta de correr, o incluso el uso de experiencias de realidad virtual que, sin embargo, limitan el comportamiento de un sujeto.
El Dr. Kodandaramaiah está abordando el desafío con un exoesqueleto craneal robótico que soporta el peso del hardware de monitoreo y grabación neuronal y al mismo tiempo permite al sujeto (en este caso un ratón) rotar su cabeza en los tres grados: un giro completo de 360 grados en el eje de guiñada (rotación horizontal) y aproximadamente 50 grados de movimiento en los ejes de cabeceo y balanceo, mientras se mueve en una arena. El robot tiene tres brazos articulados dispuestos en una configuración triangular, suspendidos sobre el sujeto y que se encuentran en el punto de montaje en la cabeza. Los sensores en el soporte detectarán qué movimiento está haciendo el mouse y dirigirán al robot para permitir el movimiento con la menor fuerza de resistencia posible, permitiendo que el mouse gire y se mueva dentro de una arena típicamente utilizada para experimentos de neurociencia con todo el equipo sensorial necesario y cables de los implantes soportados por el robot.
Eliminar la necesidad de miniaturización permite a los investigadores utilizar cualquier hardware de última generación disponible, lo que significa que, en teoría, un robot puede actualizarse para utilizar la última tecnología poco después de su introducción. Para llegar a ese punto, el equipo del Dr. Kodandaramaiah seguirá varios pasos: diseñar el exoesqueleto; diseñar el escenario principal con los sensores necesarios, además de electrodos y cámaras de alta densidad para la observación externa de ojos, bigotes y más; realizar pruebas de banco; sintonizar el robot con las entradas que puede realizar un ratón; determinar cómo introducir sondas; y finalmente realizar la grabación en vivo. Con esta base mecánica, el Dr. Kodandaramaiah espera ayudar a los investigadores a acercarse al estado en el que puedan realizar registros neuronales detallados de todo el cerebro de sujetos que se comportan libremente durante largos períodos de tiempo.
