30 juillet 2021
Le McKnight Endowment Fund for Neuroscience (MEFN) a annoncé les trois récipiendaires de $600 000 de subventions dans le cadre des prix McKnight Technological Innovations in Neuroscience Awards 2021, reconnaissant ces projets pour leur capacité à changer fondamentalement la façon dont la recherche en neurosciences est menée. Chacun des projets recevra un total de $200 000 au cours des deux prochaines années, faisant ainsi progresser le développement de ces technologies révolutionnaires utilisées pour cartographier, surveiller et modéliser la fonction cérébrale. Les lauréats 2021 sont :
- Timothy Dunn, Ph.D., de l'Université Duke, qui travaille sur un système pour capturer le mouvement corporel des sujets en utilisant des mesures 3D (plutôt que des mesures de pixels 2D) en combinant plusieurs caméras vidéo et un nouvel algorithme d'apprentissage automatique. La méthode permet un suivi à haute résolution de petites parties du corps discrètes chez des animaux au comportement libre, permet une étude dans un espace naturaliste et peut même suivre plusieurs animaux interagissant socialement, une combinaison de fonctionnalités non disponibles dans les systèmes actuels.
- Jeffrey Kieft, Ph.D., de la faculté de médecine de l'Université du Colorado, qui développe un moyen de concevoir l'ARN pour créer une forme de protection qui peut réduire la vitesse à laquelle l'ARNm est détruit par les enzymes. De cette façon, les chercheurs seraient en mesure de gérer l'abondance de protéines d'ARNm spécifiques dans les cellules, utiles pour étudier et peut-être même traiter certains troubles.
- Suhasa Kodandaramaiah, Ph.D., de l'Université du Minnesota Twin Cities, qui utilise des systèmes robotiques pour permettre un suivi plus robuste de l'activité cérébrale chez les animaux en mouvement libre. En utilisant la robotique pour déplacer le matériel le long de plusieurs axes en synchronisation avec l'animal, cette approche permet l'utilisation de systèmes de surveillance plus grands, plus puissants et à plus haute résolution que les versions miniaturisées souvent utilisées pour les expériences sur des animaux se déplaçant librement.
Apprenez-en plus sur chacun de ces projets de recherche ci-dessous.
À propos des prix des innovations technologiques en neurosciences
Depuis la création du McKnight Technological Innovations in Neuroscience Award en 1999, le MEFN a contribué plus de $15 millions aux technologies innovantes pour les neurosciences grâce à ce mécanisme de récompense. Le MEFN s'intéresse particulièrement aux travaux qui adoptent des approches nouvelles et novatrices pour faire progresser la capacité de manipuler et d'analyser la fonction cérébrale. Les technologies développées avec le soutien de McKnight doivent finalement être mises à la disposition d'autres scientifiques.
« Encore une fois, ce fut un plaisir de voir l'ingéniosité que nos candidats apportent aux nouvelles neurotechnologies », a déclaré Markus Meister, Ph.D., président du comité des prix et professeur de sciences biologiques Anne P. et Benjamin F. Biaggini chez Caltech. « Cette année, nous avons été confrontés à un choix difficile parmi de nombreux développements passionnants, et nos récompenses couvrent un large éventail, allant d'un exosquelette robotique pour prendre en charge l'enregistrement neuronal chez les rongeurs, au contrôle moléculaire de l'expression précise des gènes, aux algorithmes de suivi 3D du comportement animal. "
Le comité de sélection de cette année comprenait également Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting et Hongkui Zeng, qui ont choisi les prix Innovations technologiques en neurosciences de cette année parmi un bassin très compétitif de 73 candidats.
Les lettres d'intention pour les 2022 Innovations technologiques en neurosciences sont attendues le lundi 6 décembre 2021. Une annonce concernant le processus 2022 sera publiée en août. Cliquez sur pour plus d'informations sur les récompenses.
Prix McKnight des innovations technologiques en neurosciences 2021
Timothy Dunn, Ph.D., professeur adjoint, département de génie biomédical, Duke University
Quantification comportementale tridimensionnelle à plusieurs échelles chez les individus et les groupes sociaux
Les méthodes actuelles de mesure du mouvement des animaux se comportant librement ont des limites : des observations très détaillées de petits mouvements d'un animal (un seul chiffre, par exemple) nécessitent des amplitudes de mouvement restreintes. Étudier le comportement en mouvement libre dans l'espace 3D signifie souvent limiter la résolution, peut-être uniquement suivre la position globale ou se fier à la description d'un observateur. Le suivi vidéo automatique chez les animaux nécessite généralement un environnement non naturel et simple, et les parties du corps non visibles par les caméras ne sont pas suivies avec précision. Les prédictions d'intelligence artificielle (IA) à haute résolution sur de grands espaces tridimensionnels à l'aide de la représentation spatiale volumétrique, une technique récemment développée pour surmonter ces problèmes, nécessitent une puissance de calcul massive. L'ajout de plusieurs animaux pour les observations sociales introduit des problèmes supplémentaires.
En conséquence, il y a une faible disponibilité des données les plus recherchées : haute résolution, suivi automatique des animaux dans l'espace 3D exécutant des comportements naturels, seuls ou en groupe, et quantification de ce mouvement dans un format standardisé. Le Dr Dunn travaille sur une nouvelle approche qui vise à rapprocher cet idéal. S'appuyant sur les enseignements d'un algorithme d'apprentissage automatique géométrique 3D que son équipe a utilisé pour améliorer considérablement la précision des prédictions, le Dr Dunn et son équipe travaillent maintenant sur l'échantillonnage d'images récurrent adaptatif (ARIS) qui combine les images de plusieurs caméras pour créer un modèle qui peut mesurer et prédire la position du corps sur de nombreuses échelles, même lorsqu'une partie (comme un bras ou un pied) n'est pas directement visible.
ARIS améliore sélectivement la résolution des caractéristiques corporelles à petite échelle et utilise une modélisation prédictive basée sur ce qu'il sait de son sujet (disposition et longueur des membres, comment ils sont connectés, comment ils se déplacent, etc.) - appris d'abord en analysant d'énormes quantités des données d'entraînement de rats au comportement libre, puis affinées en utilisant les données d'entraînement d'autres espèces - pour se concentrer sur la partie de l'espace où la partie du corps est susceptible de se trouver. Cela utilise beaucoup moins de puissance de calcul que les outils volumétriques 3D précédents. Dans ses recherches, le Dr Dunn mettra en œuvre ARIS et enregistrera des données à plusieurs échelles, depuis la position et la posture globales jusqu'au mouvement des traits fins des mains, des pieds et du visage. D'autres recherches exploreront son efficacité avec plusieurs animaux interagissant. Cette capacité à mesurer le comportement d'une manière nouvelle et plus précise a de vastes implications pour l'étude des troubles neurologiques qui affectent le mouvement, en liant l'activité cérébrale au comportement et en étudiant les interactions sociales.
Jeffrey Kieft, Ph.D., Professeur, Département de biochimie et de génétique moléculaire, Faculté de médecine de l'Université du Colorado
Une nouvelle technologie pour contrôler le transcriptome
L'ARN messager, ou ARNm, est reconnu comme un acteur essentiel de la vie et de la santé des cellules. Ces molécules d'ARN sont les modèles pour fabriquer des protéines et sont créées dans les cellules pour transmettre des instructions à la machinerie de fabrication de protéines, puis sont détruites par des enzymes. La totalité de l'ARNm qu'un organisme exprime s'appelle son « transcriptome ».
Les déficiences en ARNm et en ARN non codant (ARNnc) sont liées à certains troubles neurodégénératifs et neurodéveloppementaux. S'il y a trop peu d'ARNm ou d'ARNnc spécifique dans le transcriptome, certaines fonctions cellulaires peuvent être dégradées ou désactivées. Le Dr Kieft explore une nouvelle façon de gérer le transcriptome en ralentissant la désintégration de l'ARNm et de l'ARNnc. Sachant que certaines enzymes qui détruisent les ARN essentiellement le « mâchent » d'un bout à l'autre, le Dr Kieft a utilisé sa compréhension de la façon dont les molécules d'ARN sont structurées et se replient sur elles-mêmes pour créer un morceau d'ARN résistant aux exoribonucléases (xrRNA) qui , lorsqu'il est introduit dans un ARNm ou un ARNnc compatible, se combine et se replie pour former une structure « bloquante », changeant littéralement la forme de l'ARN en insérant une protubérance qui arrête les enzymes dans leur élan.
En ralentissant la décroissance de l'ARNm et de l'ARNnc cibles, le Dr Kieft voit l'opportunité de gérer leur abondance dans le transcriptome. Les xrRNA conçus pourraient reconnaître uniquement des cibles spécifiques, se lier à elles et créer la protection, afin que les chercheurs puissent augmenter la proportion de la cible sans changer la quantité créée. L'approche a l'avantage d'être moins perturbatrice pour la cellule hôte que de stimuler de manière non naturelle l'ARNm, et la précision avec laquelle l'ARNxr peut être conçu offre la possibilité de cibler plusieurs ARN à la fois, et peut-être même de permettre un réglage fin en gérant avec précision le taux de pourriture. Le Dr Kieft considère cette application, née de la science fondamentale qui étudie l'ARN, comme un outil de recherche potentiellement puissant pour les neuroscientifiques, et peut-être même le fondement de thérapies dans un avenir plus lointain.
Suhasa Kodandaramaiah, Ph.D., Benjamin Mayhugh Professeur adjoint, Département de génie mécanique, Université du Minnesota Twin Cities
Enregistrements à l'échelle du cerveau assistés par robot chez des souris se comportant librement
Les neuroscientifiques qui étudient l'activité cérébrale pendant les comportements doivent généralement faire un compromis : ils utilisent des capteurs neuronaux miniaturisés montés sur la tête qui sont suffisamment légers pour permettre à un animal sujet de se comporter librement, mais qui ont une résolution inférieure ou ne peuvent pas surveiller l'ensemble du cerveau. Soit ils utilisent des outils plus puissants, beaucoup trop lourds pour les animaux sujets et nécessitent d'autres solutions, comme l'immobilisation en laissant les animaux se déplacer sur un tapis roulant, ou encore l'utilisation d'expériences de réalité virtuelle qui limitent néanmoins le comportement d'un sujet.
Le Dr Kodandaramaiah relève le défi avec un exosquelette crânien robotique qui supporte le poids du matériel d'enregistrement et de surveillance neuronal tout en permettant au sujet (dans ce cas une souris) de faire pivoter sa tête dans les trois degrés : un tour complet de 360 degrés dans le axe de lacet (rotation horizontale) et environ 50 degrés de mouvement dans les axes de tangage et de roulis, tout en se déplaçant dans une arène. Le robot a trois bras articulés disposés dans une configuration triangulaire, suspendus au-dessus du sujet et se rejoignant au point de montage sur la tête. Les capteurs de la monture détecteront le mouvement de la souris et dirigeront le robot pour permettre le mouvement avec le moins de force résistive possible, permettant à la souris de tourner et de se déplacer dans une arène généralement utilisée pour les expériences en neurosciences avec tout l'équipement sensoriel nécessaire et fils des implants supportés par le robot.
Supprimer le besoin de miniaturisation permet aux chercheurs d'utiliser n'importe quel matériel de pointe disponible, ce qui signifie qu'un robot peut théoriquement être mis à niveau pour utiliser la dernière technologie peu après son introduction. Pour en arriver là, l'équipe du Dr Kodandaramaiah passera par plusieurs étapes : concevoir l'exosquelette ; l'ingénierie de la scène principale avec ses capteurs nécessaires ainsi que des électrodes et des caméras haute densité pour l'observation externe des yeux, des moustaches et plus encore ; effectuer des tests sur paillasse ; régler le robot sur les entrées qu'une souris peut fournir ; déterminer comment introduire les sondes ; et enfin faire un enregistrement en direct. Avec ce fondement mécanique, le Dr Kodandaramaiah espère aider les chercheurs à se rapprocher de l'état où ils peuvent effectuer des enregistrements neuronaux détaillés à l'échelle du cerveau de sujets se comportant librement sur de longues périodes.
