30 de julho de 2021
O McKnight Endowment Fund for Neuroscience (MEFN) anunciou os três beneficiários de $600.000 em financiamento por meio do Prêmio McKnight de Inovações Tecnológicas em Neurociências 2021, reconhecendo esses projetos por sua capacidade de mudar fundamentalmente a forma como a pesquisa em neurociência é conduzida. Cada um dos projetos receberá um total de $200.000 nos próximos dois anos, avançando no desenvolvimento dessas tecnologias inovadoras usadas para mapear, monitorar e modelar a função cerebral. Os premiados de 2021 são:
- Timothy Dunn, Ph.D., da Duke University, que está trabalhando em um sistema para capturar o movimento corporal de sujeitos usando medições 3D (em vez de medições de pixels 2D) combinando várias câmeras de vídeo e um novo algoritmo de aprendizado de máquina. O método permite o rastreamento de alta resolução de partes pequenas e discretas do corpo em animais que se comportam livremente, permite o estudo no espaço naturalista e pode até rastrear vários animais interagindo socialmente, uma combinação de recursos não disponíveis nos sistemas atuais.
- Jeffrey Kieft, Ph.D., da Faculdade de Medicina da Universidade do Colorado, que está desenvolvendo uma maneira de projetar o RNA para criar uma forma de proteção que possa reduzir a taxa de destruição do mRNA pelas enzimas. Desta forma, os investigadores seriam capazes de gerir a abundância de proteínas específicas de mRNA nas células, úteis para estudar e possivelmente até tratar certas doenças.
- Suhasa Kodandaramaiah, Ph.D., da Universidade de Minnesota Twin Cities, que está usando sistemas robóticos para permitir um rastreamento mais robusto da atividade cerebral em animais que se movem livremente. Usando a robótica para mover o hardware ao longo de vários eixos em sincronia com o animal, esta abordagem permite o uso de sistemas de monitoramento maiores, mais poderosos e de maior resolução do que as versões miniaturizadas frequentemente usadas para experimentos em animais em movimento livre.
Saiba mais sobre cada um desses projetos de pesquisa abaixo.
Sobre o Prêmio Inovações Tecnológicas em Neurociências
Desde que o Prêmio McKnight de Inovações Tecnológicas em Neurociências foi criado em 1999, o MEFN contribuiu com mais de $15 milhões para tecnologias inovadoras para neurociências por meio deste mecanismo de premiação. O MEFN está especialmente interessado em trabalhos que adotem abordagens novas e inovadoras para aprimorar a capacidade de manipular e analisar a função cerebral. As tecnologias desenvolvidas com o apoio de McKnight devem, em última análise, ser disponibilizadas a outros cientistas.
“Mais uma vez, foi emocionante ver a engenhosidade que nossos candidatos estão trazendo para novas neurotecnologias”, disse Markus Meister, Ph.D., presidente do comitê de premiação e professor de ciências biológicas Anne P. e Benjamin F. Biaggini. na Caltech. “Este ano, enfrentamos uma escolha difícil entre muitos desenvolvimentos interessantes, e nossos prêmios abrangem uma ampla gama, desde um exoesqueleto robótico para apoiar o registro neural em roedores, até o controle molecular da expressão genética precisa, até algoritmos para rastreamento 3D do comportamento animal. ”
O comitê de seleção deste ano também incluiu Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting e Hongkui Zeng, que escolheram o Prêmio de Inovações Tecnológicas em Neurociências deste ano entre um grupo altamente competitivo de 73 candidatos.
As cartas de intenção para o Prêmio Inovações Tecnológicas em Neurociências de 2022 serão entregues na segunda-feira, 6 de dezembro de 2021. Um anúncio sobre o processo de 2022 será divulgado em agosto. Clique para mais informações sobre os prêmios.
Prêmio McKnight de Inovações Tecnológicas em Neurociências 2021
Timothy Dunn, Ph.D., professor assistente, Departamento de Engenharia Biomédica, Duke University
Quantificação Comportamental Tridimensional Multiescala em Indivíduos e Grupos Sociais
Os métodos atuais de medição do movimento de animais que se comportam livremente têm limitações: observações altamente detalhadas de pequenos movimentos de um animal (um único dígito, por exemplo) requerem amplitudes de movimento restritas. Estudar o comportamento de movimento livre no espaço 3D muitas vezes significa limitar a resolução, talvez apenas rastrear a posição geral ou confiar na descrição de um observador. O rastreamento automático de vídeo em animais normalmente requer um ambiente simples e não natural, e partes do corpo não visíveis às câmeras não são rastreadas com precisão. Previsões de Inteligência Artificial (IA) de alta resolução em grandes espaços tridimensionais usando representação espacial volumétrica, uma técnica recentemente desenvolvida para superar esses problemas, requerem enorme poder de computação. Adicionar vários animais para observações sociais introduz questões adicionais.
Como resultado, há pouca disponibilidade dos dados mais desejados: rastreamento automático e de alta resolução de animais no espaço 3D realizando comportamentos naturais, sozinhos ou em grupos, e quantificação desse movimento em formato padronizado. Dr. Dunn está trabalhando em uma nova abordagem que visa aproximar esse ideal. Com base no aprendizado de um algoritmo geométrico 3D de aprendizado de máquina que sua equipe usou para melhorar significativamente a precisão das previsões, o Dr. Dunn e sua equipe estão agora trabalhando na amostragem adaptativa de imagens recorrentes (ARIS) que combina imagens de múltiplas câmeras para construir um modelo que pode medir e prever a posição do corpo em muitas escalas, mesmo quando uma parte (como um braço ou pé) não está diretamente visível.
O ARIS melhora seletivamente a resolução de características corporais em escala precisa e usa modelagem preditiva com base no que sabe sobre o objeto (disposição e comprimento dos membros, como eles estão conectados, como se movem, etc.) – aprendido primeiro analisando enormes quantidades de dados de treinamento de ratos que se comportam livremente e depois ajustados usando dados de treinamento em outras espécies – para focar na porção do espaço onde a parte do corpo provavelmente estará. Isso usa muito menos poder computacional do que as ferramentas volumétricas 3D anteriores. Em sua pesquisa, o Dr. Dunn implementará o ARIS e registrará dados em múltiplas escalas, desde a posição geral e postura até o movimento de características finas das mãos, pés e rosto. Outras pesquisas explorarão sua eficácia com a interação de vários animais. Esta capacidade de medir o comportamento de uma forma nova e mais precisa tem amplas implicações para o estudo de distúrbios neurológicos que afetam o movimento, ligando a atividade cerebral ao comportamento e estudando as interações sociais.
Jeffrey Kieft, Ph.D., Professor, Departamento de Bioquímica e Genética Molecular, Faculdade de Medicina da Universidade do Colorado
Uma nova tecnologia para controlar o transcriptoma
O RNA mensageiro, ou mRNA, é reconhecido como um ator vital na vida e na saúde das células. Essas moléculas de RNA são os modelos para a produção de proteínas e são criadas dentro das células para transportar instruções para o mecanismo de produção de proteínas e, em seguida, são destruídas por enzimas. A totalidade do mRNA que um organismo expressa é chamada de “transcriptoma”.
Deficiências em mRNA e RNA não codificante (ncRNA) estão ligadas a certos distúrbios neurodegenerativos e do neurodesenvolvimento. Se houver muito pouco mRNA ou ncRNA específico no transcriptoma, certas funções celulares podem ser degradadas ou desativadas. Dr. Kieft está explorando uma nova maneira de gerenciar o transcriptoma, retardando a decadência do mRNA e do ncRNA. Sabendo que algumas enzimas que destroem os RNAs essencialmente os “mastigam” de uma extremidade à outra, o Dr. Kieft usou sua compreensão de como as moléculas de RNA são estruturadas e se dobram sobre si mesmas para criar um pedaço projetado de RNA resistente à exoribonuclease (xrRNA) que , quando introduzido em mRNA ou ncRNA compatível, combina-se e dobra-se para formar uma estrutura de “bloqueio”, literalmente mudando a forma do RNA ao inserir uma saliência que interrompe o caminho das enzimas.
Ao retardar a decadência do mRNA e ncRNA alvo, o Dr. Kieft vê a oportunidade de gerenciar sua abundância dentro do transcriptoma. Os xrRNAs projetados poderiam reconhecer apenas alvos específicos, vincular-se a eles e criar a proteção, para que os pesquisadores possam aumentar a proporção do alvo sem alterar a quantidade criada. A abordagem tem a vantagem de ser menos perturbadora para a célula hospedeira do que aumentar o mRNA de forma não natural, e a precisão com a qual o xrRNA pode ser projetado oferece o potencial de atingir vários RNAs ao mesmo tempo e possivelmente até permitir o ajuste fino gerenciando com precisão a taxa de decair. Kieft vê esta aplicação, nascida da ciência básica que estuda o RNA, como uma ferramenta de pesquisa potencialmente poderosa para neurocientistas, e talvez até mesmo a base para terapias em um futuro mais distante.
Suhasa Kodandaramaiah, Ph.D., Benjamin Mayhugh Professor Assistente, Departamento de Engenharia Mecânica, Universidade de Minnesota Twin Cities
Gravações cerebrais assistidas por robô em ratos com comportamento livre
Os neurocientistas que estudam a atividade cerebral durante os comportamentos geralmente têm que fazer uma troca: eles usam sensores neurais miniaturizados montados na cabeça que são leves o suficiente para permitir que um animal se comporte livremente, mas têm resolução mais baixa ou não conseguem monitorar todo o cérebro. Ou utilizam ferramentas mais poderosas, que são demasiado pesadas para os animais sujeitos e requerem outras soluções, como a imobilização enquanto permitem que os animais se movam numa passadeira, ou mesmo a utilização de experiências de realidade virtual que, no entanto, limitam o comportamento de um sujeito.
Kodandaramaiah está enfrentando o desafio com um exoesqueleto craniano robótico que carrega o peso do hardware de gravação e monitoramento neural, ao mesmo tempo que permite que o sujeito (neste caso, um mouse) gire sua cabeça em todos os três graus: um giro completo de 360 graus no eixo de guinada (rotação horizontal) e cerca de 50 graus de movimento nos eixos de inclinação e rotação, enquanto se move em uma arena. O robô possui três braços articulados dispostos em configuração triangular, suspensos sobre o sujeito e reunidos no ponto de montagem na cabeça. Sensores na montagem detectarão qual movimento o mouse está fazendo e direcionarão o robô para permitir o movimento com o mínimo de força resistiva possível, permitindo que o mouse gire e se mova dentro de uma arena normalmente usada para experimentos de neurociência com todo o equipamento sensorial necessário e fios dos implantes suportados pelo robô.
Eliminar a necessidade de miniaturização permite que os pesquisadores usem qualquer hardware de última geração disponível, o que significa que um robô pode, teoricamente, ser atualizado para usar a tecnologia mais recente logo após sua introdução. Para chegar a esse ponto, a equipe do Dr. Kodandaramaiah passará por várias etapas – engenharia do exoesqueleto; projetar o head-stage com seus sensores necessários, além de eletrodos e câmeras de alta densidade para observação externa de olhos, bigodes e muito mais; realização de testes de bancada; ajustar o robô às entradas que um mouse pode fornecer; determinar como introduzir sondas; e finalmente fazendo gravações ao vivo. Com essa base mecânica, o Dr. Kodandaramaiah espera ajudar os pesquisadores a se aproximarem do estado em que possam fazer registros neurais detalhados em todo o cérebro de indivíduos que se comportam livremente em longos períodos de tempo.
