Um novo método de visualização ajuda a compreender grandes conjuntos de dados de atividade neuronal

Os recentes avanços tecnológicos abriram possibilidades excitantes para a neurociência, permitindo a recolha de dados neurais cada vez mais detalhados. Compreender o grande número de gravações neurais reunidas por neurocientistas em todo o mundo, no entanto, até agora tem se mostrado mais desafiador.

Pesquisadores do Janelia Research Campus do Howard Hughes Medical Institute (HHMI) desenvolveram o Rastermap, um novo método computacional que pode ajudar a visualizar melhor as gravações coletadas de muitos neurônios ao mesmo tempo. Este método, descrito em um artigo publicado em Neurociência da Naturezafoi inicialmente aplicado a gravações coletadas do córtex de camundongos e macacos, hipocampo de ratos, cérebro de peixe-zebra e até mesmo neurônios artificiais de redes neurais.

“Há cerca de 10 anos, começávamos a ter acesso a conjuntos de dados muito maiores, de centenas, milhares e às vezes dezenas de milhares de neurônios registrados simultaneamente”, disse Marius Pachitariu, autor sênior do artigo, ao Medical Xpress.

“Isso foi motivado pela compreensão de que precisamos observar muitos neurônios ‘trabalhando juntos’ ao mesmo tempo em um circuito para realmente compreender algumas das características fundamentais da computação neural. Os engenheiros trabalharam com neurocientistas para criar os tipos de dispositivos de gravação que podem monitorar a atividade neural dessa forma, e especialistas em computação criaram ferramentas para processar essas vastas quantidades de dados.”

Colaborações interdisciplinares entre neurocientistas e engenheiros levaram à coleta de inúmeras gravações neurais, nas quais a atividade de muitos neurônios é frequentemente detectada simultaneamente. Nessas gravações, cada neurônio individual tem seus próprios padrões de atividade distintos que se desenrolam ao longo do tempo, normalmente consistindo em dezenas de milhares de pontos de dados por neurônio.

“Nestas gravações, cada neurônio constitui uma dimensão da atividade neural em um espaço neural, e quando você tem 10 mil neurônios você tem 10 mil dimensões”, explicou Pachitariu. “O problema é que não somos muito bons em visualizar a atividade neural em espaços tão dimensionais. Essa foi a motivação para a criação do Rastermap.”

O objetivo principal do estudo recente de Pachitariu e seus colegas foi desenvolver um método de visualização que permita aos neurocientistas produzir facilmente gráficos de aparência familiar (isto é, gráficos raster), que mapeiam claramente grandes quantidades de dados multineuronais. O método que desenvolveram, chamado Rastermap, depende principalmente de um algoritmo de ordenação.

“Suponha que você tenha 20 cones e precise ordená-los com base na semelhança”, disse Pachitariu. “Primeiro você pode notar que eles são de tamanhos diferentes, ordenando-os com base nisso.

“Fácil, mas então você percebe que eles também têm cores aleatórias diferentes e também ficariam bem ordenados por cor. Então, você ajusta um pouco a ordem para colocar cores mais semelhantes próximas umas das outras, mas depois percebe que elas também têm formas ligeiramente diferentes (por exemplo, algumas são mais planas e outras mais pontiagudas) e você realmente deseja levar isso em consideração também, então altera ainda mais a ordem.

“Agora, em vez de 20 cones com propriedades de tamanho, cor e proporção, temos 50 mil neurônios com propriedades mais abstratas, como taxas de disparo, respostas a estímulos externos, correlações com os movimentos do animal etc.”

O Rastermap pega propriedades de neurônios individuais e tenta ordená-los de maneiras que façam sentido. Seu algoritmo subjacente processa dados de maneira semelhante à forma como os humanos ordenariam os cones na analogia mencionada acima. Partindo de uma ordem aleatória, o algoritmo muda continuamente os neurônios, colocando-os mais próximos de outros neurônios com padrões de atividade semelhantes.

“O Rastermap continua esse processo por muitas iterações, usando algoritmos ligeiramente inteligentes, e no final você tem uma boa ordenação”, disse Pachitariu. “Finalmente, o que fazemos com esta ordenação é o que mais importa: usamos a ordem para exibir as taxas de disparo dos neurônios em uma matriz, onde tomamos o traço de disparo de cada neurônio em função do tempo (um longo traço horizontal através da matriz para cada neurônio) e os movemos de acordo com a ordem, de modo que os neurônios com traços semelhantes fiquem próximos uns dos outros.”

Em última análise, o Rastermap produz um gráfico elegante, onde grupos de neurônios com perfis de atividade semelhantes são colocados próximos uns dos outros. Isso permite que os pesquisadores entendam rapidamente dados neurais densos e extensos, o que pode, por sua vez, levar a novas descobertas interessantes.

“Nosso método de visualização funciona bem porque os neurônios no cérebro não são completamente independentes uns dos outros: eles compartilham certos padrões de atividade, mas muitas vezes os padrões que compartilham não são com os neurônios mais próximos no tecido, mas sim com neurônios relativamente distantes que acontece que têm atividade semelhante”, disse Pachitariu.

“Também funciona bem porque neurônios individuais tendem a ser bastante barulhentos, então apenas olhar para um deles isoladamente não permite que você ‘veja’ as respostas a um estímulo ou comportamento específico, mas quando você tem 20-50 desses neurônios com padrões semelhantes, sua média é muito mais fácil de ver em uma única tentativa “.

Como parte do seu artigo recente, Pachitariu e os seus colegas usaram o seu método para visualizar dados recolhidos em estudos anteriores, incluindo gravações simultâneas de múltiplos neurónios no córtex do rato, bem como neurónios registados em todo o cérebro do peixe-zebra.

Em ambos os casos, o Rastermap pareceu apresentar os resultados relatados anteriormente de forma mais clara e visualmente atraente. Os pesquisadores também começaram a usar o Rastermap em outros estudos realizados em seu laboratório, que produziram novos resultados interessantes.

“Acreditamos que o Rastermap se tornará cada vez mais útil à medida que os cientistas registram mais e mais neurônios, o que certamente acontecerá”, disse Pachitariu. “Esperamos que apoie uma abordagem da ciência baseada na descoberta, que tradicionalmente tem sido um forte impulsionador do progresso na neurociência, simplesmente porque muitas vezes não sabemos que propriedades neuronais procurar e nos deparamos com propriedades neurais interessantes principalmente por acidente. .

“O Rastermap oferece a oportunidade de fazer esse tipo de pesquisa na era das gravações neurais em grande escala.”

O novo método de visualização introduzido por esta equipe de pesquisadores poderá em breve ser usado por outros neurocientistas em todo o mundo para dar sentido a grandes conjuntos de dados que rastreiam a atividade de vários neurônios simultaneamente. Isto poderia ajudar a reunir novos insights sobre a função de neurônios específicos, bem como conexões entre diferentes partes do cérebro.

“Possivelmente um dia, quando gravações em grande escala chegarem aos ambientes clínicos, o Rastermap poderá permitir que os cientistas leiam e interpretem os padrões de atividade neural no cérebro humano, por exemplo, para tornar coisas como o BCI mais eficazes e mais facilmente interpretáveis”, disse Pachitariu.

Com base nos seus esforços recentes, Pachitariu e os seus colegas estão agora a trabalhar para desenvolver mais técnicas de visualização que possam fazer avançar a investigação em neurociência. Ao mesmo tempo, eles estão testando os métodos que desenvolveram em colaboração com neurocientistas e pesquisadores médicos no HHMI Janelia Research Campus.

“Para citar um recente ganhador do Nobel: para lidar com espaços de 14 dimensões (ou muito maiores), visualize (em sua cabeça) um espaço tridimensional e diga 14 para si mesmo bem alto”, acrescentou Pachitariu. “Isso é ainda mais difícil quando você precisa visualizar um espaço de 50.000 dimensões, então precisamos de métodos que vão desde espaços que não podemos visualizar intuitivamente até espaços que podemos.

“E precisamos ter certeza de que não ‘jogaremos fora o bebê junto com a água do banho’, por assim dizer, quando fizermos essas simplificações, porque a maneira mais fácil de simplificar é simplesmente jogar fora a maior parte dos seus dados. É isso que o PCA faz para dados neurais, por exemplo. PCA é um algoritmo de redução de dimensionalidade simples e popular, mas provavelmente precisaremos ir além disso “.

Fornecido pela Ciência X

© 2024 Science X Network