Cómo el miedo reestructura el cerebro del ratón

ARRIBA: iStock.com, mejores diseños

Las neuronas se comunican a través de sinapsis, protuberancias similares a botones que brotan de una neurona y la conectan con la siguiente. Se cree que estas estructuras minúsculas son la columna vertebral del aprendizaje y la memoria, cambiando en fuerza y número a medida que aprendemos. Con aproximadamente 1/5000 del ancho de un cabello humano, las sinapsis pueden ser difíciles de visualizar, y los investigadores apenas comienzan a desarrollar las herramientas necesarias para hacerlo.

En un estudio publicado en Cell Reports el 2 de agosto, investigadores de la Academia de Ciencias de China y la Universidad de Shanghái utilizaron una combinación de algoritmos de aprendizaje profundo y microscopía electrónica de alta resolución para trazar un mapa de cómo se reorganizan las experiencias aterradoras conexiones cerebrales. Descubrieron que cuando los ratones aprenden a temer el sonido de un zumbador, las neuronas en su hipocampo forman más conexiones con otras neuronas aguas abajo y transportan más mitocondrias a los sitios sinápticos. Este cambio en la conectividad neuronal aumenta la capacidad de almacenamiento de información del cerebro sin aumentar la densidad sináptica.

Creo que este artículo es interesante. . . tanto desde una perspectiva tecnológica como desde una perspectiva biológica, dice el neurocientífico Shu-Hsien Sheu, científico principal del campus de investigación Janelia del Instituto Médico Howard Hughes, que no participó en el estudio. Su artículo trata de abordar la pregunta fundamental, pero aún no resuelta, de qué sustenta el aprendizaje y la memoria.

Los coautores del estudio tomaron imágenes de los cerebros de los ratones usando una técnica llamada microscopía electrónica de sección en serie (ssEM, por sus siglas en inglés), que dispara haces de electrones de alta velocidad en finas rebanadas de tejido para generar imágenes de ultra alta resolución. Esto permite a los investigadores visualizar las estructuras más pequeñas.

Esta técnica captura imágenes capa por capa, lo que da como resultado una imagen detallada de todo lo que hay en cada rebanada delgada. El método generalmente produce cantidades masivas de datos. En este caso, el resultado es una constelación desordenada de células, sus orgánulos, axones y dendritas, y sinapsis. 

Ver Synapses on Stage

El documento está repleto de un análisis de imágenes basado en el aprendizaje profundo muy avanzado, dice Stephen Smith, neurocientífico molecular del Instituto Allen para la Ciencia del Cerebro en Seattle. Y es uno de los primeros artículos en aplicar microscopía electrónica computacional de alto rendimiento con aprendizaje profundo. . . al problema del aprendizaje.

Navegar entre estos datos puede ser extremadamente engorroso. Las imágenes 2D que produce ssEM deben ensamblarse en un cubo 3D, en el que las sinapsis toman forma entre la maraña de estructuras que también capturan las imágenes ssEM, lo que permite a los investigadores elegirlas entre la multitud. Esta laboriosa tarea generalmente se realiza a mano y puede llevar horas, dice Sheu.

Imagen de microscopía electrónica de transmisión de células en la corteza prefrontalMikaela Laine, Universidad de Helsinki

Intentos anteriores de automatizar la El proceso de identificación de sinapsis a través de ssEM ha utilizado imágenes EM 3D reconstruidas completas en lugar de imágenes 2D individuales, pero ha sido lento o no se ha realizado tan bien como lo hacen los humanos. Los coautores del nuevo artículo, sin embargo, utilizaron un enfoque diferente. Entrenaron un algoritmo para seleccionar marcadores reveladores de estructuras de sinapsis que se encuentran dentro de las vesículas sinápticas, la hendidura sináptica y la densidad postsináptica en cada imagen 2D. También entrenaron un algoritmo separado para buscar mitocondrias.

Luego, una vez que los algoritmos seleccionaron sinapsis o mitocondrias en cada imagen, usaron otro algoritmo para alinear automáticamente las imágenes. Esto aceleró drásticamente el proceso de selección de sinapsis y mitocondrias, lo que permitió a los investigadores estudiar cientos de miles de sinapsis en paralelo. El algoritmo podría seleccionar células con gran precisión en un tercio del tiempo que podría hacerlo un humano. Extracción de datos EM. . . lleva mucho tiempo, dice Sheu. Fueron capaces de extraer información a gran escala. El tamaño de la muestra. . . es de órdenes de magnitud mayor que si uno lo hiciera a mano.

Las sinapsis entre dos neuronas se forman en sitios especializados llamados botones presinápticos, que forman una conexión unidireccional con una o, a veces, con varias dendritas, la ramas de neuronas en forma de árbol que constituyen el extremo receptor de las transmisiones sinápticas. Por lo general, esta es una conexión de uno a uno, pero en los ratones, los botones pueden formar conexiones con varias dendritas y las dendritas pueden formar conexiones con varios botones. Estas sinapsis de múltiples contactos no son tan numerosas, dice Sheu.

Para observar cómo cambian estas sinapsis particulares en el contexto del aprendizaje del miedo, los investigadores analizaron las sinapsis de ratones que habían aprendido a asociar un tono con una descarga eléctrica en el pie. Los investigadores encontraron que, si bien la cantidad de sinapsis no cambió, los botones presinápticos individuales se conectaron a más dendritas después del condicionamiento del miedo. El equipo también encontró mitocondrias en grandes cantidades reunidas en los botones presinápticos, incluso aquellas sin más conexiones. Esto implica que las mitocondrias se dividen rápidamente en el sitio presináptico. Dado que las mitocondrias proporcionan energía para la actividad celular y ayudan a las células a regular el calcio, la molécula que desencadena la liberación de neurotransmisores, es probable que sean actores importantes en el aumento de la fuerza sináptica. capacidad para almacenar y transmitir información digital para calcular la cantidad de información almacenada por una red neuronal computacional modelada a partir de las redes que crearon imágenes con ssEM. Descubrieron que una red con una mayor proporción de sinapsis de múltiples contactos podía codificar más información que una red tradicional construida solo con sinapsis uno a uno. Esto implica que, aunque la cantidad de sinapsis en el tejido que tomaron imágenes no cambia, la cantidad de bits de información que podrían almacenarse potencialmente en el hipocampo del ratón aún aumenta después del condicionamiento del miedo.

Sheu dice que, en En el futuro, le gustaría que los investigadores clasificaran aún más estas sinapsis multicontacto. Con [ss]datos EM. . . probablemente puedas notar [la diferencia] entre las sinapsis inhibitorias y excitatorias, pero realmente no puedes determinar los tipos de neurotransmisores que usan. Le gustaría ver qué tipos de neuromoduladores, como la serotonina y la dopamina, usan las sinapsis modificadas para excitar a sus compañeros postsinápticos, ya que estas moléculas probablemente son muy importantes para el aprendizaje y la memoria.

Tanto Sheu como Smith piensan que es probable que los estudios futuros se beneficien de este enfoque. Creo que en el futuro si EM. . . se puede hacer mas facil. . . la gente comenzará a hacer este tipo de [estudio] en . . . diferentes condiciones experimentales, dice Sheu.