Vinculando las neuronas con los comportamientos
El software Multi-Worm Tracker rastreó los contornos de las larvas que varían en el tiempo. CORTESÍA DE JT VOGELSTEIN ET AL. Los neurocientíficos tienen una nueva guía para consultar mientras trabajan para comprender las funciones de la mosca de la fruta arquitectura neuronal. Investigadores del Campus de Investigación Agrícola Janelia del Instituto Médico Howard Hughes en Virginia y de la Universidad Johns Hopkins en Maryland han registrado y clasificado los efectos conductuales de la activación de conjuntos de neuronas en todo el cerebro de la larva de Drosophila. Juntas, las células activadas comprenden la mayoría de las 10.000 neuronas del cerebro larvario, encontraron los investigadores. Su trabajo se publicó hoy (27 de marzo) en Science.
“Ellos’han ideado un marco para describir más o menos completamente lo que está haciendo cuando tú’ volver a estimular de forma aguda las neuronas” dijo William Schafer, un neurocientífico de la Universidad de Cambridge que no participó en la investigación. “Creo que es realmente agradable”
Este trabajo “me da alguna esperanza de que realmente podamos entender…
El equipo dirigido por Janelia Farm aprovechó de varias herramientas desarrolladas en los últimos años, incluida la optogenética. Con acceso a más de 1000 líneas de Drosophila con el gen GAL4 insertado en grupos de dos a 15 neuronas, el equipo tomó moscas que habían sido diseñadas para expresar selectivamente el gen sensible a la luz proteína canalrodopsina en presencia de GAL4 y las cruzaron con las líneas GAL4 Drosophila. Esto produjo líneas de moscas con pequeños subconjuntos de neuronas que los investigadores podían activar con la luz.
A continuación, los investigadores colocaron grupos de larvas modificadas genéticamente en platos de plástico y activaron sus neuronas mientras grababan en vídeo sus movimientos. Para rastrear los movimientos de las larvas, utilizaron un rastreador de gusanos múltiples, una configuración que involucra una cámara de video de alta resolución y un software que traduce el video en datos simplificados que representan movimientos y contornos. El rastreador de gusanos se desarrolló originalmente para rastrear los movimientos del nematodo Caenorhabditis elegans, pero es muy adecuado para rastrear larvas de moscas parecidas a gusanos.
Los investigadores rastrearon múltiples larvas para cada línea GAL4, registrando los movimientos de 37.780 moscas en total. Todo eso es genial, pero luego la verdadera dificultad es lidiar con los datos de comportamiento, dijo la coautora Marta Zlatic, neurocientífica de Janelia Farm.
El equipo de Zlatics consultó a estadísticos en Johns Hopkins. Históricamente, los investigadores en neurociencia han clasificado los movimientos de larvas o gusanos a mano o han enseñado a las máquinas a detectar automáticamente movimientos predefinidos. Pero para este estudio, los investigadores decidieron adoptar un enfoque diferente. En colaboración con los expertos de Johns Hopkins, aplicaron una técnica de análisis de datos para subdividir automáticamente los tipos de movimientos larvales en un árbol ramificado de tipos de comportamiento.
En el nivel más detallado de los árboles, la técnica identificó 29 comportamientos distintos. secuencias. Los investigadores encontraron que muchas de las categorías generales parecían similares a los comportamientos que los científicos habían registrado previamente. Estas categorías incluían movimientos como el escape de meneo, el escape recto, el giro-giro-giro y la copia de seguridad. Pero fue más difícil para los investigadores distinguir entre los comportamientos más intrincadamente subdivididos, como lo había hecho el enfoque basado en el análisis de datos.
Parece que han descubierto nuevos tipos de comportamientos que no se habían identificado antes, y pueden validar comportamientos que ya han sido clasificados por humanos, dijo Alipasha Vaziri, neurocientífica y física de la Universidad de Viena y del Instituto de Investigación de Patología Molecular, que no participó en el trabajo.
Finalmente, los investigadores vincularon las secuencias de comportamiento con sus neuronas asociadas. Zlatic señaló que un conjunto dado de neuronas podría contribuir a múltiples comportamientos. Las relaciones entre grupos de neuronas y comportamientos parecían probabilísticas: la activación de neuronas en animales individuales con los mismos antecedentes genéticos no siempre tenía exactamente el mismo efecto, pero los grupos de neuronas parecían estar asociados con ciertos resultados conductuales.
Zlatic también está trabajando en la generación de un diagrama de cableado de las conexiones entre las neuronas en larvas de Drosophila. Espera combinar pronto su mapa de comportamiento neuronal con su mapa de cableado para comprender cómo las cadenas de neuronas producen comportamientos.
Les da una forma de ver su [Drosophila ], y las que causan las mismas secuencias de comportamiento, presumiblemente podrían estar en el mismo circuito neuronal, dijo Schafer. Te brinda una manera de comenzar a mapear el espacio del circuito.
Zlatic señaló que sus colegas en Janelia Farm tienen como objetivo hacer mapas de comportamiento neuronal en moscas adultas, que tienen 10 veces más neuronas que las larvas. Y producir un mapa de comportamiento neuronal para ratones es otro objetivo a largo plazo. Por ahora, Zlatic se está enfocando en las larvas debido a su relativa simplicidad. El objetivo es extraer principios generales sobre la función del sistema nervioso, dijo.
Samuel señaló que a medida que los neurocientíficos produzcan más y más datos a través de proyectos como la iniciativa BRAIN, las colaboraciones con estadísticos serán clave. El mapa neural-conductual de las larvas es una señal alentadora de que tales colaboraciones pueden funcionar, dijo.
Hay una gran cantidad de trabajo por hacer, pero este es un buen recurso que puede comenzar a dividir las células en diferentes comportamientos, dijo Samuel. Este es un excelente punto de partida.
JT Vogelstein et al., Discovery of brainwide neural-behavioral maps via multiscale nonsupervised structure learning, Science, doi:10.1126/science .1250298, 2014.
¿Le interesa leer más?
The Scientist ARCHIVES
Conviértase en miembro de
Reciba acceso completo a más de 35 años de archivos, así como a TS Digest, ediciones digitales de El científico, artículos destacados, ¡y mucho más!Únase gratis hoy ¿Ya es miembro?Inicie sesión aquí