Gedetailleerde biofysische neuronale modellen bieden een uniek inzicht in de werking van individuele neuronen. Ze stellen onderzoekers in staat neuronale eigenschappen systematisch en omkeerbaar te manipuleren die vaak onmogelijk zijn in experimenten in de echte wereld.
Deze elektronische modellen hebben een sleutelrol gespeeld bij het bevorderen van ons begrip van hoe neuronale morfologie de prikkelbaarheid beïnvloedt en hoe specifieke ionstromen bijdragen aan de celfunctie. Bovendien spelen ze een belangrijke rol bij het bouwen van neuronale circuits om hersenactiviteit te simuleren en te bestuderen, waardoor we een kijkje kunnen nemen in de complexe dans van neuronen die ten grondslag ligt aan onze gedachten en acties.
Het creëren van nauwkeurige elektronische modellen die experimentele waarnemingen getrouw repliceren is geen gemakkelijke taak. Dit vereist het kwantificeren van de gelijkenis tussen modelreacties en feitelijk elektrofysiologisch gedrag, wat een uitdaging is wanneer parameters zoals ionkanaalgeleiding en passieve membraaneigenschappen niet direct kunnen worden gemeten. Het bereiken van hoge gelijkenisscores vereist vaak een uitgebreide verkenning van de parameterruimte, wat lastig en tijdrovend is.
Om deze uitdagingen aan te pakken, hebben onderzoekers zich tot evolutionaire algoritmen (EA's) gewend voor hulp. Evolutionaire algoritmen zijn efficiënte hulpmiddelen voor globale parameteroptimalisatie in hoogdimensionale ruimtes. Onder hen heeft het op indicatoren gebaseerde evolutionaire algoritme (IBEA) in dit opzicht een groot potentieel. Het ontbreekt echter nog steeds aan volledig open source en repliceerbare modeloptimalisatieworkflows.
In de nieuwe studie, die op de cover van het novembernummer van Patterns verschijnt, stelt het BlueBrain Project een baanbrekende gemeenschappelijke workflow voor voor het creëren, valideren en generaliseren van gedetailleerde neuronale modellen. Deze aanpak is gebaseerd op open source-tools, waarbij alle stappen vrij beschikbaar zijn, waardoor onderzoekers een alomvattende oplossing krijgen voor het bouwen van neuronale modellen die individuele biologische cellen of vooraf gedefinieerde celtypen kunnen vertegenwoordigen.
Een van de unieke kenmerken van deze workflow is de mogelijkheid om zogenaamde canonieke neuronmodellen te bouwen. Werner Van Geit, leider van de BBP-groep, legt uit: "Wat we creëren is geen model dat is aangepast voor individuele neuronen, maar een model dat een heel neurontype vertegenwoordigt. Deze aanpak is vooral nuttig bij het bestuderen van de eigenschappen van specifieke neurontypes en het bouwen van grote neuronale circuits."
In deze studie pasten de auteurs een workflow toe om 40 modellen te creëren die 11 elektrische typen (e-types) vertegenwoordigen in de somatosensorische cortex van jonge muizen, het gebied van de hersenschors dat verantwoordelijk is voor het verwerken van sensorische informatie gerelateerd aan aanraking, druk, temperatuur en pijn uit verschillende delen van het lichaam. Elk model is geoptimaliseerd op basis van een reeks elektrofysiologische kenmerken om een goede match met experimentele gegevens te garanderen. Deze typische modellen werden vervolgens getest op verschillende morfologieën om hun algemeenheid te beoordelen.
Door de parameters die in deze modellen worden gebruikt te analyseren, kregen wetenschappers inzicht in hun biofysische eigenschappen. "Gevoeligheidsanalyse helpt onthullen welke parameters cruciaal zijn voor de prestaties van het model en welke parameters kunnen worden gevarieerd zonder de resultaten te beïnvloeden", benadrukt co-eerste auteur Christian Rössert. "Dit diepere begrip draagt veel bij aan het verbeteren van de creatie van het model."
Hoewel deze aanpak krachtig is, wijzen de auteurs op enkele huidige beperkingen. Bepaalde typen neuronen generaliseren goed over verschillende vormen heen, terwijl andere het moeilijk hebben. Begrijpen waarom bepaalde modellen beter presteren in specifieke morfologieën is een gebied van voortdurend onderzoek. Bovendien betekent het creëren van één enkel canoniek model dat een deel van de variabiliteit in echte neuronen wordt genegeerd. Om dit probleem op te lossen kunnen neurowetenschappers meerdere modellen creëren op basis van dezelfde input, waarbij variatie wordt geïntroduceerd om de diversiteit in de echte wereld weer te geven.
Co-eerste auteur Maria Reva merkte op: "De hier gepresenteerde reeks elektronische modellen is gebaseerd op elektrische metingen van patch-clamp-opnamen van het hoofdlichaam van het neuron. In toekomstige versies kunnen deze modellen worden verrijkt met meer details, zoals synaptische en dendritische integratie en extra ionische stromen. Deze verbeteringen zullen ons dichter bij het begrip van de functie van neuronen brengen."