Los modelos neuronales biofísicos detallados proporcionan una ventana única al funcionamiento de neuronas individuales. Permiten a los investigadores manipular de forma sistemática y reversible propiedades neuronales que a menudo son imposibles en experimentos del mundo real.
Estos modelos electrónicos han desempeñado un papel clave en el avance de nuestra comprensión de cómo la morfología neuronal afecta la excitabilidad y cómo las corrientes iónicas específicas contribuyen a la función celular. Además, desempeñan un papel importante en la construcción de circuitos neuronales para simular y estudiar la actividad cerebral, dándonos una idea de la compleja danza de las neuronas que sustentan nuestros pensamientos y acciones.
Crear modelos electrónicos precisos que repliquen fielmente las observaciones experimentales no es una tarea fácil. Esto requiere cuantificar la similitud entre las respuestas del modelo y el comportamiento electrofisiológico real, lo cual resulta un desafío cuando parámetros como la conductancia del canal iónico y las propiedades pasivas de la membrana no se pueden medir directamente. Lograr puntuaciones altas de similitud a menudo requiere una exploración extensa del espacio de parámetros, lo cual es arduo y requiere mucho tiempo.
Para abordar estos desafíos, los investigadores han recurrido a algoritmos evolutivos (EA) en busca de ayuda. Los algoritmos evolutivos son herramientas eficientes para la optimización de parámetros globales en espacios de alta dimensión. Entre ellos, el algoritmo evolutivo basado en indicadores (IBEA) tiene un gran potencial en este sentido. Sin embargo, el campo todavía carece de flujos de trabajo de optimización de modelos replicables y de código abierto.
En el nuevo estudio, que aparece en la portada de la edición de noviembre de Patterns, el Proyecto BlueBrain propone un flujo de trabajo común innovador para crear, validar y generalizar modelos neuronales detallados. Este enfoque se basa en herramientas de código abierto, con todos los pasos disponibles gratuitamente, lo que proporciona a los investigadores una solución integral para construir modelos neuronales que pueden representar células biológicas individuales o tipos de células predefinidas.
Una de las características únicas de este flujo de trabajo es la capacidad de construir los llamados modelos neuronales canónicos. Werner Van Geit, líder del grupo BBP, explica: "Lo que creamos no es un modelo personalizado para neuronas individuales, sino un modelo que representa un tipo de neurona completo. Este enfoque es particularmente útil cuando se estudian las propiedades de tipos de neuronas específicos y se construyen grandes circuitos neuronales".
En este estudio, los autores aplicaron un flujo de trabajo para crear 40 modelos que representan 11 tipos eléctricos (tipos-e) en la corteza somatosensorial de ratones jóvenes, el área de la corteza cerebral responsable de procesar la información sensorial relacionada con el tacto, la presión, la temperatura y el dolor de varias partes del cuerpo. Cada modelo está optimizado en función de un conjunto de características electrofisiológicas para garantizar una estrecha coincidencia con los datos experimentales. Luego, estos modelos típicos se probaron en varias morfologías para evaluar su generalidad.
Al analizar los parámetros utilizados en estos modelos, los científicos obtuvieron información sobre sus propiedades biofísicas. "El análisis de sensibilidad ayuda a revelar qué parámetros son críticos para el rendimiento del modelo y qué parámetros pueden variarse sin afectar los resultados", enfatiza el coautor Christian Rössert. "Esta comprensión más profunda contribuye en gran medida a mejorar la creación del modelo".
Si bien este enfoque es poderoso, los autores señalan algunas limitaciones actuales. Ciertos tipos de neuronas se generalizan bien en todas las formas, mientras que otras tienen dificultades. Comprender por qué ciertos modelos funcionan mejor en morfologías específicas es un área de investigación en curso. Además, crear un modelo canónico único significa ignorar parte de la variabilidad en las neuronas reales. Para resolver este problema, los neurocientíficos pueden crear múltiples modelos basados en las mismas entradas, introduciendo variaciones para representar la diversidad del mundo real.
La coautora principal, Maria Reva, señaló: "El conjunto de modelos electrónicos presentados aquí se basa en mediciones eléctricas de registros de parches del cuerpo principal de la neurona. En versiones futuras, estos modelos se pueden enriquecer con más detalles, como la integración sináptica y dendrítica y corrientes iónicas adicionales. Estas mejoras nos acercarán a la comprensión de la función de las neuronas".