Un atlante cellulare per mappare diversi tipi di neuroni

- EN- DE- FR- IT
2023 Progetto Blue Brain / EPFL
2023 Progetto Blue Brain / EPFL
Dopo quattro anni di ricerca, il Blue Brain Project dell’EPFL sta condividendo una versione migliorata del suo atlante digitale 3D delle cellule cerebrali di topo, che include un maggior numero di tipi di neuroni. Questo nuovo approccio può essere esteso a qualsiasi altro tipo di cellula e fornisce una risorsa per creare modelli a livello di tessuto del cervello di topo.

Conoscere la composizione specifica dei tipi di cellule cerebrali è essenziale per comprendere il ruolo di ciascun tipo di cellula nella rete cerebrale. Queste informazioni sono necessarie anche per affrontare qualsiasi simulazione di circuiti neurali su larga scala e per raggiungere l’obiettivo a lungo termine di Blue Brain di creare un modello digitale accurato dell’intero cervello di topo. Tuttavia, ottenere una comprensione completa della composizione cellulare del cervello è un compito estremamente complesso, non solo a causa della grande variabilità insita nella letteratura scientifica, ma anche a causa delle numerose aree cerebrali e dei tipi di cellule che compongono il cervello.

Nel 2018, il Blue Brain Project dell’EPFL ha presentato il primo atlante di cellule modello che stima la composizione del cervello di topo. Con la pubblicazione del Blue Brain Cell Atlas (BBCAv1), è la prima volta che un atlante digitale 3D fornisce informazioni sui principali tipi di cellule, sul loro numero e sulla loro posizione in oltre 700 aree del cervello di topo. Fornisce le densità dei neuroni, delle cellule del tessuto connettivo associate (glia) e dei loro sottotipi per ogni area, il tutto presentato in un formato user-friendly e dinamico, che consente ai ricercatori di contribuire con nuovi dati. "All’epoca, questo atlante colmava la notevole lacuna di conoscenza del 96% delle aree del cervello di topo", afferma il fondatore e direttore di Blue Brain, Henry Markram.

Negli ultimi anni sono emersi nuovi set di dati e strumenti che forniscono la composizione dei tipi di cellule sulla base di specifiche proteine espresse nelle cellule. Sebbene relativamente veloci, queste tecniche di etichettatura molecolare da sole non sempre forniscono informazioni direttamente utilizzabili sulla morfologia (forma) e sulle proprietà elettrofisiologiche dei neuroni. Tuttavia, la caratterizzazione delle proprietà morfoelettriche delle cellule richiede molto tempo e non è adatta alle scansioni del cervello intero. È quindi auspicabile raccogliere e combinare i vari set di dati disponibili per creare un quadro coerente che contenga il massimo numero di informazioni dettagliate.

La densità dei neuroni inibitori ha rivelato

Una classe notevole di neuroni per i quali erano disponibili pochissimi dati e per i quali il metodo utilizzato per stabilire il BBCAv1 doveva essere migliorato, sono i neuroni inibitori. I neuroni inibitori attenuano l’attivazione di altri neuroni e svolgono un ruolo fondamentale nel condizionamento e nella trasmissione delle informazioni nel cervello. Agiscono come segni di punteggiatura neurali e permettono al cervello di dare un senso al flusso di informazioni. Le stime del numero di neuroni inibitori sono state raccolte dalla letteratura ed è stato definito un quadro per combinarle in modo coerente nell’atlante cellulare. Utilizzando immagini di fette cerebrali, sono state stimate le densità dei neuroni inibitori anche nelle aree per le quali non erano disponibili dati in letteratura. In totale, gli autori rivelano che nel cervello del topo il 20% di tutti i neuroni sono inibitori. "Questo apre la strada a una suddivisione dei neuroni inibitori in classi più fini", secondo uno degli autori principali, Dimitri Rodarie di Blue Brain, "e permette alla comunità delle neuroscienze di identificare le aree in cui le conoscenze attuali possono essere migliorate da ulteriori vincoli".

Diverse specie per i modelli neurali

Le informazioni estratte dall’Allen Institute for Brain Science forniscono dati essenziali, consentendo la creazione di un catalogo di neuroni nel cervello di topo in base alle loro proprietà molecolari, morfologiche ed elettrofisiologiche. Tuttavia, per modellare le aree cerebrali, e ancor più l’intero cervello, è necessario non solo comprendere la composizione cellulare complessiva del cervello, ma anche creare modelli biofisici dettagliati dei neuroni. In una precedente pubblicazione (Markram et al. 2015), Blue Brain ha creato modelli basati su dati morfoelettrici dei neuroni della corteccia somatosensoriale del ratto giovane. Poiché i dati provenivano da specie diverse (topo e ratto) e da uno stadio di sviluppo diverso, gli autori hanno incluso fasi di normalizzazione per far corrispondere i modelli ai dati cellulari dell’Allen Institute. Questo passaggio ha permesso non solo di assegnare un’identità molecolare ai modelli di neuroni, ma anche di popolare l’intera corteccia del topo con modelli neuronali dettagliati. "Il nostro algoritmo ci permette di tracciare paralleli tra le specie, ma anche di comprendere meglio le aree cerebrali meno studiate", spiega uno degli autori principali, Yann Roussel di Blue Brain, che aggiunge: "Questo modello permetterà agli sperimentatori di comprendere la composizione per area e ai neuroscienziati computazionali di collocare tipi di cellule definiti nelle loro simulazioni".

I nuovi strumenti e metodi utilizzati per migliorare l’atlante cellulare e produrre BBCAv2, pubblicati in due documenti allegati nella rivista PLOS Computational Biology, sono stati estesi per mappare tipi ben identificati di sottoclassi di neuroni inibitori, aprendo la strada a ricostruzioni in silico più accurate del tessuto cerebrale. I dati, gli algoritmi, il software e i risultati della pipeline utilizzati per migliorare l’atlante cellulare Blue Brain sono tutti disponibili al pubblico. Secondo Daniel Keller, responsabile del team di sistemi molecolari di Blue Brain, "Questa versione è il risultato di quattro anni di studi e include vincoli aggiuntivi provenienti da dati biologici per facilitare la simulazione dei risultati. Utilizzandolo per la simulazione, possiamo identificare le aree di miglioramento, consentendoci di ottimizzare ogni generazione successiva".

"Questo progetto mira a far sì che la comunità scientifica contribuisca all’accesso aperto a dati, software e strumenti. Ci auguriamo che BBCAv2 venga utilizzato per molti scopi", concludono gli autori.