Zum Inhalt springen
8 min lesen

2020 McKnight Technology Awards

20. Juli 2020

Der McKnight Endowment Fund für Neurowissenschaften (MEFN) gab die drei Empfänger von $600.000 Zuschüssen im Rahmen der McKnight Technological Innovations in Neuroscience Awards 2020 bekannt und würdigte diese Projekte für ihre Fähigkeit, die Art und Weise, wie neurowissenschaftliche Forschung betrieben wird, grundlegend zu verändern. Jedes der Projekte wird in den nächsten zwei Jahren insgesamt $200.000 erhalten, was die Entwicklung dieser bahnbrechenden Technologien zur Abbildung, Überwachung und Modellierung der Gehirnfunktion vorantreibt. Die 2020-Preisträger sind:

  • Eva Dyer, Ph.D., vom Georgia Institute of Technology & Emory University, Wer erstellt Algorithmen für maschinelles Lernen, um große Datensätze neuronaler Aktivität zu vergleichen und Muster auf Makro- und Neuronenebene zu finden, die bestimmten Zuständen und Verhaltensweisen bei frei verhaltenen Tieren entsprechen.
  • Rikky Muller, Ph.D., von der University of California - Berkeley, Wer entwirft und baut einen holographischen Hochgeschwindigkeitsprojektor, der 3D-Licht mit neuronalen Geschwindigkeiten in das Gehirn projizieren kann, vielfach schneller als aktuelle Projektoren, und so Tausende von optogenetisch gesteuerten Neuronen mit hoher Präzision manipuliert.
  • Kai Zinn, Ph.D., vom California Institute of Technology, Wer entwickelt ein modulares, kostengünstiges Mittel zur genetischen Barcodierung von Proteinen wie Antikörpern und Rezeptoren für die Oberfläche neuronaler Zellen, damit Forscher Proteininteraktionen mithilfe der Einzelzellsequenzierung mit hohem Durchsatz verfolgen können, einem Werkzeug mit vielen möglichen Anwendungen für die neurowissenschaftliche Forschung.

(Erfahren Sie unten mehr über jedes dieser Forschungsprojekte.)

Über die technologischen Innovationen in den Neurowissenschaften

Seit der Gründung des McKnight Technological Innovations in Neuroscience Award im Jahr 1999 hat das MEFN durch diesen Preismechanismus mehr als $14,5 Millionen zu innovativen Technologien für die Neurowissenschaften beigetragen. Das MEFN interessiert sich insbesondere für Arbeiten, die neue und neuartige Ansätze verfolgen, um die Fähigkeit zur Manipulation und Analyse der Gehirnfunktion zu verbessern. Mit McKnight-Unterstützung entwickelte Technologien müssen letztendlich anderen Wissenschaftlern zur Verfügung gestellt werden.

"Es war wieder einmal spannend zu sehen, welchen Einfallsreichtum unsere Bewerber in neue Neurotechnologien einbringen", sagte Dr. Markus Meister, Vorsitzender des Preiskomitees und Professor für Biowissenschaften bei Anne P. und Benjamin F. Biaggini bei Caltech. „In diesem Jahr standen wir vor einer schwierigen Wahl unter vielen aufregenden Entwicklungen. Unsere Auszeichnungen reichen von Berechnungsmethoden für Big Data aus dem Gehirn über ausgefallene Optiken zur Steuerung von Lichtstrahlen bis hin zu einer cleveren molekularen Strategie zur Vermessung von Proteinen Expression in Neuronen. "

Das diesjährige Auswahlkomitee bestand auch aus Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting und Hongkui Zeng, die die diesjährigen Technological Innovations in Neuroscience Awards aus einem hart umkämpften Pool von 89 Bewerbern auswählten.

Absichtserklärungen für die 2021 Technological Innovations in Neuroscience Awards sind am Montag, dem 7. Dezember 2020, fällig. Eine Ankündigung über den 2021-Prozess wird im September veröffentlicht. Weitere Informationen zu den Auszeichnungen finden Sie unter www.mcknight.org/programs/the-mcknight-endowment-fund-for-neuroscience/technology-awards

2020 McKnight Technologische Innovationen in den Neurowissenschaften Awards

Eva Dyer, Ph.D., Assistenzprofessorin, Wallace H. Coulter Abteilung für Biomedizinische Technik, Georgia Institute of Technology & Emory University

Vergleich großer neuronaler Datensätze über Zeit, Raum und Verhalten hinweg “

Die Fähigkeit, neuronale Daten über große Teile des Gehirns zu beobachten und aufzuzeichnen, hat zu enormen Datenmengen geführt, die es ermöglichen, Muster in den Daten zu finden, die erklären können, wie viele Neuronen zusammenarbeiten, um Informationen über die Welt zu codieren. Selbst mit neuen Fortschritten bei der Suche nach niedrigdimensionalen Mustern in Datensätzen ist es immer noch schwierig, mehrere groß angelegte Aufzeichnungen zu vergleichen, sei es über lange Zeiträume oder über verschiedene Personen hinweg, die dieselben oder ähnliche Aufgaben lösen, oder über Krankheitszustände hinweg. Dr. Dyers Erfahrung mit maschinellem Lernen (ML) zur Entschlüsselung der Gehirnaktivität hat sie zu einer neuartigen Lösung geführt, mit der Muster in mehreren großen neuronalen Datensätzen identifiziert werden können.

Dr. Dyers Arbeit umfasst die Erstellung von Algorithmen für maschinelles Lernen, um aussagekräftige Informationen aus neuronalen Datensätzen zu extrahieren, die gekennzeichnet sind, um festzustellen, ob das Tier geschlafen, wach, auf Nahrungssuche war oder sich auf verschiedene Bewegungen oder Verhaltensweisen einließ. Neue, von der Kryptographie inspirierte mathematische Regeln leiten die Algorithmen zur Identifizierung ähnlicher Muster in separaten Datensätzen, wobei speziell darauf geachtet wird, dass die von verschiedenen Gehirnzuständen erzeugte neuronale Aktivität als Ausgangspunkt für die Ausrichtung der Daten dient. Das Ausrichten neuronaler Aktivitäten kann zeigen, wie neuronale Muster mit dem Verhalten und dem Zustand des Subjekts zusammenhängen, Korruption durch Rauschen verhindern und ein kritisches Sprungbrett für leistungsfähigere Analysetechniken darstellen.

Dr. Dyers zweites Ziel wird Forschern helfen, sich wieder auf einzelne Neuronen zu konzentrieren, um zu verstehen, wie sie zu den allgemeinen Veränderungen der neuronalen Aktivität beitragen und ob sie zur Vorhersage bestimmter Gehirnzustände verwendet werden können. Die Forschung wird weiter untersuchen, ob Unterschiede im Verhalten auf bestimmte Zelltypen zurückgeführt werden können und wie die Unterschiede zwischen Datensätzen verwendet werden können, um Variationen zwischen einzelnen Tieren zu charakterisieren. Die Fähigkeit, große neuronale Datensätze zu dekodieren und zu vergleichen, wird in der neurologischen Forschung von unschätzbarem Wert sein, indem angegeben wird, wie sich neurodegenerative Erkrankungen auf die Informationsverarbeitung des Gehirns auswirken.

Rikky Muller, Ph.D., Assistenzprofessor für Elektrotechnik und Informatik, University of California - Berkeley

Ein holographisches Hochgeschwindigkeitsgerät zur optogenetischen Kontrolle von Tausenden von Neuronen “

Die Optogenetik - genetisch veränderte Neuronen, um lichtempfindlich zu sein, damit Forscher sie nach Belieben aktivieren oder zum Schweigen bringen können - hat die neurowissenschaftliche Forschung revolutioniert. In Kombination mit räumlichen Lichtmodulatoren, die Licht zu 3D-Hologrammen formen, können Forscher viele Neuronen, die in einer dreidimensionalen Region eines Gehirns verteilt sind, individuell steuern in vivo. Bisher gab es jedoch keinen holographischen Projektor, der in der Lage war, Neuronen mit den Geschwindigkeiten zu steuern, die auf natürliche Weise im Gehirn zu finden sind.

Dr. Muller entwirft und baut einen holographischen Projektor, um dieses Problem zu lösen. Ihr Gerät überträgt holographische Lichtbilder mit einer Geschwindigkeit von 10.000 Bildern pro Sekunde (Hz). Viele Fernsehgeräte der aktuellen Generation aktualisieren zum Vergleich 60 Bilder pro Sekunde, und die schnellsten im Handel erhältlichen holographischen Werkzeuge arbeiten mit 500 Hz. Diese hohe Bildwiederholfrequenz ist erforderlich, um die natürliche neuronale Signalübertragung zu replizieren, die Aktionspotentialzeiten von etwa 1/1000 Sekunde (entspricht 1.000 Hz, wenn die Bildwiederholfrequenz berücksichtigt wird) umfasst. Darüber hinaus zielt Müller darauf ab, Tausende von Neuronen punktgenau anzusprechen. und genau wie höhere Raten in Fernsehgeräten zu schärferen Bildern führen, bietet ein 10.000-Hz-Hologramm eine höhere Präzision.

Dr. Muller, eine Elektrotechnikerin mit Schwerpunkt Neurotechnologie, konsultiert regelmäßig Neurowissenschaftler, um das Gerät zu entwerfen, zu testen und zu bauen, um sicherzustellen, dass es ihren Anforderungen entspricht. Das Gerät verwendet ein Mikrospiegel-Array, das durch elektrische Betätigung von Miniaturspiegeln 3D-Lichtmuster an bestimmten Orten und in bestimmten Tiefen modelliert. Das Licht wird dann durch eine Reihe von Linsen weitergeleitet. Das Projekt wird zunächst zwei Arrays entwerfen und herstellen - ein kleineres Array zum Testen und Proof of Concept und ein Array im größeren Format sowie die zugehörigen Treiber und Steuerelemente, die für die Messung und Kalibrierung verwendet werden. Schließlich wird Dr. Mullers Team einen voll ausgestatteten räumlichen Lichtmodulator herstellen. Es ist zu hoffen, dass dieses Tool Forschern eine beispiellose Möglichkeit bietet, die neuronale Konnektivität zu steuern und zu testen.

Kai Zinn, Ph.D., Howard und Gwen Laurie Smits Professor für Biologie am California Institute of Technology

Modulare enzymatische Barcodierung “

Viele neurowissenschaftliche Experimente umfassen die Analyse der Antikörper- und Rezeptorbindung an Zelloberflächen. Ein Verständnis der neuronalen Entwicklung und Funktion erfordert auch Kenntnisse über in vivo Wechselwirkungen zwischen Zelloberflächenproteinen. Hochdurchsatz-Experimente mit Proteinen sind normalerweise zeitaufwändig und komplex, da jedes Protein unterschiedliche biochemische Eigenschaften aufweist. Um neue Möglichkeiten für die neurowissenschaftliche Forschung zu eröffnen, entwickeln Dr. Zinn und sein Team eine modulare Methode, um verschiedene Proteine mit einem Barcode zu versehen und den Forschern ein flexibles Toolkit zur Verfügung zu stellen.

Das Barcodieren in seiner einfachsten Form beinhaltet das Einfügen eines genetischen Markers in Moleküle und das anschließende Suchen dieser Marker nach dem Experiment, um zu bestimmen, welche Moleküle zusammen lokalisiert sind. Es wurde mit großem Erfolg mit Nukleinsäuren verwendet. Proteine sind jedoch komplexer, und es gab keine Möglichkeit, die Tausenden von Proteinen, die für Forscher von Interesse sind, mit einem Barcode zu versehen, ohne auf chemische Vernetzung zurückzugreifen, die häufig die Proteinfunktion verändert. Dr. Zinn überwindet diese Herausforderung durch die Verwendung von Fusionsproteinen, die hochaffine Proteinbindungsmodule enthalten, die an Enzyme der „HUH-Domäne“ gebunden sind und sich kovalent an Barcode-Oligonukleotide koppeln können. Mit den Bindungsmodulen können die Barcodes an Antikörper, biotinylierte Proteine und Proteine mit kovalenten Bindungsmarkierungen gebunden werden. Dies bietet Neurowissenschaftlern Zugang zu den meisten Proteinen, die von Interesse sind. Das Projekt umfasst auch den Bau von Nanopartikelgerüsten mit 60 Bindungspunkten, die gleichzeitig an Barcodes und interessierende Proteine gebunden werden können. Diese Gerüste verbessern die Beobachtbarkeit von Wechselwirkungen - schwache Wechselwirkungen werden verstärkt, wenn mehrere Proteine auf jeder Struktur interagieren.

Dr. Zinns Projekt wird die Entwicklung der Protokolle und Prozesse beinhalten, die bei der Durchführung verschiedener Arten von Einzelzell-Sequenzierungsexperimenten mit hohem Durchsatz beteiligt sind, die Informationen über Proteine liefern. Dazu gehören Experimente mit Strichcode-Antikörpern zur Beobachtung der Expression spezifischer Oberflächenrezeptoren auf einer Zelle, zur Beobachtung von Veränderungen an Zellen bei Exposition gegenüber bestimmten Proteinen, zur Visualisierung einer großen Anzahl von Antigenen im Gehirngewebe, zum Screening von Wechselwirkungen einer großen Anzahl von Proteinen und zu Rezeptoren für "Orphan" -Proteine identifizieren. Aufgrund seiner Modularität, Einfachheit und der Fähigkeit, mehrere Proteine gleichzeitig interagieren zu lassen, erwartet Dr. Zinn, dass sein Barcode-System diese und viele andere Arten von neurowissenschaftlichen Experimenten ermöglicht und beschleunigt.

Thema: Der McKnight-Stiftungsfonds für Neurowissenschaften, Technologiepreise

Juli 2020

Deutsch
English ˜اَف صَومالي Français العربية 简体中文 ພາສາລາວ Tiếng Việt हिन्दी 한국어 ភាសាខ្មែរ Tagalog Español de Perú Español de México Hmoob አማርኛ Deutsch