20 juillet 2020
Le Fonds de dotation McKnight pour les neurosciences (MEFN) a annoncé les trois récipiendaires d'une subvention de $600000 par le biais des prix McKnight Innovations technologiques en neurosciences 2020, reconnaissant ces projets pour leur capacité à changer fondamentalement la façon dont la recherche en neurosciences est menée. Chacun des projets recevra un total de $200 000 au cours des deux prochaines années, faisant progresser le développement de ces technologies révolutionnaires utilisées pour cartographier, surveiller et modéliser la fonction cérébrale. Les lauréats 2020 sont:
- Eva Dyer, Ph.D., du Georgia Institute of Technology & Emory University, qui crée des algorithmes d'apprentissage automatique pour comparer de grands ensembles de données d'activité neuronale et trouver des modèles au niveau macro et neuronal qui correspondent à des états et des comportements spécifiques chez des animaux se comportant librement.
- Rikky Muller, Ph.D., de l'Université de Californie - Berkeley, qui conçoit et construit un projecteur holographique haute vitesse capable de projeter de la lumière 3D dans le cerveau à des vitesses neuronales, beaucoup plus rapides que les projecteurs actuels, et ainsi de manipuler des milliers de neurones contrôlés optogénétiquement avec une grande précision.
- Kai Zinn, Ph.D., du California Institute of Technology, qui développe un moyen modulaire et rentable de coder génétiquement des protéines telles que les anticorps et les récepteurs de surface des cellules neurales afin que les chercheurs puissent suivre les interactions protéiques à l'aide du séquençage monocellulaire à haut débit, un outil avec de nombreuses applications possibles pour la recherche en neurosciences.
(En savoir plus sur chacun de ces projets de recherche ci-dessous.)
À propos des prix des innovations technologiques en neurosciences
Depuis la création du prix McKnight pour les innovations technologiques en neurosciences en 1999, le MEFN a contribué plus de $14,5 millions à des technologies innovantes pour les neurosciences grâce à ce mécanisme de récompense. Le MEFN s'intéresse particulièrement aux travaux qui adoptent des approches nouvelles et novatrices pour faire progresser la capacité de manipuler et d'analyser les fonctions cérébrales. Les technologies développées avec le soutien de McKnight doivent finalement être mises à la disposition d'autres scientifiques.
«Encore une fois, ce fut un plaisir de voir l'ingéniosité que nos candidats apportent aux nouvelles neurotechnologies», a déclaré Markus Meister, Ph.D., président du comité des prix et professeur Anne P. et Benjamin F. Biaggini de sciences biologiques à Caltech. «Cette année, nous avons été confrontés à un choix difficile parmi de nombreux développements passionnants, et nos récompenses couvrent un large éventail, des méthodes de calcul pour le Big Data du cerveau, aux optiques sophistiquées pour le contrôle des faisceaux lumineux, à une stratégie moléculaire intelligente pour la surveillance des protéines expression dans les neurones. »
Le comité de sélection de cette année comprenait également Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting et Hongkui Zeng, qui ont choisi les Innovations technologiques en neurosciences de cette année parmi un bassin hautement compétitif de 89 candidats.
Les lettres d'intention pour les prix 2021 des innovations technologiques en neurosciences sont attendues le lundi 7 décembre 2020. Une annonce concernant le processus 2021 sera publiée en septembre. Pour plus d'informations sur les récompenses, veuillez visiter www.mcknight.org/programs/the-mcknight-endowment-fund-for-neuroscience/technology-awards
Prix McKnight Innovations technologiques en neurosciences 2020
Eva Dyer, Ph.D., professeure adjointe, Wallace H. Coulter Département de génie biomédical, Georgia Institute of Technology & Emory University
“Comparaison d'ensembles de données neuronales à grande échelle dans le temps, l'espace et le comportement »
La capacité d'observer et d'enregistrer des données neuronales sur de grandes parties du cerveau a abouti à d'énormes quantités de données, permettant de trouver des modèles dans les données qui peuvent expliquer combien de neurones travaillent ensemble pour coder des informations sur le monde. Même avec les nouvelles avancées dans la recherche de modèles de faible dimension dans les ensembles de données, il est toujours difficile de comparer plusieurs enregistrements à grande échelle, que ce soit sur de longues périodes de temps, ou entre différents individus résolvant les mêmes tâches ou des tâches similaires, ou entre des états pathologiques. L'expérience de la Dre Dyer en utilisant l'apprentissage automatique (ML) pour décoder l'activité cérébrale l'a amenée à une nouvelle solution pour identifier des modèles dans plusieurs grands ensembles de données neuronales.
Le travail du Dr Dyer consiste à créer des algorithmes d'apprentissage automatique pour extraire des informations significatives à partir d'ensembles de données neuronales, qui sont étiquetés pour identifier si l'animal était endormi, éveillé, en quête de nourriture ou s'il se livrait à divers mouvements ou comportements. De nouvelles règles mathématiques inspirées de la cryptographie guident les algorithmes pour identifier des modèles similaires dans des ensembles de données séparés, en cherchant spécifiquement à faire correspondre l'activité neuronale générée par différents états du cerveau comme point de départ pour aligner les données. L'alignement de l'activité neuronale peut montrer comment les schémas neuronaux sont liés au comportement et à l'état du sujet, ainsi que prévenir la corruption par le bruit, et fournit un tremplin critique pour des techniques d'analyse plus puissantes.
Le deuxième objectif du Dr Dyer aidera les chercheurs à se recentrer sur des neurones uniques pour comprendre comment ils contribuent aux changements globaux de l'activité neuronale et s'ils peuvent être utilisés pour prédire des états cérébraux spécifiques. La recherche explorera en outre si les différences de comportement peuvent être attribuées à des types de cellules spécifiques et comment les différences observées entre les ensembles de données peuvent être utilisées pour caractériser la variation entre les animaux individuels. La capacité de décoder et de comparer de grands ensembles de données neuronales se révélera inestimable dans la recherche neurologique en indiquant comment les maladies neurodégénératives affectent le traitement de l'information par le cerveau.
Rikky Muller, Ph.D., professeur adjoint de génie électrique et d'informatique, Université de Californie - Berkeley
“Un appareil holographique haute vitesse pour le contrôle optogénétique de milliers de neurones »
L'optogénétique - qui modifie génétiquement les neurones pour qu'ils soient sensibles à la lumière afin que les chercheurs puissent les activer ou les faire taire à volonté - a révolutionné la recherche en neurosciences. Associés à des modulateurs de lumière spatiaux qui façonnent la lumière en hologrammes 3D, les chercheurs peuvent contrôler individuellement de nombreux neurones répartis dans une région tridimensionnelle d'un cerveau in vivo. Mais jusqu'à présent, il n'existait pas de projecteur holographique capable de contrôler les neurones aux vitesses trouvées naturellement dans le cerveau.
Le Dr Muller conçoit et construit un projecteur holographique pour résoudre ce problème. Son appareil diffusera des images lumineuses holographiques à des taux de 10 000 images par seconde (Hz). De nombreux téléviseurs de la génération actuelle actualisent 60 images par seconde, à titre de comparaison, et les outils holographiques les plus rapides disponibles dans le commerce atteignent 500 Hz. Ce taux de rafraîchissement élevé est nécessaire pour reproduire la signalisation neuronale naturelle, qui implique des temps de potentiel d'action d'environ 1/1 000e de seconde (équivalent à 1000 Hz lorsque l'on considère les taux de rafraîchissement.) De plus, Muller vise à cibler des milliers de neurones avec une précision extrême, et tout comme les taux plus élevés des téléviseurs donnent des images plus nettes, un hologramme de 10 000 Hz offrira une plus grande précision.
Le Dr Muller, un ingénieur électricien qui se concentre sur la neurotechnologie, consulte régulièrement des neuroscientifiques pendant qu'elle conçoit, teste et construit l'appareil pour s'assurer qu'il répond à leurs besoins. L'appareil utilisera un réseau de micromiroirs, qui sculptera des motifs 3D de lumière à des endroits et à des profondeurs spécifiques grâce à l'actionnement électrique de miroirs miniatures; la lumière est ensuite relayée à travers une série de lentilles. Le projet concevra et fabriquera d'abord deux tableaux - un plus petit tableau pour les tests et la preuve de concept, et un tableau de plus grand format, ainsi que les pilotes et commandes associés qui seront utilisés pour la mesure et l'étalonnage. Enfin, l'équipe du Dr Muller produira un modulateur de lumière spatial complet. On espère que cet outil donnera aux chercheurs une capacité sans précédent de contrôler et de tester la connectivité neuronale.
Kai Zinn, Ph.D., Professeur Howard et Gwen Laurie Smits de biologie, California Institute of Technology
“Code à barres enzymatique modulaire »
De nombreuses expériences en neurosciences impliquent l'analyse de la liaison des anticorps et des récepteurs aux surfaces cellulaires. En outre, une compréhension du développement et de la fonction neuronale nécessite des connaissances sur in vivo interactions entre les protéines de surface cellulaire. Les expériences à haut débit impliquant des protéines sont généralement longues et complexes car chaque protéine a des propriétés biochimiques différentes. Pour aider à ouvrir de nouvelles opportunités pour la recherche en neurosciences, le Dr Zinn et son équipe développent une manière modulaire de «coder» différentes protéines, offrant aux chercheurs une boîte à outils flexible.
Le code à barres dans sa forme la plus simple consiste à insérer un marqueur génétique dans des molécules, puis à rechercher ces marqueurs après l'expérience pour déterminer quelles molécules sont localisées ensemble. Il a été utilisé avec des acides nucléiques avec un grand succès. Les protéines sont cependant plus complexes et il n'y avait aucun moyen de coder les milliers de protéines d'intérêt pour les chercheurs sans recourir à la réticulation chimique, qui altère souvent la fonction des protéines. Le Dr Zinn surmonte ce défi en utilisant des protéines de fusion contenant des modules de liaison aux protéines de haute affinité attachés à des enzymes «à domaine HUH», qui peuvent se coupler de manière covalente à des oligonucléotides de codes à barres. Les modules de liaison permettent aux codes-barres d'être attachés à des anticorps, des protéines biotinylées et des protéines avec des étiquettes de liaison covalente. Cela permet d'accéder à la plupart des protéines d'intérêt pour les neuroscientifiques. Le projet consiste également à construire des échafaudages de nanoparticules avec 60 points de liaison qui peuvent être simultanément attachés à des codes-barres et à des protéines d'intérêt. Ces échafaudages amélioreront l'observabilité des interactions - les interactions faibles sont rendues plus fortes lorsque plusieurs protéines sur chaque structure interagissent.
Le projet du Dr Zinn consistera à développer les protocoles et processus impliqués dans la conduite de plusieurs types d'expériences de séquençage monocellulaire à haut débit qui fourniront des informations sur les protéines. Il s'agit notamment d'expériences utilisant des anticorps à code-barres pour observer l'expression de récepteurs de surface spécifiques sur une cellule, pour observer les changements dans les cellules lorsqu'elles sont exposées à certaines protéines, pour visualiser un grand nombre d'antigènes dans le tissu cérébral, pour cribler les interactions d'un grand nombre de protéines et pour identifier les récepteurs des protéines «orphelines». Grâce à sa modularité, sa simplicité et sa capacité à permettre à plusieurs protéines d'interagir à la fois, le Dr Zinn s'attend à ce que son système de codes-barres permette et accélère ces et bien d'autres types d'expériences en neurosciences.
