Ngày 30 tháng 7 năm 2021
Quỹ McKnight Endowment Fund for Neuroscience (MEFN) đã công bố ba người nhận được $600.000 tài trợ thông qua Giải thưởng McKnight Technological Innovations in Neuroscience năm 2021, công nhận những dự án này có khả năng thay đổi cơ bản cách thức tiến hành nghiên cứu khoa học thần kinh. Mỗi dự án sẽ nhận được tổng cộng $200.000 trong hai năm tới, thúc đẩy sự phát triển của các công nghệ đột phá này được sử dụng để lập bản đồ, giám sát và mô hình chức năng não. Những người được trao giải năm 2021 là:
- Timothy Dunn, Tiến sĩ, Đại học Duke, đang làm việc trên một hệ thống để ghi lại chuyển động cơ thể của các đối tượng bằng phép đo 3D (chứ không phải phép đo pixel 2D) bằng cách kết hợp nhiều máy quay video và một thuật toán máy học mới. Phương pháp này cho phép theo dõi độ phân giải cao của các bộ phận cơ thể nhỏ, rời rạc ở các động vật tự do cư xử, cho phép nghiên cứu trong không gian tự nhiên và thậm chí có thể theo dõi nhiều động vật tương tác xã hội, một sự kết hợp của các tính năng không có sẵn trong các hệ thống hiện tại.
- Jeffrey Kieft, Tiến sĩ, Đại học Y khoa Colorado, người đang phát triển một cách kỹ thuật RNA để tạo ra một hình thức bảo vệ có thể làm giảm tốc độ mà mRNA bị phá hủy bởi các enzyme. Bằng cách này, các nhà nghiên cứu sẽ có thể quản lý sự phong phú của các protein mRNA cụ thể trong tế bào, hữu ích cho việc nghiên cứu và thậm chí có thể điều trị một số chứng rối loạn.
- Suhasa Kodandaramaiah, Tiến sĩ, Đại học Minnesota Twin Cities, đang sử dụng các hệ thống robot để cho phép theo dõi hoạt động của não mạnh mẽ hơn ở những động vật di chuyển tự do. Sử dụng robot để di chuyển phần cứng dọc theo nhiều trục đồng bộ với động vật, cách tiếp cận này cho phép sử dụng các hệ thống giám sát lớn hơn, mạnh hơn, độ phân giải cao hơn so với các phiên bản thu nhỏ thường được sử dụng cho các thí nghiệm ở động vật di chuyển tự do.
Tìm hiểu thêm về từng dự án nghiên cứu này bên dưới.
Về những đổi mới công nghệ trong giải thưởng khoa học thần kinh
Kể từ khi Giải thưởng Sáng tạo Công nghệ McKnight trong Khoa học Thần kinh được thành lập vào năm 1999, MEFN đã đóng góp hơn $15 triệu cho các công nghệ đổi mới cho khoa học thần kinh thông qua cơ chế giải thưởng này. MEFN đặc biệt quan tâm đến công việc áp dụng các cách tiếp cận mới và mới lạ để nâng cao khả năng vận dụng và phân tích chức năng não. Các công nghệ được phát triển với sự hỗ trợ của McKnight cuối cùng phải được cung cấp cho các nhà khoa học khác.
Markus Meister, tiến sĩ, chủ tịch hội đồng giải thưởng và giáo sư khoa học sinh học Anne P. và Benjamin F. Biaggini cho biết: “Một lần nữa, thật là hồi hộp khi thấy những ứng viên của chúng tôi đang mang đến những công nghệ thần kinh mới. tại Caltech. “Năm nay, chúng tôi phải đối mặt với một lựa chọn khó khăn trong số nhiều sự phát triển thú vị và giải thưởng của chúng tôi trải dài trên nhiều phạm vi, từ bộ xương ngoài robot để hỗ trợ ghi lại thần kinh ở loài gặm nhấm, kiểm soát phân tử biểu hiện gen chính xác, đến các thuật toán theo dõi 3D hành vi của động vật. ”
Hội đồng tuyển chọn năm nay cũng bao gồm Adrienne Fairhall, Timothy Holy, Loren Looger, Mala Murthy, Alice Ting và Hongkui Zeng, những người đã chọn Giải thưởng Công nghệ Đổi mới trong Khoa học Thần kinh năm nay từ một nhóm 73 ứng viên có tính cạnh tranh cao.
Những bức thư về ý định cho Giải thưởng Đổi mới Công nghệ trong Khoa học Thần kinh năm 2022 sẽ có hiệu lực vào Thứ Hai, ngày 6 tháng 12 năm 2021. Một thông báo về quy trình năm 2022 sẽ được đưa ra vào tháng Tám. Nhấp chuột để biết thêm thông tin về các giải thưởng.
Giải thưởng Sáng tạo Công nghệ McKnight trong Khoa học Thần kinh năm 2021
Timothy Dunn, Tiến sĩ, Trợ lý Giáo sư, Khoa Kỹ thuật Y sinh, Đại học Duke
Định lượng hành vi ba chiều đa quy mô trong các cá nhân và nhóm xã hội
Các phương pháp đo chuyển động của động vật tự do hiện tại có những hạn chế: Các quan sát chi tiết cao về chuyển động nhỏ của động vật (ví dụ: một chữ số) đòi hỏi phạm vi chuyển động bị hạn chế. Nghiên cứu hành vi chuyển động tự do trong không gian 3D thường có nghĩa là giới hạn độ phân giải, có lẽ chỉ theo dõi vị trí tổng thể hoặc dựa vào mô tả của người quan sát. Theo dõi video tự động ở động vật thường yêu cầu môi trường không tự nhiên, đơn giản và các bộ phận cơ thể không hiển thị với máy ảnh sẽ không được theo dõi chính xác. Dự đoán Trí tuệ nhân tạo (AI) có độ phân giải cao trên không gian ba chiều lớn bằng cách sử dụng biểu diễn không gian thể tích, một kỹ thuật được phát triển gần đây để khắc phục những vấn đề này, đòi hỏi sức mạnh tính toán lớn. Thêm nhiều động vật để quan sát xã hội sẽ giới thiệu các vấn đề bổ sung.
Do đó, có rất ít dữ liệu mong muốn có sẵn: Độ phân giải cao, tự động theo dõi động vật trong không gian 3D thực hiện các hành vi tự nhiên, một mình hoặc theo nhóm và định lượng chuyển động đó ở định dạng chuẩn hóa. Tiến sĩ Dunn đang nghiên cứu một cách tiếp cận mới nhằm mục đích đưa lý tưởng đó đến gần hơn. Dựa trên những bài học từ thuật toán máy học hình học 3D mà nhóm của ông đã sử dụng để cải thiện đáng kể độ chính xác của các dự đoán, Tiến sĩ Dunn và nhóm của ông hiện đang nghiên cứu lấy mẫu hình ảnh lặp lại thích ứng (ARIS) kết hợp hình ảnh từ nhiều máy ảnh để tạo ra một mô hình có thể đo và dự đoán vị trí của cơ thể trên nhiều quy mô, ngay cả khi một bộ phận (chẳng hạn như cánh tay hoặc bàn chân) không được nhìn thấy trực tiếp.
ARIS cải thiện có chọn lọc độ phân giải của các đặc điểm cơ thể tỷ lệ nhỏ và sử dụng mô hình dự đoán dựa trên những gì nó biết về chủ thể của nó (cách sắp xếp và chiều dài của các chi, cách chúng kết nối, cách chúng di chuyển, v.v.) - được học trước bằng cách phân tích cú pháp số lượng lớn dữ liệu huấn luyện từ những con chuột đang cư xử tự do và sau đó được tinh chỉnh bằng cách sử dụng dữ liệu huấn luyện ở các loài khác - để tập trung vào phần không gian có khả năng là bộ phận cơ thể. Điều này sử dụng sức mạnh tính toán ít hơn nhiều so với các công cụ thể tích 3D trước đây. Trong nghiên cứu của mình, Tiến sĩ Dunn sẽ triển khai ARIS và ghi lại dữ liệu ở nhiều tỷ lệ, từ vị trí tổng thể và tư thế cho đến chuyển động của các nét đẹp của bàn tay, bàn chân và khuôn mặt. Nghiên cứu sâu hơn sẽ khám phá hiệu quả của nó với nhiều loài động vật tương tác. Khả năng đo lường hành vi theo một cách mới, chính xác hơn này có ý nghĩa rộng rãi đối với việc nghiên cứu các rối loạn thần kinh ảnh hưởng đến chuyển động, liên kết hoạt động của não với hành vi và nghiên cứu các tương tác xã hội.
Jeffrey Kieft, Ph.D., Giáo sư, Khoa Hóa sinh và Di truyền Phân tử, Trường Y Đại học Colorado
Một công nghệ mới để kiểm soát bảng sao
Messenger RNA, hoặc mRNA, được công nhận là một nhân tố quan trọng trong sự sống và sức khỏe của tế bào. Các phân tử RNA này là khuôn mẫu để tạo ra protein, và được tạo ra bên trong tế bào để mang các chỉ thị đến bộ máy tạo ra protein, sau đó bị phá hủy bởi các enzym. Toàn bộ mRNA mà một sinh vật biểu hiện được gọi là “bộ sao chép” của nó.
Sự thiếu hụt mRNA và RNA không mã hóa (ncRNA) có liên quan đến một số rối loạn thoái hóa thần kinh và phát triển thần kinh. Nếu có quá ít mRNA hoặc ncRNA cụ thể trong bộ phiên mã, một số chức năng của tế bào có thể bị suy thoái hoặc vô hiệu hóa. Tiến sĩ Kieft đang khám phá một cách mới để quản lý bộ phiên mã bằng cách làm chậm sự phân hủy của mRNA và ncRNA. Biết rằng một số enzym phá hủy RNA về cơ bản "nhai" nó từ đầu này sang đầu kia, Tiến sĩ Kieft đã sử dụng hiểu biết của mình về cách các phân tử RNA được cấu trúc và tự gấp lại để tạo ra một đoạn RNA kháng exoribonuclease được thiết kế (xrRNA). , khi được đưa vào mRNA hoặc ncRNA tương thích, sẽ kết hợp và gấp lại để tạo thành cấu trúc “chặn”, theo nghĩa đen, thay đổi hình dạng của RNA bằng cách chèn một phần nhô ra để ngăn chặn các enzyme theo dõi của chúng.
Bằng cách làm chậm sự phân rã của mRNA và ncRNA mục tiêu, Tiến sĩ Kieft nhận thấy cơ hội để quản lý sự phong phú của chúng trong bộ phiên mã. Các xrRNA được thiết kế có thể chỉ nhận ra các mục tiêu cụ thể, liên kết với chúng và tạo ra sự bảo vệ, vì vậy các nhà nghiên cứu có thể tăng tỷ lệ mục tiêu mà không thay đổi số lượng được tạo ra. Phương pháp này có ưu điểm là ít gây rối loạn cho tế bào chủ hơn là tăng mRNA không tự nhiên và độ chính xác mà xrRNA có thể được thiết kế mang lại tiềm năng nhắm mục tiêu nhiều RNA cùng một lúc và thậm chí có thể cho phép tinh chỉnh bằng cách quản lý chính xác tốc độ sự thối rữa. Tiến sĩ Kieft coi ứng dụng này, được sinh ra từ khoa học cơ bản nghiên cứu RNA, là một công cụ nghiên cứu tiềm năng mạnh mẽ cho các nhà khoa học thần kinh, và thậm chí có thể là nền tảng cho các liệu pháp trong tương lai xa hơn.
Suhasa Kodandaramaiah, Ph.D., Benjamin Mayhugh Trợ lý Giáo sư, Khoa Cơ khí, Đại học Minnesota Twin Cities
Các bản ghi toàn bộ não được hỗ trợ bởi robot trong những con chuột tự do cư xử
Các nhà khoa học thần kinh nghiên cứu hoạt động của não trong các hành vi thường phải đánh đổi: Họ sử dụng các cảm biến thần kinh thu nhỏ gắn trên đầu đủ nhẹ để cho phép đối tượng hành động tự do, nhưng độ phân giải thấp hơn hoặc không thể giám sát toàn bộ não. Hoặc họ sử dụng các công cụ mạnh hơn, quá nặng đối với động vật chủ thể và yêu cầu các giải pháp khác, chẳng hạn như bất động trong khi để động vật di chuyển trên máy chạy bộ hoặc thậm chí sử dụng trải nghiệm thực tế ảo vẫn hạn chế hành vi của chủ thể.
Tiến sĩ Kodandaramaiah đang giải quyết thử thách bằng một bộ xương ngoài sọ robot mang trọng lượng của phần cứng ghi âm và giám sát thần kinh trong khi vẫn cho phép đối tượng (trong trường hợp này là chuột) xoay đầu của nó theo cả ba độ: xoay 360 độ hoàn toàn trong trục yaw (quay ngang), và khoảng 50 độ chuyển động trong các trục tung và ném trong khi di chuyển xung quanh trong một đấu trường. Robot có ba cánh tay khớp nối được sắp xếp theo hình tam giác, treo lơ lửng trên đối tượng và gặp nhau tại điểm gắn trên đầu. Các cảm biến trong giá đỡ sẽ phát hiện chuyển động của chuột và chỉ đạo rô-bốt cho phép chuyển động với lực điện trở nhỏ nhất có thể, cho phép chuột quay và di chuyển trong một đấu trường thường được sử dụng cho các thí nghiệm khoa học thần kinh với tất cả các thiết bị giác quan cần thiết và dây từ các mô cấy được hỗ trợ bởi rô bốt.
Việc loại bỏ nhu cầu thu nhỏ cho phép các nhà nghiên cứu sử dụng bất kỳ phần cứng hiện đại nào có sẵn, nghĩa là về mặt lý thuyết, robot có thể được nâng cấp để sử dụng công nghệ mới nhất ngay sau khi được giới thiệu. Để đạt được điểm đó, nhóm của Tiến sĩ Kodandaramaiah sẽ trải qua một số bước - thiết kế bộ xương ngoài; thiết kế giai đoạn đầu với các cảm biến cần thiết cộng với các điện cực và camera mật độ cao để quan sát bên ngoài mắt, râu và hơn thế nữa; thực hiện thử nghiệm trên băng ghế dự bị; điều chỉnh robot theo các đầu vào mà chuột có thể cung cấp; xác định cách giới thiệu các đầu dò; và cuối cùng là ghi âm trực tiếp. Với nền tảng cơ học này, Tiến sĩ Kodandaramaiah hy vọng sẽ giúp các nhà nghiên cứu tiến gần hơn đến trạng thái mà họ có thể tạo ra các bản ghi thần kinh chi tiết trên toàn bộ não về các đối tượng tự do hoạt động trong khoảng thời gian dài.
