Avec des pixels programmables, un nouveau capteur améliore l'imagerie de l'activité neuronale

Les neurones communiquent électriquement. Ainsi, pour comprendre comment ils produisent des fonctions cérébrales telles que la mémoire, les neuroscientifiques doivent suivre l'évolution de leur tension, parfois subtilement, sur une échelle de temps de quelques millisecondes. Dans un nouvel article en Communications naturellesles chercheurs du MIT décrivent un nouveau capteur d'image capable d'augmenter considérablement cette capacité.

L'invention dirigée par Jie Zhang, chercheur postdoctoral au laboratoire de l'Institut Picower pour l'apprentissage et la mémoire du professeur Matt Wilson de Sherman Fairchild, est une nouvelle approche de la technologie standard « CMOS » utilisée dans l'imagerie scientifique. Dans cette approche standard, tous les pixels s'allument et s'éteignent en même temps, une configuration avec un compromis inhérent dans lequel un échantillonnage rapide signifie capturer moins de lumière.

La nouvelle puce permet de contrôler individuellement la synchronisation de chaque pixel. Cet arrangement offre le « meilleur des deux mondes » dans lequel les pixels voisins peuvent essentiellement se compléter pour capturer toute la lumière disponible sans sacrifier la vitesse.

Dans les expériences décrites dans l'étude, l'équipe de Zhang et Wilson démontre comment la programmabilité « par pixel » leur a permis d'améliorer la visualisation des « pics » de tension neuronale, qui sont les signaux que les neurones utilisent pour communiquer entre eux, et même des fluctuations momentanées les plus subtiles de la tension neuronale. leur tension qui se produit constamment entre ces événements de pointe.

“Mesurer avec une résolution à pointe unique est vraiment important dans le cadre de notre approche de recherche”, a déclaré l'auteur principal Wilson, professeur aux départements de biologie et de sciences du cerveau et des sciences cognitives (BCS) du MIT, dont le laboratoire étudie la manière dont le cerveau code et affine les souvenirs spatiaux. à la fois pendant l'exploration éveillée et pendant le sommeil. “Il est important de réfléchir aux processus de codage dans le cerveau, aux pics uniques et au timing de ces pics pour comprendre comment le cerveau traite l'information.”

Pendant des décennies, Wilson a contribué à l'innovation dans l'utilisation d'électrodes pour exploiter les signaux électriques neuronaux en temps réel, mais comme de nombreux chercheurs, il a également recherché des lectures visuelles de l'activité électrique, car elles peuvent mettre en évidence de vastes zones de tissus tout en montrant quels neurones exacts sont électriquement actifs à un moment donné. Être capable d'identifier quels neurones sont actifs peut permettre aux chercheurs de savoir quels types de neurones participent aux processus de mémoire, fournissant ainsi des indices importants sur le fonctionnement des circuits cérébraux.

Ces dernières années, des neuroscientifiques, dont le co-auteur principal Ed Boyden, le professeur Y. Eva Tan de neurotechnologie à BCS et le McGovern Institute for Brain Research et une filiale du Picower Institute, ont travaillé pour répondre à ce besoin en inventant des « indicateurs de tension génétiquement codés » ( GEVI), qui font briller les cellules lorsque leur tension change en temps réel. Mais alors que Zhang et Wilson ont essayé d'utiliser les GEVI dans leurs recherches, ils ont découvert que les capteurs d'images CMOS conventionnels manquaient une grande partie de l'action. S’ils opéraient trop vite, ils ne capteraient pas assez de lumière. S’ils opéraient trop lentement, ils passeraient à côté de changements rapides.

Mais les capteurs d'images ont une résolution si fine que de nombreux pixels regardent essentiellement le même endroit à l'échelle d'un neurone entier, a déclaré Wilson. Conscient qu'il restait de la résolution, Zhang a appliqué son expertise en matière de conception de capteurs pour inventer une puce de capteur d'image qui permettrait aux pixels voisins d'avoir chacun leur propre timing. Des mesures plus rapides pourraient capturer des changements rapides. Ceux qui fonctionnent plus lentement pourraient recueillir plus de lumière. Aucune action ni photon ne serait manqué.

Zhang a également intelligemment conçu l'électronique de contrôle requise afin qu'elle réduise à peine l'espace disponible pour les éléments sensibles à la lumière sur un pixel. Cela garantit la haute sensibilité du capteur dans des conditions de faible luminosité, a déclaré Zhang.

Deux démos

Dans l'étude, les chercheurs ont démontré deux façons dont la puce a amélioré l'imagerie de l'activité de tension des neurones de l'hippocampe de souris cultivés dans une boîte. Ils ont confronté leur capteur à une puce de capteur d’image CMOS scientifique standard de l’industrie.

Dans la première série d’expériences, l’équipe a cherché à imager la dynamique rapide de la tension neuronale. Sur la puce CMOS conventionnelle, chaque pixel avait un temps d'exposition rapide de 1,25 milliseconde. Sur le capteur par pixel, chaque pixel des groupes voisins de quatre est resté allumé pendant 5 millisecondes, mais leurs heures de démarrage ont été échelonnées de sorte que chacun s'est allumé et s'est éteint 1,25 seconde plus tard que le suivant.

Dans l’étude, l’équipe montre que chaque pixel, parce qu’il était allumé plus longtemps, collectait plus de lumière, mais comme chacun capturait une nouvelle vue toutes les 1,25 millisecondes, cela équivalait simplement à avoir une résolution temporelle rapide. Le résultat a été un doublement du rapport signal/bruit pour la puce pixelwise. Cela permet d'obtenir une résolution temporelle élevée à une fraction du taux d'échantillonnage par rapport aux puces CMOS classiques, a déclaré Zhang.

De plus, la puce par pixel a détecté des activités de pointe neuronale que le capteur conventionnel avait manquées. Et lorsque les chercheurs ont comparé les performances de chaque type de capteur aux mesures électriques effectuées avec une électrode patch-clamp traditionnelle, ils ont constaté que les mesures échelonnées par pixel correspondaient mieux à celles du patch-clamp.

Dans la deuxième série d'expériences, l'équipe a cherché à démontrer que la puce par pixel pouvait capturer à la fois la dynamique rapide ainsi que les variations de tension « sous-seuil » plus lentes et plus subtiles que présentent les neurones. Pour ce faire, ils ont fait varier les durées d'exposition des pixels voisins dans la puce pixel par pixel, allant de 15,4 millisecondes à seulement 1,9 millisecondes.

De cette manière, les pixels rapides échantillonnaient chaque changement rapide (bien que faiblement), tandis que les pixels plus lents intégraient suffisamment de lumière au fil du temps pour suivre des fluctuations plus lentes, même subtiles. En intégrant les données de chaque pixel, la puce a en effet pu capturer à la fois des pics rapides et des changements inférieurs au seuil plus lents, ont rapporté les chercheurs.

Les expériences avec de petits groupes de neurones dans une assiette n'étaient qu'une preuve de concept, a déclaré Wilson. L'objectif ultime de son laboratoire est d'effectuer des mesures en temps réel de l'activité de différents types de neurones chez les animaux, à l'échelle du cerveau, même lorsqu'ils se déplacent librement et apprennent à naviguer dans des labyrinthes. Le développement de GEVI et de capteurs d’images comme la puce pixelwise, capables de tirer parti de ce qu’ils montrent, est crucial pour rendre cet objectif réalisable.

“C'est l'idée de tout ce que nous voulons mettre en place : une imagerie de tension à grande échelle de neurones génétiquement marqués chez des animaux se comportant librement”, a déclaré Wilson.

Pour y parvenir, Zhang a ajouté : « Nous travaillons déjà sur la prochaine itération de puces avec un bruit plus faible, un nombre de pixels plus élevé, une résolution temporelle de plusieurs kHz et de petits facteurs de forme pour l'imagerie d'animaux se comportant librement. »

La recherche avance pixel par pixel.

Outre Zhang, Wilson et Boyden, les autres auteurs de l'article sont Jonathan Newman, Zeguan Wang, Yong Qian, Pedro Feliciano-Ramos, Wei Guo, Takato Honda, Zhe Sage Chen, Changyang Linghu, Ralph-Etienne Cummings et Eric Fossum.