Nuevo método para identificar tipos de células en el sistema visual

Identificar diferentes tipos de células y sus roles en nuestro cerebro es clave para entender cómo vemos y pensamos. En la retina, podemos encontrar diferentes tipos de células usando señales visuales específicas, pero esto necesita mucho conocimiento experto. Esto puede sesgar nuestros hallazgos hacia solo los tipos de células conocidos. En la corteza visual del cerebro, es aún menos claro qué tipos de células están presentes y cómo podemos identificarlas. Por lo tanto, necesitamos nuevos métodos para identificar tipos de células tanto en la retina como en la corteza visual sin sesgos.

#Nuevo Enfoque para Identificar Tipos de Células

Proponemos un nuevo método que utiliza técnicas de optimización y agrupamiento junto con modelos de aprendizaje profundo para agrupar neuronas según sus funciones utilizando lo que llamamos Estímulos Más Discriminativos (MDS). Nuestro método funciona alternando entre encontrar los mejores estímulos para activar un grupo de neuronas y reasignar neuronas en diferentes grupos según sus respuestas. Este método ha sido efectivo para identificar Grupos Funcionales en retinas de ratones, retinas de titíes y en el área visual V4 de macacos. Esto demuestra que nuestro enfoque ayuda a encontrar señales visuales importantes en varias especies y regiones del cerebro mientras usa diferentes técnicas de grabación.

El MDS puede asignar rápidamente tipos de células según las señales únicas a las que cada célula responde, sin necesidad de depender de modelos complejos o de un gran conjunto de datos de escenas naturales. Esto hace que nuestro enfoque sea útil para estudios que generalmente están restringidos por el tiempo que toman los experimentos. Importante, el MDS es interpretable, lo que significa que revela las señales visuales específicas que identifican claramente un cierto tipo de neurona.

#La Importancia de los Tipos de Células

Los animales perciben su entorno a través de un sistema complejo de neuronas en el sistema visual. Estas neuronas se agrupan como diferentes tipos de células, que muestran reacciones distintivas a estímulos visuales. Hemos visto una investigación significativa para entender estos tipos de células en la retina de ratón, donde los tipos se alinean bien con sus características genéticas y estructurales. Sin embargo, en áreas visuales superiores, se vuelve complicado identificar estos tipos solo con respuestas a la luz. Intentos recientes sugieren que hay tipos funcionales tanto continuos como discretos en la corteza visual primaria de los ratones y en el área visual V4 de primates.

Tradicionalmente, identificar tipos de células funcionales requiere un gran conocimiento, ya que generalmente implica crear estímulos visuales que puedan diferenciarlos eficazmente y seleccionar características de respuesta para su clasificación. Este enfoque puede llevar a pasar por alto tipos de células desconocidas y hace difícil identificar tipos funcionales en muchas áreas del cerebro donde los tipos "verdaderos" aún no son reconocidos. Por lo tanto, identificamos la necesidad de un método basado en datos que no requiera experiencia y que pueda potencialmente revelar funciones desconocidas en el sistema visual.

#Utilizando Redes Neuronales Artificiales

La idea de utilizar redes neuronales artificiales como un replica digital del sistema visual es una perspectiva emocionante. Estas redes pueden tomar estímulos visuales y predecir cómo respondería una neurona biológica. Los gemelos digitales del sistema visual permiten un análisis preciso de las respuestas neuronales. Pueden encontrar estímulos que activan de manera más efectiva neuronas individuales, conocidos como Entradas Máximamente Emocionantes (MEIs). El desafío, sin embargo, radica en optimizar los estímulos que pueden activar una neurona mientras inhiben a otras.

El agrupamiento de estímulos más discriminativos implica usar un modelo de gemelo digital para imitar el comportamiento de las neuronas en el sistema visual. El modelo se entrena para reconocer respuestas a varios estímulos y puede iterar entre la optimización de estímulos para activar neuronas dentro de un grupo mientras suprime las respuestas de otros grupos. Al hacer esto, puede ayudar a identificar los estímulos más efectivos para diferenciar tipos de células según su actividad.

#Resumen del Procedimiento

Para comenzar el proceso de agrupamiento, asignamos aleatoriamente neuronas en unos pocos grupos iniciales. Luego, alternamos entre optimizar los estímulos para cada grupo y reasignar neuronas según sus respuestas más fuertes hasta que no ocurran cambios en las asignaciones de los grupos. El objetivo de la optimización es mejorar la respuesta promedio de las neuronas en cada grupo mientras minimizamos las respuestas de todos los demás grupos.

También desarrollamos un método para determinar el número óptimo de grupos. Al examinar los grupos de manera independiente y dividirlos en posibles subgrupos, podríamos evaluar si esto mejoraba la calidad general de la clasificación. El proceso continúa hasta que alcanzamos un resultado de agrupamiento óptimo que refleja con precisión las características funcionales distintivas de los grupos de neuronas.

#Datos y Detalles de Implementación

#Células Ganglionares Retinales de Ratón

El primer conjunto de datos con el que trabajamos incluyó células ganglionares retinales de ratón. Se utilizó un modelo de gemelo digital previamente publicado, que incluía cinco redes neuronales diferentes entrenadas para predecir las respuestas de las neuronas a estímulos visuales. Las neuronas en este conjunto de datos fueron estimuladas con videos naturalistas. Clasificamos las neuronas según su tamaño y respuestas a la luz usando dos estímulos simples. Al final, trabajamos con aproximadamente 2,448 células ganglionares retinales en 17 tipos funcionales.

#Optimización de Estímulos

Optimizamos el MDS inicializándolo con ruido aleatorio y alimentándolo al modelo de gemelo digital para predecir respuestas de neuronas. Después de esto, actualizamos el estímulo continuamente usando un método que ayuda a mejorar la actividad neuronal. Para evitar salir de los límites, los valores de los píxeles se mantuvieron dentro de límites especificados, previniendo sobreestimulación o distorsiones.

#Simulación del Experimento

Para ver cuán eficiente es el MDS para determinar un tipo funcional, configuramos un experimento simulado. Agregamos variabilidad a las respuestas neuronales según sus predicciones imitando los tipos de ruido que se encuentran en observaciones de la vida real. Los resultados del MDS fueron entonces calculados y usados para asignar neuronas a sus respectivos grupos.

#Datos de Tití y Macaco

También probamos nuestro método en dos conjuntos de datos adicionales: uno de células ganglionares retinales de tití y otro del área visual V4 de macacos. Estos conjuntos de datos mostraron resultados prometedores en que pudimos identificar Agrupamientos significativos dentro de los datos retinianos e interpretar las respuestas complejas de la corteza visual del macaco.

En el conjunto de datos de tití, aplicamos un enfoque de agrupamiento MDS similar y encontramos grupos funcionales que coincidían con tipos conocidos según sus respuestas a estímulos visuales naturalistas. Los datos de macaco fueron más complejos e indicaron que nuestro enfoque podría funcionar bien en áreas donde se conoce poco sobre tipos de células.

#Resultados y Hallazgos

#Agrupamiento de Retina de Ratón

A través de nuestro novedoso método de agrupamiento, comenzamos con 17 tipos funcionales conocidos en la retina de ratón y descubrimos siete grupos funcionales bien separados. Nuestro agrupamiento MDS logró representar efectivamente la jerarquía conocida, agrupando células según sus preferencias de frecuencia temporal, tamaños de campo receptivo y otras características funcionales.

Al comparar nuestros grupos con tipos establecidos, encontramos una superposición sustancial, particularmente para grupos con respuestas funcionales similares. Sin embargo, hubo casos donde algunos tipos de células no pudieron ser separados perfectamente, lo que atribuimos a las similitudes inherentes entre los tipos.

#Resultados de Retina de Tití

En nuestro trabajo con células ganglionares retinales de tití, encontramos cuatro agrupamientos significativos. Aunque menos que los grupos establecidos, estos agrupamientos correspondieron bien a los tipos de células descritos previamente en retinas de primates, mostrando que el MDS puede revelar categorías funcionales significativas.

#Resultados del Área Visual V4 de Macaco

Usar nuestro agrupamiento MDS en el área visual V4 de macaco proporcionó perspectivas emocionantes. Los resultados identificaron 12 agrupamientos distintos, sugiriendo que V4 procesa características visuales a nivel de tipo celular. En este caso, los MDS fueron imágenes complejas que mostraron características como curvatura y textura, típicas para las respuestas de V4.

#Implicaciones y Trabajo Futuro

El enfoque de agrupamiento MDS proporciona a los investigadores una herramienta que identifica tipos funcionales de células basándose en patrones de respuesta en lugar de necesitar un conocimiento previo detallado sobre las funciones de las células. Esto ofrece grandes beneficios en áreas como la corteza visual, donde hay información mínima sobre los roles de varios tipos de células.

Nuestros resultados indican que es posible identificar rápidamente las funciones de las células en nuevos experimentos sin necesidad de entrenar adicionalmente el modelo de gemelo digital. También sugiere un aspecto significativo de ahorro de tiempo de nuestra metodología que puede ayudar a investigadores interesados en recolectar datos de poblaciones celulares específicas.

#Limitaciones del Enfoque Actual

A pesar de los resultados prometedores, nuestro algoritmo de agrupamiento solo considera información funcional y no incluye características anatómicas o genéticas. La investigación futura podría probar la efectividad de nuestro método en diferentes tipos de datos, incluyendo información transcriptómica, para validar nuestros hallazgos.

Además, nuestro modelo actual asume que existen tipos de células distintos, mientras que hallazgos recientes resaltan la posible continuidad entre los tipos de células, que también podrían integrarse en nuestro marco para una mejor clasificación.

#Conclusión

En resumen, proporcionamos un nuevo algoritmo de agrupamiento funcional que emplea MDS para identificar y categorizar tipos de células en el sistema visual de manera eficiente. Nuestro método es particularmente ventajoso para áreas con un conocimiento previo limitado sobre las funciones celulares. Anticipamos que nuestro enfoque inspirará una exploración más profunda en grupos funcionales a través del sistema visual y contribuirá a diseñar experimentos que ayuden a entender mejor las complejidades de las interacciones neuronales. Al hacer que nuestro código y métodos estén disponibles, esperamos fomentar la reproducibilidad y más investigación en esta área.