Functional imaging of nine distinct neuronal populations under a miniscope in freely behaving animals

Este estudio presenta Neuroplex, una metodología que combina imágenes de calcio con miniscopios y espectroscopía confocal multiplexada para superar las limitaciones espectrales actuales y permitir la identificación funcional de nueve subtipos neuronales distintos en animales que se comportan libremente.

Lo esencial

¡Claro que sí! Imagina que el cerebro es una ciudad inmensa y bulliciosa llena de millones de personas (las neuronas) haciendo cosas diferentes al mismo tiempo. Durante mucho tiempo, los científicos tenían un problema: sus "cámaras" para ver a estas personas (los miniscopios) solo podían distinguir dos tipos de colores a la vez. Era como intentar seguir a dos grupos de amigos en una multitud usando solo gafas de sol rojas y azules; si había un tercer grupo con camisas verdes, simplemente no podían verlos.

Este artículo presenta una solución brillante llamada Neuroplex. Aquí te explico cómo funciona usando una analogía sencilla:

1. El Problema: La "Lente Mágica" que distorsiona

Los científicos usan unas lentes diminutas (llamadas lentes GRIN) que se implantan en el cerebro de los ratones para ver a las neuronas mientras corren y juegan. Pero estas lentes tienen un defecto: actúan como un prisma de juguete barato. Si intentas ver muchos colores a la vez, la lente los desenfoca y los mezcla. Además, la cámara del ratón es tan pequeña que solo puede ver dos colores claramente.

2. La Solución: El "Detective de Huellas Digitales"

El equipo creó un sistema de dos pasos que es como tener un detective muy astuto:

• Paso 1: La grabación en vivo (El Miniscope).
  Imagina que tienes una cámara de seguridad en la cabeza del ratón. Esta cámara graba qué neuronas se "encienden" (se activan) cuando el ratón hace algo, como oler a otro ratón o jugar. Pero esta cámara solo ve una mancha de luz verde (la señal de actividad). No sabe quién es esa neurona exactamente.

• Paso 2: La identificación de identidad (El Confocal Espectral).
  Después de que el ratón juega, los científicos lo ponen bajo una lupa gigante y muy potente (un microscopio confocal). Aquí es donde ocurre la magia. En lugar de solo mirar el color, toman una "huella digital espectral" de cada neurona.

  • La analogía de la huella digital: Imagina que cada tipo de neurona lleva una camiseta de un color diferente (rojo, amarillo, azul, violeta, etc.). En lugar de mirar solo el color, el microscopio analiza la textura exacta de la tela de la camiseta bajo una luz especial. Aunque dos camisas parezcan del mismo color a simple vista, bajo esta luz especial tienen patrones únicos, como si cada una tuviera un código de barras secreto.

3. El Truco: Mezclar y Desmezclar

El sistema toma la lista de "quién se movió" del Paso 1 y la compara con la "huella digital" del Paso 2. Usando un algoritmo matemático (como un programa de computadora muy inteligente), el sistema puede decir: "¡Esa neurona que se movió cuando el ratón olió al amigo tiene la huella digital de la camiseta amarilla!".

Lo increíble es que lograron distinguir nueve tipos diferentes de neuronas (más la actividad general) al mismo tiempo. Es como si pudieras entrar a un estadio lleno de gente y decir exactamente qué equipo lleva puesto cada persona, incluso si todos llevan camisetas de colores muy parecidos.

¿Por qué es importante esto?

Antes, para saber qué hacía cada tipo de neurona, los científicos tenían que hacer experimentos con muchos ratones diferentes y luego intentar adivinar si los resultados eran iguales. Era como intentar entender una orquesta escuchando a los violinistas un día, a los trompetistas otro día y a los bateristas otro más.

Con Neuroplex, pueden escuchar a toda la orquesta (los nueve grupos de neuronas) al mismo tiempo, en el mismo ratón, mientras toca la música (se comporta).

En resumen

Han creado un sistema que permite ver a nueve grupos diferentes de neuronas trabajando juntas en el cerebro de un animal que se mueve libremente. Han superado el problema de las lentes que distorsionan los colores y han logrado que cada tipo de neurona tenga su propia "identificación de seguridad" única. Esto nos ayuda a entender cómo el cerebro toma decisiones complejas, como recordar a un amigo o decidir si atacar, viendo a todos los actores involucrados en la misma escena.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo de Phillips et al., titulado "Functional imaging of nine distinct neuronal populations under a miniscope in freely behaving animals" (Imagen funcional de nueve poblaciones neuronales distintas bajo un miniscopio en animales que se comportan libremente).

1. El Problema

La neurociencia de sistemas busca entender cómo la actividad específica de tipos celulares genera comportamiento. Los miniscopios montados en la cabeza han permitido la imagen de calcio in vivo en animales que se mueven libremente, revolucionando el campo. Sin embargo, estas tecnologías enfrentan una limitación crítica: la capacidad espectral.

• La mayoría de los miniscopios actuales solo pueden distinguir uno o dos fluoróforos debido a limitaciones físicas en óptica interna, filtros y aberraciones cromáticas inducidas por las lentes GRIN (índice de gradiente).
• Las lentes GRIN causan desplazamientos axiales cromáticos (el plano focal cambia según la longitud de onda) y aberraciones laterales, lo que dificulta la imagen multicolor precisa.
• Para estudiar más de dos tipos celulares, los investigadores han tenido que usar diferentes animales o técnicas post-mortem (inmunohistoquímica), lo que impide el análisis simultáneo de tipos celulares distintos dentro del mismo circuito en el mismo animal vivo, o requiere un registro manual laborioso y propenso a errores entre imágenes in vivo y tejido fijo.

2. Metodología: Neuroplex

Los autores desarrollaron Neuroplex, una tubería de trabajo (pipeline) de imagen y análisis que integra grabaciones funcionales de miniscopio con imagen espectral confocal multiplexada a través de la misma lente GRIN implantada. El proceso consta de tres pasos principales:

A. Corrección de Aberraciones Cromáticas

• Caracterización: Se midieron las aberraciones de lentes GRIN comunes (1x4 mm dopadas con plata y 0.6x7 mm dopadas con litio). Se confirmó que las lentes inducen un desplazamiento axial del plano focal que sigue una función polinómica de segundo orden, más severo en lentes de plata.
• Estrategia de Corrección:
  1. Adquisición de stacks Z espectrales que cubren todo el rango de profundidad visible (de 405 nm a 639 nm de excitación) para "aplanar" los desplazamientos de foco dependientes de la longitud de onda.
  2. Ampliación del orificio de la confocal (pinhole) a 350 µm para retener la emisión de longitudes de onda más largas que de otro modo se perderían por el desplazamiento cromático.
  3. Ajuste de la potencia de los láseres basado en un modelo polinómico de transmisión de la lente para compensar la atenuación espectral (la transmisión cae drásticamente por debajo de 500 nm).

B. Selección de Fluoróforos y Adenovirus

• Se seleccionaron 10 fluoróforos (además de GCaMP6s) basándose en perfiles espectrales simulados para maximizar la separabilidad mediante desmezcla lineal.
• Se excluyó mPapaya por causar muerte celular.
• Se utilizaron 9 fluoróforos restantes (mTagBFP2, mTurquoise2, T-Sapphire, mVenus, mOrange2, mScarlet, FusionRed, mCyRFP1, mNeptune2.5) empaquetados en virus AAV retrogrados.
• Estos virus se inyectaron en 9 regiones diana diferentes (dPAG, BLA, Cla, NAc, Str, LC, VTA, lHb, lHyp, c-mPFC) para etiquetar retrogradamente las neuronas piramidales del córtex prefrontal medial (mPFC) según su proyección.

C. Pipeline de Adquisición y Análisis

1. Imagen Funcional: Los animales realizan tareas de comportamiento (memoria social) mientras se graba la actividad de GCaMP6s con un miniscopio. Se identifican regiones de interés (ROIs) activas usando el algoritmo CNMF.
2. Imagen Espectral In Vivo: Posteriormente, el animal se anestesia (para silenciar la actividad de GCaMP y evitar artefactos) y se coloca bajo un microscopio confocal multiplexado (LSM 980). Se adquieren stacks Z espectrales a través de la misma lente GRIN usando 6 láseres de excitación y detectores espectrales (34 bandas).
3. Registro de Imágenes: Un algoritmo en Python registra las máscaras de las ROIs del miniscopio con la imagen confocal de referencia (basada en vasos sanguíneos visibles en el canal de 512 nm), aplicando traslaciones, rotaciones y escalado.
4. Desmezcla Espectral (Unmixing):
   • Se extrae la huella digital espectral de cada ROI.
   • Se aplica un algoritmo de desmezcla lineal utilizando referencias espectrales obtenidas in vitro (células HEK293T).
   • Se calculan coeficientes beta para cada fluoróforo.
   • Estrategia de Doble Paso: Para evitar falsos negativos cuando un fluoróforo está sobre-representado (lo que eleva la línea base y oculta señales débiles), se implementó un segundo paso donde los umbrales se ajustan dinámicamente según la distribución medida de beta.

3. Contribuciones Clave

• Neuroplex: Un marco metodológico que permite identificar hasta nueve subtipos neuronales definidos por proyección (más GCaMP) en un solo animal vivo, superando la barrera de los 2 colores de los miniscopios actuales.
• Registro In Vivo: Elimina la necesidad de registro post-mortem entre imágenes funcionales y tejido fijo, preservando el animal para estudios longitudinales y evitando distorsiones por fijación.
• Corrección Óptica Avanzada: Una metodología robusta para corregir las aberraciones cromáticas y de transmisión específicas de las lentes GRIN en un entorno de imagen espectral multiplexada.
• Validación Simulada: Un marco exhaustivo de simulación que prueba la robustez del algoritmo frente a ruido, fondo de GCaMP, solapamiento celular y desequilibrio de clases.

4. Resultados

• Identificación de Neuronas: En 5 animales, se asignó una identidad de fluoróforo al 58-100% de las ROIs definidas funcionalmente (promedio de ~70% de éxito). Se identificaron 1,327 neuronas activas, de las cuales 1,156 fueron anotadas con identidad.
• Precisión: Las simulaciones mostraron una precisión de identificación cercana al 100% en distribuciones equilibradas. Bajo condiciones realistas (ruido, fondo de GCaMP), la precisión se mantuvo en 87% con una tasa de falsos positivos inferior al 5% usando la estrategia de doble paso.
• Detección de Doble Etiquetado: El sistema pudo identificar neuronas que expresan dos fluoróforos (proyecciones colaterales). Se identificó al menos un fluoróforo en el 91% de las ROIs doblemente etiquetadas y ambos en el 25% de los casos bajo condiciones realistas.
• Diferencias Específicas:
  • Fluoróforos como mVenus y T-Sapphire tuvieron las tasas de detección más altas.
  • FusionRed y mCyRFP1 fueron los menos detectados, probablemente debido a menor brillo o expresión.
  • Las neuronas que proyectan al claustrum, estriado y VTA se detectaron con mayor frecuencia, coincidiendo con la inervación conocida del mPFC.
• Análisis Conductual: Se demostró la utilidad del método en una tarea de memoria social. Se observó que las neuronas que proyectan al estriado (Str) mostraban una selectividad conductual más amplia (moduladas por hasta 6 comportamientos) y una supresión específica durante la agresión, mientras que las neuronas que proyectan al lHyp mostraron selectividad más limitada.

5. Significado e Impacto

Este trabajo representa un avance fundamental en la neurociencia de circuitos:

1. Desglose de Circuitos: Permite disecar la arquitectura celular del comportamiento en un solo animal, permitiendo comparaciones directas entre tipos celulares que antes requerían cohortes separadas.
2. Viabilidad Longitudinal: Al ser compatible con estudios longitudinales, permite rastrear la identidad y actividad de subpoblaciones neuronales específicas a lo largo del tiempo (aprendizaje, enfermedad, terapia).
3. Escalabilidad: El enfoque es flexible y puede adaptarse a menos fluoróforos para mayor precisión o a configuraciones más complejas, optimizando la selección de fluoróforos según las necesidades experimentales.
4. Superación de Limitaciones Ópticas: Demuestra que, con la corrección adecuada de las aberraciones de las lentes GRIN, es posible realizar imagen espectral multiplexada de alta fidelidad in vivo, abriendo nuevas vías para la exploración de la complejidad del cerebro en comportamiento natural.

En resumen, Neuroplex transforma los miniscopios de herramientas de "caja negra" funcional a plataformas de identificación celular de alta dimensión, permitiendo una estratificación funcional de poblaciones neuronales con una resolución sin precedentes en animales que se comportan libremente.