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

Cette étude présente Neuroplex, une méthode innovante combinant l'imagerie miniscope et l'imagerie spectrale multiplexée pour identifier et suivre l'activité de neuf sous-types neuronaux distincts chez des animaux se déplaçant librement, surmontant ainsi les limitations spectrales actuelles.

L'essentiel

🕵️‍♂️ Le Grand Défi : Voir l'invisible dans un cerveau qui bouge

Imaginez que le cerveau d'un animal est une immense ville grouillante de vie, où des milliards de neurones (les habitants) s'activent pour créer des comportements comme courir, jouer ou se souvenir de quelqu'un.

Jusqu'à récemment, les scientifiques avaient un problème majeur : ils ne pouvaient observer que deux types de neurones à la fois. C'est un peu comme si vous regardiez une foule immense et que vous ne pouviez distinguer que les gens portant un chapeau rouge ou un chapeau bleu. Vous ne saviez pas qui portait un chapeau vert, jaune ou violet. De plus, les outils pour regarder ces neurones (des minuscules microscopes posés sur la tête de l'animal) étaient limités par la physique de la lumière.

🚀 La Solution : "Neuroplex", la caméra à 9 couleurs

L'équipe de chercheurs, dirigée par Mary Phillips et Ryohei Yasuda, a inventé une nouvelle méthode appelée Neuroplex. C'est comme si ils avaient transformé leur caméra en un appareil capable de voir neuf couleurs différentes en même temps, tout en suivant l'animal alors qu'il se promène librement !

Voici comment ils ont fait, étape par étape, avec des analogies simples :

1. Le problème de la "Lunette déformante" (La lentille GRIN)

Pour voir à l'intérieur du cerveau sans ouvrir le crâne, les scientifiques utilisent une petite lentille en verre appelée lentille GRIN. C'est comme une lunette de plongée miniature.

• Le souci : Cette lentille déforme la lumière. Selon la couleur (la longueur d'onde), l'image se déplace légèrement vers le haut ou vers le bas. C'est comme regarder à travers un verre d'eau : si vous regardez un objet rouge, il semble être à un endroit, mais l'objet bleu semble être à un autre endroit.
• La solution : Les chercheurs ont cartographié cette déformation comme un GPS très précis. Ils ont créé un logiciel qui "redresse" l'image numériquement, comme un correcteur automatique qui remettrait les objets à leur vraie place, peu importe leur couleur.

2. L'identité des neurones : Les empreintes digitales lumineuses

Comment savoir quel neurone est quel ?

• L'idée : Ils ont injecté de petits virus (des "camionneurs" génétiques) qui livrent des gènes de couleur dans les neurones. Chaque neurone qui reçoit un virus devient fluorescent (il brille) d'une couleur spécifique (rouge, vert, bleu, etc.) selon sa destination dans le cerveau.
• Le défi : Parfois, les couleurs se mélangent un peu, comme des aquarelles qui se touchent.
• La magie : Au lieu de juste regarder la couleur globale, ils utilisent un scanner spectral. Imaginez que chaque couleur a une "empreinte digitale" unique composée de milliers de nuances. Le logiciel analyse cette empreinte pour dire : "Ah, ce neurone n'est pas juste rouge, c'est un mélange de 60% de rouge et 40% de jaune, donc c'est le neurone qui va vers l'amygdale !"

3. La double enquête : Fonction + Identité

C'est ici que la méthode devient géniale. Ils font deux choses :

1. L'enquête comportementale : L'animal joue à un jeu social (rencontrer un autre souris). Le microscope enregistre quels neurones s'activent (ils brillent plus fort) pendant l'action.
2. L'enquête d'identité : Plus tard, toujours avec le même animal, ils utilisent un microscope confocal très puissant pour scanner les couleurs exactes de ces mêmes neurones.

Ensuite, ils superposent les deux images (comme un calque transparent sur une photo). Résultat : ils savent exactement qui (quel type de neurone) a fait quoi (quelle action).

🎭 L'expérience : Le test de la mémoire sociale

Pour prouver que ça marche, ils ont mis en scène une petite pièce de théâtre avec des souris :

• Une souris rencontre un "visiteur" familier, puis un "visiteur" nouveau.
• Grâce à Neuroplex, ils ont pu voir que certains neurones (ceux qui vont vers le noyau accumbens) réagissaient différemment selon que le visiteur était connu ou inconnu.
• D'autres neurones (ceux qui vont vers le locus coeruleus) s'activaient spécifiquement lors des bagarres ou des comportements agressifs.

🌟 Pourquoi c'est révolutionnaire ?

Avant, pour savoir si le neurone A ou le neurone B était responsable d'une action, il fallait faire deux expériences sur deux groupes d'animaux différents, ce qui est imparfait (tous les cerveaux sont différents).

Avec Neuroplex, c'est comme si on pouvait regarder tous les personnages d'un film en même temps, dans la même scène, sans avoir besoin de tourner le film deux fois. On peut voir comment les différents "équipes" de neurones collaborent pour créer un comportement complexe.

En résumé

Les chercheurs ont créé un super-pouvoir d'observation :

1. Ils corrigent les déformations de la lentille du cerveau.
2. Ils utilisent des couleurs multiples pour étiqueter les neurones.
3. Ils utilisent un logiciel intelligent pour décoder ces couleurs, même si elles se mélangent.
4. Ils lient enfin l'identité du neurone à son action en temps réel.

C'est une avancée majeure pour comprendre comment notre cerveau, avec ses milliards de pièces, orchestre nos pensées, nos souvenirs et nos actions, le tout sans avoir à arrêter l'animal ou à le tuer pour l'analyser. C'est de la science-fiction devenue réalité !

Résumé technique

1. Problématique

L'imagerie fonctionnelle par fluorescence chez les animaux libres a été révolutionnée par les miniscopes portés sur la tête, permettant l'enregistrement de l'activité calcique (via GCaMP) dans des conditions comportementales naturelles. Cependant, une limitation majeure persiste : la capacité spectrale.

• Contrainte actuelle : La plupart des miniscopes ne peuvent distinguer que deux fluorophores (généralement un vert pour GCaMP et un rouge).
• Obstacles physiques : Les contraintes de taille et de poids limitent les optiques internes et les jeux de filtres. De plus, les lentilles GRIN (gradient-index) utilisées pour l'imagerie profonde induisent des aberrations chromatiques sévères (décalage axial du plan focal selon la longueur d'onde), rendant l'imagerie multicolore précise difficile.
• Conséquence : Les chercheurs sont contraints d'utiliser des cohortes d'animaux différents pour étudier différents types cellulaires, ce qui empêche l'analyse simultanée de multiples sous-types neuronaux au sein d'un même circuit chez un animal individuel. Les méthodes post-mortem (immunohistochimie) sont incompatibles avec les études longitudinales et complexes à co-enregistrer avec les données in vivo.

2. Méthodologie : La pipeline Neuroplex

Les auteurs ont développé une pipeline appelée Neuroplex, qui combine l'imagerie fonctionnelle par miniscope et l'imagerie spectrale confocale multiplexée in vivo à travers la même lentille GRIN.

A. Correction des aberrations et acquisition spectrale

• Caractérisation optique : Les auteurs ont mesuré les aberrations chromatiques axiales et latérales de lentilles GRIN courantes (1x4 mm dopées à l'argent et 0.6x7 mm dopées au lithium). Ils ont constaté un décalage axial significatif (polynôme du second ordre) et une transmission dépendante de la longueur d'onde.
• Stratégie de correction :
  1. Acquisition de z-stacks spectraux couvrant toute la profondeur focale visible.
  2. Élargissement du trou de la pince confocale (pinhole) à 350 µm pour capturer les émissions décalées.
  3. Ajustement des puissances des lasers d'excitation basé sur un modèle polynomial de transmission pour compenser les pertes spectrales.

B. Sélection et marquage des fluorophores

• Sélection : Une sélection rigoureuse de 10 fluorophores (plus GCaMP6s) a été effectuée par simulation in silico basée sur leurs empreintes spectrales d'excitation et d'émission. Neuf fluorophores ont été retenus après exclusion de mPapaya (toxique pour les cellules).
• Marquage rétrograde : Des virus AAV rétrogrades (AAVretro) codant pour ces fluorophores distincts ont été injectés dans neuf régions cibles différentes (dPAG, BLA, NAc, Striatum, etc.) recevant des projections du cortex préfrontal médian (mPFC). Cela permet d'identifier les sous-types de neurones pyramidaux par leur destination de projection.

C. Pipeline d'analyse et d'identification

1. Imagerie fonctionnelle : Enregistrement de l'activité GCaMP6s pendant un comportement (tâche de mémoire sociale) via le miniscope. Identification des régions d'intérêt (ROI) actives via l'algorithme CNMF.
2. Imagerie spectrale in vivo : Après le comportement, l'animal est anesthésié et placé sous un microscope confocal multiphotonique (LSM 980 Zeiss) pour acquérir des données spectrales complètes à travers la même lentille GRIN.
3. Co-enregistrement (Co-registration) : Un algorithme Python aligne les images GCaMP (moyennées dans le temps) et les images confocales en utilisant des repères anatomiques (vaisseaux sanguins) via une transformation de similarité (translation, rotation, mise à l'échelle).
4. Déconvolution spectrale (Unmixing) :
   • Extraction de l'empreinte spectrale de chaque ROI.
   • Utilisation d'un algorithme de déconvolution linéaire pour ajuster les empreintes spectrales de référence (obtenues sur des cellules HEK293T).
   • Stratégie à deux passes : Pour éviter les faux négatifs lorsque l'un des fluorophores est sur-représenté (ce qui fausse la normalisation de base), un premier seuil est appliqué, suivi d'une seconde passe avec des seuils dynamiquement ajustés pour récupérer les signaux faibles.

3. Résultats Clés

• Identification de 9 sous-types : La méthode a permis d'identifier avec succès jusqu'à 9 sous-types neuronaux distincts (plus GCaMP) dans le mPFC d'animaux libres.
• Précision et robustesse :
  • Environ 70 % des neurones fonctionnellement définis ont pu être assignés à un fluorophore spécifique.
  • Les simulations montrent une précision d'identification proche de 100 % pour des distributions équilibrées, et >90 % même avec des déséquilibres de population ou du bruit (rapport signal/bruit de 6).
  • Le taux de faux positifs reste inférieur à 5 % dans des conditions réalistes.
• Détection du double marquage : L'algorithme a démontré sa capacité à détecter des neurones exprimant deux fluorophores (collatéralisation axonale), bien que la stratégie "winner-take-all" (un seul label principal par ROI pour la conservation de la spécificité) ait été utilisée pour les analyses comportementales principales.
• Corrélation comportementale : En appliquant cette méthode à une tâche de mémoire sociale, les auteurs ont pu stratifier l'activité neuronale par type de projection. Par exemple, les neurones projetant vers le noyau accumbens (NAc) montraient une sélectivité pour les interactions sociales, tandis que ceux projetant vers le locus coeruleus (LC) discriminaient les comportements agressifs.

4. Contributions Majeures

1. Dépassement des limites spectrales : Démontre qu'il est possible de distinguer 9 fluorophores + GCaMP à travers une lentille GRIN, dépassant la limite traditionnelle de 2 canaux des miniscopes.
2. Pipeline Neuroplex : Intégration complète de l'imagerie fonctionnelle, de l'imagerie spectrale in vivo et de l'analyse computationnelle (co-enregistrement et déconvolution linéaire).
3. Compatibilité longitudinale : Contrairement aux méthodes post-mortem, cette approche permet de suivre les mêmes populations cellulaires définies génétiquement à travers le temps chez un même animal, sans nécessiter de co-enregistrement complexe sur tissu fixe.
4. Correction des aberrations GRIN : Fournit une méthode robuste pour corriger les aberrations chromatiques et de transmission spécifiques aux lentilles GRIN lors de l'imagerie spectrale.

5. Signification et Impact

Cette étude représente une avancée significative pour la neuroscience des systèmes. En permettant la dissection de circuits à l'échelle cellulaire chez des animaux libres, Neuroplex offre la possibilité de :

• Comprendre comment des sous-types cellulaires spécifiques contribuent à des comportements complexes au sein d'un même circuit.
• Réduire la variabilité inter-individuelle en comparant directement différents types cellulaires chez le même sujet.
• Étudier la plasticité et les changements dynamiques des circuits neuronaux au cours de l'apprentissage ou de la maladie sur le long terme.

Bien que l'étude soit une preuve de concept (avec des limites concernant la quantification absolue des proportions de sous-types en raison du bruit et de la spécificité des seuils), elle ouvre la voie à une nouvelle génération d'expériences d'imagerie fonctionnelle multiplexée à haute dimension.