Es hora de quemar árboles

Árbol de la vida de Evogeneao. https://www.evogeneao.com/learn/tree-of-life
Árbol de la vida de Evogeneao. https://www.evogeneao.com/learn/tree-of-life

Hace un tiempo me pidieron para una asignatura un comentario sobre el artículo de F.W. Doolittle titulado “El Nuevo Árbol de la Vida” (Que puede ser leído aquí). Se trata de una interesante reflexión sobre el modelo de evolución biológica clásico basado en linajes que se van bifurcando hasta que se extinguen o se vuelven a bifurcar. Aunque fue publicado en el 2000 el debate aún continúa y es que hay fenómenos que no hemos tenido en cuenta a la hora de explicar la evolución; Como, por ejemplo, el que señala mi buen amigo Alejandro López Martín (@RubianoTame) en su trabajo sobre el papel de la trasferencia horizontal en la generación de variación en procariotas.

Quizás nos hemos enredado entre las ramas de tanto árbol. Puede que parte del problema se encuentre en que nos hemos constreñido a usar el modelo de árbol en la evolución, señalando aquellos casos incompatibles como de poca repercusión. En el comentario propongo una alternativa teórica que podría representar la evolución de una manera más fiel a nuestro conocimiento actual además de generar preguntas que nos ayudasen a comprender mejor este fenómeno.

Comentario: Es Hora de Quemar los Árboles

Using 3D animations to represent the molecular models

Today the majority of biologist are totally accustomed to use the classical 2D schematic drawings to represent the interactions between the different molecules. This approach has been really helpful to simplify the complex reality of the cellular processes but maybe, due to a oversimplification, we are loosing key details that could help us to build a more realistic mental model of the phenomena. Although, another alternatives like animations of 3D molecules models (based in information about the structure) are far away from the typical skills of a biologist.

In this TED Talk, Janet Iwasa show how a open-source program could help to make those animations in a easy way. The program is called “Molecular Flipbox” and can be downloaded totally free.

In my opinion I think that the use of the temporal dimension and more realistic elements could be helpful to avoid the “order” and isolation (from the rest of reactions) that seems to rule in all the pretty molecular books figures and articles. Nevertheless, sometimes a metaphor of some phenomena or a simplification of some elements are indispensable to make more understandable the concept. At the end is necessary the right balance between details and metaphor, and the idea that both depends of the receptor.

CARLsim, Modelar redes nerviosas de forma realista

Uno de los pasos que más tiempo requieren cuando se construyen redes neuronales que emulen el comportamiento de las biológicas es la búsqueda de valores de parámetros. Aunque tengamos las ecuaciones que rigen la dinámica de las neuronas y las conexiones entre estas aún tenemos que encontrar que parámetros deben ser utilizados. Usando el programa CARLsim y con la ayuda de GPU, algoritmos evolutivos y datos provenientes de laboratorio se puede lograr acelerar este proceso acortando el camino hacia la simulación realista de redes nerviosas.

Explorando los modelos del Blue Brain Project [Parte 1]

bluebrain (2)

El año pasado el Blue Brain Project publicó el primer borrador de uno de sus proyectos, la simulación de una parte de las neuronas del neocórtex de una rata. En el artículo se detalló cómo se había realizado la reconstrucción detallada de la estructura de la morfología de las neuronas, de la red que forman y de la fisiología a partir de datos experimentales. Posteriormente se llevaron a cabo simulaciones para replicar “in sillico” diferentes estudios in vitro e in vivo del comportamiento de estas neuronas. Aunque los resultados del artículo están en debate debido a los procedimientos que utilizaron para definir las sinapsis, es de completa ovación el gran trabajo que han realizado para publicar los datos en bruto que sustentan al artículo.

Por ejemplo, paralelamente junto con el artículo, fue publicada una web repleta de los recursos utilizados para llevar a cabo todas las simulaciones, desde datos electrofisiológicos en bruto hasta los modelos computacionales, pasando, como es de agradecer, por los programas y scripts utilizados. Todo un kit DIY para montarte tu reconstrución (a baja escala) de los microcircuitos del neocortex somatosensorial de una joven rata, ¡Wow! así que, ¡Manos a la obra!

En este tutorial aprenderemos a familiarizarnos con las simulaciones analizando un modelo conocido como ME-type neuron. Las siglas vienen de Morpho-Electrical (ME) y esto ya nos adelanta que seremos capaces de analizar la evolución de las propiedades eléctricas de las neuronas en función de su morfología tridimensional.

Modelos Computacionales


Un modelo computacional trata de la evolución de una variable cuantitativa, por ejemplo el potencial de membrana o la concentración iónica, a lo largo de un tiempo y espacios determinados. El resolver las ecuaciones nos indicará cuanto cambian estos valores, reflejando en lo máximo de lo posible dinámicas parecidas a las del objeto modelado.

Además del modelo ( En castellano: las ecuaciones ) necesitamos una plataforma sobre la cual resolverlas para cada paso de tiempo. Por ejemplo, para cada milisegundo, o  incluso para cada micrómetro cúbico de la célula. Cómo no es plan de resolver a mano cada una de estas ecuaciones, utilizaremos la calculadora más potente que tengamos a mano, por regla general el ordenador con el que seguramente estarás leyendo esto.

Existen un gran número de programas especializados en resolver los modelos neuronales, siendo cada uno útil dependiendo del modelo, de la capacidad computacional y del tipo de respuesta que busquemos en el modelo. En este caso para llevar a cabo las simulaciones los investigadores han utilizado uno de los clásicos, el programa Neuron.

Neuron es un simulador de modelos compartimentales (espero que esté bien la traducción), esto quiere decir que tiene en cuenta la morfología de la célula en las dinámicas. Esto hace que la célula sea dividida en pequeños espacios, estando estos definidos por varios parámetros y variables en cada momento. Además también hay ecuaciones que definen como estos valores influyen a otras variables de espacios contiguos y viceversa. En el ejemplo de abajo se ve mejor este concepto, en vez de tomar todo el espacio celular se procesan de forma separada trozos del mismo.

BoGfig5_4s
Book of Genesis. Figure 5.4

Salta a la vista que cuanto menor sea el volumen tomado, mayor será la resolución espacial de nuestro modelo. No obstante también hay que tener en cuenta que si tenemos, por ejemplo, 5 ecuaciones por cada compartimento, el crear más incrementará de forma proporcional el número de ecuaciones a resolver. Por esto último siempre hay que hacer un balance entre el detalle del modelo deseado y la capacidad computacional a la que tenemos acceso.

Instalando Neuron


Para la instalación en linux o mac, abrimos la terminal e insertamos lo siguientes comandos:

# Instalación del gestor de paquetes. 
ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)")</code>
# Configuración del repositorio con el programa Neuron
brew tap homebrew/science
# En mi caso, (en mac El Capitan) previo al siguiente paso tuve que instalar XQuartz para el sistema de ventanas
brew install Caskroom/cask/xquartz
# Instalación de Neuron
brew install neuron
# Ejecución del programa
nrngui

Si nos sale algo como lo siguiente y habremos instalado el programa:

Captura de pantalla 2016-03-06 a las 13.56.20

En cambio, en mac, si no se inicia la interfaz gráfica y nos sale lo siguiente en el terminal, prueba a reiniciar el mismo. Es posible que el sistema de ventanas XQuartz no se haya instalado completamente.

Warning: no DISPLAY environment variable.
NEURON -- Release 7.4 (1351:8f462ea7e030) 2015-07-21
Duke, Yale, and the BlueBrain Project -- Copyright 1984-2015
See http://www.neuron.yale.edu/neuron/credits
first instance of j
first instance of itmp

Iniciando el primer modelo.


Lo primero es bajarnos un modelo dentro de esta página de descargas. En mi caso he elegido el paquete “L5_DBC_cACint209_3.zip“. Este nombre nos da información acerca de tipo de neurona y su posición, si queréis conocer lo que significan las siglas de los demás modelos aquí tenéis un glosario. En este caso viene a decir que es una neurona de la capa 5 (L5) de tipo Double Bouquet Cell (DBC), un tipo de neurona GABAérgica y con una dinámica eléctrica de “continuous Accomodating” (cAC), algo que ocurre cuando una neurona

Una vez descargado y guardado en alguna carpeta navegaremos hacia ella a través del terminal. Si no sabes como hacer esto en sistemas unix revisad este enlace (5 min, esencial). A continuación introduciremos los siguientes comandos:

# Descomprimir el archivo zip
unzip L5_DBC_cACint209_3.zip
cd L5_DBC_cACint209_3
# Lanzar la interfaz Gráfica
L5_DBC_cACint209_3$ sh run_hoc.sh

Si todo ha ido bien, la interfaz gráfica nos debería aparecer con el modelo de la neurona cargado.

Captura de pantalla 2016-03-06 a las 13.49.54

Ahora podéis jugar un poco con los distintos parámetros y ver como varían las diferentes variables en la neurona. En la siguiente parte nos meteremos más a fondo en el modelo matemático y realizaremos experimentos sobre este tipo de neurona.

Bibliografía: Reconstruction and Simulation of Neocortical Microcircuitry. Cell 2015.

 

Rizoma

Un rizoma es un modelo descriptivo o epistemológico en el que la organización de los elementos no sigue líneas de subordinación jerárquica —con una base o raíz dando origen a múltiples ramas, de acuerdo al conocido modelo del árbol de Porfirio—, sino que cualquier elemento puede afectar o incidir en cualquier otro.

Wikipedia.

Science Hack Club

Science Hack Club

Somos un grupo de personas interesadas en el desarrollo de la ciencia a través de la tecnología. Actualmente cualquier investigación científica deber tener un paso en el que la tecnología y, específicamente, la computación toman un papel fundamental. No obstante, la cantidad de personal científico que se siente cómodo usando este tipo de herramientas y que, por lo tanto, puede llegar a conocerlas en la profundidad suficiente como para tener la capacidad de obtener resultados rigurosos es muy baja.

En Science Hack Club, un grupo de estudiantes, profesores y personas interesadas, pretendemos organizar quedadas para promover la cultura tecnológica en el campo de la investigación científica. Juntos podemos aprender a extraer todo el potencial de estas herramientas o incluso desarrollar investigaciones.

No importa cual sea tu nivel o tu procedencia, si tienes interés en aprender este es tu lugar. Cualquier idea o proyecto que estés llevando a cabo puede ser compartido en nuestras reuniones semanales, allí podrás recibir un feedback e ideas para poder continuar.

Más información.

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close