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.
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:
[code lang=»bash»]
# Instalación del gestor de paquetes.
ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)")</code>
# Configuración del repositorio con el programa Neuron
brew tap homebrew/science
# En mi caso, (en mac El Capitan) previo al siguiente paso tuve que instalar XQuartz para el sistema de ventanas
brew install Caskroom/cask/xquartz
# Instalación de Neuron
brew install neuron
# Ejecución del programa
nrngui
[/code]
Si nos sale algo como lo siguiente y habremos instalado el programa:
En cambio, en mac, si no se inicia la interfaz gráfica y nos sale lo siguiente en el terminal, prueba a reiniciar el mismo. Es posible que el sistema de ventanas XQuartz no se haya instalado completamente.
[code lang=»bash»]
Warning: no DISPLAY environment variable.
NEURON — Release 7.4 (1351:8f462ea7e030) 2015-07-21
Duke, Yale, and the BlueBrain Project — Copyright 1984-2015
See http://www.neuron.yale.edu/neuron/credits
first instance of j
first instance of itmp
[/code]
Iniciando el primer modelo.
Lo primero es bajarnos un modelo dentro de esta página de descargas. En mi caso he elegido el paquete «L5_DBC_cACint209_3.zip«. Este nombre nos da información acerca de tipo de neurona y su posición, si queréis conocer lo que significan las siglas de los demás modelos aquí tenéis un glosario. En este caso viene a decir que es una neurona de la capa 5 (L5) de tipo Double Bouquet Cell (DBC), un tipo de neurona GABAérgica y con una dinámica eléctrica de «continuous Accomodating» (cAC), algo que ocurre cuando una neurona
Una vez descargado y guardado en alguna carpeta navegaremos hacia ella a través del terminal. Si no sabes como hacer esto en sistemas unix revisad este enlace (5 min, esencial). A continuación introduciremos los siguientes comandos:
[code lang=»bash»]
# Descomprimir el archivo zip
unzip L5_DBC_cACint209_3.zip
cd L5_DBC_cACint209_3
# Lanzar la interfaz Gráfica
L5_DBC_cACint209_3$ sh run_hoc.sh
[/code]
Si todo ha ido bien, la interfaz gráfica nos debería aparecer con el modelo de la neurona cargado.
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.