Mirande, Jorge (2021) Decodificación de las señales neuronales subyacentes al aprendizaje motor en el cerebro medio / Decoding of neuronal signals during the execution of motor skills in the mesencephalic locomotor region. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 14Mb |
Resumen en español
La región locomotora del mesencéfalo (MLR) es una estructura compartida por una gran variedad de especies en el reino animal, encontrándose tanto en las lampreas y ratones como en los seres humanos. Esta región se conoce clásicamente por contribuir tanto a la generación como al control de la locomoción, pero descubrimientos recientes han resaltado la heterogeneidad funcional y anatómica del MLR. Mientras las neuronas pertenecientes a la región dorsal del MLR (núcleo Cuneiforme) están asociadas a tareas de escape a alta velocidad que involucran un movimiento sincrónico de extremidades, en la región ventral del MLR coexisten diferentes subpoblaciones de neuronas glutaminérgicas asociadas a una variedad más amplia de tareas, como lo son la exploración, la manipulación de objetos, o limpiarse con sus patas delanteras, requiriendo un movimiento más complejo y controlado de sus extremidades. Aquí nos preguntamos entonces, ¿es posible llevar esta clasificación aun más lejos? ¿Son capaces las neuronas del MLR de codificar posturas o movimientos más específicos en el desarrollo de tareas motoras? Para contestar estas preguntas estudiamos los cambios en la actividad neuronal mientras animales realizan una tarea motora denominada rotarod con aceleración. Para caracterizar el comportamiento de los animales de manera detallada utilizamos un análisis previo del laboratorio basado en técnicas de machine learning con aprendizaje no supervisado que logró identificar y clasificar un conjunto de movimientos y posturas recurrentes durante la ejecución de la tarea, y lo complementamos con otras características del comportamiento en estudio como la velocidad, la aceleración y las fluctuaciones de la posición del animal sobre el cilindro. La información comportamental fue luego utilizada para estudiar su correlación con la actividad neuronal medida a través de registros electrofisiológicos extracelulares. De esta manera logramos demostrar que una subpoblación de neuronas del MLR (aproximadamente un 40 %) es modulada de manera significativa por al menos una de las posturas identificadas. Notablemente, dichas neuronas también son moduladas significativamente por los eventos asociados a una posición de mínima altura en el cilindro del rotarod. Esto nos hizo preguntar si existe una relación estrecha entre las poses y la posición del animal sobre el cilindro, encontrando que la caída de la base de la cola es seguida por un aumento en la probabilidad de ocurrencia de poses determinadas. Por lo tanto, concluimos que esta subpoblación de neuronas del MLR responde con un aumento en su tasa de disparo ante la caída de la posición del animal que antecede a un cambio de postura para lograr la translocación del cuerpo a la parte superior del cilindro, lo cual coincide con su silenciamiento. Finalmente, demostramos la existencia de una correlación entre la tasa de disparo del las neuronas del MLR y la velocidad del test rotarod con aceleración, donde el firing rate de la mayoría de las neuronas moduladas aumenta con el incremento de la velocidad, mientras que una minoría es modulada de manera negativa. En conclusión, a partir de este trabajo demostramos la existencia de neuronas en el MLR que codifican diferentes aspectos de la tarea en estudio, incluyendo velocidad, posición y postura, indicando su posible rol en la integración somato-sensorial.
Resumen en inglés
The Mesencephalic locomotor region (MLR) is a shared structure among many species of the animal kingdom, from lampreys to human beings, classically known to contribute both to the generation and control of locomotion. Recent findings have highlighted the great functional and anatomical heterogeneity residing within MLR. While glutamatergic neurons in the dorsal MLR (cuneiform nucleus) are related to high-speed escape-like locomotion, in the ventral portion of MLR coexist different glutamatergic neuronal subpopulations involved in a range of behaviors beyond locomotion, such as rearing, grooming, or handling. But, can this classification be taken even further? Can MLR neurons encode particular postures or movements? To answer these questions, we study changes in neuronal activity while animals perform a motor task named accelerated rotarod. To characterize the behavior of the animals in detail, we used a previous analysis of the laboratory based on unsupervised machine learning techniques that succeeded in identifying and classifying a set of recurring movements and postures during the execution of the task. Moreover, we complemented this characterization with the detection of more relevant features of the behavior under study such as speed, acceleration and fluctuations in the position of the animal on the cylinder. The obtained behavioral information was then used for its correlation with the neuronal activity measured through extracellular electrophysiological recordings. In this way, we were able to demonstrate that a subpopulation of MLR neurons (approximately 40%) is significantly modulated by at least one of the identified postures. Notably, these neurons are also significantly modulated by events associated with a position of minimum height in the rotarod cylinder. This made us wonder if there is a close relationship between the poses and the position of the animal on the cylinder, finding that the fall of the tail-base is followed by an increase in the probability of occurrence of certain poses. Therefore, we conclude that this subpopulation of MLR neurons responds with an increase in their firing rate to animal’s tail-drops that precedes a change in posture to achieve the translocation of the body to the upper part of the cylinder, which coincides with a reduction in their activity. Finally, we demonstrate the existence of a correlation between the firing rate of some MLR neurons and the speed of the test rotarod, where the firing rate of most modulated neurons increases with increasing speed, while a minority is negatively modulated. In conclusion, from this work we were able to demonstrate the existence in the MLR of neurons that encode different aspects of the studied task, including speed, position and posture, indicating their possible role in somatosensory integration.
| Tipo de objeto: | Tesis (Proyecto Integrador Ingeniería en Telecomunicaciones) |
|---|---|
| Palabras Clave: | [Neural signals; Señales neuronales; Signal processing; Procesamiento de señales; Mesencephalic Locomotor Region; MLR; Neural activity; Modulación neuronal] |
| Referencias: | [1] R.Kandel, E., H.Schwartz, J., M.Jessell, T., A.Siegelbaum, S., A.J.Hudspeth. Principles of Neural Science. 5a ed´on. Mc Graw Hill, 2013. 2 [2] Grillner, S., Robertson, B. The basal ganglia downstream control of brainstem motor centres—an evolutionarily conserved strategy. Current Opinion in Neurobiology, 33, 47–52, 2015. URL https://www.sciencedirect.com/science/article/pii/ S0959438815000288, motor circuits and action. 3 [3] Shik, M., Orlovsky, G., Severing, F. Control of walking and running by means of electrical stimulation of the mid-brain. Biophysics, 11, 156–165, 1966. 3 [4] Shik, M., Orlovsky, G., Severing, F. Locomotion of the mesencephalic cat elicited by stimulation of the pyramids. Biophysics, 13, 143–152, 1968. 4 [5] Ryczko, D., Dubuc, R. The multifunctional mesencephalic locomotor region. Bentham Science Publisher, 19, 4448–4470, 2013. 4 [6] Skinner, R., Garcia-Rill, E. The mesencephalic locomotor region (mlr) in the rat. Brain Research, 323 (2), 385–389, 1984. URL https://www.sciencedirect.com/science/article/pii/0006899384903196. 4 [7] Roseberry, T., Lee, A., Lalive, A., Wilbrecht, L., Bonci, A., Kreitzer, A. Cell-type-specific control of brainstem locomotor circuits by basal ganglia. Cell., 553 (10), 526–537, 2016. 4, 15, 52 [8] Esposito, M., Arber, S. Motor control: Illuminating an enigmatic midbrain locomotor center. Current Biology, 26 (7), R291–R293, 2016. URL https://www.sciencedirect. com/science/article/pii/S0960982216301257. 4 [9] Caggiano, V., Leiras, R., Go˜ni-Erro, et al., H. Midbrain circuits that set locomotor speed and gait selection. Nature, 553 (10), 455–460, 2018. 5, 23, 52 [10] Carvalho, M. M., Tanke, N., Kropff, E., Witter, M. P., Moser, M.-B., Moser, E. I. A brainstem locomotor circuit drives the activity of speed cells in the medial entorhinal cortex. Cell Reports, 32 (10), 108–123, 2020. URL https://www.sciencedirect.com/science/article/pii/S2211124720311128. 5, 23, 25 [11] Ferreira-Pinto, M. J., Kanodia, H., Falasconi, A., Sigrist, M., Esposito, M. S., Arber, S. Functional diversity for body actions in the mesencephalic locomotor region.Cell, 184 (17), 4564–4578.e18, 2021. URL https://www.sciencedirect.com/science/article/pii/S009286742100828X. 6, 54 [12] Klaus, A., Alves da Silva, J., Costa, R. M. What, if, and when to move: Basal ganglia circuits and self-paced action initiation. Annual Review of Neuroscience, 42 (1), 459– 483, 2019. URL https://doi.org/10.1146/annurev-neuro-072116-031033, pMID: 31018098. 5 [13] Shiotsuki, H., Yoshimi, K., Shimo, Y., Funayama, M., Takamatsu, Y., Ikeda, K., et al. A rotarod test for evaluation of motor skill learning. Journal of Neuroscience Methods, 189 (2), 180–185, 2010. URL https://www.sciencedirect.com/science/article/ pii/S0165027010001603. 7 [14] Sherman, D., Fuller, P. M., Marcus, J., Yu, J., Zhang, P., Chamberlin, N. L., et al. Anatomical location of the mesencephalic locomotor region and its possible role in locomotion, posture, cataplexy, and parkinsonism. Frontiers in Neurology, 6, 140, 2015. URL https://www.frontiersin.org/article/10.3389/fneur.2015.00140. 7 [15] Campos, F., Carvalho, M., Cristov˜ao, A., Je, G., Baltazar, G., Salgado, A., et al. Rodent models of parkinson’s disease: beyond the motor symptomatology. Frontiers in Behavioral Neuroscience, 7, 175, 2013. URL https://www.frontiersin.org/article/10. 3389/fnbeh.2013.00175. 7 [16] Alexander, M., Pranav, M., M., C. K., Taiga, A., N., M. V., Weygandt, M. M., et al. Deeplabcut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience, 21, 1281–1289, 2018. URL https://doi.org/10.1038/ s41593-018-0209-y. 9 [17] Queensland, U. How do neurons work?, 2017. URL https://qbi.uq.edu.au/brain-basics/brain/brain-physiology/how-do-neurons-work. 9 [18] Gonzalo Rey, H., Pedreira, C., Quian Quiroga, R. Past, present and future of spike sorting techniques. Brain Research Bulletin, 119, 106–117, 2015. URL https://www.sciencedirect.com/science/article/pii/S0361923015000684, advances in electrophysiological data analysis. 10 [19] Berman, G. J., Choi, D. M., Bialek, W., Shaevitz, J. W. Mapping the stereotyped behaviour of freely moving fruit flies. R. Soc. Interface, 2014. URL https: //royalsocietypublishing.org/doi/10.1098/rsif.2014.0672. 13 [20] Concha, l. An´alisis no supervisado del comportamiento animal en una tarea motora, 2020. 13, 37, 38 [21] OpenTSNE. How tsne works, 2021. URL https://opentsne.readthedocs.io/en/ latest/tsne_algorithm.html. 14 [22] Unakafova, V. A., Gail, A. Comparing open-source toolboxes for processing and analysis of spike and local field potentials data. Frontiers in Neuroinformatics, 13, 57, 2019. URL https://www.frontiersin.org/article/10.3389/fninf.2019.00057. 21 [23] Ramkumar, P., Hugo, F. Spykes, 2016. URL http://kordinglab.com/spykes/index. html. 22 [24] Plexon. Neuroexplorer manual, 2021. 34 [25] Giovannucci, A., et al. Caiman an open source tool for scalable calcium imaging data analysis. eLIFE, 2019. URL https://elifesciences.org/articles/38173. 54 [26] Shintuch, L., et al. Tracking the same neurons across multiple days in ca2+ imaging data. Cell, 2017. 54 [27] Zhou, P., et al. Efficient and accurate extraction of in vivo calcium signals from microendoscopic video data. eLIFE, 2018. URL https://elifesciences.org/articles/28728. 54 [28] Pnevmatikakis, E. A., Giovannucci, A. Normcorre: An online algorithm for piecewise rigid motion correction of calcium imaging data. Journal of Neuroscience Methods, 291, 83–94, 2017. URL https://www.sciencedirect.com/science/article/pii/ S0165027017302753. [29] Pnevmatikakis, E. A., et al. Simultaneous denoising, deconvolution, and demixing of calcium imaging data. Neuron, 89, 285–299, 2016. 54 [30] Pillow, J., Shlens, J., Paninski, L. e. a. Spatio-temporal correlations and visual signalling in a complete neuronal population. Nature, 454, 995–999, 2008. 54 [31] Klaus, A., Martins, G. J., Paixao, V. B., Zhou, P., Paninski, L., Costa, R. M. The spatiotemporal organization of the striatum encodes action space. Neuron, 95 (5), 1171–1180.e7, 2017. URL https://www.sciencedirect.com/science/article/pii/S0896627317307304. 54 |
| Materias: | Ingeniería en telecomunicaciones > Procesamiento de señales Medicina > Neurociencias |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Física médica |
| Código ID: | 1110 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 31 Aug 2022 13:12 |
| Última Modificación: | 31 Aug 2022 13:12 |
Personal del repositorio solamente: página de control del documento
