Stymulacja mózgu może przeorganizować i wyleczyć uszkodzone połączenia neuronowe, ale nie jest jasne jak – badania sugerują, że personalizacja może być kluczem do bardziej efektywnych terapii
Wpis jest tłumaczeniem artykułu „Brain stimulation can rewire and heal damaged neural connections, but it isn’t clear how – research suggests personalization may be key to more effective therapies”, autorzy: Azadeh Yazdan-Shahmorad, Alec Greaves-Tunnell, Julien Bloch; The Conversation, 06-07-2022; na licencji Creative Commons, tłumaczenie Arkadiusz Polak, zdjęcie Robina Weermeijer z Unsplash.
Połączenia między neuronami w mózgu pozwalają nam robić niesamowite rzeczy, od mycia zębów po rozwiązywanie równań rachunkowych. Kiedy te połączenia ulegają uszkodzeniu, często w wyniku takich schorzeń jak udar lub uraz mózgu, zdolności te mogą zostać utracone. Bezpośrednia aktywacja neuronów za pomocą niewielkich impulsów elektrycznych może jednak pomóc w ponownym utworzeniu tych połączeń i potencjalnie przywrócić ich funkcje.
Lekarze stosują obecnie tę technikę, zwaną neurostymulacją, w leczeniu takich schorzeń jak Parkinson i depresja. Wierzymy, że neurostymulacja ma potencjał, aby nie tylko leczyć objawy, ale także leczyć szerszy zakres chorób poprzez naprawę uszkodzonych połączeń. Jednak do tej pory nie było jasne, w jaki sposób najlepiej dostroić stymulację, aby konkretnie trafić w uszkodzone połączenia w mózgu.
Nowe formy neurotechnologii i modelowania statystycznego, które rozwinęły się w ciągu ostatnich kilku lat, umożliwiły odpowiedź na to pytanie. Nasz zespół inżynierów biomedycznych i statystyków wykorzystał te narzędzia, aby wykazać, że zmiany, jakie neurostymulacja wprowadza w neuronach, zależą od tego, jak zostały one połączone w pierwszej kolejności. Innymi słowy, aby neurostymulacja działała, musi być dostosowana do mózgu każdej osoby.
Nowe technologie rzucają światło na stymulację
Aby zbadać, jakie czynniki najsilniej wpływają na efekty neurostymulacji, stymulowaliśmy mózgi dwóch małp i rejestrowaliśmy, jak zmieniały się połączenia między różnymi regionami. Skupiliśmy się na regionach mózgu zaangażowanych w ruch motoryczny i przetwarzanie sensoryczne – obszarach, które są często upośledzone w zaburzeniach neurologicznych, takich jak udar.
Rejestrowaliśmy nasze dane za pomocą wielkoskalowego interfejsu neuronowego – urządzenia, które spoczywa bezpośrednio na powierzchni żywego mózgu i rejestruje aktywność znajdujących się pod nim neuronów. Nasz interfejs neuronowy był w stanie precyzyjnie stymulować każdy obszar poprzez optogenetykę, technikę, która rzuca światło na genetycznie zmodyfikowane neurony, aby je aktywować. Choć nie została jeszcze zatwierdzona do użytku u ludzi, optogenetyka ma wyjątkowe zalety w porównaniu z innymi formami neurostymulacji, które czynią ją szczególnie przydatną do zrozumienia, jak stymulacja wpływa na mózg. Obejmuje to jej zdolność do dokonywania wyższej jakości zapisu sygnałów elektrycznych generowanych przez mózg.
Następnie przeanalizowaliśmy nasze dane za pomocą algorytmu sztucznej inteligencji zaprojektowanego w celu przewidzenia, jak istniejące wcześniej połączenia mózgowe i różne parametry stymulacji wpłyną na mózg.
Algorytm ten jest podobny do innych technik AI, takich jak głębokie uczenie się, które znajdują złożone relacje w danych, które w przeciwnym razie są trudne lub niemożliwe do zidentyfikowania. Jednak w przeciwieństwie do tych „czarnych skrzynek” modeli, które uniemożliwiają badaczom zrozumienie, w jaki sposób doszli do swoich wniosków, nasza technika pozwala nam zobaczyć, dlaczego i w jaki sposób dokonuje ona swoich przewidywań. Używając tego algorytmu, byliśmy w stanie przetestować różne czynniki, które wpływają na zmiany połączeń i zwizualizować, jak każdy z nich przyczynił się do ogólnej prognozy modelu. Czynniki te obejmowały między innymi przerwy między sesjami stymulacji, odległość między miejscami stymulacji w mózgu oraz region mózgu, w którym umieszczono elektrody.
Stwierdziliśmy, że to istniejące połączenia w mózgu, a nie sposób dostarczania stymulacji, były najważniejszym czynnikiem pozwalającym przewidzieć zmiany w mózgu. Sugeruje to, że unikalne cechy mózgu każdej osoby są kluczowe dla zrozumienia, jak zareaguje ona na stymulację, wskazując na potrzebę personalizacji leczenia, aby zmaksymalizować korzyści. Może to wyglądać jak dostosowanie siły, częstotliwości i miejsca neurostymulacji do mózgu każdej osoby.
Dlaczego personalizacja ma znaczenie
Stymulacja mózgu ma potencjał w leczeniu szerokiego zakresu chorób neurologicznych. Nasza praca sugeruje, że badanie tego, jak istniejące połączenia mózgowe wpływają na odpowiedź na neurostymulację, może być nowym kierunkiem wartym dalszych badań. Wierzymy, że zmiana samych połączeń neuronowych w celu uzyskania długotrwałych efektów, w przeciwieństwie do stymulowania neuronów w celu uzyskania krótkotrwałych zmian w aktywności neuronalnej, może pomóc w przeniesieniu terapii z leczenia objawów na leczenie chorób.
Jednym ze schorzeń, w przypadku których personalizacja mogłaby doprowadzić do udoskonalenia terapii stymulacji mózgu, jest udar mózgu, jedna z głównych przyczyn poważnej, długotrwałej niepełnosprawności i śmierci w USA. Chociaż mózg jest w stanie częściowo naprawić szkody wyrządzone przez udar, ma na to tylko dwa tygodnie, zanim szanse na powrót do zdrowia znacznie spadną.
Nieudane badanie kliniczne z 2008 roku, w którym brał udział jeden z nas, próba Everest, badało możliwość zastosowania stymulacji mózgu w celu przedłużenia okresu rekonwalescencji i pomocy osobom po udarze w odzyskaniu zdolności poruszania się. Na podstawie naszych ostatnich badań wysnuliśmy hipotezę, że próba kliniczna mogła zakończyć się niepowodzeniem, ponieważ badacze zastosowali tę samą ogólną stymulację u wszystkich pacjentów, zamiast dostosować ją do każdego mózgu z osobna. Stosowanie tych samych parametrów stymulacji mózgu mogło działać w badaniach na gryzoniach, ale ludzkie mózgi są znacznie bardziej złożone. Chociaż nie możemy wiedzieć na pewno, czy to jest powód niepowodzenia próby klinicznej, nasze badania sugerują, że stymulacja mogła być znacznie bardziej spersonalizowana, aby była skuteczna.
Kolejne kroki w kierunku personalizacji stymulacji mózgu
Nasza praca pokazuje, że dostosowanie leczenia do każdego mózgu z osobna może pomóc poprawić wyniki stymulacji mózgu i przedstawia narzędzia do badania, jak łączność neuronowa wpływa na stymulację. Potrzebne są jednak dalsze badania, aby dowiedzieć się, w jaki sposób najlepiej byłoby dokonać personalizacji poprzez precyzyjne wzmocnienie lub osłabienie określonych połączeń neuronowych.
Warto również zauważyć, że do tej pory testowaliśmy naszą technikę tylko na dwóch regionach mózgu. Planujemy powtórzyć to badanie w innych regionach mózgu, aby sprawdzić, czy nasze wyniki można uogólnić na cały mózg i zastosować do różnych zaburzeń neurologicznych i psychiatrycznych. Jesteśmy również w trakcie wykorzystywania naszego interfejsu neuronowego i algorytmu AI do projektowania wzorców stymulacji, które mogą wywołać określone zmiany w mózgu w celu naprawy dysfunkcyjnych połączeń.
Pełny potencjał stymulacji mózgu nie zostanie zrealizowany, dopóki naukowcy nie będą mieli lepszego zrozumienia, jak wpływa ona na mózg. Wierzymy, że ustalenie, w jaki sposób istniejące wzorce łączności mózgu oddziałują i zmieniają się pod wpływem stymulacji, może otworzyć drzwi do większej liczby zabiegów i terapii chorób neurologicznych i psychiatrycznych.
Azadeh Yazdan-Shahmorad – Assistant Professor of Bioengineering, and Electrical and Computer Engineering, University of Washington
Dr Azadeh Yazdan-Shahmorad uzyskała tytuł licencjata w dziedzinie inżynierii biomedycznej na Amirkabir University of Technology oraz tytuł magistra inżynierii elektrycznej na University of Tehran w Iranie. Następnie przeniosła się do Stanów Zjednoczonych i uzyskała tytuł doktora inżynierii biomedycznej na University of Michigan w Ann Arbor, Michigan. Następnie odbyła staż podoktorski w dziedzinie neuronauki systemowej na University of California, San Francisco (UCSF). Dr Yazdan-Shahmorad dołączyła do University of Washington jesienią 2017 roku jako Washington Research Foundation Innovation Assistant Professor of Neuroengineering w wydziałach Bioengineering, and Electrical & Computer Engineering. W trakcie swojej kariery dr Yazdan opracowała nowe narzędzia i techniki badania funkcji mózgu i plastyczności przy użyciu zaawansowanych technologii neuromodulacji. Jej długoterminowym celem jest wykorzystanie technologii neuronowych do opracowania terapii opartych na stymulacji, które pomogą przywrócić funkcje i mobilność u osób z zaburzeniami neurologicznymi, takimi jak udar.
Dr Yazdan-Shahmorad jest laureatką 2014 IEEE Brain Grand Challenges Young Investigator Award, a także 2018 Interdisciplinary Rehabilitation Engineering Research Career Development Award i 2022 American Heart Association Career Development Award. Jej badania nad ukierunkowaną plastycznością sensomotoryczną zostały wybrane jako Hot Topic of 2016 przez Society for Neuroscience. Jest również obecnie badaczem Weill Neurohub, programu mającego na celu wspieranie międzykampusowych, interdyscyplinarnych zespołów badaczy w celu zbadania, stworzenia i przetestowania śmiałych nowych koncepcji i technologii w leczeniu chorób neurologicznych i psychiatrycznych. Dr Yazdan otrzymała ostatnio nagrodę Excellence in Mentorship od Wydziału Bioinżynierii Uniwersytetu Waszyngtońskiego oraz Junior Faculty Award od University of Washington College of Engineering.
Alec Greaves-Tunnell – Visiting Researcher in Computational Neuroscience, University of Washington
Alec ukończył doktorat ze statystyki na University of Washington, pracując z Zaidem Harchaoui nad skrzyżowaniem statystyki, uczenia maszynowego i optymalizacji. Obecnie pracuje jako Applied Scientist w Amazon Web Services.
Julien Bloch – PhD Candidate in Neural Engineering, University of Washington
Julien jest urodzonym w południowej Kalifornii naukowcem i inżynierem. Od najmłodszych lat był zafascynowany skrzyżowaniem procesów fizycznych i świadomości. To, wraz z pragnieniem wykorzystania technologii do walki z zaburzeniami neuronowymi, doprowadziło go do wydziału Bioneingineering na University of Washington – Seattle, gdzie obecnie jest doktorantem w laboratorium Neural Engineering prof. Yazdana-Shahmorada. Zajmuje się eksperymentalnymi i obliczeniowymi metodami optymalizacji stymulacji mózgu w celu rehabilitacji funkcjonalnego przewijania neuronów. W szczególności prowadzi eksperymenty z wykorzystaniem wielkoskalowych interfejsów optogenetycznych na modelach możliwych do przełożenia na język kliniczny oraz wykorzystuje interpretowalne modele uczenia maszynowego do badania zależności między stymulacją a dynamiką mózgu.