Die Autoren möchten sich dank Ph.D. Student Marta Bisio zur Kultivierung und Pflege von neuronalen Netzwerken auf Mikroelektrodenarrays und Dr. Marina Nanni und Dr. Claudia Chiabrera von NBT-IIT für die technische Hilfe für die Dissektion und Dissoziation Verfahren. Die Forschung, die zu diesen Ergebnissen geführt Mittel aus dem Siebten Rahmenprogramm der Europäischen Union erhalten (ICT-FET FP7 / 2007-2013, FET Young Explorers Schema) unter Finanzhilfevereinbarung Nr 284.772 BRAIN BOW ( <a href="http://www.brainbowproject.eu">www.brainbowproject.eu</a> ). Die Autoren möchten auch Silvia Chiappalone für ihre Hilfe bei der Erstellung der in der Einleitung verwendeten Grafiken danken.

1. Vorbereitung der neuronalen Kultur über einen MEA <ol><li> Platte neuronalen Kulturen auf MEA-Chips, wie beschrieben 29. Die Beschreibung eines ähnlichen Verfahrens ist ebenfalls vorhanden 9 und im Diskussionsabschnitt. </li><li> Drehen Sie den MEA-Heizung Anlage auf 5-10 Minuten vor Beginn der Aufnahme, um die thermische Belastung durch die Zellen, zu minimieren: Solltemperatur Ziel der Temperaturregler auf 37 ° C und schalten Sie die Heizplatte unter dem MEA selbst (in den meisten kommerziellen bereitgestellt MEA-Systeme) und, falls vorhanden, eine beheizte Abdeckung, um die Verdunstung signifikant reduzieren. </li><li> Sterilisieren gaspermeable Kappen vor jedem Gebrauch in einem Autoklaven mit feuchter Hitze (30 min, 130 ° C). Um Verdunstung zu vermeiden und Veränderungen in der Osmolarität zu verhindern, während der Aufnahme der Kulturen mit Kappen abgedeckt halten. </li><li> Legen Sie die neuronale Kultur im Verstärker 30 min vor dem eigentlichen Beginn der Aufzeichnung. HINWEIS: Einfach das Bewegen der Kulturen vom incubator zum Verstärker wird erheblich stören spontane Aktivität für etwa eine halbe Stunde. Während dieser Zeit wird Kulturmedium Temperatur zu stabilisieren. </li><li> Wenn ein carbair Schaltung verfügbar ist, starten Zirkulation carbair (eine Mischung aus 5% CO 2 und 95% O 2 + N 2) für Experimente länger als ein paar Stunden: Kulturen wird es um die beiden Sauerstoff- und pH-Werte zu erhalten benötigen stabil. </li></ol> 2. Auswahl der Aufnahmeparameter für MEA Acquisition <ol><li> Wählen Sie die Software-Filterbandbreite, um Spitzen zu erkennen (dh Mehrgeräteaktivität - MUA) 30: in der RawDataDisplay Form kennzeichnen die &quot;300 Hz-3 kHz&quot; Kontrollkästchen. </li><li> Starten Sie die Erfassung von Daten: Drücken Sie die Schaltfläche &quot;Start&quot; in der RawDataDisplay Form. </li><li> Set Threshold Verstärkung für Spike-Erkennung in der RawDataDisplay bis 7. HINWEIS: Je nach der gewünschten Spezifität / Selektivität Kompromiss und auf der angenommenen erkennenIonen-Algorithmus kann diese Schwelle zwischen 6 und 10 Mal die berechnete Standardabweichung festgelegt werden. </li><li> Stellen Sie Threshold Speicher bis 2 sec und drücken Sie die &quot;Lock&quot; -Taste, wenn keine Spikeaktivität auf dem Display sichtbar ist (beide Befehle im RawDataDisplay Form). Markieren Sie den &quot;Schätzen von SD Median&quot; Rauschstandardabweichung vom Mittelwert der Absolutwert des beobachteten Signals 31,32 zu berechnen, wenn es schwierig ist, selbst kurze Zeitfenster ohne spiking Aktivität liefern. Entfernen Sie das Häkchen aus dieser Möglichkeit nach dem Drücken der &quot;Lock&quot; -Taste, da der zugrunde liegende Algorithmus ist sehr rechenintensiv und kann dazu führen, den PC zurückbleiben. </li><li> Schalten Sie Spike Erkennungsroutine (&quot;Spike-Erkennung&quot; Checkbox in der RawDataDisplay Form). Wenn Spike-Erkennung wird bereits ausgeführt (dh, das Kontrollkästchen bereits markiert ist), zu verwerfen Spitzen bis zu diesem Zeitpunkt festgestellt, indem Sie auf die &quot;Reset&quot; -Taste in der Datenaufzeichnung Form. </li></ol> 3. Auswahl der MEA-Elektroden, um die neuronale Kultur und Antwortkarte Computation Stimulieren <ol><li> Nehmen Sie spontane Aktivität der Nervenzellen über die MEA 30 min kultiviert: Speichern von Daten, indem Sie die &quot;Record&quot; Schaltfläche Datei, in das Feld der Datenaufzeichnung als &quot;Spikes&quot;, nachdem die gewünschte Menge an Zeit (30 Minuten vergangen sind, in diesem fall). </li><li> Identifizieren Sie die 10 aktivsten Kanäle (dh 10 Kanäle mit der höchsten Spitze Zahl), dann wählen Sie die Kanäle in einer der MEA-Layouts (entweder in der Kodierung, Dekodierung oder Anschluss Karte Formen), indem Sie den Mauszeiger über die gewünschten Bereiche. Wenn die Kanäle ausgewählt werden, der rechten Maustaste irgendwo auf den MEA-Layout und wählen Sie &quot;In den sensorischen Bereich verlassen &#39;im Popup-Menü: diese Elektroden verwendet werden, um elektrische Stimulation in Schritt 3.5 zu liefern. </li><li> Überprüfen Sie, ob Stimulator und MEA-Verstärker richtig angeschlossen sind: alle Konfigurationen require zwei Drähte pro gewünschte Stimulationskanal, während ein zusätzliches Koaxialkabel erforderlich, um die Synchronität Signalübertragung (bitte in den Anleitungen für den spezifischen Instrumente für die Anschlusspläne beziehen) werden. Gehen Sie dann zu den Stimulator einzuschalten. </li><li> Definieren Reizparameter in der Verbindungskarte Form. Alle zu der Kultur zuge Stimulationen zweiphasigen Rechteckspannungswellen. Stellen Halbzeit zu 300 &amp; mgr; s und Amplitude auf 1,5 V pp 33. HINWEIS: Stimuli groß genug, um zuverlässig zu evozieren neuronalen Reaktionen sehr wahrscheinlich Kompromiss die Aufnahme der Tätigkeit von den gleichen Stellen. Im Rest des Papiers sollte Elektroden zur Stimulation Abgabe verwendet nicht zum Aufzeichnen relevante Informationen ausgewählt werden. </li><li> Nehmen Reaktion auf die Stimulation: drücken Sie die Schaltfläche Start in der ConnectionMap Form. Eine Reihe von 30 Stimuli mit einem Intervall von 5 Sekunden wird wiederum automatisch aus jeder der ausgewählten Elektroden geliefert, während Reaktionen Datensatzaus den verbleibenden 59 Elektroden ed. </li><li> Berechnen einer Verbindungsabbildung (dh die Wahrscheinlichkeit der Beobachtung einer Antwort von einer Elektrode, die innerhalb eines Zeitfensters nach der Lieferung von Stimulus aus einer anderen Elektrode) für jeden Kanal durch die Stimulierung jedem Mathematik Software oder SpyCode, eine Anwendung in der Vergangenheit entwickelt (und frei verfügbar auf Anfrage), um Berechnungen auf neuronalen Daten 28 durchzuführen. </li><li> Von den Anschlusskarten, wählen Sie am besten Elektroden: werfen Sie alle Stimulationselektroden, die keine Reaktionen hervorrufen haben (dh in dem Zeitfenster nach der Stimulation, Feuerraten sind nicht wesentlich höher als beim spontanen Feuer). <ol><li> Wählen Sie unter den übrigen Elektroden, das Paar mit der geringsten overleap in Antworten. Speziell für jede Stimulationselektrode, berechnen die durchschnittliche Spitze Zahl in jeder Aufzeichnungselektrode, dann berechnen Sie die Differenz zwischen den entsprechenden Elektroden für alle Stimulationselektroden-Paaren. Wählen Sie das Paar für which die Summe der absoluten Werte der Differenzen über die Reaktion aller Aufzeichnungskanäle am höchsten ist. </li></ol></li><li> Wählen Sie eine dieser Elektroden auf sensorische Informationen von der linken Seite des Roboters und der anderen, um Messwerte von der rechten Seite Code Code: Um dies zu tun, ziehen Sie den Mauszeiger über eine Elektrode mit der rechten Maustaste auf den MEA-Layout wählen &#39;In den sensorischen Bereich verlassen &quot;(oder&quot; nach rechts sensorischen Bereich hinzufügen &quot;). </li></ol> 4. Anbindung der neuronalen Kultur mit der Robot: Auswahl von Coding and Decoding Schemes <ol><li> Set &#39;Kodierung-Art &quot;im Coding Formular Linear. </li><li> Legen Sie minimale und maximale Stimulationsraten im Coding Form. Verwenden Sie den Standardbereich von 0,5 bis 2 Hz. </li><li> Stellen Sie die &quot;Jitter&quot; Parameter in der Codierung Form auf 0. </li><li> Festlegen der Dekodieralgorithmus Parameter bei der Decodierung Form (Gewicht und Extinktionskoeffizient) bis 1 für eine mäßig aktive Kultur (~ 1 Spitze / sec pro channel). Definieren Sie eine neue Parameterpaar, wenn Feuerraten stark und ständig von diesem Wert abweichen. Siehe Diskussion für die genaue Funktion der Parameter für die Decodierung. </li><li> Stellen Sie den Decodieralgorithmus platzen Parameter in der Decoding-Formular. Stellen Gewicht auf 0 (Abklingzeit ist dann irrelevant), es sei denn, zwischen Spikes und Bursts ist das Thema der Studie. HINWEIS: Die in Schritt 4.4 vorgeschlagenen Werte glatt Roboterbewegungen und Geschwindigkeiten kompatibel mit Roboterreaktionszeiten für mäßig aktive Ratte Primärkulturen zu produzieren. Die Burst-Parameter haben genau dieselbe Funktion wie jene in dem Schritt 4.4 beschrieben, aber das Auslöseereignis die Erfassung eines Burst anstelle einer Spitze: die Ist-Geschwindigkeit von jedem Rad ist einfach die Summe der Beiträge der detektierten Spitzen und platzt. </li></ol> 5. Entwurf der Navigation Arena für den Roboter <ol><li> Im virtuellen Bereich Designer bilden zwischen begrenzt (die Grenzen der Arena sichtbar für den Roboter und i wählen,mpassable) oder unbegrenzte (wenn der Roboter Ausgänge von einer Seite der Arena, es wird sofort neu eingeben von der gegenüberliegenden) Arena und den Arena Größe in Pixel. <ol><li> Verwenden Sie keine beschränkte Arenen kleiner als 100 x 100 Pixel, um eine signifikante Bewegung zu ermöglichen. Verwenden Sie keine Hindernisse mit einem Radius kleiner als 5 Pixel, wie sie können einfach zwischen den Sichtlinien des Roboters zu fallen. </li><li> Beachten Sie, dass sehr große Arena Größen kann dazu führen, die Leistung des Computers zu beeinträchtigen: wenn eine große Arena ist erforderlich, Test-Software die Leistung mit der gewünschten Arena vor Beginn schwer Wiederholungsversuchen. </li></ol></li><li> Set Roboterstartposition entweder manuell (klicken Sie auf die &#39;Manuelle Auswahl&#39; in der virtuellen Arena Designer Form, dann die gewünschte Stelle) oder durch Angabe der Koordinaten des Roboters an Experiment starten in der &quot;Robot Startposition&quot; Felder. </li><li> Fügen Sie beliebig viele unpassierbare Hindernisse in der Arena. Entweder legen Sie sie Menschenduell in der Arena nach Anklicken des &quot;Obstacle hinzufügen Manuell-Taste oder stellen Sie Anzahl und Größe Bereich. </li><li> Klicken Sie auf die &#39;Gene Arena&#39;, um die Arena mit den ausgewählten Funktionen zu generieren. Es werden keine Änderungen auftreten, bis diese Taste gedrückt wird. </li><li> Speichern Sie die entworfen Arena und laden Sie die relativen Datei, vor der Verwendung in einem Experiment mit den Schaltflächen im unteren Teil des virtuellen Arena Designer Form. </li></ol> 6. Auswahl MEA Elektroden zum Treffer neuronale Aktivität von der Kultur <ol><li> Wählen Sie als temporäre Aufzeichnungselektroden derjenigen, auf denen unterschiedliche Reaktionen, die in Schritt 3.8, wurden beobachtet: Elektroden, die größer Antworten nach Stimulation von der &quot;linken&quot; (oder &quot;rechts&quot;) Elektrode bilden die &quot;linke&quot; zeigte (oder &quot;rechts&quot;) Aufzeichnungselektroden. Verwenden Sie keine Elektroden, die keine signifikanten Reaktionen nicht zeigen entweder Stimulationselektrode zur Steuerung des Roboters. From die MEA Layout Pop-up-Menü wählen Sie &quot;In den linken Motorbereich&quot; (oder &quot;nach rechts Motorbereich hinzufügen&quot;), um Aufzeichnungselektroden zu definieren. </li><li> Wählen Sie die Funktionen, die in der Experiment-Manager Form aufzuzeichnen. In dieser Phase, Spannungsspitzen und Stimulation Zeitmarken sind das einzige relevante Informationen. </li><li> Führen Sie eine 10 Minuten Testfahrt: Beginn der Roboter, indem Sie auf die Start-Schaltfläche Experiment im Experiment-Manager Form auszuführen, klicken Sie noch einmal nach 10 Minuten vergangen sind. HINWEIS: Wenn alle Parameter eingestellt sind (Kodierung und Dekodierung, Roboter-Arena, anregend und Aufzeichnungselektroden, verfügt über den Rekord), wird ein Dateiname für Namen und Ziel aufgenommenen Dateien fragen, dann wird der Roboter in Bewegung in der Arena, nach den definierten Regeln. Alle ausgewählten Funktionen werden automatisch in Echtzeit gespeichert. </li><li> Wiederholen Sie die Schritte 3.6 und 6.1 auf die in Schritt 6.3 gewonnenen Daten, um die Aufzeichnungselektroden von Daten, die während einer tatsächlichen Roboterlauf gesammelt wählen (siehe Discussion für das Grundprinzip dieser zweistufigen Ansatz). </li></ol> 7. Durchführen eines Neuro-Roboter-Experiment <ol><li> Wählen Sie in der Experiment-Manager die Daten aufgezeichnet werden sollen bilden: markieren Sie den Spike, Roboter und Stimuli Datenkontrollkästchen. </li><li> Starten Sie eine pre-Learning-Roboter Lauf: Klicken Sie auf die &quot;Start Experiment &#39;in der Experiment-Manager Form. Wählen Sie neue Dateinamen für Dateien, wenn Sie dazu aufgefordert. Wenn 30 Minuten lang sind, klicken Sie auf die Schaltfläche &quot;Start Experiment&quot; erneut, um den Roboter Lauf zu stoppen. </li><li> Schalten Sie den Lernprotokoll (markieren Sie die &quot;Deliver tetanische Stimulation Nach Hit&quot; Kontrollkästchen in der Experiment-Manager Form) und führen Sie die Schulungsroboter Lauf, der die gleiche Länge wie die Pre-Workout Phase (dh, 30 min). Denken Sie daran, Eingang unterschiedliche Dateinamen, wenn aufgefordert, das Überschreiben von Daten aus Schritt 7.2 zu vermeiden. </li><li> Schalten Sie den Lernprotokoll wieder (deaktivieren Sie das Kontrollkästchen &quot;Deliver tetanische Stimulation Nach Hit &#39;) Und führen Sie die Post-Lernroboter laufen. Wieder einmal daran denken, Dateinamen zu überschreiben, um zu verhindern, ändern. </li></ol> 8. Zweite Antwort Karte Computation <ol><li> Wiederholen Sie die Schritte 3,1-3,6. Verwenden Sie die Daten aus diesen Aufnahmen, um zu testen, ob alle Änderungen entweder in den spontanen oder Aktivitätsmuster hervorgerufen durch den Lernprotokoll induziert worden. </li></ol>

<ol>
	<li>Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Volitional+control+of+neural+activity:+implications+for+brain&#8211;computer+interfaces.">Volitional control of neural activity: implications for brain&#8211;computer interfaces.</a> The Journal of Physiology. 579 (3), 571-579 (2007).</li><li>Carmena, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Learning+to+control+a+brain&#8211;machine+interface+for+reaching+and+grasping+by+primates.">Learning to control a brain&#8211;machine interface for reaching and grasping by primates.</a> PLoS Biology. 1 (2), e42 (2003).</li><li>Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+miniaturized+system+for+spike-triggered+intracortical+microstimulation+in+an+ambulatory+rat.">A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat.</a> Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).</li><li>Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+programmable+closed-loop+recording+and+stimulating+wireless+system+for+behaving+small+laboratory+animals.">A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals.</a> Scientific Reports. 4, (2014).</li><li>Maher, M., Pine, J., Wright, J., Tai, Y. -. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+neurochip:+a+new+multielectrode+device+for+stimulating+and+recording+from+cultured+neurons.">The neurochip: a new multielectrode device for stimulating and recording from cultured neurons.</a> Journal of Neuroscience. 87 (1), 45-56 (1999).</li><li>Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Band-tunable+and+multiplexed+integrated+circuits+for+simultaneous+recording+and+stimulation+with+microelectrode+arrays.">Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays.</a> Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).</li><li>Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Neurochip-2:+an+autonomous+head-fixed+computer+for+recording+and+stimulating+in+freely+behaving+monkeys.">The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys.</a> Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).</li><li>Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Connecting+brains+to+robots:+an+artificial+body+for+studying+the+computational+properties+of+neural+tissues.">Connecting brains to robots: an artificial body for studying the computational properties of neural tissues.</a> Artificial Life. 6 (4), 307-324 (2000).</li><li>Hales, C. M., Roston, J. D., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+to+culture,+record+and+stimulate+neuronal+networks+on+micro-electrode+arrays+(MEAs).">How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs).</a> Journal of Visualized Experiments. (39), 2056 (2010).</li><li>Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+fixed-array+multi-microelectrode+system+designed+for+long-term+monitoring+of+extracellular+single+unit+neuronal+activity+in+vitro.">A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro.</a> Neurosci Lett. 6 (2), 101-105 (1977).</li><li>Potter, S. M., DeMarse, T. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+approach+to+neural+cell+culture+for+long-term+studies.">A new approach to neural cell culture for long-term studies.</a> Journal of Neuroscience Methods. 110 (1), 17-24 (2001).</li><li>le Feber, J., Stegenga, J., Rutten, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effect+of+slow+electrical+stimuli+to+achieve+learning+in+cultured+networks+of+rat+cortical+neurons.">The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons.</a> PLoS One. 5 (1), e8871 (2010).</li><li>Marom, S., Shahaf, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+learning+and+memory+in+large+random+networks+of+cortical+neurons:+lessons+beyond+anatomy.">Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy.</a> Quarterly reviews of biophysics. 35 (1), 63-87 (2002).</li><li>Shahaf, G., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Learning+in+networks+of+cortical+neurons.">Learning in networks of cortical neurons.</a> The Journal of Neuroscience. 21 (22), 8782-8788 (2001).</li><li>Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamics+and+plasticity+in+developing+neuronal+networks+in+vitro.">Dynamics and plasticity in developing neuronal networks in vitro.</a> Progress in Brain Research. 147, 171-188 (2005).</li><li>Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dissociated+cortical+networks+show+spontaneously+correlated+activity+patterns+during+in+vitro+development.">Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development.</a> Brain Research. 1093 (1), 41-53 (2006).</li><li>Tateno, T., Jimbo, Y., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatio-temporal+cholinergic+modulation+in+cultured+networks+of+rat+cortical+neurons:+spontaneous+activity.">Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity.</a> Neuroscience. 134 (2), 425-437 (2005).</li><li>Masquelier, T., Deco, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Network+bursting+dynamics+in+excitatory+cortical+neuron+cultures+results+from+the+combination+of+different+adaptive+mechanism.">Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism.</a> PLoS One. 8 (10), e75824 (2013).</li><li>Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Controlling+bursting+in+cortical+cultures+with+closed-loop+multi-electrode+stimulation.">Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation.</a> The Journal of Neuroscience. 25 (3), 680-688 (2005).</li><li>Martinoia, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Towards+an+embodied+in+vitro+electrophysiology:+the+NeuroBIT+project.">Towards an embodied in vitro electrophysiology: the NeuroBIT project.</a> Neurocomputing. 58-60, 1065-1072 (2004).</li><li>Mussa-Ivaldi, F. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+perspectives+on+the+dialogue+between+brains+and+machines.">New perspectives on the dialogue between brains and machines.</a> Frontiers in Neuroscience. 4 (1), 44 (2010).</li><li>Warwick, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Controlling+a+Mobile+Robot+with+a+Biological+Brain.">Controlling a Mobile Robot with a Biological Brain.</a> Defence Science Journal. 60 (1), (2010).</li><li>Kudoh, S. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Vitroid&#8211;the+robot+system+with+an+interface+between+a+living+neuronal+network+and+outer+world.">Vitroid&#8211;the robot system with an interface between a living neuronal network and outer world.</a> International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).</li><li>Jimbo, Y., Tateno, T., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Simultaneous+induction+of+pathway-specific+potentiation+and+depression+in+networks+of+cortical+neurons.">Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons.</a> Biophysical Journal. 76 (2), 670-678 (1999).</li><li>Chiappalone, M., Massobrio, P., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Network+plasticity+in+cortical+assemblies.">Network plasticity in cortical assemblies.</a> European Journal of Neuroscience. 28 (1), 221-237 (2008).</li><li>Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+simulated+neuro-robotic+environment+for+bi-directional+closed-loop+experiments.">A simulated neuro-robotic environment for bi-directional closed-loop experiments.</a> Paladyn. 1 (3), 179-186 (2010).</li><li>Novellino, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Connecting+neurons+to+a+mobile+robot:+an+in+vitro+bidirectional+neural+interface.">Connecting neurons to a mobile robot: an in vitro bidirectional neural interface.</a> Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).</li><li>Bologna, L. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Investigating+neuronal+activity+by+SPYCODE+multichannel+data+analyzer.">Investigating neuronal activity by SPYCODE multichannel data analyzer.</a> Neural Networks. 23 (6), 685-697 (2010).</li><li>Frega, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cortical+cultures+coupled+to+micro-electrode+arrays:+a+novel+approach+to+perform+in+vitro+excitotoxicity+testing.">Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing.</a> Neurotoxicology and Teratology. 34 (1), 116-127 (2012).</li><li>Quian Quiroga, R., Panzeri, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Extracting+information+from+neuronal+populations:+information+theory+and+decoding+approaches.">Extracting information from neuronal populations: information theory and decoding approaches.</a> Nature Reviews Neuroscience. 10 (3), 173-185 (2009).</li><li>Donoho, D. L., Johnstone, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ideal+spatial+adaptation+by+wavelet+shrinkage.">Ideal spatial adaptation by wavelet shrinkage.</a> Biometrika. 81 (3), 425-455 (1994).</li><li>Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Realistic+simulation+of+extracellular+recordings.">Realistic simulation of extracellular recordings.</a> Journal of neuroscience methods. 184 (2), 285-293 (2009).</li><li>Wagenaar, D. A., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effective+parameters+for+stimulation+of+dissociated+cultures+using+multi-electrode+arrays.">Effective parameters for stimulation of dissociated cultures using multi-electrode arrays.</a> Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).</li><li>Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS &amp; EMBS International Conference on. , 332-337 (2012).</li><li>Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Modular+neuronal+assemblies+embodied+in+a+closed-loop+environment:+toward+future+integration+of+brains+and+machines.">Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines.</a> Frontiers in Neural Circuits. 6, (2012).</li><li>Tessadori, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neural+Engineering+(NER).">Neural Engineering (NER).</a> , 899-902 (2013).</li><li>Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+antiepileptic+drugs+on+hippocampal+neurons+coupled+to+micro-electrode+arrays.">Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays.</a> Frontiers in Neuroengineering. 6, 10 (2013).</li><li>Gal, A., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Entrainment+of+the+intrinsic+dynamics+of+single+isolated+neurons+by+natural-like+input.">Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input.</a> Journal of Neuroscience. 33 (18), 7912-7918 (2013).</li><li>Mainen, Z. F., Sejnowski, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+of+spike+timing+in+neocortical+neurons.">Reliability of spike timing in neocortical neurons.</a> Science. 268 (5216), 1503-1506 (1995).</li><li>Maccione, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+novel+algorithm+for+precise+identification+of+spikes+in+extracellularly+recorded+neuronal+signals.">A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals.</a> Journal of neuroscience methods. 177 (1), 241-249 (2009).</li><li>DeMarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+neurally+controlled+animat:+biological+brains+acting+with+simulated+bodies.">The neurally controlled animat: biological brains acting with simulated bodies.</a> Autonomous Robots. 11 (3), 305-310 (1023).</li><li>Bakkum, D. J., Chao, Z. C., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatio-temporal+electrical+stimuli+shape+behavior+of+an+embodied+cortical+network+in+a+goal-directed+learning+task.">Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task.</a> Journal of Neural Engineering. 5 (3), 310-323 (2008).</li><li>Truccolo, W., Hochberg, L. R., Donoghue, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Collective+dynamics+in+huma+and+monkey+sensorimotor+cortex:+predicting+single+neuron+spikes.">Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes.</a> Nature Neuroscience. 13 (1), 105-111 (2010).</li></ol>

The authors declare they have no competing financial interests.

In diesem Artikel wird eine Neuro-Architektur Roboter auf einem neuronalen Steuerung (dh ein Netz von Neuronen aus dem Kortex oder des Hippokampus von embryonalen Ratten) bidirektional an einen virtuellen Roboter verbunden basiert, wird vorgestellt. Der Roboter, der Sensoren und Räder hat, ist gezwungen, in einem statischen Arena mit Hindernisse bewegen und ihre Aufgabe besteht darin, Vermeidung von Kollisionen. Der erste und vielleicht wichtigste Aspekt des beschriebenen Verfahrens ist die Herstellung der Kulturen selbst, da die Fehlerrate dazu neigen, signifikant sogar in den besten technischen Bedingungen. Eine detaillierte Beschreibung der Techniken, die Kultivierung wird jedoch außerhalb des Umfangs der vorliegenden Arbeit. Als allgemeine Regel sollte die Aufnahmen auf, wenn die Netzwerk-Feuerungsrate erreicht einen stabilen Pegel, in der Regel nach 3 Wochen in vitro. Eine grobe Angabe der gesunden Kulturen ist das Vorhandensein von spontanen elektrophysiologische Aktivität in mehreren Aufnahme channels (mindestens 20 Kanäle über 60 verfügbar). Solche Kulturen sind durch einen hohen Grad der neuronalen Interkonnektivität gekennzeichnet. Unter solchen Bedingungen wird die neuronale Aktivität in der Regel wird stark synchronisiert und in Zeiten, zeigt es epileptiforme Ereignissen, mit intensiven spiking gefolgt von Minuten langen Ruheperioden 37. Beide Funktionen stellen ein Problem: exzessive Synchronisation wird es unmöglich machen, Reaktionen auf Reize aus verschiedenen Elektroden zu unterscheiden, während Kulturen epileptiforme Aktivität zeigt, wird auf den ersten Reiz mit einer langen Ausbruch von Aktivität vorgestellt, gefolgt von einer Ruhephase zu reagieren, unabhängig davon, jede aufeinanderfolgende Impulse geliefert. Beide diese Probleme stark durch die Verwendung von gemusterten Kulturen 35, in welcher das neuronale Population in zwei oder mehrere schwach miteinander verbundenen Untergruppen aufgeteilt gelindert werden. Ein weiteres Problem ist, dass neuronale Reaktionen hängen stark von der Verteilung eingehender stimuli 38,39. In einem Closed-Loop-Experiment wird die gelieferten Stimulations eine Funktion der Sensorwerte, die ihrerseits eine Folge von Roboterbewegung und damit der neuronalen Antworten selbst. Dies impliziert, daß es keine einfache Möglichkeit, vorab festzustellen, was Antworten werden während des eigentlichen Experiments beobachtet werden. Infolgedessen muss die Auswahl des Eingabe-Ausgabe-Elektroden auf sukzessive Approximationen verlassen. In dem beschriebenen Protokoll kann ein zweistufiges Verfahren (nämlich die Schritte 5.5 und 6.4) durchgeführt wird, um zu versuchen, eine Verbindung der Karte zu bestimmen. Im ersten Schritt wird eine reguläre Folge von Stimulationen geliefert und Antworten auf solche Stimuli verwendet, um eine erste Verbindungskarte und eine temporäre Menge von Aufzeichnungskanälen abzuleiten. Dann wird diese Konfiguration verwendet, um die in Schritt 6.4 beschrieben Probefahrt durchführen und wählen Sie die Aufnahmekanäle, die während des eigentlichen Experiments überwacht wird. Im Ergebnisbereich, ein Vertreter Navigations result und die sofortige Verbesserungen durch die Einführung eines Lernparadigma gebracht werden vorgestellt. Während der Protokollbeschreibung sind mehrere andere mögliche Versuchsvarianten erwähnt. Zum Beispiel können die in HyBrainWare2 implementiert zwei Haupt Codiersysteme (linear und stochastische) wobei entwickelt die genaue Rolle der zeitlichen Eingangs Variabilität auf dem neuronalen Code 38 zu untersuchen. Im linearen Fall, erfolgt sofort Stimulationsrate in Abhängigkeit von benutzerdefinierten Parametern und Robotersensoren Aufnahmen. In der stochastischen Fall wird jedes Mal, beispielsweise eine vorgegebene Wahrscheinlichkeit, gewählt, um einen Anreiz zu liefern. Solchen Wahrscheinlichkeit wird automatisch durch HyBrainWare2 berechnet, so dass die erwarteten Stimulationsraten übereinstimmen, für den ersten Fall. Die Möglichkeit, Jitter in den linearen Codierung bietet einen reibungslosen Übergang zwischen den beiden oben beschriebenen Fällen. In der gleichen Weise, sich mit verschiedenen Kombinationen von Parametern in der Decodierabschnitt helfen könnte Aufschluss über die precise Rolle platzt in in vitro neuronale Netze. Die Geschwindigkeit von jedem Rad des Roboters erhöht sich proportional zur Gewichtsparameter jedesmal, wenn ein Ereignis in dem entsprechenden Ausgangsbereich erfaßt wird, während der Extinktionskoeffizient zeigt an, wie viel Zeit in Sekunden, die einer der Beiträge nimmt auf 50% seines Wertes verlieren . Der Zerfall ist eine einfache Exponentialfunktion. Diese Varianten wurden bereits berücksichtigt in das aktuelle Design der HyBrainWare2 genommen worden, aber viele weitere Forschungsmöglichkeiten sind offen, wenn weitere Änderungen in der Software oder Versuchsaufbau eingebracht werden kann. Ein ziemlich erhebliche Einschränkung der hier beschriebene Protokoll ist die Forderung der entwickelt kundenspezifische Software, HyBrainWare2 (auf Anfrage frei verfügbar für alle interessierten Nutzer). Diese Software wurde für eine Reihe von Geräten (Stimulator, Erfassungskarte, MEA-Verstärker) an ein bestimmtes Modell und Hersteller konzipiert. Zwar ist es möglich, passen sie auf di arbeitenfferent Setups, wird die Konvertierung einige Programmierkenntnisse zu nehmen. Ebenso decken die enthaltenen Optionen nur eine begrenzte Menge aller experimentellen Fragen, die durch ein solches Setup untersucht werden konnte. Beispielsweise wird die Spitzendetektionsalgorithmus in der dargestellten Architektur implementiert (genaue Zeit Spitzendetektions 40) vollständig durch mehrere hartcodierte Parameter, die geändert werden müssen, wenn der Gegenstand der Anmeldung ist sehr verschieden von dissoziierten neuronalen Netzen (zB Herzzellen definiert oder Scheiben). Schließlich wird der Lern ​​Protokoll besteht aus der Lieferung eines kurzen Hochfrequenz (2 sec mit 20 Hz Anregung jedes Auslöseimpulses ist die gleiche wie jene, die zur sensorischen Informationscode) Stimulation nach jedem Hindernis treffen. Wenn der Roboter auf ein Hindernis trifft mit seiner rechten Seite wird das tetanische Stimulation auf der Elektrode, die in der Regel-Codes für die rechte Seite Informationen und das gleiche gilt für die linke Seite Ergebnisse geliefert. Dieses Protokoll ist fest codiert und können nicht bohne Modifizierung austretenden Software e durch den Benutzer geändert wird. Während die Einstellung hier dargestellt ist nicht die erste verkörperten System für Hybrid geschlossener Schleife Experimenten 20,23,27,41,42, waren diejenigen, die in der Vergangenheit entwickelt, auf einem einzigen Dissertation von Daten aus einer begrenzten Anzahl von analogen Zubereitungen unterstützt fokussiert . Auf der anderen Seite hat sich die beschriebene Einrichtung für eine große Anzahl von Experimenten (mehr als 100 Kulturen haben seit 2012 aufgenommen wurden) mit den Vorbereitungen für die unterschiedlichen Modularität und Herkunft verwendet wurden, während die Experimente selbst adressierten verschiedenen Themen (zB Auswirkungen der tetanischen Stimulation und Relevanz von Platzen, wie in den Ergebnissen vorgelegt). In naher Zukunft werden neue experimentelle Sitzungen vorgesehen, um die anhaltende Wirkung der beiden tetanische und Closed-Loop-Stimulation und die Beziehung zwischen Stimulation Ordnungsmäßigkeit zu überprüfen und beobachteten Reaktionen. Eine weitere Problemstellung ist die Verbindung zwischen spontanen und beobachtete Aktivität, mitdie Idee, das Hinzufügen eines neuen Decodieralgorithmus, die berücksichtigt, die Geschichte der letzten Aktivität und Stimulation 43.

Viele Funktionen der Hirnfunktion sind derzeit nicht möglich, ein künstliches System replizieren. Die Fähigkeit des Gehirns, um schnell zu verarbeiten komplexe sensorische Informationen und zur Erzeugung, in der Antwort, ist präzise motorische Befehle an sich bereits über die aktuelle state-of-the-art. Aber seine Fähigkeit, unterschiedlichen Bedingungen durch das Lernen aus den Erfahrungen der Vergangenheit anzupassen, macht es so weit überlegen menschliche entwickelten Steuerungssysteme. Bisher versucht zu replizieren oder nutzen diese Plastizität haben wenig Erfolg, und das Verständnis für das Innenleben des Gehirns hat das Verständnis der Forscher entgangen. Eines der Hauptprobleme bei der Untersuchung der Beziehung zwischen Gehirn und Verhalten ist die Unfähigkeit, richtig greifen alle Variablen im System: im Idealfall eine optimale Versuchsaufbau würde gleichzeitige Aufnahme und Stimulation zu einer großen Anzahl von Nervenzellen ermöglichen, langfristige Stabilität , Überwachung von Synapsen Positionen und Gewichte, und kontrollierbar bi-directional Wechselwirkung mit der Umgebung. Die Schwierigkeit bei der gleichzeitigen Verfolgung all diese Variablen führte zur Untersuchung von Gehirn-Verhalten Beziehung zu zwei sehr unterschiedlichen Skalen: entweder mit lebenden Tier, ohne eine genaue Kontrolle über Versuchsbedingungen 1-7 oder mit kleinen, isolierten Teile, wie Teile der neuronales Gewebe, ohne Gesamtansicht des Systems 8. Im letzteren Fall, wenn kein entwickelt Versuchsaufbau ermöglicht die komplette Überwachung aller in der Arbeitsweise auch ein einfaches neuronales Netz beteiligten Parameter, ein guter Kompromiss wird von dissoziierten Neuronen über Micro-Elektroden Arrays (MEAs) 9 gewachsen ist. Diese Geräte am Ende der 70-er 10 geboren haben mehrere Vorteile gegenüber herkömmlichen Elektrotechniken: erstens die Möglichkeit der Aufzeichnung und Stimulieren einer neuralen Netzwerk an vielen verschiedenen Stellen auf einmal (gewöhnlich 60 Elektroden). Außerdem ist die Kopplung von MEAs mit Zellen fast nicht invasiveUnd ermöglicht die Beobachtung des gleichen Netzes für längere Zeiträume bis zu mehreren Monaten 11. Die physiologischen Wirkungen der elektrischen Stimulation auf dissoziierte Kulturen wurden ausgiebig dank dieser Vorrichtungen untersucht und zeigt, daß viele Eigenschaften bei höheren Skalen beobachtet (wie beispielsweise Plastizität und einfache Speicher verarbeitet 12-14) sind trotz des Verlustes von Architektur erhalten. Während der Kulturwachstum, beginnen diese Netzwerke, die Spontanaktivität bei etwa 7 Tage in vitro (DIV) 15,16. Netzwerkaktivität eher radikal mit weiterem Wachstum zu ändern; zunächst als Einzelspitzen sammeln nicht in Bursts (gegen Ende der zweiten Woche) 17, der später als sie sich ändert in ein hoch komplexes Muster synchronisiert ist, nicht-periodische Netzwerk Bursts 18, die das reife Zustand eines Netzwerks darstellt. Es wurde vorgeschlagen, 19, dass diese Synchron-Verhalten, ähnlich dem in in vivo Aufzeichnung beobachtetIngs auf schlafenden Tiere wird durch den Mangel an Sinnes verursacht. Ein anderer Ansatz versucht, ein besseres Verständnis des Informationscodierung wird durch Ausführen einer Closed-Loop-Experimente, in denen verschiedene Arten von Signalen verwendet, um die Stimulation der neuronalen Netzwerk selbst 11,20-23 Steuerung übernommen gewinnen. In diesen Experimenten wurde ein externes Mittel, das zur Wechselwirkung mit der Umgebung verwendet worden ist, um sensorische Information an das neuronale Netz, die wiederum hergestellten Kraftbefehlen für einen auslösenden Mechanismus gespeist erzeugen. Dies ermöglichte Beobachtungen, wie dynamische und adaptive Eigenschaften neuronaler Systeme als Antwort auf induzierte Veränderungen in der Umwelt entwickelt. Ein Setup ausführen &quot;verkörpert Neurophysiologie Experimente entwickelt, wo eine Sensorplattform mit Rädern (eine physische Roboter oder virtuellen Modell) bewegt sich in einer Arena und ihre Geschwindigkeitsprofile werden durch die Aktivität eines neuronalen bestimmtSystem (dh, eine Bevölkerung von Rattenneuronen über eine MEA kultiviert). Der Roboter wird durch die Geschwindigkeitsprofile der zwei unabhängig gesteuerte Räder und durch die Strommesswerte der Abstandssensoren sind. Die genaue Art der Abstandssensoren ist nicht relevant; sie können aktive oder passive optische Sensoren oder Ultraschallsensoren sein. Es ist klar, tritt dieses Problem nicht im Fall der virtuelle Roboter, in dem Sensoren können mit einer beliebigen Funktion ausgelegt werden gelten. In den Experimenten, die hier beschrieben wird, ist der Roboter verwendet immer die virtuelle Umsetzung mit 6 Abstandssensoren, der auf 30 °, 60 ° und 90 ° von der Roboter Position in beiden Richtungen. Die Aktivität der drei linken und rechten Sensoren gemittelt wird und die Aktivität der biologischen Kultur wird durch die von solchen &quot;Super-Sensoren (die nur als&quot; links &quot;und&quot; rechts &quot;Sensoren im Rest bezeichnet wird gesammelten Informationen angetrieben dieser Arbeit). Die Protocol beschrieben tatsächlich in die physische Roboter mit relativ geringfügigen Anpassungen verwendet werden. Die von dem Roboter (entweder physisch oder virtuell) gesammelten Informationen werden in einer Reihe von Stimuli, die verwendet werden, um die Aktivität des biologischen neuronalen Netzwerk, die physikalisch von dem Roboter getrennten manipulieren kodiert. Die Reize selbst sind alle identisch und somit keine Informationen zu codieren. Entscheidend ist ihre Häufigkeit: Stimulationsfrequenz erhöht sich, wenn der Roboter auf ein Hindernis nähert, mit unterschiedlichen Liefer Websites Codierung sensorischer Information aus dem linken und rechten &quot;Augen&quot; des Roboters. Das neuronale Netz wird unterschiedliche Antworten auf den ankommenden Zug von Reizen präsentiert: Die Aufgabe des Decodierungsalgorithmus, um die resultierende Netzwerkaktivität in Befehle verwendet, um die Räder des Roboters steuern, umzusetzen. Bei einer &quot;perfekten&quot; Netzwerkverhalten (dh mit einer zuverlässigen und völlig getrennt von Reaktionen auf verschiedene Reize Elektroden), würde dies Result in der Roboterfahr in seiner Arena, ohne auf jedes Hindernis. Die meisten Netzwerke vorhanden ein Verhalten sehr verschieden von Idealität, also eine einfache Lern Protokoll wird eingeführt: wenn aktiviert, tetanische Stimulation (kurze Phasen der Hochfrequenzstimulation, 20 Hz-Stimulation für 2 Sekunden, inspiriert von in 24,25 beschriebenen Protokolle) im Anschluss an eine Kollision mit einem Hindernis wird ausgeliefert. Wenn die tetanische Stimulation führt zu einer lokalen Verstärkung der Netzwerkverbindung, führt dies zu einer Progression der Navigationsfähigkeiten des Roboters führen. HyBrainWare2, eine verbesserte Version der kundenspezifische Software in 26 veröffentlicht wurde, ist die Core-Architektur entwickelt, um die Steuerung der verschiedenen Geräte des Systems (Stimulator, Datenerfassung, Verarbeitung und Visualisierung, Kommunikation oder Robotersimulation) zu behandeln. Diese Software wurde in unserem Labor entwickelt und ist auf Anfrage frei verfügbar. Diese Software stellt die Schnittstelle mitdie Datenerfassungskarte: sobald der Benutzer beginnt die Datenerfassung von der GUI steuert die Software die Erfassungskarte, die Probenahme und A / D-Wandlung der Daten, die von den Aufzeichnungselektroden starten. Diese Daten können dann aufgezeichnet, angezeigt Bild oder in Echtzeit analysiert, um Spannungsspitzen zu erkennen, entsprechend den vom Benutzer eingestellten Optionen (siehe Vorgehensweise Abschnitt). Weiterhin in der Software, die Definition Codierung (Übersetzung von sensorischer Information in ein elektrisches Stimulations) und Decodieren (Übersetzen von Aktivität in Kraftbefehle für den Roboter) Algorithmen angegeben werden. Insbesondere ist unser Setup relativ benutzerfreundlich im Vergleich zu ähnlichen Systemen in der Vergangenheit 27 ausgebildet ist, da fast alle Variablen können vom Anwender aufgerufen werden kurz vor Beginn der eigentlichen Experiment, während alle aufgezeichneten Informationen werden automatisch in einem Format mit kompatiblen gespeichert ein neuronales Datenanalyse-Toolbox 28. Der folgende Abschnitt beschreibt ein Verfahren Lernversuch dissoziierten Ratten-Hippocampus-Kulturen: alle die Kultivierung und Versuchsparameter sind für dieses bestimmte Zubereitung zur Verfügung gestellt und kann geändert werden müssen, wenn eine andere biologische Substrat verwendet werden soll. In ähnlicher Weise erfolgt die beschriebene Experiment Vorteil der closed-loop-Architektur, um den Lerneffekt tetanische Stimulation untersucht, aber die Architektur selbst ist flexibel genug, um bei der Untersuchung der verschiedenen Funktionen von dissoziierten neuronalen Netzwerken verwendet werden. Hauptvarianten des vorgeschlagenen Experiments sind weiter in der Diskussion Abschnitt erklärt.

<table border="0" cellpadding="0" cellspacing="0" width="476">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:247px;">Name of Reagent/Material</td>
			<td style="width:229px;">Company</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">Stimulus Generator 4002</td>
			<td style="width:229px;">Multi Channel Systems</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">MEA1060-Inv-BC</td>
			<td style="width:229px;">Multi Channel Systems</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">TC02</td>
			<td style="width:229px;">Multi Channel Systems</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">NI 6255 Acquisition Card</td>
			<td style="width:229px;">National Instruments</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">Microsoft Visual Studio 2008</td>
			<td style="width:229px;">Microsoft</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:247px;">2078P Multichannel System-National Instruments adapter board</td>
			<td style="width:229px;">Developed at University of Genova (Italy)</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:247px;">Matlab 2010</td>
			<td style="width:229px;">Mathworks</td>
		</tr>
	</tbody>
</table>

closed-loop neuro-robotic experiments to test computational properties of neuronal networks

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation of a given stimulus might be dependent on context and history. If this is actually the case, bi-directional interactions between the brain (or if need be a reduced model of it) and sensory-motor system can shed a light on how encoding and decoding of information is performed. Here an experimental system is introduced and described in which the activity of a neuronal element (i.e., a network of neurons extracted from embryonic mammalian hippocampi) is given context and used to control the movement of an artificial agent, while environmental information is fed back to the culture as a sequence of electrical stimuli. This architecture allows a quick selection of diverse encoding, decoding, and learning algorithms to test different hypotheses on the computational properties of neuronal networks.

Das entwickelte experimentelle Rahmen erlaubt das Testen, ob ein Austausch von Informationen zwischen einer Kultur von Neuronen und die virtuelle Realisierung einer physikalischen Roboters möglich ist 34. 1 zeigt mehrere Proben erhalten Pfade durch einen virtuellen Roboter 20 min Experimente unter verschiedenen Bedingungen gereist : von links, um eine ordnungsgemäße Closed-Loop-Experiment, eine &quot;leere MEA&quot; Roboter-Experiment (keine Zellen auf der MEA für diese Kontrollexperiment vernickelt) und eine Open-Loop-Roboter Experiment rechts (Stimulationsrate ist statt Programmierung Sensorinformationen konstant) vertreten sind. Die repräsentativen Spuren bestätigen, daß eine bidirektionale Interaktion zwischen den Neuronen und künstliche Elemente notwendig, um eine gute Navigation Leistungen des Roboters erhalten. Dennoch erfährt der Roboter mehrere Treffer gegen die Hindernisse. In Abbildung 2 ist die Navigationsleistung des Roboters, eals Pixel zwischen aufeinanderfolgenden Treffern reiste xpressed wird unter verschiedenen Bedingungen gezeigt. Die ersten beiden Spalten zeigen die Verteilung der Abstände in den oben (&quot;leere MEA &#39;und Open-Loop-Konfigurationen) genannten Kontrollexperimenten gereist, während die dritte und vierte Spalte zeigt die Leistung, ohne und mit bzw. die Lieferung der tetanischen Stimulation nach jedem treffen auf ein Hindernis. Die Einführung der tetanischen Stimulation (Vgl Ordnung, Punkt 7.2) deutlich verbessert die zurückgelegte Strecke zwischen zwei aufeinanderfolgenden Treffern und verbessert so die Navigation Leistungen des Roboters 35. In Abbildung 3 wird die Navigationsleistung eines Roboters mit unterschiedlichen Decodierbedingungen dargestellt. Zu diesem Zweck wurde eine andere Arena-Konfiguration festgestellt. Dies trug dazu bei, um die erfolgreiche Navigation des Roboters in der Arena 36 quantifizieren, wie in Schritt 4.1 des Verfahrens beschrieben wurde, ist der Roboterpräsentiert eine Reihe von kurzen Strecken. Die Erfolgsrate ist einfach das Verhältnis der Anzahl der erfolgreich überquerten Spuren, auf die Anzahl der dargestellten Spuren. Insbesondere bei den Versuchen ein Echtzeit-Identifizierung des Burst und isoliert Spitzen durchgeführt wurde. Die Decodierung Paradigmen voneinander unterscheiden aufgrund der relativen Gewichte von Bursts und isoliert Spikes (Vgl Verfahren weist 3,5-3,6 und Diskussion). <img alt="Figur 1" src="/files/ftp_upload/52341/52341fig1highres.jpg" width="700" /> Abbildung 1: Ein neuronales Netzwerk und ein Roboter einen bidirektionalen Informationsaustausch Diese Figur zeigt drei repräsentative Pfade durch den Roboter über 20 Minuten des Experiments gereist.. Insbesondere sind hellgrün Bereichen kostenlos für den Roboter zu bewegen, während die dunkelgrünen Pixeln darstellen unpassierbare Hindernisse, dass der Roboter durch seine Distanz-Sensoren wahrnehmen. In jedem Versuch startet i der Robotern das links oben auf der Arena und fährt auf seine endgültige Position, da ein großer rosa Punkt dargestellt. Die kleineren schwarzen Punkte stellen Zugriffe auf ein Hindernis, wobei die farbcodierten Pfad stellt eine Anzeige der Zeitentwicklung der Roboterbewegung. Der Farbbalken auf der rechten Seite drückt Zeit vom Beginn des Experiments in Minuten vergangen. (A) Pfad während einer Closed-Loop-Experiment gefolgt. (B) Pfad während einer &quot;leeren&quot; MEA Experiment gefolgt (keine Zellen auf der MEA kultiviert werden Oberfläche). (C) Pfad folgen während einer Open-Loop-Experiment (Stimulationsfrequenz während des gesamten Experiments konstant ist). <a href="/files/ftp_upload/52341/52341fig1highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version der Abbildung zu sehen.</a> <img alt="Abbildung 2" src="/files/ftp_upload/52341/52341fig2.jpg" /> Abbildung 2: Die Performance-Ergebnisse werden von geschlossenen betroffen-loop und tetanische Stimulation. Diese Grafik gibt die Verteilung der Strecken durch den Roboter zwischen aufeinander folgenden Hits in verschiedenen Bedingungen abgedeckt. Insbesondere stellen die ersten beiden Distributionen Kontrollexperimente (&quot;Empty&quot; für Aufnahmen ohne Neuronen auf der MEA, &quot;Open Loop&quot; (OL) für Versuch mit einem &quot;blinden&quot; Roboter vernickelt). Die letzten beiden Spalten den Zustand &quot;Closed-Loop&quot; darstellen, ohne (CL) und mit (CL + TS) die durch tetanische Stimulation (TS) implementiert Learning-Protokoll, an der Kultur folgende Treffer gegen ein Hindernis geliefert. In jeder Box, die zentrale Horizontalsegment entspricht dem Median der Verteilung, den leeren Platz der Mittelwert erstreckt sich die zentrale Bar mit dem ersten und dem dritten Quartil und die Barthaare an den 5. und 95. Perzentile zu erweitern. Ausreißer werden als Rauten dargestellt. Die Statistik wurde unter Verwendung des Kruskal-Wallis-Varianzanalyseauf den Plätzen: der Student-Newman-Keuls paarweisen Vergleich zeigt, dass alle Mittelwerte signifikant mit p &lt;0,05 sind. <img alt="Figur 3" src="/files/ftp_upload/52341/52341fig3.jpg" /> Abbildung 3: Die Dekodierung beeinflusst Roboterleistung Die obige Grafik stellt die Wahrscheinlichkeit für einen bestimmten Decodieralgorithmus, der der Roboter erfolgreich über eine kurze Strecke in einer begrenzten Zeit zu navigieren.. Identifizierung von Bursts und isolierte Spitzen wird in Echtzeit während des Experiments selbst ausgeführt. Im ersten Fall (&quot;Spikes&quot;) präsentieren alle erkannten Spitzen die gleiche relative Gewicht, für den zweiten und dritten Distributionen ein Gewicht von 0 wurde für jeweils gesetzt, isoliert Stacheln und Dornen auf einen Burst gehört. Die beiden letzten Spalten die in dem Fall, wo alle die Spitzen berücksichtigt erhaltenen Ergebnisse, jedoch mit einer unterschiedlichen relativen Gewichts entsprechend ihrer Position.Insbesondere in der vierten Spalte isoliert Spitzen wurden höhere relative Gewicht als Burst Ereignisse gegeben, während die Gewichtung für die Dekodierung in bezug auf das fünfte Spaltendaten invertiert. In jedem Diagramm die Mittellinie stellt den Median der Verteilung, den leeren Platz der Mittelwert, während die zentrale Bar erstreckt sich auf die erste und dritte Quartil und die Barthaare an den 5. und 95. Perzentile zu erweitern. Die Statistik wurde unter Verwendung der Kruskall-Wallis Varianzanalyse an Rängen. Die paarweisen Vergleich (Student-Newman-Keuls-Verfahren) zeigt, dass signifikante Unterschiede (p &lt;0,05) zwischen den Spalten 1 und 4, 2 und 4, 2 und 5, 2 und 3 beobachtet werden.

Watch this Scientific Journal Video about Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks at JoVE.com

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

In this paper, an experimental framework to perform closed-loop experiments is presented, in which information processing (i.e., coding and decoding) and learning of neuronal assemblies are studied during the continuous interaction with a robotic body.

Closed-loop Neuro-Roboter-Experimente zur Computational Eigenschaften Neuronale Netze Testen

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation ...

closed-loop-neuro-robotic-experiments-to-test-computational

Research

JoVE Journal

Neuroscience

10.1K Aufrufe.  Istituto Italiano di Tecnologia. In this paper, an experimental framework to perform closed-loop experiments is presented, in which information processing (i.e., coding and decoding) and learning of neuronal assemblies are studied during the continuous interaction with a robotic body.

Serie: Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

The non-stationary nature and variability of neuronal signals is a fundamental problem in brain-machine interfacing. We developed a brain-machine interface to assess the robustness of different control-laws applied to a closed-loop image stabilization task. Taking advantage of the well-characterized fly visuomotor pathway we record the electrical activity from an identified, motion-sensitive neuron, H1, to control the yaw rotation of a two-wheeled robot. The robot is equipped with 2 high-speed video cameras providing visual motion input to a fly placed in front of 2 CRT computer monitors. The activity of the H1 neuron indicates the direction and relative speed of the robot's rotation. The neural activity is filtered and fed back into the steering system of the robot by means of proportional and proportional/adaptive control. Our goal is to test and optimize the performance of various control laws under closed-loop conditions for a broader application also in other brain machine interfaces.

We use a closed-loop fly-machine interface to investigate general principles in neuronal control.

Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

The non-stationary nature and variability of neuronal signals is a fundamental problem in brain-machine interfacing. We developed a brain-machine ...

Forschung

Neurowissenschaften

Fast Micro-iontophoresis of Glutamate and GABA: A Useful Tool to Investigate Synaptic Integration

One of the fundamental interests in neuroscience is to understand the integration of excitatory and inhibitory inputs along the very complex structure of the dendritic tree, which eventually leads to neuronal output of action potentials at the axon. The influence of diverse spatial and temporal parameters of specific synaptic input on neuronal output is currently under investigation, e.g. the distance-dependent attenuation of dendritic inputs, the location-dependent interaction of spatially segregated inputs, the influence of GABAergig inhibition on excitatory integration, linear and non-linear integration modes, and many more.
With fast micro-iontophoresis of glutamate and GABA it is possible to precisely investigate the spatial and temporal integration of glutamatergic excitation and GABAergic inhibition. Critical technical requirements are either a triggered fluorescent lamp, light-emitting diode (LED), or a two-photon scanning microscope to visualize dendritic branches without introducing significant photo-damage of the tissue. Furthermore, it is very important to have a micro-iontophoresis amplifier that allows for fast capacitance compensation of high resistance pipettes. Another crucial point is that no transmitter is involuntarily released by the pipette during the experiment.
Once established, this technique will give reliable and reproducible signals with a high neurotransmitter and location specificity. Compared to glutamate and GABA uncaging, fast iontophoresis allows using both transmitters at the same time but at very distant locations without limitation to the field of view. There are also advantages compared to focal electrical stimulation of axons: with micro-iontophoresis the location of the input site is definitely known and it is sure that only the neurotransmitter of interest is released. However it has to be considered that with micro-iontophoresis only the postsynapse is activated and presynaptic aspects of neurotransmitter release are not resolved. In this article we demonstrate how to set up micro-iontophoresis in brain slice experiments.

In this article we introduce fast micro-iontophoresis of neurotransmitters as a technique to investigate integration of postsynaptic signals with high spatial and temporal precision.

Schnelle Micro-Iontophorese von Glutamat und GABA: Ein nützliches Tool, um Synaptic Integration Untersuchen

One of the fundamental interests in neuroscience is to understand the integration of excitatory and inhibitory inputs along the very complex structure of ...

A Procedure for Implanting Organized Arrays of Microwires for Single-unit Recordings in Awake, Behaving Animals

In vivo electrophysiological recordings in the awake, behaving animal provide a powerful method for understanding neural signaling at the single-cell level. The technique allows experimenters to examine temporally and regionally specific firing patterns in order to correlate recorded action potentials with ongoing behavior. Moreover, single-unit recordings can be combined with a plethora of other techniques in order to produce comprehensive explanations of neural function. In this article, we describe the anesthesia and preparation for microwire implantation. Subsequently, we enumerate the necessary equipment and surgical steps to accurately insert a microwire array into a target structure. Lastly, we briefly describe the equipment used to record from each individual electrode in the array. The fixed microwire arrays described are well-suited for chronic implantation and allow for longitudinal recordings of neural data in almost any behavioral preparation. We discuss tracing electrode tracks to triangulate microwire positions as well as ways to combine microwire implantation with immunohistochemical techniques in order to increase the anatomical specificity of recorded results.

Implanting organized arrays of microwires for use in single-unit electrophysiological recordings presents a number of technical challenges.&#160;Methods for performing this technique and the equipment necessary are described.&#160;Also, the beneficial use of organized microwire arrays to record from distinct neural subregions with high spatial selectivity is discussed.

Ein Verfahren für die Implantation von Mikrodrähte Organisierte Arrays für Einzel-Einheit Recordings in Awake, Behaving Tiere

In vivo electrophysiological recordings in the awake, behaving animal provide a powerful method for understanding neural signaling at the single-cell ...

Real-time Electrophysiology: Using Closed-loop Protocols to Probe Neuronal Dynamics and Beyond

Experimental neuroscience is witnessing an increased interest in the development and application of novel and often complex, closed-loop protocols, where the stimulus applied depends in real-time on the response of the system. Recent applications range from the implementation of virtual reality systems for studying motor responses both in mice1 and in zebrafish2, to control of seizures following cortical stroke using optogenetics3. A key advantage of closed-loop techniques resides in the capability of probing higher dimensional properties that are not directly accessible or that depend on multiple variables, such as neuronal excitability4 and reliability, while at the same time maximizing the experimental throughput. In this contribution and in the context of cellular electrophysiology, we describe how to apply a variety of closed-loop protocols to the study of the response properties of pyramidal cortical neurons, recorded intracellularly with the patch clamp technique in acute brain slices from the somatosensory cortex of juvenile rats. As no commercially available or open source software provides all the features required for efficiently performing the experiments described here, a new software toolbox called LCG5 was developed, whose modular structure maximizes reuse of computer code and facilitates the implementation of novel experimental paradigms. Stimulation waveforms are specified using a compact meta-description and full experimental protocols are described in text-based configuration files. Additionally, LCG has a command-line interface that is suited for repetition of trials and automation of experimental protocols.

Closed-loop protocols are becoming increasingly widespread in modern day electrophysiology. We present a simple, versatile and inexpensive way to perform complex electrophysiological protocols in cortical pyramidal neurons in vitro, using a desktop computer and a digital acquisition board.

Echtzeit-Elektrophysiologie: Mit Closed-loop Protokolle Probe neuronaler Dynamik und darüber hinaus

Experimental neuroscience is witnessing an increased interest in the development and application of novel and often complex, closed-loop protocols, where ...

Design, Surface Treatment, Cellular Plating, and Culturing of Modular Neuronal Networks Composed of Functionally Inter-connected Circuits

The brain operates through the coordinated activation and the dynamic communication of neuronal assemblies. A major open question is how a vast repertoire of dynamical motifs, which underlie most diverse brain functions, can emerge out of a fixed topological and modular organization of brain circuits. Compared to in vivo studies of neuronal circuits which present intrinsic experimental difficulties, in vitro preparations offer a much larger possibility to manipulate and probe the structural, dynamical and chemical properties of experimental neuronal systems. This work describes an in vitro experimental methodology which allows growing of modular networks composed by spatially distinct, functionally interconnected neuronal assemblies. The protocol allows controlling the two-dimensional (2D) architecture of the neuronal network at different levels of topological complexity.
A desired network patterning can be achieved both on regular cover slips and substrate embedded micro electrode arrays. Micromachined structures are embossed on a silicon wafer and used to create biocompatible polymeric stencils, which incorporate the negative features of the desired network architecture. The stencils are placed on the culturing substrates during the surface coating procedure with a molecular layer for promoting cellular adhesion. After removal of the stencils, neurons are plated and they spontaneously redirected to the coated areas. By decreasing the inter-compartment distance, it is possible to obtain either isolated or interconnected neuronal circuits. To promote cell survival, cells are co-cultured with a supporting neuronal network which is located at the periphery of the culture dish. Electrophysiological and optical recordings of the activity of modular networks obtained respectively by using substrate embedded micro electrode arrays and calcium imaging are presented. While each module shows spontaneous global synchronizations, the occurrence of inter-module synchronization is regulated by the density of connection among the circuits.

This manuscript describes a protocol to grow in vitro modular networks consisting of spatially confined, functionally inter-connected neuronal circuits. A polymeric mask is used to pattern a protein layer to promote cellular adhesion over the culturing substrate. Plated neurons grow on coated areas establishing spontaneous connections and exhibiting electrophysiological activity.

Design, Oberflächenbehandlung, Cellular-Überzug und Kultivierung von Modular Neuronale Netze Bestehend aus Funktionell mit Inter-Schaltungen

The brain operates through the coordinated activation and the dynamic communication of neuronal assemblies. A major open question is how a vast repertoire ...

Chronic Transcranial Electrical Stimulation and Intracortical Recording in Rats

Transcranial electrical stimulation (TES) is a powerful and relatively simple approach to diffusely influence brain activity either randomly or in a closed-loop event-triggered manner. Although many studies are focusing on the possible benefits and side-effects of TES in healthy and pathologic brains, there are still many fundamental open questions regarding the mechanism of action of the stimulation. Therefore, there is a clear need for a robust and reproducible method to test the acute and the chronic effects of TES in rodents. TES can be combined with regular behavioral, electrophysiological, and imaging techniques to investigate neuronal networks in vivo. The implantation of transcranial stimulation electrodes does not impose extra constraints on the experimental design while it offers a versatile, flexible tool to manipulate brain activity. Here we provide a detailed, step-by-step protocol to fabricate and implant transcranial stimulation electrodes to influence brain activity in a temporally constrained manner for months.

This detailed protocol describes transcranial stimulation electrode placement on the temporal bone in order to investigate the short- and long-term effects of transcranial electrical stimulation in freely moving rats.

Chronische Transkraniellen Elektrostimulation und Intracortical Aufnahme bei Ratten

Transcranial electrical stimulation (TES) is a powerful and relatively simple approach to diffusely influence brain activity either randomly or in a ...

Using Neuron Spiking Activity to Trigger Closed-Loop Stimuli in Neurophysiological Experiments

Closed-loop neurophysiological systems use patterns of neuronal activity to trigger stimuli, which in turn affect brain activity. Such closed-loop systems are already found in clinical applications, and are important tools for basic brain research. A particularly interesting recent development is the integration of closed-loop approaches with optogenetics, such that specific patterns of neuronal activity can trigger optical stimulation of selected neuronal groups. However, setting up an electrophysiological system for closed-loop experiments can be difficult. Here, a ready-to-apply Matlab code is provided for triggering stimuli based on the activity of single or multiple neurons. This sample code can be easily modified based on individual needs. For instance, it shows how to trigger sound stimuli and how to change it to trigger an external device connected to a PC serial port. The presented protocol is designed to work with a popular neuronal recording system for animal studies (Neuralynx). The implementation of closed-loop stimulation is demonstrated in an awake rat.

This protocol demonstrates how to use an electrophysiological system for closed-loop stimulation triggered by neuronal activity patterns. Sample Matlab code that can be easily modified for different stimulation devices is also provided.

Verwenden von Neuron Spiking Activity zum Auslösen von Closed-Loop Stimuli in neurophysiologischen Experimenten

Closed-loop neurophysiological systems use patterns of neuronal activity to trigger stimuli, which in turn affect brain activity. Such closed-loop systems ...

In vivo Calcium Imaging in Mouse Inferior Olive

Inferior olive (IO), a nucleus in the ventral medulla, is the only source of climbing fibers that form one of the two input pathways entering the cerebellum. IO has long been proposed to be crucial for motor control and its activity is currently considered to be at the center of many hypotheses of both motor and cognitive functions of the cerebellum. While its physiology and function have been relatively well studied on single-cell level in vitro, presently there are no reports on the organization of the IO network activity in living animals. This is largely due to the extremely challenging anatomical location of the IO, making it difficult to subject to conventional fluorescent imaging methods, where an optic path must be created through the entire brain located dorsally to the region of interest.
Here we describe an alternative method for obtaining state-of-the-art -level calcium imaging data from the IO network. The method takes advantage of the extreme ventral location of the IO and involves a surgical procedure for inserting a gradient-refractive index (GRIN) lens through the neck viscera to come into contact with the ventral surface of the calcium sensor GCaMP6s-expressing IO in anesthetized mice. A representative calcium imaging recording is shown to demonstrate the feasibility to record IO neuron activity after the surgery. While this is a non-survival surgery and the recordings must be conducted under anesthesia, it avoids damage to life-critical brainstem nuclei and allows conducting large variety of experiments investigating spatiotemporal activity patterns and input integration in the IO. This procedure with modifications could be used for recordings in other, adjacent regions of the ventral brainstem.

In vivo Calcium Imaging in Mouse Inferior Olive

We present a protocol to expose the brainstem of adult mouse from the ventral side. By using a gradient-refractive index lens with a miniature microscope, calcium imaging can be used to examine the activity of inferior olive neural somata in vivo.

In vivo Calcium Imaging in Maus Inferior Olive

Inferior olive (IO), a nucleus in the ventral medulla, is the only source of climbing fibers that form one of the two input pathways entering the ...

In Vivo Calcium Imaging of Neuronal Ensembles in Networks of Primary Sensory Neurons in Intact Dorsal Root Ganglia

Ca2+ imaging can be used as a proxy for cellular activity, including action potentials and various signaling mechanisms involving Ca2+ entry into the cytoplasm or the release of intracellular Ca2+ stores. Pirt-GCaMP3-based Ca2+ imaging of primary sensory neurons of the dorsal root ganglion (DRG) in mice offers the advantage of simultaneous measurement of a large number of cells. Up to 1,800 neurons can be monitored, allowing neuronal networks and somatosensory processes to be studied as an ensemble in their normal physiological context at a populational level in vivo. The large number of neurons monitored allows the detection of activity patterns that would be challenging to detect using other methods. Stimuli can be applied to the mouse hindpaw, allowing the direct effects of stimuli on the DRG neuron ensemble to be studied. The number of neurons producing Ca2+ transients as well as the amplitude of Ca2+ transients indicates sensitivity to specific sensory modalities. The diameter of neurons provides evidence of activated fiber types (non-noxious mechano vs. noxious pain fibers, A&#946;, A&#948;, and C fibers). Neurons expressing specific receptors can be genetically labeled with td-Tomato and specific Cre recombinases together with Pirt-GCaMP. Therefore, Pirt-GCaMP3 Ca2+ imaging of DRG provides a powerful tool and model for the analysis of specific sensory modalities and neuron subtypes acting as an ensemble at the populational level to study pain, itch, touch, and other somatosensory signals.

In Vivo Calcium Imaging of Neuronal Ensembles in Networks of Primary Sensory Neurons in Intact Dorsal Root Ganglia

This protocol describes the surgical exposure of the dorsal root ganglion (DRG) followed by GCaMP3 (genetically-encoded Ca2+ indicator; Green Fluorescent Protein-Calmodulin-M13 Protein 3) Ca2+ imaging of the neuronal ensembles using Pirt-GCaMP3 mice while applying a variety of stimuli to the ipsilateral hind paw.

Im lebenden Organismus Calcium-Bildgebung neuronaler Ensembles in Netzwerken primärer sensorischer Neurone in intakten dorsalen Wurzelganglien

Ca2+ imaging can be used as a proxy for cellular activity, including action potentials and various signaling mechanisms involving Ca2+ entry into the ...

Open-Source Real-Time Closed-Loop Electrical Threshold Tracking for Translational Pain Research

Nociceptors are a class of primary afferent neurons that signal potentially harmful noxious stimuli. An increase in nociceptor excitability occurs in acute and chronic pain conditions. This produces abnormal ongoing activity or reduced activation thresholds to noxious stimuli. Identifying the cause of this increased excitability is required for the development and validation of mechanism-based treatments. Single-neuron electrical threshold tracking can quantify nociceptor excitability. Therefore, we have developed an application to allow such measurements and demonstrate its use in humans and rodents. APTrack provides real-time data visualization and action potential identification using a temporal raster plot. Algorithms detect action potentials by threshold crossing and monitor their latency after electrical stimulation. The plugin then modulates the electrical stimulation amplitude using an up-down method to estimate the electrical threshold of the nociceptors. The software was built upon the Open Ephys system (V0.54) and coded in C++ using the JUCE framework. It runs on Windows, Linux, and Mac operating systems. The open-source code is available (<a data-saferedirecturl="https://www.google.com/url?q=https://github.com/Microneurography/APTrack&amp;source=gmail&amp;ust=1680789829274000&amp;usg=AOvVaw0nMk9J_EI2jUn8SlmC5JJm" href="https://github.com/Microneurography/APTrack" target="_blank">https://github.com/Microneurography/APTrack</a>). The electrophysiological recordings were taken from nociceptors in both a mouse skin-nerve preparation using the teased fiber method in the saphenous nerve and in healthy human volunteers using microneurography in the superficial peroneal nerve. Nociceptors were classified by their response to thermal and mechanical stimuli, as well as by monitoring the activity-dependent slowing of the conduction velocity. The software facilitated the experiment by simplifying the action potential identification through the temporal raster plot. We demonstrate real-time closed-loop electrical threshold tracking of single-neuron action potentials during&#160;in vivo&#160;human microneurography, for the first time, and during&#160;ex vivo&#160;mouse electrophysiological recordings of C-fibers and A&#948;-fibers. We establish proof of principle by showing that the electrical threshold of a human heat-sensitive C-fiber nociceptor is reduced by heating the receptive field. This plugin enables the electrical threshold tracking of single-neuron action potentials and allows the quantification of changes in nociceptor excitability.

APTrack is a software plugin developed for the Open Ephys platform that enables real-time data visualization and the closed-loop electrical threshold tracking of neuronal action potentials. We have successfully used this in microneurography for human C-fiber nociceptors and mouse C-fiber and A&#948;-fiber nociceptors.

Open-Source-Echtzeit-Closed-Loop-Tracking des elektrischen Schwellenwerts für die translationale Schmerzforschung

Nociceptors are a class of primary afferent neurons that signal potentially harmful noxious stimuli. An increase in nociceptor excitability occurs in ...