Method Article
Bir retinal nöronun elektriksel stimülasyona yanıt olarak davranışlarını hesaplamalı olarak modellemek için bir iş akışını özetliyoruz. Hesaplamalı model çok yönlüdür ve bir dizi fizyolojik senaryoyu simüle etmede ve gelecekteki in vivo / in vitro çalışmaların sonuçlarını tahmin etmede yararlı olan otomasyon adımlarını içerir.
Hesaplamalı modelleme, in vivo ve in vitro sistemlerin davranışlarını tahmin etme kapasitesi nedeniyle sinir mühendisliğinde giderek daha önemli bir yöntem haline gelmiştir. Bu, fizyolojik sonuçların genellikle çok kesin bir tahminini sağlayarak belirli bir çalışmada gerekli olan hayvan sayısını en aza indirmenin temel avantajına sahiptir. Görsel protez alanında, hesaplamalı modelleme, implante edilebilir bir elektrot dizisinin tasarımının bilgilendirilmesi ve söz konusu diziden elektriksel uyarıların iletilmesiyle ortaya çıkabilecek görsel algıların tahmin edilmesi de dahil olmak üzere bir dizi pratik uygulamaya sahiptir. Literatürde açıklanan bazı modeller, elektrik alanını hesaplamak için üç boyutlu (3D) bir morfolojiyi ve ilgilenilen nöronun veya sinir ağının bir kablo modelini birleştirir. Bu iki adımlı yöntemin, hesaplamalı modellemede daha önce sınırlı deneyime sahip olabilecek araştırmacılara erişilebilirliğini artırmak için, hesaplamalı bir model oluşturmak ve bunu uygulanan stimülasyon protokollerinin fizyolojik ve psikofiziksel sonuçlarını tahmin etmede kullanmak için alınacak temel yaklaşımların bir videosunu sunuyoruz. görsel bir protez. Kılavuz, sonlu elemanlar modelleme (FEM) yazılımında bir 3B model oluşturma adımlarını, çok bölmeli bir nöron hesaplama yazılımında retinal ganglion hücre modelinin oluşturulmasını ve ardından ikisinin birleştirilmesini içerir. Fiziksel denklemleri sayısal olarak çözmek için sonlu elemanlar modelleme yazılımı, dokunun elektriksel uyarımlarındaki elektrik alan dağılımını çözmek için kullanılacaktır. Daha sonra, bir sinir hücresinin veya ağın elektriksel aktivitelerini simüle etmek için özel bir yazılım kullanıldı. Bu öğreticiyi takip etmek için, bir nöroprotezin çalışma prensibinin yanı sıra nörofizyolojik kavramlara (örneğin, aksiyon potansiyeli mekanizması ve Hodgkin-Huxley modelinin anlaşılması) aşina olmak gerekecektir.
Görsel nöroprotezler, fosfenler veya ışığı görme hissi yaratmak için görsel yoldaki sinir hücrelerine stimülasyonlar (elektrik, ışık vb.) ileten bir grup cihazdır. Dejeneratif retina hastalıklarının neden olduğu kalıcı körlüğü olan kişiler için neredeyse on yıldır klinik kullanımda olan bir tedavi stratejisidir. Tipik olarak, eksiksiz bir sistem, kullanıcının etrafındaki görsel bilgileri yakalayan harici bir kamera, görüntüyü işlemek ve bir dizi elektrik darbesine çevirmek için bir güç kaynağı ve bilgi işlem ünitesi ve sinir dokusunu birbirine bağlayan ve elektrik darbelerini sinir hücrelerine ileten implante edilmiş bir elektrot dizisi içerecektir. Çalışma prensibi, görsel bir nöroprotezin, hasarlı dokudan aşağı doğru olduğu sürece, retinadan görsel kortekse giden görsel yol boyunca farklı bölgelere yerleştirilmesine izin verir. Görsel nöroprotezlerdeki mevcut araştırmaların çoğu, stimülasyonun etkinliğini arttırmaya ve daha doğal bir görüş sağlamak için mekansal keskinliği geliştirmeye odaklanmaktadır.
Stimülasyonun etkinliğini artırma çabalarında, hesaplamalı modelleme, bir protez tasarımını doğrulamak ve görsel sonucunu simüle etmek için maliyet ve zaman etkili bir yöntem olmuştur. Bu alandaki hesaplamalı modelleme, Greenberg 1'in retinal ganglion hücresinin hücre dışı elektriksel uyaranlara tepkisini modellediği için 1999'dan beri popülerlik kazanmıştır. O zamandan beri, elektrik darbesi 2,3'ün parametrelerini veya elektrot 4,5'in geometrik tasarımını optimize etmek için hesaplamalı modelleme kullanılmıştır. Karmaşıklık ve araştırma sorularındaki çeşitliliğe rağmen, bu modeller ortamdaki (örneğin, sinir dokusu) elektrik voltajı dağılımını belirleyerek ve çevredeki nöronların elektrik voltajı nedeniyle üreteceği elektriksel tepkiyi tahmin ederek çalışır.
Bir iletkendeki elektriksel gerilim dağılımı, Poisson denklemleri6'nın tüm konumlarda çözülmesiyle bulunabilir:
burada E elektrik alanı, V elektrik potansiyeli, J akım yoğunluğu ve σ elektrik iletkenliğidir. Denklemdeki bir gradyan işlecini gösterir. Sabit akım durumunda, modele aşağıdaki sınır koşulları uygulanır:
burada n , yüzeyin normalidir, Ω sınırı temsil eder ve I0 , belirli akımı temsil eder. Birlikte, dış sınırlarda elektrik yalıtımı oluştururlar ve seçilen bir sınır için bir akım kaynağı oluştururlar. İzotropik iletkenliğe sahip homojen bir ortamda bir monopolar nokta kaynağı varsayarsak, keyfi bir konumdaki hücre dışı elektrik potansiyeli7 ile hesaplanabilir:
burada Ie akımdır ve elektrot ile ölçüm noktası arasındaki mesafedir. Ortam homojen değilse veya anizotropik olduğunda veya elektrot dizisi birden fazla elektrota sahipse, denklemleri sayısal olarak çözmek için bir hesaplama paketi uygun olabilir. Sonlu elemanlar modelleme yazılımı6 , hacim iletkenini 'elemanlar' olarak bilinen küçük bölümlere ayırır. Elementler birbirleriyle bağlantılıdır, öyle ki bir elementteki değişimin etkileri diğerlerindeki değişimi etkiler ve bu elementleri tanımlamaya yarayan fiziksel denklemleri çözer. Modern bilgisayarların artan hesaplama hızıyla, bu işlem saniyeler içinde tamamlanabilir. Elektrik potansiyeli hesaplandıktan sonra, nöronun elektriksel tepkisi tahmin edilebilir.
Bir nöron, elektrik sinyalleri şeklinde bilgi gönderir ve alır. Bu tür sinyaller iki şekilde gelir - derecelendirilmiş potansiyeller ve eylem potansiyelleri. Derecelendirilmiş potansiyeller, membran boyunca voltajın daha pozitif (depolarizasyon) veya negatif (hiperpolarizasyon) hale geldiği membran potansiyelindeki geçici değişikliklerdir. Derecelendirilmiş potansiyellerin tipik olarak lokalize etkileri vardır. Onları üreten hücrelerde, aksiyon potansiyelleri, bir aksonun uzunluğu boyunca uzun mesafeler kat edebilen ya hep ya hiç tepkileridir. Hem derecelendirilmiş hem de aksiyon potansiyelleri, elektriksel ve kimyasal ortama duyarlıdır. Bir aksiyon potansiyeli artışı, bir eşik transmembran potansiyeli aşıldığında, retinal ganglion hücreleri de dahil olmak üzere çeşitli nöronal hücre tipleri tarafından üretilebilir. Aksiyon potansiyeli yükselme ve yayılma daha sonra sinyallerin aşağı akış nöronlarına sinaptik iletimini tetikler. Bir nöron, silindirik segmentlere bölünmüş bir kablo olarak modellenebilir, burada her segment, lipit çift katmanlı membran8 nedeniyle kapasitans ve dirence sahiptir. Bir nöron hesaplama programı9 , hücreyi birden fazla bölmeye ayırarak ve matematiksel model10'u çözerek elektriksel olarak uyarılabilir bir hücrenin elektriksel aktivitesini tahmin edebilir:
Bu denklemde, Cmmembran kapasitansıdır, V e,n n düğümündeki hücre dışı potansiyeldir, Vi,n düğümdeki hücre içi potansiyel, Rndüğümdeki hücre içi (uzunlamasına direnç) dirençtir ve Iiyonu, n düğümündeki iyon kanallarından geçen iyonik akımdır. FEM modelinden V değerleri, stimülasyon aktif olduğunda nörondaki tüm düğümler için Ve,n olarak uygulanır.
İyon kanallarından gelen transmembran akımları, Hodgkin-Huxley formülasyonları11 kullanılarak modellenebilir:
burada g i kanalın spesifik iletkenliği, V m transmembran potansiyeli (V i,n - Ve,n) ve Eiyonu iyon kanalının tersine çevirme potansiyelidir. Na kanalı gibi gerilim kapılı kanallar için, kanalların açılma veya kapanma olasılığını tanımlayan boyutsuz parametreler, m ve h tanıtılır:
burada belirli iyon kanalı için maksimum membran iletkenliği ve m ve h parametrelerinin değerleri diferansiyel denklemlerle tanımlanır:
burada x ve x α β, iyon kanalının hız sabitlerini tanımlayan voltaja bağlı fonksiyonlardır. Genellikle şu şekli alırlar:
Maksimum iletkenlik de dahil olmak üzere bu denklemlerdeki parametrelerin değerleri ve A, B, C ve D sabitleri tipik olarak ampirik ölçümlerden bulunmuştur.
Bu yapı taşlarıyla, açıklanan adımlar izlenerek farklı karmaşıklıklara sahip modeller oluşturulabilir. Bir FEM yazılımı, Poisson denklemi analitik olarak çözülemediğinde, örneğin hacim iletkeninde homojen olmayan veya anizotropik iletkenlik durumunda veya elektrot dizisinin geometrisi karmaşık olduğunda kullanışlıdır. Hücre dışı potansiyel değerler çözüldükten sonra, nöron kablosu modeli daha sonra nöron hesaplama yazılımında sayısal olarak çözülebilir. İki yazılımı birleştirmek, karmaşık bir nöron hücresinin veya ağının düzgün olmayan bir elektrik alanına hesaplanmasını sağlar.
Suprakoroidal stimülasyon altında retinal ganglion hücresinin iki aşamalı basit bir modeli, yukarıda belirtilen programlar kullanılarak oluşturulacaktır. Bu çalışmada, retinal ganglion hücresi bir dizi elektriksel akım darbesine maruz bırakılacaktır. Hücrenin uyarana göre konumu da mesafe-eşik ilişkisini göstermek için değişir. Ayrıca, çalışma, hesaplama sonucunun, farklı boyutlarda stimülasyon elektrodu12 kullanılarak kortikal aktivasyon eşiğinin in vivo çalışmasına karşı doğrulanmasının yanı sıra, elektrot-nöron mesafesi ile aktivasyon eşiği13 arasındaki ilişkiyi gösteren bir in vitro çalışmayı da içermektedir.
1. Elektrik potansiyeli hesaplamaları için sonlu elemanlar modelinin kurulması
Şekil 1: tisssue geometrisinin oluşturulması. Dokuyu temsil etmek için FEM modeline bir blok geometrisi yerleştirildi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Resim 2: Elektrotun geometrisinin oluşturulması . (A) Disk elektrodunu çizmek için bir çalışma düzlemi oluşturma. (B) Bir disk elektrodu oluşturmak için bir çalışma düzleminde bir daire çizmek. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 3: FEM modelinin eleman kalitesi histogramı. Histogram, model boyunca öğelerin kalitesini gösterdi. Elemanların önemli bir kısmı düşük kaliteli bölgedeyse örgü iyileştirmelerine ihtiyaç vardır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 4: Elektrota bir akım değeri atama. FEM yazılımında elektrotun geometrisine uygulanan üniter akım. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
2. Nöron hesaplama paketinin GUI'sindeki sinir hücresinin geometrisini içe aktarma
Şekil 5: Nöron modeli bilgilerini .hoc dosyası olarak dışa aktarma. Nöronun geometrisi, daha fazla değişikliğe izin vermek için bir .hoc dosyasına aktarıldı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 6: Nöronun boyutunun ölçülmesi. Nöronun morfolojisi (üstten görünüm), x-y eksenleri üst üste bindirilmiş olarak nöron hesaplama paketinin GUI'sinde görüntülendi. Ölçek μm cinsindendi. Bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
3. NEURON hesaplama simülasyonunun programlanması
4. Birden fazla simülasyonu çalıştırma ve otomatikleştirme
Şekil 7: FEM hesaplama sonuçlarını görüntüleme ve bir metin dosyasına verme. Elektrik potansiyelinin V cinsinden Çok Dilimli grafiğini gösteren Grafik penceresi. Veri Dışa Aktarma Ayarı'ndaki seçenekler, hesaplanan değişkenin bir metin dosyasına dışa aktarılmasına izin verdi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 8: Bir gerilim grafiği kullanarak transmembran potansiyelinin grafiğini görüntüleme. Nöron transmembran potansiyeli, nöron hesaplama paketinin GUI'sinde görüntülendi. X ekseni ms cinsinden zamandır, y ekseni ise mV'de seçilen nöron segmentinin transmembran potansiyelidir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Modelin kullanımını göstermek için iki simülasyon protokolü gerçekleştirdik. İlk protokol, nöronun yerini ve elektriksel darbe parametrelerini aynı tutarken elektrot boyutunu değiştirmeyi içeriyordu. İkinci protokol, elektrotun boyutu sabit kalırken, nöronun x yönünde 100 μm adımlarla kaydırılmasını içeriyordu. Her iki protokol için de kullanılan darbe, 0.05 ms fazlar arası boşluğa sahip 0.25 ms genişliğinde tek bir katodik-ilk bifazik darbeydi. İlk protokol için, elektrotun yarıçapı 50, 150, 350 ve 500 μm olarak değiştirilirken, ikinci protokol için elektrotun yarıçapı sabit 50 μm'de tutuldu.
Burada açıklanan model, suprakoroidal elektrot boyutunun 0.25 ms darbe genişliğinde arttırılmasının, model nöronun aktivasyon eşiğini arttırdığını göstermiştir (Şekil 9A). Bu sonuç, kortikal aktivasyon eşiğinin bu nabız genişliğinde artan elektrot boyutuyla arttığını gösteren Liang ve ark.12'nin in vivo bulgularını yansıtmıştır.
Modelin aktivasyon eşiklerinin büyüklükleri, çeşitli faktörler nedeniyle ampirik bulgulardan farklıdır. İlk olarak, bu model sadece in vivo çalışmada aktive edilen hücre grubunda bulunmayabilecek belirli bir tipte tek bir RGC'yi içerir. Daha sonra, bu model, bipolar hücrelerden uyarıcı girdiler yoluyla RGC'lerin aktivasyonunu kolaylaştırabilecek bir retinal ağ içermiyordu. Tutarsızlığın bir başka olası nedeni elektrot-retina mesafesidir. İn vivo çalışmada elektrot-retina mesafesinin anatomik değişkenlik veya cerrahi nedeniyle bu modelden daha düşük olması mümkündür. Sonuç olarak, elektrot-retina mesafesini ve dolayısıyla aktivasyon eşiğini abarttık. Ayrıca, sonuçlarımızda bu gösterilmemiş olmasına rağmen, tek bir hücre eşiğinin modellenmesinin genellikle in vivo kortikal eşiği hafife alacağını belirtmek de önemlidir. Bunun nedeni, kortikal ölçümlerdeki teknik sınırlamalardan (öncelikle sinyal-gürültü oranı ile ilgili) kaynaklanmaktadır, kortikal aktivite tipik olarak sadece çoklu retinal ganglion hücreleri aktive edildikten sonra tespit edilir. Sonuç olarak, retinal ve kortikal aktivasyon eşiklerinin büyüklüğünde bir tutarsızlık beklenir. Bu farklılıklara rağmen, bu model elektrot boyutundaki artışa bağlı olarak aktivasyon eşiğinin artan eğilimini başarıyla göstermiştir. Bu, elektrot boyutu artırıldığında çevresine kıyasla yüksek elektrik alanına sahip bir alanın olmamasından kaynaklandı ve bu da nöral aktivasyonu desteklemedi22.
Daha sonra, burada açıklanan modeli doğrulamak için eylem potansiyeli özelliklerini gözlemledik. Gecikme süresi veya uyaran başlangıcı ile aksiyon potansiyeli artışının zirvesi arasındaki süre 1-2.2 ms arasında değişmekteydi (Şekil 9B). Bu, ağ aracılı olmayan retinal aktivasyon nedeniyle kısa gecikmeli ani artışa karşılık geliyordu23. Bu modelin başak genişliği 1 ms idi ve bu, in vitro 24 olarak ölçülen tavşan RGC'lerinin başak genişlikleriyle aynı aralıktadır.
İkinci stimülasyon protokolünde, sadece nöronun elektroda göre x eksenindeki (aksonun uzunluğu boyunca) yeri değiştirildi. 0 mesafede, soma bölümünün merkezi, disk elektrodunun merkezinin hemen üzerindeydi. Negatif mesafe, disk elektrodunun aksonal tarafa daha yakın konumlandırıldığı anlamına gelirken, pozitif mesafe, disk elektrodunun dendritik tarafa daha yakın konumlandırıldığı anlamına gelir. Model, aksonun dar segmenti disk elektrodunun hemen üzerindeyken en düşük eşiğe ulaşıldığını ve x mesafesi büyüdükçe arttığını göstermiştir (Şekil 9C). Elektrotun distal aksona doğru daha fazla hareket ettirilmesi, akson başlangıç segmentinin ve sodyum kanallarının daha yaygın olduğu dar segmentin varlığı nedeniyle elektrotun dendritlere doğru hareket ettirilmesine kıyasla daha düşük bir eşik üretti. Bu sonuç, tavşan RGC'lerinin ultra ince bir mikroelektrot ile uyarıldığı ve elektrot dendritlere yaklaştırıldığında aktivasyon eşiğinin en yüksek olduğu Jensen ve ark.13'ün in vitro bulgusuyla aynı fikirdeydi.
Şekil 9: Modelleme yönteminin sonuçları . (A) Disk elektrodunun üzerinde bulunan retinal ganglion hücresi için aktivasyon eşikleri. Elektrot yarıçapı değişikti (50, 150, 350 ve 500 μm) ve eşik elektrot boyutu arttıkça arttı. (B) Nöron modelinin aksiyon potansiyeli 0.25 ms darbe genişliğinde şekli. Farklı elektrot boyutları için eşikteki aksiyon potansiyelleri, 1 ms'lik aynı ani uç genişliğine sahiptir, ancak gecikme süresi artan elektrot boyutuyla artmıştır. Uyaran başlangıç süresi 1 ms idi ve katodik faz membranda depolarizasyona neden oldu, ancak bir aksiyon potansiyeline neden olmak için yeterli değildi. (C) Nöron x ekseni boyunca kaydırıldı ve aktivasyon eşikleri, soma'sı elektrotun merkezinin hemen üzerinde bulunan nöron tarafından en düşük eşiğe ulaşıldığını gösterdi. Elektrotun yarıçapı 50 μm idi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Ek Şekil 1: Sonlu elemanlar modelinin başlatılması. Çalışma ve Fizik türleri, modelde çözülen denklemlerin listesini belirler. Bunlar, FEM model dosyasının ilk oluşturulması sırasında ayarlanmıştır, ancak model oluşturulduktan sonra da değiştirilebilir/eklenebilir. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 2: Uzunluk biriminin değiştirilmesi. Uzunluk birimi ve açısal birim, geometri tanımlama işleminde kullanılan birimleri belirler. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 3: Bir malzeme özelliği ekleme. Malzeme özellikleri bir 3B modelde her etki alanı için tanımlanmıştır. Kullanılabilir malzeme özellikleri, Malzeme Ayarı penceresindeki Malzeme Özellikleri'nde listelenmiştir. Elektrik potansiyeli hesaplaması için yalnızca Elektrik İletkenliği özelliği tanımlanmıştır. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 4: Bir parametre değerleri listesi üzerinde döngü oluşturmak için parametrik bir etüt oluşturma. Parametrik bir çalışma, FEM yazılımının hesaplamaları otomatik olarak tekrarlamasına ve her tekrar için elektrot yarıçapı değerini değiştirmesine izin verdi. Hesaplama sonuçları her tekrar için saklandı. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 5: SWC dosyasından nöron morfolojisinin içe aktarılması. Nöron hesaplama paketi, nöronal izlemeden elde edilen SWC dosyasını okuyabiliyordu. İçe aktarılan dosya, her nöron segmentinin morfolojisi ve topolojisi hakkında bilgi içerir. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 6: Bir yöntem tanımlayarak FEM işlemlerini otomatikleştirme. FEM yazılımında parametrik bir etüt tanımlayarak yapılamayan süreçleri otomatikleştirmek için bir komut dosyası yazılarak bir yöntem tanımlanmıştır. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Şekil 7: Genel amaçlı bir programlama dili kullanarak modellerin entegre edilmesi ve simülasyonların otomatikleştirilmesi. Genel amaçlı programlama dili, nöron simülasyonlarını döngülemek için kullanılırken, giriş olarak kullanılan hücre dışı voltaj dosyasını ve döngüdeki her adım için bir çıkış olarak nöral yanıt voltaj dosyasını değiştirdi. Bu Dosyayı indirmek için lütfen tıklayınız.
Ek Malzeme: (1) Voltaja bağımlı bir Cat kanalı tanımlama için komut satırları. (2) Gerilim ve konsantrasyona bağlı iyon kanalları. (3) Tam .mod dosyası. (4) Nöron simülasyonunda bifazik bir nabız oluşturmak. (5) Her düğümün koordinatını hesaplamak. (6) Bifazik nabzın uygulanması. (7) Nöron simülasyonunun yürütülmesi. (8) Bir dizi akım genliği üzerinde döngü. (9) FEM simülasyonlarını otomatikleştirmek için bir yöntem tanımlamak. (10) Simülasyonların genel amaçlı bir programlama dilinde çalıştırılması. Bu Dosyayı indirmek için lütfen tıklayınız.
Bu yazıda, sonlu elemanlar ve biyofiziksel nöron modellemesini birleştiren bir modelleme iş akışı gösterdik. Model, karmaşıklığında farklı amaçlara uyacak şekilde değiştirilebildiği için oldukça esnektir ve sonuçları ampirik bulgulara karşı doğrulamanın bir yolunu sağlar. Ayrıca, otomasyonu etkinleştirmek için modeli nasıl parametrelendirdiğimizi de gösterdik.
İki aşamalı modelleme yöntemi, hücre dışı bir stimülasyon varlığında nöronun kablo denklemini çözmek için FEM ve nöron hesaplama paketini kullanmanın avantajlarını birleştirir. Bir FEM, hacim iletkeni boyunca hücre dışı alanın doğru bir şekilde hesaplanmasında yararlıdır; bu, karmaşık geometri veya iletkenliğin homojensizliği durumunda analitik olarak çözmek için genellikle pratik değildir. Bu modelin hesaplama maliyeti de statik bir koşul varsayıldığı için nispeten düşüktür.
Açıklanan modelleme yöntemi, kullanım kolaylığı ve esnekliği açısından avantajlı olsa da, bu modelleme iş akışında sınırlamalar vardır. İlk olarak, bu yöntem elektrik alanının hesaplanmasında bir nöral membranın varlığına izin vermedi. Joucla ve ark.25 , iki aşamalı yöntemi, nöral geometri ve membran özelliklerinin FEM modeline dahil edildiği tüm FEM yöntemiyle karşılaştırmıştır. Elektrik alan hesaplamasına nöronun dahil edilmesinin, hücre gövdesi gibi daha büyük bir hücre yapısı geometriye dahil edildiğinde transmembran potansiyel hesaplamasını değiştireceğini gösterdiler. Spesifik olarak, iki aşamalı yöntemde nöron geometrisinin basitleştirilmesi, bir bölmedeki herhangi bir noktanın transmembran potansiyelinin, düğümdeki veya bölmenin merkez noktasındaki transmembran potansiyeli ile temsil edildiği anlamına gelir. Buna karşılık, Joucla tarafından önerilen tüm FEM modeli, nöronun 3D geometrisinin açık bir temsilini içeriyordu ve bu da bölmenin içindeki herhangi bir noktada transmembran potansiyelinin bireysel olarak değerlendirilmesini sağladı. Bu nedenle, transmembran potansiyelinin tam şekli ve yeri gerekiyorsa, tüm FEM modeli daha uygun olabilir. Ancak, bu yöntem hesaplama açısından iki adımlı yöntemden daha pahalıdır.
Modelleme yönteminin ikinci sınırlaması, morfoloji ve iyon kinetiği verilerinin mevcudiyeti ile ilgilidir. Burada kullanılan model, diğer türlerden RGC'leri modellemek için kullanılan kaplan semenderi verilerine dayanıyordu, ancak mevcut iyon kanallarının türlerinde açıklığa kavuşturulmamış farklılıklar olabilirdi. Bu nedenle, bazı durumlarda iyon kanalı parametrelerini ayarlamak için in vitro çalışmalar yapmak gerekebilir.
Üçüncü olarak, FEM yazılımının maliyeti bir kısıtlama olabilir. Bu durumda, yerleşik bir Poisson denklem çözücüsüne sahip açık kaynaklı bir FEM programı26 alternatif olabilir. Kullanılan FEM yazılımı dışında, bu iş akışında kullanılan yazılım ücretsizdir. Kullanılan FEM yazılımı sezgisel bir GUI ve kullanıma hazır bir elektrik akımı modellemesi sunarken, hücre dışı değer hesaplamalarını genel amaçlı bir programlama yazılımında gerçekleştirmek mümkündür. Bununla birlikte, bu, denklemleri çözmek için fiziksel denklemleri ve sayısal yöntemleri manuel olarak tanımlamayı gerektirir27. Dahası, karmaşık bir doku veya elektrot dizisi geometrisi kullanılacağı zaman bu yöntem sıkıcı olabilir.
Yazarlar rakip çıkarlar olmadığını beyan ederler.
Bu araştırma Ulusal Sağlık ve Tıbbi Araştırma Konseyi Proje Hibe (Hibe Numarası 1109056) tarafından finanse edilmektedir.
Name | Company | Catalog Number | Comments |
Computer workstation | N/A | N/A | Windows 64-bit operating system, at least 4GB of RAM, at least 3 GB of disk space |
Anaconda Python | Anaconda Inc. | Version 3.9 | The open source Individual Edition containing Python 3.9 and preinstalled packages to perform data manipulation, as well as Spyder Integrated Development Environment. It could be used to control the simulation, as well as to display and analyse the simulation data. |
COMSOL Multiphysics | COMSOL | Version 5.6 | The simulation suite to perform finite element modelling. The licence for the AC/DC module should be purchased. The Application Builder capability should be included in the licence to follow the automation tutorial. |
NEURON | NEURON | Version 8.0 | A freely-distributed software to perform the computation of neuronal cells and/or neural networks. |
Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi
Izin talebiThis article has been published
Video Coming Soon
ISSN 1940-087X
JoVE Hakkında
Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır
Sitemizdeki deneyiminizi iyileştirmek için çerezleri kullanıyoruz
Sitemizi kullanmaya devam ederek ya da "Devam et" butonuna tıklayarak, çerezleri kabul edebilirsiniz.