Poput pejsmejkera za srce, uređaji za stimulaciju nerava su implantirani da šalju impulse električne energije da izazovu aktivnost u nervima u celom telu. Ovi uređaji za električnu stimulaciju su korišćeni za lečenje i kontrolu mnogih poremećaja, uključujući bolesti srca, epilepsiju, depresiju i reumatoidni artritis.
Ali postoje brojne varijable koje utiču na tačno kako nerv reaguje na stimulaciju, čineći razvoj i upotrebu terapija za stimulaciju nerva teškim i složenim.
Neuralni inženjeri na Univerzitetu Duke dizajnirali su kompjuterski model koji značajno olakšava simulaciju nervnih odgovora na električnu stimulaciju. Model je u stanju da simulira delovanje više od 50.000 nervnih vlakana u vremenu koje je potrebno trenutnom industrijskom standardu da simulira jedno. Istraživači kažu da će ovaj novi alat pomoći u dizajniranju efikasnijih i ciljanih neuromodulacionih terapija.
Istraživanje se pojavljuje u časopisu Nature Communications i novi alat je besplatno dostupan.
„Postoji mnogo mogućih podešavanja koja treba razmotriti da bi se optimizovali ovi uređaji za efikasan klinički tretman, bilo da se radi o promeni amplitude, trajanja, oblika ili frekvencije pulsa, ili o promeni položaja elektroda“, rekao je Voren Gril. , Edmund T. Pratt, Jr. Školski istaknuti profesor biomedicinskog inženjerstva na Dukeu.
„Na nervne odgovore utiču anatomija i karakteristike samih nerava. Imate mnogo opcija gde možete promeniti postavke stimulacije, a teško je znati koje promene će doneti najveće poboljšanje.“
Inženjeri su se dugo oslanjali na platformu zvanu „NEURON“ da bi modelirali kako nervna vlakna reaguju na električnu stimulaciju. „MRG“ model nervnog vlakna je implementiran u NEURON-u i intenzivno se koristi u akademskim istraživanjima i industriji.
Iako je MRG model veoma precizan, računarska snaga potrebna za simulaciju neuronskih odgovora ograničava njegovu brzinu, stvarajući usko grlo koje sprečava upotrebu MRG-a u modeliranju u realnom vremenu i usporava istraživanje radi poboljšanja postojećih terapija.
Da bi prevazišao ovu dugogodišnju blokadu, Grill, Minhaj Hussain, dr. student u Grill laboratoriji i Nikol „Niki“ Pelot, direktorka istraživanja laboratorije, razvile su S-MF (izgovara se „štrumpf“), alternativu MRG modelu nervnih vlakana. Simulacija populacije S-MF modela nervnih vlakana radi hiljade puta brže od populacije MRG modela nervnih vlakana, bez žrtvovanja tačnosti ili detalja.
Za razliku od NEURON-a i MRG modela, koji rade na CPU-ima (centralne procesorske jedinice), S-MF radi na GPU-ovima (grafičkim procesorskim jedinicama), svojevrsnom kompjuterskom čipu koji može paralelno da izvodi hiljade proračuna.
„Ako modeliramo jedno vlakno, S-MF nije mnogo brži od NEURON-a“, rekao je Hussain. „Ali ogroman korak napred leži u činjenici da je S-MF potrebno isto vreme da simulira nekoliko hiljada nervnih vlakana koliko je potrebno da simulira samo jedno MRG nervno vlakno. Samo ljudski vagusni nerv sadrži 100.000 nervnih vlakana, tako da ovaj novi efikasnost je neverovatno korisna.“
Vagusni nerv je ključna meta za stimulacione terapije, jer povezuje moždano stablo sa većinom organa u torzu, uključujući srce, pluća, pankreas, stomak i jetru. Pokazalo se da efikasna stimulacija bezbedno leči stanja uključujući epilepsiju otpornu na lekove, depresiju i srčanu insuficijenciju. Međutim, stimulacija neciljnih vlakana u nervu može izazvati neželjene efekte.
Tim je pojednostavio način na koji je anatomija nervnih vlakana predstavljena u njihovim modelima: MRG model predstavlja različite anatomske karakteristike na nivou mikrona duž dužine neurona, dok se S-MF fokusira na ključne karakteristike koje pokreću i propagiraju neuronsku aktivnost. Tim je koristio pristupe mašinskog učenja da definiše električne parametre S-MF-a kako bi osigurao tačnost uporedivu sa MRG modelom.
„Za razliku od drugih studija koje su koristile alternativne pristupe za ubrzavanje ovih simulacija, S-MF je tačan u širokom spektru neuronskih anatomija i parametara stimulacije“, rekla je Nikki Pelot. „S-MF takođe zadržava mnogo detalja koje su druga pojednostavljenja zanemarila, što pruža važne informacije za dizajniranje boljih terapija.“
Tim je koristio S-MF da testira različite scenarije stimulacije na hiljadama različitih nervnih vlakana odjednom i brzo identifikuje najbolje uslove za optimalnu nervnu stimulaciju. Dizajn S-MF zasnovan na GPU-u omogućio je timu da koristi tehnike optimizacije mašinskog učenja, koje su brže od tehnika optimizacije koje su dostupne za modele zasnovane na NEURON-u.
Da bi demonstrirao moć S-MF-a i njegovu optimizaciju mašinskog učenja, tim je predvideo parametre stimulacije koji bi inicirali neuronsku aktivnost samo u polovini vagusnog nerva, dok bi vlakna ostavljala neaktivna u drugoj polovini.
Platforma tima je brzo i tačno predvidela nivoe stimulacije i obrasce koji su pokrenuli željeni odgovor u modelima i ljudskih i svinjskih vagusnih nerava, aktivirajući ciljna nervna vlakna dok izbegavaju nervna vlakna van cilja.
Iako je S-MF bio obučen da oponaša MRG model mijelinizovanih vlakana, važan cilj za neuromodulacionu terapiju, tim je takođe pokazao da se njihova platforma može lako prilagoditi da simulira druge tipove nervnih vlakana.
Oni istražuju kako se njihov pristup može proširiti na druge tehnike neuromodulacije, uključujući transkranijalnu magnetnu stimulaciju mozga, što bi zahtevalo modeliranje složenije neuronske anatomije i više tipova neurona u mozgu.
„Neuralni inženjering ima koristi kao polje kada imamo pristup modelima koji su skalabilni, efikasni i anatomski realistični“, rekao je Hussain. „Nadamo se da će nam, dok nastavimo da koristimo ovu platformu, ona reći više o dizajnerskim odlukama koje treba da donesemo sa našim stimulativnim terapijama kako bismo mogli da postignemo najbolje moguće rezultate.“
