Decodificación de las señales neuronales subyacentes al aprendizaje motor en el cerebro medio
La región locomotora del mesencéfalo (MLR) es una estructura compartida por una gran variedad de especies en el reino animal, encontrándose tanto en las lampreas y ratones como en los seres humanos. Esta región se conoce clásicamente por contribuir tanto a la generación como al control de la locomoc...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2021
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1110/1/1Mirande.pdf |
| Aporte de: |
| Sumario: | La región locomotora del mesencéfalo (MLR) es una estructura compartida por una gran variedad de especies en el reino animal, encontrándose tanto en las lampreas y ratones como en los seres humanos. Esta región se conoce clásicamente por contribuir tanto a la generación como al control de la locomoción, pero descubrimientos recientes han resaltado la heterogeneidad funcional y anatómica del MLR. Mientras las neuronas pertenecientes a la región dorsal del MLR (núcleo Cuneiforme) están asociadas a tareas de escape a alta velocidad que involucran un movimiento sincrónico de extremidades, en la región ventral del MLR coexisten diferentes subpoblaciones de neuronas glutaminérgicas asociadas a una variedad más amplia de tareas, como lo son la exploración, la manipulación de objetos, o limpiarse con sus patas delanteras, requiriendo un movimiento más complejo y controlado de sus extremidades.
Aquí nos preguntamos entonces, ¿es posible llevar esta clasificación aun más lejos? ¿Son capaces las neuronas del MLR de codificar posturas o movimientos más específicos en el desarrollo de tareas motoras? Para contestar estas preguntas estudiamos los cambios en la actividad neuronal mientras animales realizan una tarea motora denominada rotarod con aceleración. Para caracterizar el comportamiento de los animales de manera detallada utilizamos un análisis previo del laboratorio basado en técnicas de machine learning con aprendizaje no supervisado que logró identificar y clasificar un conjunto de movimientos y posturas recurrentes
durante la ejecución de la tarea, y lo complementamos con otras características del comportamiento en estudio como la velocidad, la aceleración y las fluctuaciones de la posición del animal sobre el cilindro.
La información comportamental fue luego utilizada para estudiar su correlación con la actividad neuronal medida a través de registros electrofisiológicos extracelulares. De esta manera logramos demostrar que una subpoblación de neuronas del MLR (aproximadamente
un 40 %) es modulada de manera significativa por al menos una de las posturas identificadas. Notablemente, dichas neuronas también son moduladas significativamente por los eventos asociados a una posición de mínima altura en el cilindro del rotarod. Esto nos hizo preguntar si existe una relación estrecha entre las poses y la posición del animal sobre el cilindro, encontrando que la caída de la base de la cola es seguida por un aumento en la probabilidad de ocurrencia de poses determinadas. Por lo tanto, concluimos que esta subpoblación de neuronas del MLR responde con un aumento en su tasa de disparo ante la caída de la posición del animal que antecede a un cambio de postura para lograr la translocación del cuerpo a la parte superior del cilindro, lo cual coincide con su silenciamiento. Finalmente, demostramos la existencia de una correlación entre la tasa de disparo del las neuronas del MLR y la velocidad del test rotarod con aceleración, donde el firing rate de la mayoría de las neuronas moduladas aumenta con el incremento de la velocidad, mientras que una minoría es modulada de manera negativa.
En conclusión, a partir de este trabajo demostramos la existencia de neuronas en el MLR que codifican diferentes aspectos de la tarea en estudio, incluyendo velocidad, posición y postura, indicando su posible rol en la integración somato-sensorial.
|
|---|