A raíz de una conversación con un
colega del MNI (Montreal Neurological Institute) rescaté un artículo que se
publicó hace unos meses en Science (DOI: 10.1126/science.1235381) de Katrin Amunts et al. (BigBrain:
An Ultrahigh-Resolution 3D Human Brain Model) con Alan Evans como científico senior.
BigBrain es
una herramienta, disponible gratuitamente, que ofrece un nivel de detalle sobre
el cerebro humano inédito hasta ahora. Incluye datos microscópicos que pueden
ayudar en los procesos de simulación. Y puede permitir contrastar hipótesis
sobre conexiones entre regiones, y, también, sobre la organización espacial
según la información genética disponible. Además, BigBrain puede sustituir a
mapas neuroanatómicos clásicos, como el de Brodmann y el de Von Economo.
El nivel de
resolución que permite BigBrain está muy por encima de lo que permite la
resonancia magnética convencional (generalmente 1 milímetro). Los atlas
disponibles sobre el cerebro humano no permiten integrar información a nivel de
capas corticales, columnas, microcircuitos o células. Sin embargo, alcanzar
esos niveles puede ser necesario para comprender las bases neurobiológicas de,
por ejemplo, la cognición humana.
BigBrain fue
posible usando el cerebro de una donante de 65 años de edad. Ese cerebro se
laminó en 7400 secciones de 20 micras de grosor. Obtener las imágenes MRI supuso
más de 1000 horas de registro. Antes de reconstruir el cerebro en 3D se
rellenaron los huecos.
La imagen
muestra la secuencia que siguieron los científicos para alcanzar la meta:
A.-
Fotografías del cerebro: panel superior > vista lateral izquierda, panel
medio > vista medial, panel inferior > vista dorsal.
B.- Imagen
obtenida por resonancia (vista coronal).
C.- Volumen
MRI reconstruido en 3D.
D.- División
histológica.
E.- Imagen de
una sección en una rejilla que permitía alienarla.
F.- Series de
imágenes.
G.- Cuerpo
celular –secciones histológicas teñidas con la región de interés marcada por
una caja roja. Esa área se aumenta en H.
I.- Series de
imágenes histológicas reconstruidas en 3D usando las imágenes (F) y el registro
MRI (C).
+15.35.54.png)
Una de las
cuestiones a las que este grupo de científicos es sensible (por obvias razones)
es el de las diferencias individuales: “es obligatorio hacer un análisis sistemático de los bordes
corticales a través de la franja cortical. La variabilidad individual exige la
generación de BigBrains, una complicada tarea que se encuentra actualmente en proceso”.
Una de las
ventajas esenciales del esfuerzo que hay detrás de BigBrain es que permite
mejorar los algoritmos usados en neuroimagen. Cuando se comparan los algoritmos
desarrollados por diferentes equipos se aprecian discrepancias que pueden llegar
a ser sustanciales (y también inquietantes).
En nuestro
equipo se compararon tres de esos algoritmos, observándose una considerable disparidad
de resultados. La evidencia se presentó en el International Symposium on
Biomedical Imaging (ISBI) en Abril del año en curso:
Esos
resultados han llevado a una investigación coordinada entre la UAM, el MNI, el
LONI (Laboratory of NeuroImaging) y la UCSD (University of California, San
Diego) para someter las mismas imágenes a distintos protocolos de análisis
(CIVET, BrainSuite, FreeSurfer).
Nuestro
objetivo fue encontrar una explicación a la heterogeneidad de resultados sobre
las relaciones entre la variabilidad en las señales biológicas obtenidas con
MRI y las diferencias de rendimiento cognitivo. El largo proceso de análisis llevó
a la comparativa antes señalada.
BigBrain se
está usando actualmente para mejorar CIVET. En principio, eso debería permitir
refinar las segmentaciones ofrecidas por el programa, especialmente para
imágenes obtenidas a altísima resolución.
Confiemos en
que sea así.
No hay comentarios:
Publicar un comentario