Dans une étude récente publiée dans Nature Nanotechnologie, un groupe de chercheurs a développé des microélectrodes de graphène transparentes, ultra-petites et de haute densité pour une résolution spatiale améliorée dans les enregistrements électrophysiologiques de la surface du cerveau et l’imagerie calcique, permettant le décodage des activités neuronales unicellulaires et moyennes à partir des potentiels de surface.
Étude : Réseaux de graphène transparent haute densité pour prédire l’activité du calcium cellulaire en profondeur à partir d’enregistrements de potentiel de surface. Crédit d’image : Gorodenkoff/Shutterstock.com
Arrière-plan
L’exploration des mécanismes cérébraux à diverses échelles spatiales et temporelles est essentielle pour comprendre la dynamique neuronale, ce qui nécessite des outils intégrant diverses modalités.
Les technologies traditionnelles de microélectrodes transparentes, malgré leurs progrès, sont limitées par la taille et la densité des canaux.
Des recherches supplémentaires sont nécessaires pour améliorer l’intégration de ces technologies avec les tissus neuronaux vivants, optimiser la stabilité et la biocompatibilité à long terme et étendre leur application à un plus large éventail d’études neurologiques et d’interventions thérapeutiques.
À propos de l’étude
Les chercheurs ont développé des réseaux de graphène transparents haute densité en déposant une couche de pérylène C (PC) sur une plaquette de silicium avec une couche sacrificielle de polydiméthylglutarimide (PMGI) SF3.
Ils ont ensuite pulvérisé du chrome et de l’or pour former des fils métalliques et des plages de contact. La première couche de graphène a été transférée par délaminage électrochimique et, pour réduire la résistance du fil, elle a été immergée dans une solution d’acide nitrique (HNO3).
Après nettoyage, une deuxième couche de graphène a été ajoutée. Ils ont utilisé une résine photobicouche et ont gravé le graphène avec un plasma d’oxygène, suivi d’un nettoyage. Pour protéger le graphène lors des étapes suivantes, ils ont pulvérisé dessus une couche d’arrêt de gravure au dioxyde de silicium.
Après avoir déposé et modelé une autre couche de PC comme couche d’encapsulation, ils ont retiré la couche de dioxyde de silicium pour accéder au graphène et ont détaché les matrices de la tranche.
Pour la caractérisation des électrodes, l’équipe a effectué un dépôt électrochimique de nanoparticules de platine (PtNP) et des caractérisations électrochimiques à l’aide d’un Gamry 600 plus dans une solution saline tamponnée au phosphate.
Les mesures ont été effectuées dans une cage de Faraday pour éviter le bruit électromagnétique. Le dépôt de PtNP a été exécuté dans une configuration à deux électrodes avec un courant circulant de l’électrode de graphène à la contre-électrode.
L’impédance des électrodes s’est avérée saturer après 150 secondes de dépôt de PtNP.
Les chercheurs ont modifié le modèle Randles conventionnel pour analyser les électrodes, capturant l’effet de capacité quantique, la résistance des fils de graphène et la pseudo-capacité (Cp) du PtNP.
Ils ont supprimé le composant de capacité quantique du modèle de circuit équivalent pour l’interface électrode/électrolyte, en ajoutant Cp et la résistance de transfert de charge (Rct) pour représenter la pseudo-capacité de PtNP. Les capacités dans les modèles de circuits ont été extraites en ajustant les données de mesure de spectroscopie d’impédance électrochimique.
Les procédures sur les animaux suivaient les protocoles approuvés par le comité institutionnel de protection et d’utilisation des animaux de l’Université de Californie à San Diego. Des souris adultes ont été anesthésiées et une plaque frontale sur mesure a été implantée dans leur crâne.
Une craniotomie a été réalisée sur l’hémisphère gauche et le réseau d’électrodes transparent PtNPs/graphène double couche (id-DLG) a été placé sur le cortex exposé.
Des stimuli visuels ont été présentés aux animaux, et une imagerie à deux photons et une analyse des données d’imagerie ont été réalisées à l’aide d’un microscope à deux photons du commerce.
Les enregistrements électrophysiologiques ont été réalisés à l’aide de la carte amplificateur RHD2000 et les données ont été analysées à l’aide de scripts personnalisés dans Matrix Laboratory (MATLAB). Pour l’analyse et la corrélation avec l’activité du calcium, les électrodes dont l’impédance est supérieure à 10 MΩ ont été exclues.
L’équipe a appliqué divers filtres aux enregistrements de surface pour isoler différentes bandes de fréquences et extraire les potentiels évoqués visuellement.
Ils ont également développé un modèle de réseau neuronal en Python pour prédire l’activité du calcium à partir des potentiels de surface, en mettant en œuvre une couche de mémoire bidirectionnelle à long terme et à court terme (BiLSTM) et en utilisant l’erreur quadratique moyenne comme fonction de perte.
L’analyse factorielle de processus gaussienne (GPFA) – un modèle génératif – a été utilisée pour extraire des représentations latentes décrivant la variabilité partagée des données de grande dimension. Les signaux calciques projetés à partir du modèle BiLSTM ont été comparés aux véritables signaux calciques.
Pour l’analyse statistique, un test bilatéral de somme de rangs de Wilcoxon a été utilisé pour comparer les performances de décodage.
Résultats de l’étude
Les chercheurs ont surmonté des défis importants en développant des réseaux de microélectrodes en graphène transparent haute densité avec des électrodes ultra-petites. Ils ont abordé les problèmes liés à la capacité quantique du graphène, un matériau connu pour sa faible densité d’états près du point de Dirac, en employant des PtNP.
Cette méthode innovante a créé un chemin à faible impédance, réduisant considérablement l’impédance de l’électrode de 5,4 MΩ à 250 kΩ. L’équipe a également développé un modèle de circuit équivalent pour analyser l’impédance électrochimique de ces électrodes, démontrant ainsi l’intégration réussie de l’id-DLG et des PtNP.
Cela a abouti à des réseaux de graphène à haut rendement et entièrement transparents qui maintiennent la qualité du signal même avec des électrodes ultra petites.
Dans in vivo expériences, l’équipe a utilisé ces réseaux pour enregistrer les signaux électrophysiologiques de la surface corticale de souris transgéniques tout en réalisant simultanément une imagerie du calcium par microscopie à deux photons.
Cette approche a permis aux chercheurs d’observer les neurones excitateurs et leurs compartiments avec une résolution unicellulaire. Ils pourraient enregistrer diverses réponses neuronales aux stimuli visuels et garantir des enregistrements électrophysiologiques uniformes dans tout le cortex.
La transparence du réseau de graphène et la taille ultra-petite des électrodes PtNP ont permis une couverture spatiale étendue sans obstruer le champ de vision, facilitant ainsi l’observation à haute résolution des potentiels de surface sur une vaste zone du cortex.
Les chercheurs ont ensuite utilisé des réseaux neuronaux artificiels, notamment un réseau BiLSTM monocouche, pour prédire l’activité cérébrale dans les couches plus profondes en utilisant uniquement les enregistrements électriques haute résolution de la surface corticale.
Les modèles ont été formés sur des ensembles de données multimodaux pour comprendre les relations non linéaires entre les activités cellulaires du calcium et les potentiels de surface.
Cette approche a montré une forte corrélation entre les activités calciques prévues et réelles pour les deux couches, indiquant que différents canaux fournissaient des informations complémentaires pour le décodage.
L’équipe a également exploré la faisabilité de prédire les activités unicellulaires à partir des potentiels de surface en utilisant le GPFA pour extraire des variables latentes de faible dimension représentatives des signaux de fluorescence du calcium de haute dimension.
Cette méthode a effectivement déduit l’activité calcique des neurones en profondeur en utilisant les activités électriques de surface.
Cependant, ils ont également constaté que le couplage de population n’était pas le seul facteur déterminant les performances de décodage, ce qui suggère que même s’il contribue à l’inférence de l’activité cellulaire individuelle, d’autres facteurs entrent également en jeu.
Cela indique que les potentiels de surface enregistrés par les réseaux de graphène contiennent des informations précieuses sur les activités neuronales dans différentes couches du cerveau, permettant ainsi de déduire la dynamique de la population neuronale même au niveau d’une seule cellule.
