L'une des grandes quêtes de la neuroscience est de construire une carte précise du cerveau, cartographiant tous ses neurones et les connexions entre eux. Un tel schéma de câblage, appelé connectome, promet de faire la lumière sur la façon dont un ensemble de cellules peut ensemble donner lieu à des pensées, des souvenirs, des comportements et une myriade d'autres fonctions.
Aujourd'hui, des chercheurs de la Harvard Medical School, du Boston Children's Hospital et de l'European Synchrotron Radiation Facility (ESRF) ont démontré qu'une nouvelle technique de microscopie à rayons X pourrait aider à accélérer les efforts de cartographie des circuits neuronaux et, finalement, du cerveau lui-même.
Dans un rapport dans Nature Neuroscience le 14 septembre, l'équipe décrit comment la nano-tomographie holographique aux rayons X (XNH) peut être utilisée pour imager des volumes relativement importants de cerveau de souris et de tissu nerveux de mouche des fruits à haute résolution.
Combinés à une analyse d'images basée sur l'intelligence artificielle, ils ont reconstruit des circuits neuronaux denses en 3D, cataloguant de manière exhaustive les neurones et même traçant les neurones individuels des muscles au système nerveux central chez les mouches des fruits.
Nous pensons que cela va ouvrir de nouvelles voies pour comprendre le cerveau, à la fois dans son organisation et dans les circuits qui sous-tendent sa fonction. Ce type de connaissances peut nous donner des informations fondamentales sur les troubles neurologiques, les maladies qui affectent la structure du cerveau et bien plus encore. «
Wei-Chung Allen Lee, co-auteur correspondant, professeur assistant HMS de neurologie à Boston Children's
Pour des questions biologiques comme la découverte de circuits neuronaux, la microscopie à rayons X présente plusieurs avantages par rapport aux approches actuelles basées sur la microscopie électronique (EM), selon les auteurs.
«Nous pensons que XNH peut apporter beaucoup de valeur aux neurosciences, car nous pouvons désormais accéder à des volumes beaucoup plus importants en des temps plus courts», a déclaré l'auteur co-correspondante Alexandra Pacureanu, scientifique à l'ESRF. « C'est le début d'une nouvelle approche pour les efforts de cartographie des circuits neuronaux. »
Vitesse proche de la lumière
L'étude du connectome est un défi monumental. Le cerveau humain, par exemple, contient quelque 100 milliards de neurones avec 100 billions de connexions neuronales, soit à peu près le nombre d'étoiles dans 1 000 galaxies.
Dans les modèles animaux, les scientifiques ont fait des progrès remarquables, tels que l'imagerie d'un cerveau entier de mouche des fruits, principalement en prenant des tranches en série d'un cerveau, chacune mille fois plus fines qu'un cheveu humain, en imaginant les tranches avec EM et en assemblant les images ensemble pour analyse. .
Les coûts de cette méthode peuvent être prohibitifs en termes de temps et de ressources, nécessitant un grand nombre d'images EM, qui ont un champ de vision étroit, et un effort intense pour reconstruire même les petits circuits neuronaux. Il y a un besoin de nouvelles modalités d'imagerie pour accélérer ces efforts, ont déclaré les auteurs de l'étude.
Pour ce faire, le laboratoire de Lee, qui étudie l'organisation et le fonctionnement des circuits neuronaux, a collaboré avec Pacureanu, spécialisé en microscopie à rayons X et en neuroimagerie. Dirigée par les co-premiers auteurs Aaron Kuan, chercheur en neurobiologie à HMS, et Jasper Phelps, étudiant diplômé du programme Harvard en neurosciences, l'équipe s'est concentrée sur l'application de XNH aux tissus neuronaux.
La technique fonctionne de façon analogue à un scanner, qui utilise une radiographie rotative pour créer des images en coupe transversale en série d'un corps. En revanche, XNH expose un échantillon de tissu en rotation à des rayons X à haute énergie au synchrotron de l'ESRF, qui accélère les électrons à une vitesse proche de la lumière autour d'un anneau de 844 mètres.
Contrairement à l'imagerie par rayons X standard, qui repose sur des différences d'atténuation des rayons X lorsque le faisceau traverse un tissu, XNH crée des images basées sur des variations de déphasages subtils du faisceau induits par l'échantillon. Cette dernière approche augmente la sensibilité et, combinée à l'imagerie dans des conditions cryogéniques, permet de préserver et de protéger l'échantillon contre les dommages causés par l'énergie des rayons X.
Les images générées par XNH doivent être interprétées pour identifier quelles structures sont des neurones. L'équipe a abordé ce problème en appliquant le deep learning, une technique d'intelligence artificielle de plus en plus utilisée pour des applications telles que la reconnaissance de visage ou d'objets.
Comme preuve de principe, les chercheurs ont scanné des volumes millimétriques de tissus neuraux de souris et de mouches des fruits et ont reconstruit des images 3D, atteignant des résolutions d'environ 87 nanomètres. C'était suffisant pour visualiser globalement les neurones et tracer les neurites individuels, les projections des neurones qui forment le câblage des circuits neuronaux.
Il est important de noter que ces reconstructions ont pris quelques jours à réaliser, par rapport aux mois voire aux années nécessaires pour reconstruire des volumes similaires à l'aide de coupes EM en série.
De la forme à la fonction
Dans le cerveau de la souris, l'équipe a examiné une zone du cortex impliquée dans l'intégration des stimuli sensoriels et la prise de décision perceptive. Des études EM précédentes ont noté des caractéristiques structurelles intéressantes des neurones dits pyramidaux dans ce domaine, mais ont été limitées à des échantillons d'environ 20 neurones par ensemble de données en raison des limitations du champ de vision.
À l'aide de XNH, les chercheurs ont scanné plus de 3 200 cellules dans cette zone. Combinée à des données EM alignées, l'équipe a caractérisé la structure et la connectivité de centaines de neurones pyramidaux, qui ont révélé des propriétés structurelles distinctes – telles que des entrées inhibitrices fortes et spatialement comprimées sur certaines zones de neurites – qui suggèrent des propriétés fonctionnelles uniques et auparavant non décrites.
«Être capable de visualiser les neurones nous aide à comprendre les principes d'organisation du cerveau et comment différents circuits ou réseaux peuvent effectuer les calculs nécessaires au comportement», a déclaré Lee, qui est chercheur au Kirby Neurobiology Center à Boston Children's. « Nous pouvons alors faire d'autres expériences pour relier les données structurelles avec des expériences fonctionnelles pour essayer de répondre directement à cette question. »
Ils ont également imaginé les neurones contenus dans une jambe de mouche des fruits, une structure difficile à sectionner et à étudier avec EM. Avec XNH, ils ont pu cartographier tous les motoneurones s'étendant de l'équivalent mouche d'une moelle épinière à une jambe, ainsi que les neurones sensoriels qui relaient les signaux au système nerveux central.
« Cette technique a déjà été appliquée au tissu neural, mais jamais avec ce niveau de qualité et de résolution », a déclaré Pacureanu, ancien chercheur invité au département de neurobiologie de l'Institut Blavatnik du HMS. « Nous avons montré que nous pouvons atteindre une résolution suffisante pour tracer les neurites et faire avancer les études vers la direction des connectomes. »
Les chercheurs travaillent maintenant à améliorer et à optimiser davantage la XNH pour l'imagerie des tissus biologiques.
La résolution actuelle obtenue par la technique n'est pas encore assez élevée pour visualiser les synapses, ce qui nécessite actuellement des données EM alignées à étudier. Cependant, les limites physiques de la technique sont loin d'être atteintes, ont déclaré les auteurs, et les efforts pour pousser la résolution seront aidés par une source de rayons X de nouvelle génération récemment opérationnelle à l'ESRF.
« La microscopie à rayons X a des atouts particuliers et l'un de nos objectifs est de l'appliquer à de plus grands réseaux de connexions neuronales à des résolutions plus élevées », a déclaré Lee. «L'espoir est que nous pourrons un jour aider à répondre à des questions telles que pouvons-nous comprendre les circuits neuronaux qui sous-tendent des comportements complexes comme la prise de décision? Pouvons-nous trouver l'inspiration pour des algorithmes informatiques plus efficaces et une intelligence artificielle? Pouvons-nous faire de l'ingénierie inverse des algorithmes du cerveau?
La source:
Référence du journal:
Pacureanu, A.J., et coll. (2020) Imagerie neuronale dense avec nano-tomographie holographique aux rayons X. Neuroscience de la nature. doi.org/10.15151/ESRF-DC-217728238.
