Kaip ir širdies stimuliatorius, nervų stimuliatoriai yra implantuojami, kad siųstų elektros impulsus, kad sukeltų nervų veiklą visame kūne. Šie elektros stimuliavimo prietaisai buvo naudojami daugeliui sutrikimų, įskaitant širdies ligas, epilepsiją, depresiją ir reumatoidinį artritą, gydyti ir kontroliuoti.
Tačiau yra daug kintamųjų, kurie tiksliai veikia tai, kaip nervas reaguoja į stimuliaciją, todėl nervų stimuliavimo terapijos kūrimas ir naudojimas yra sudėtingas ir sudėtingas.
Duke universiteto neuronų inžinieriai sukūrė kompiuterinį modelį, kuris leidžia žymiai lengviau imituoti nervų atsaką į elektrinę stimuliaciją. Modelis gali imituoti daugiau nei 50 000 nervinių skaidulų veikimą per tą laiką, kurio reikia dabartiniam pramonės standartui, kad viena būtų imituojama. Tyrėjai teigia, kad šis naujas įrankis padės sukurti veiksmingesnius ir tikslingesnius neuromoduliacijos gydymo būdus.
Tyrimas pasirodo žurnale Gamtos komunikacijos ir naujas įrankis yra laisvai prieinamas.
„Yra daug galimų koregavimų, kuriuos reikia apsvarstyti norint optimizuoti šiuos prietaisus efektyviam klinikiniam gydymui, nesvarbu, ar tai būtų keičiama impulso amplitudė, trukmė, forma ar dažnis, ar keičiama elektrodų padėtis“, – sakė Warrenas Grillas. , Edmundas T. Prattas, jaunesnysis Duke'o mokyklos biomedicinos inžinerijos profesorius.
„Neuroniniams atsakams įtakos turi pačių nervų anatomija ir ypatybės. Turite daugybę variantų, kur galite pakeisti stimuliavimo nustatymus, todėl sunku žinoti, kurie pakeitimai padarys didžiausią patobulinimą.”
Inžinieriai jau seniai rėmėsi platforma, vadinama „NEURON“, kad modeliuotų, kaip nervinės skaidulos reaguoja į elektrinę stimuliaciją. Nervinio pluošto „MRG” modelis yra įdiegtas NEURON ir buvo plačiai naudojamas akademiniuose tyrimuose ir pramonėje.
Nors MRG modelis yra labai tikslus, skaičiavimo galia, reikalinga neuroniniams atsakams modeliuoti, riboja jo greitį, sukuriant kliūtis, neleidžiančias MRG naudoti modeliuojant realiuoju laiku ir lėtinant tyrimus, siekiant pagerinti esamas terapijas.
Norėdami įveikti šią ilgalaikę kliūtį, Grill, Minhaj Hussain, Ph.D. studentas Grill laboratorijoje, o Nicole „Nikki” Pelot, laboratorijos tyrimų direktorė, sukūrė S-MF (tariama „smurfas”), alternatyvą MRG nervinių skaidulų modeliui. S-MF nervinių skaidulų modelių populiacijos modeliavimas vyksta tūkstančius kartų greičiau nei MRG nervinių skaidulų modelių populiacija, neprarandant tikslumo ar detalumo.
Skirtingai nuo NEURON ir MRG modelio, kurie veikia su CPU (centriniais procesoriais), S-MF veikia su GPU (grafikos apdorojimo įrenginiais), savotiška kompiuterio lustu, galinčiu lygiagrečiai atlikti tūkstančius skaičiavimų.
„Jei modeliuosime vieną pluoštą, S-MF nėra daug greitesnis nei NEURON“, – sakė Hussainas. „Tačiau didžiulis šuolis į priekį slypi tame, kad S-MF imituoja kelis tūkstančius nervinių skaidulų tiek pat laiko, kiek reikia tik vienam MRG nerviniam skaidului. Vien žmogaus klajoklio nerve yra 100 000 nervinių skaidulų, todėl šis naujas efektyvumas yra neįtikėtinai naudingas“.
Vagus nervas yra pagrindinis stimuliavimo terapijos tikslas, nes jis jungia smegenų kamieną su daugeliu liemens organų, įskaitant širdį, plaučius, kasą, skrandį ir kepenis. Įrodyta, kad veiksminga stimuliacija saugiai gydo ligas, įskaitant vaistams atsparią epilepsiją, depresiją ir širdies nepakankamumą. Tačiau pašalinių nervų skaidulų stimuliavimas gali sukelti šalutinį poveikį.
Komanda supaprastino, kaip jų modeliuose pavaizduota nervinių skaidulų anatomija: MRG modelis atspindi skirtingas mikronų lygio anatomines ypatybes per visą neurono ilgį, o S-MF daugiausia dėmesio skiria pagrindinėms ypatybėms, kurios inicijuoja ir skleidžia nervinę veiklą. Komanda naudojo mašininio mokymosi metodus, kad nustatytų S-MF elektrinius parametrus, kad būtų užtikrintas tikslumas, panašus į MRG modelį.
„Skirtingai nuo kitų tyrimų, kuriuose buvo naudojami alternatyvūs metodai, siekiant pagreitinti šiuos modeliavimus, S-MF yra tikslus įvairiose nervų anatomijose ir stimuliacijos parametruose“, – sakė Nikki Pelot. „S-MF taip pat išlaiko daug detalių, kurių nepaisė kiti supaprastinimai, o tai suteikia svarbios informacijos kuriant geresnius gydymo būdus.
Komanda naudojo S-MF, kad išbandytų skirtingus stimuliacijos scenarijus tūkstančiams skirtingų nervinių skaidulų vienu metu ir greitai nustatytų geriausias sąlygas optimaliai nervų stimuliacijai. GPU pagrįstas S-MF dizainas leido komandai naudoti mašininio mokymosi optimizavimo metodus, kurie yra greitesni nei NEURON modeliams prieinami optimizavimo metodai.
Siekdama parodyti S-MF ir jo mašininio mokymosi optimizavimo galią, komanda numatė stimuliacijos parametrus, kurie inicijuotų nervinę veiklą tik pusėje klajoklio nervo, o kitoje pusėje pluoštai būtų neaktyvūs.
Grupės platforma greitai ir teisingai numatė stimuliacijos lygius ir modelius, kurie sukėlė norimą atsaką tiek žmogaus, tiek kiaulių klajoklių nervų modeliuose, aktyvuodama tikslines nervines skaidulas ir išvengdama netikslinių nervinių skaidulų.
Nors S-MF buvo apmokytas imituoti mielinizuotų skaidulų MRG modelį, kuris yra svarbus neuromoduliacijos terapijos tikslas, komanda taip pat parodė, kad jų platformą galima lengvai pritaikyti imituoti kitų tipų nervų skaidulas.
Jie tiria, kaip jų požiūris gali būti išplėstas į kitus neuromoduliacijos metodus, įskaitant transkranijinę magnetinę smegenų stimuliaciją, dėl kurios reikėtų modeliuoti sudėtingesnę nervų anatomiją ir kelių tipų neuronus smegenyse.
„Neuronų inžinerija naudinga kaip sritis, kai turime prieigą prie modelių, kurie yra keičiamo dydžio, veiksmingi ir anatomiškai realistiški”, – sakė Hussainas. „Tikimės, kad, toliau naudodami šią platformą, ji mums daugiau papasakos apie dizaino sprendimus, kuriuos turėtume priimti naudodamiesi stimuliavimo terapija, kad galėtume pasiekti geriausių įmanomų rezultatų.