Dal biological al digital twin: una pipeline per la stimolazione elettrica di reti neuronali da cellule staminali pluripotenti indotte

Abstract

I disturbi del neurosviluppo con epilessia sono spesso resistenti ai farmaci e i meccanismi con cui le alterazioni genetiche modificano l’attività di rete restano in gran parte sconosciuti. Reti derivate da cellule staminali pluripotenti indotte umane (hiPSC) di paziente e coltivate su matrici di microelettrodi (MEA) costituiscono un biological twin del paziente, la cui attività può essere registrata e perturbata. Diversi di questi disturbi condividono in vitro un fenotipo in cui i burst di rete sincroni si frammentano. Questa tesi prende come caso di studio la sindrome Dup15q. Le reti sono state registrate su MEA ad alta densità, dove il fenotipo compare come Super Burst, e stimolate elettricamente tramite la matrice. Dopo la stimolazione i Super Burst sono diventati più brevi e più distanziati in tutti i pozzetti in cui sono rimasti. L’attività frammentata è stata inoltre caratterizzata nello spazio degli stati della popolazione e in gruppi locali di elettrodi. Un cambiamento osservato non ne identifica il meccanismo: serve un digital twin che includa la stimolazione, e nessun modello esistente descrive cosa fa uno stimolo extracellulare ai neuroni di una coltura. È stata quindi sviluppata una pipeline in silico che accoppia morfologie piramidali umane ricostruite e biofisica di membrana umana al campo degli elettrodi stimolanti, simula ampi campioni di neuroni indipendenti ed esprime le risposte come probabilità di attivazione e polarizzazione sottosoglia in funzione della posizione. L’attivazione diretta era confinata ai neuroni vicini agli elettrodi, mentre una popolazione più ampia attorno a essi veniva polarizzata senza sparare; la risposta dipendeva soprattutto dalla posizione del neurone. Lo stimolo agisce quindi direttamente su un piccolo gruppo di neuroni, e i cambiamenti nell’intera rete devono passare per le sinapsi. Le mappe di probabilità sono il primo componente di un biological twin in cui esplorare in silico la stimolazione elettrica.

Neurodevelopmental disorders with epilepsy are often resistant to drugs and the mechanisms by which genetic alterations disrupt network activity remain largely unknown. Networks derived from patient human induced pluripotent stem cells (hiPSCs) and grown on multi-electrode arrays provide a biological twin of the patient whose activity can be recorded and perturbed. Several of these disorders share a phenotype in vitro in which synchronous network bursts break up into fragments. This thesis takes Dup15q syndrome as a case study. Patient-derived networks were recorded on high-density multi-electrode arrays, where the phenotype appears as Super Bursts, and stimulated electrically through the array. After stimulation the Super Bursts became shorter and the intervals between them longer in all wells where they persisted. The fragmented activity was also characterised in the state space of the population and in local groups of electrodes. An observed change, however, does not identify its mechanism: this requires a digital twin that includes the stimulation, and no existing model describes what an extracellular stimulus on the array does to the neurons of a culture. An in silico pipeline was therefore developed that couples reconstructed human pyramidal morphologies and human membrane biophysics to the field of the stimulating electrodes, simulates large samples of independent neurons, and expresses the responses as probabilities of activation and subthreshold polarisation as a function of position. Direct activation was confined to the neurons close to the electrodes, whereas a larger population around them was polarised without firing; the response was set mainly by the position of the neuron. The stimulus therefore acts directly on a small group of neurons, and network-wide changes must be carried by synaptic interactions. The probability maps are the first component of a digital twin in which electrical stimulation can be explored in silico.