Información

¿Cómo genera el ojo humano picos?


Descargo de responsabilidad: Tengo experiencia académica en visión por computadora, pero no en visión biológica.

Fondo: La visión por computadora clásica se ocupa de imágenes de cámaras que tienen un tiempo de exposición fijo para todos los píxeles. Durante este tiempo de exposición, cada píxel cuenta esencialmente fotones. Este recuento de fotones luego se traduce en un mapa de bits (generalmente 8 bits por píxel para cámaras monocromáticas) que se puede mostrar en monitores.

Sin embargo, el cerebro humano / de los vertebrados (afaik) no opera con valores enteros o de coma flotante, sino con picos. En consecuencia, el cerebro debe convertir la luz en picos para su posterior procesamiento.

Visión artificial de inspiración biológica: Permítanme presentarles rápidamente el principio de funcionamiento simplificado de dos enfoques principales de la visión artificial de inspiración biológica. Son la inspiración para esta pregunta.

  1. Cámara de eventos: La cámara de eventos tiene píxeles independientes que responden a los cambios en su intensidad logarítmica $ L = log (I) $ ("brillo"). Un evento / pico se activa en un determinado píxel tan pronto como el incremento de brillo desde el último evento en el píxel alcanza un umbral. Formalmente, deja $ e_k = ( mathbf {x} _k, t_k, p_k) $ ser el evento en pixel $ mathbf {x} _k = (x_k, y_k) $ en el momento $ t_k $ con polaridad $ p_k in {+ 1, -1 } $ a medida que cambia el signo del brillo. Entonces un evento $ e_k $ se activa si $$ L ( mathbf {x} _k, t_k) - L ( mathbf {x} _k, t_k - Delta t_k) = p_k C $$, dónde $ C> 0 $ y $ Delta t_k $ es el tiempo transcurrido desde el último evento en el mismo píxel. C es la sensibilidad de contraste y determina cuánto debe cambiar el brillo para activar un evento / pico. Esta introducción está adaptada de la sección 2.4 de esta encuesta. Para una explicación más visual, vea este video introductorio.

Consecuencia de este principio de trabajo: Esta cámara solo genera salida cuando hay movimiento en la escena. Además, no es posible reconstruir la intensidad real dados picos / eventos de una cámara de eventos. Esto se debe a que la cámara solo genera salida con diferencias de intensidad (es un sensor diferencial).

  1. Cámara Spike: Esta cámara también tiene píxeles independientes al igual que la cámara de eventos. Sin embargo, cada píxel integra la intensidad de luminancia a lo largo del tiempo y emite un pico cada vez que se alcanza un umbral. Esto significa que esencialmente emite picos a una velocidad proporcional a la intensidad de la luz. Más formalmente, dejemos $ I (t) $ ser la intensidad de un píxel a la vez $ t $. Entonces se genera un pico en ese píxel cuando $$ int_0 ^ tI ( tau) text {d} tau geq phi $$, dónde $ phi $ es un umbral. Se dan más detalles en la sección 2.1 de este documento. También eche un vistazo al video complementario para una impresión visual.

Consecuencia de este principio de funcionamiento: La intensidad se transmite a través de tasas de picos. Esta tasa es proporcional a la fotocorriente medida. Por lo tanto, es posible reconstruir la verdadera intensidad en un píxel. A diferencia de la cámara de eventos, esta cámara también genera picos cuando la escena es estática.

Mi pregunta: ¿Se puede explicar el mecanismo de generación de picos de la visión de los vertebrados con estos principios de funcionamiento? Si no es así, ¿hay otro modelo de generación de picos que se pueda formular matemáticamente?

¿Por qué hago esta pregunta?: La literatura sobre ambas cámaras argumenta con inspiración biológica, pero no he encontrado ninguna evidencia de que ninguno de esos enfoques imite realmente el principio de funcionamiento de los ojos de los vertebrados. Cualquier puntero a publicaciones es bienvenido.


Los investigadores de Penn calculan cuánto le dice el ojo al cerebro

(Filadelfia, PA) - Investigadores de la Facultad de Medicina de la Universidad de Pensilvania estiman que la retina humana puede transmitir información visual aproximadamente a la misma velocidad que una conexión Ethernet, uno de los sistemas de red de área local más comunes que se utilizan en la actualidad. Presentan sus hallazgos en la edición de julio de Current Biology. Esta línea de cuestionamiento científico apunta a las formas en que los sistemas neuronales se comparan con los artificiales y, en última instancia, pueden informar el diseño de sistemas visuales artificiales.

Gran parte de la investigación sobre la ciencia básica de la visión pregunta qué tipo de información recibe el cerebro en este estudio, en lugar de eso, pregunta cuánto. Usando una retina intacta de un conejillo de indias, los investigadores registraron picos de impulsos eléctricos de las células ganglionares utilizando una matriz de electrodos en miniatura. Los investigadores calculan que la retina humana puede transmitir datos a aproximadamente 10 millones de bits por segundo. En comparación, una Ethernet puede transmitir información entre computadoras a velocidades de 10 a 100 millones de bits por segundo.

La retina es en realidad una parte del cerebro que se ha convertido en el ojo y procesa las señales neuronales cuando detecta luz. Las células ganglionares llevan información desde la retina a los centros cerebrales superiores. Otras células nerviosas dentro de la retina realizan las primeras etapas del análisis del mundo visual. Los axones de las células ganglionares de la retina, con el apoyo de otros tipos de células, forman el nervio óptico y transportan estas señales al cerebro.

Los investigadores han sabido durante décadas que hay de 10 a 15 tipos de células ganglionares en la retina que están adaptadas para captar diferentes movimientos y luego trabajan juntas para enviar una imagen completa al cerebro. El estudio estimó la cantidad de información que transportan al cerebro siete de estos tipos de células ganglionares.

La retina del conejillo de indias se colocó en un plato y luego se presentaron películas que contenían cuatro tipos de movimiento biológico, por ejemplo, una salamandra nadando en un tanque para representar un estímulo de movimiento de objeto. Después de registrar picos eléctricos en una serie de electrodos, los investigadores clasificaron cada celda en una de dos amplias clases: "enérgica" o "lenta", llamada así debido a su velocidad.

Los investigadores encontraron que los patrones de picos eléctricos diferían entre los tipos de células. Por ejemplo, las células más grandes y enérgicas dispararon muchos picos por segundo y su respuesta fue altamente reproducible. Por el contrario, las células más pequeñas y lentas dispararon menos picos por segundo y sus respuestas fueron menos reproducibles.

Pero, ¿cuál es la relación entre estos picos y la información que se envía? "Son las combinaciones y patrones de picos los que envían la información. Los patrones tienen varios significados", dice el coautor Vijay Balasubramanian, PhD, profesor de Física en Penn. "Cuantificamos los patrones y calculamos cuánta información transmiten, medida en bits por segundo".

Calculando las proporciones de cada tipo de célula en la retina, el equipo estimó que unas 100.000 células ganglionares de cobaya transmiten alrededor de 875.000 bits de información por segundo. Debido a que las células lentas son más numerosas, representan la mayor parte de la información. Con alrededor de 1.000.000 de células ganglionares, la retina humana transmitiría datos aproximadamente a la velocidad de una conexión Ethernet, o 10 millones de bits por segundo.

"Los picos son metabólicamente costosos de producir", dice la autora principal Kristin Koch, estudiante de doctorado en el laboratorio del autor principal Peter Sterling, PhD, profesor de neurociencia. "Nuestros hallazgos sugieren que las células lentas podrían ser 'más baratas', metabólicamente hablando, porque envían más información por pico. Si un mensaje debe enviarse a una velocidad alta, el cerebro usa los canales rápidos. Pero si un mensaje puede permitirse el lujo de ser enviado más lentamente, el cerebro utiliza los canales lentos y paga un menor costo metabólico ".

"En términos de enviar información visual al cerebro, estas células enérgicas son el Fedex del sistema óptico, frente a las células lentas, que son el equivalente al correo de Estados Unidos", señala Sterling. "Las células inactivas no se han estudiado tan de cerca hasta ahora. Lo sorprendente es que cuando todo está dicho y hecho, las células inactivas resultaron ser las más importantes en términos de la cantidad de información enviada".

Los coautores del estudio son Judith McLean y Michael A. Freed, de Penn, y Ronen Segev y Michael J. Berry III, de la Universidad de Princeton. La investigación fue apoyada por subvenciones de los Institutos Nacionales de Salud y la Fundación Nacional de Ciencias.

Este comunicado y una imagen relacionada también se pueden ver en: www.uphs.upenn.edu/news.

PENN Medicine es una empresa de $ 2.9 mil millones dedicada a las misiones relacionadas de educación médica, investigación biomédica y atención al paciente de alta calidad. PENN Medicine está formada por la Facultad de Medicina de la Universidad de Pensilvania (fundada en 1765 como la primera facultad de medicina del país) y el Sistema de Salud de la Universidad de Pensilvania.

La Facultad de Medicina de Penn ocupa el puesto número 2 en la nación por recibir fondos de investigación de los NIH y el puesto número 3 en la nación en la clasificación más reciente de U.S.News & World Report de las mejores escuelas de medicina orientadas a la investigación. Apoyando a 1.400 profesores de tiempo completo y 700 estudiantes, la Facultad de Medicina es reconocida en todo el mundo por su educación superior y la formación de la próxima generación de médicos-científicos y líderes de la medicina académica.

El Sistema de Salud de la Universidad de Pensilvania incluye tres hospitales, todos los cuales han recibido numerosos honores nacionales de atención al paciente (Hospital del Hospital de la Universidad de Pensilvania en Pensilvania, el primer hospital de la nación y el Centro Médico Penn Presbyterian) un plan de práctica de la facultad un proveedor de atención primaria Red de dos instalaciones satélites de especialidades múltiples y atención domiciliaria y hospicio.

Descargo de responsabilidad: AAAS y EurekAlert! no son responsables de la precisión de los comunicados de prensa publicados en EurekAlert. por las instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.


Sentidos especiales y generales

El cuerpo humano tiene dos tipos básicos de sentidos, llamados sentidos especiales y sentidos generales. Sentidos especiales tienen órganos sensoriales especializados que recopilan información sensorial y la transforman en impulsos nerviosos. Los sentidos especiales incluyen la visión para la cual los ojos son los órganos sensoriales especializados, el oído (oídos), el equilibrio (oídos), el gusto (lengua) y el olfato (conductos nasales). Sentidos generales por el contrario, todos están asociados con el sentido del tacto y carecen de órganos sensoriales especiales. En cambio, la piel y otros tejidos corporales recopilan información sensorial sobre el tacto, todos los cuales tienen funciones importantes además de recopilar información sensorial. Sin embargo, ya sea que los sentidos sean especiales o generales, todos ellos dependen de células llamadas receptores sensoriales.


Cómo el cuerpo humano crea campos electromagnéticos

¿Es posible que el cuerpo humano cree un campo electromagnético? apareció originalmente en Quora: el lugar para adquirir y compartir conocimientos, capacitando a las personas para que aprendan de los demás y comprendan mejor el mundo.

Respuesta de Jack Fraser, Master's Physics, University of Oxford, en Quora:

¿Es posible que el cuerpo humano cree un campo electromagnético?

Quiero que me imagines dándote un fuerte puñetazo en la nariz.

Créame, ayudará a que esta descripción sea mucho más divertida. Imagina que dijiste algo grosero sobre mi madre, si te ayuda.

¿Dolio? No soy un luchador, pero imagino que probablemente lo hizo.

Bueno, mi puño se conectó bastante rápido con tu cara, y eso debería bastar.

Pero, ¿qué significa "conectar" o "tocar"?

Nuestros cuerpos están formados por células, que están formadas por átomos. Y los átomos son ... bueno, en su mayoría son espacios vacíos.

Un átomo es una región centralizada de densidad extrema y carga positiva (el núcleo), rodeada por una región de "ondas de probabilidad" estacionarias que describen la función de onda del electrón.

En otras palabras, un átomo es básicamente una bola de cargas "difusa" (término técnico).

Algo como esto (crédito de la imagen: The Electron Cloud).

(El modelo orbital planetario que probablemente tiene en su cabeza está desactualizado hace unos 100 años; proviene del modelo del átomo de Bohr de 1913, que fue reemplazado en 1925 por el modelo de Schrodinger).

¿Cómo puedo darte un puñetazo si tu cara y, de hecho, mi mano están formadas por bolas borrosas?

No existe el concepto de "sólido" en este nivel, entonces, ¿por qué deberían mi mano hace contacto con tu cara?

La respuesta está en el campo eléctrico.

Cada átomo tiene su propio campo eléctrico, y cuando pones dos átomos juntos, pueden jugar con el campo eléctrico del otro.

En algunas circunstancias, esta "confusión" es lo que conduce al enlace atómico: los átomos y sus electrones "encuentran una manera" de coexistir de una manera que minimiza su energía mutua y se resisten a ser separados. Esto es lo que interpretamos como enlace atómico.

Pero a veces, significa simplemente rebotan el uno al otro. Los dos campos de electrones se repelen y los átomos se separan.

Entonces, lo que experimentas cuando mi puño se conecta con tu nariz es en realidad los electrones en mi puño repelen los de tu nariz.

Obviamente, esta repulsión provoca una reacción en cadena con todos los demás átomos de tu cara, que interactúan mutuamente entre sí, y todos se repelen al unísono de mi puño (¡es por eso que tu nariz no se atomiza en billones de átomos!)

Las secciones especializadas de su cuerpo luego generan señales eléctricas, que se disparan a lo largo de otras secciones especializadas de su cuerpo, en un De Verdad sección especializada de su cuerpo, lo que da como resultado una cascada de señales eléctricas que se transmiten a través de toda la unidad.

En otras palabras, los sensores de la nariz envían un mensaje a través de los nervios hasta el cerebro, que luego procesa como dolor.

"Ow", dices, "¿para qué fue eso?"

¡¿No lo ves ?! ¡Todo lo que acaba de pasar se debe a los campos eléctricos de nuestros cuerpos!

Todo lo que acaba de experimentar ocurrió porque ambos estamos rodeados por nuestro propio campo de fuerza personal, y el interior de nuestro cuerpo contiene generadores eléctricos, que utilizan para enviar señales a través de nuestro cuerpo.

Prácticamente todos los procesos que lo mantienen vivo se remontan a un campo eléctrico que está creando algún componente de su cuerpo.

Incluso mientras escribo esto, ¡lo único que me permite hacerlo es el campo eléctrico en mis dedos presionando las teclas de mi computadora portátil! ¡Lo único que me impide caer a través de la silla es el ArseField ™ especializado de mi cuerpo que repele la silla!

Mis ojos están interceptando la radiación electromagnética (y ni siquiera empecemos con el hecho de que estoy constantemente ¡emitiendo un campo de radiación de bajo nivel en la región infrarroja!) y convirtiéndolo en aún más señales eléctricas.

No solo es posible que el cuerpo humano crea campos EM - ¡Es la única forma en que puede existir como entidad coherente!

usted están un campo eléctrico, un campo eléctrico gigante que mantiene unidos a tus átomos y que usa otros campos eléctricos para hablar con otras partes de ti mismo.

Todo es tan frio cuando lo desglosas así, ¿verdad?

Esta pregunta apareció originalmente en Quora, el lugar para adquirir y compartir conocimientos, que permite a las personas aprender de los demás y comprender mejor el mundo. Puede seguir a Quora en Twitter, Facebook y Google+. Más preguntas:


Óptica básica

Los rayos de luz inciden en un punto de un objeto y rebotan en muchas direcciones.

Los rayos de luz que rebotan desde puntos específicos interfieren entre sí en un enredo & # 8220blurry & # 8221.

Imagen invertida y al revés

Ver cómo los rayos de luz rebotan en ángulos hacia afuera hace que sea más fácil entender por qué los rayos

reenfocado a distancia produciría un resultado invertido al revés.

Ejemplo de cámara estenopeica

Un agujero muy pequeño en una caja permite la entrada de un pequeño rango de ángulos de luz. La imagen reproducida está enfocada, pero la limitación de los rayos de luz significa que no es muy brillante.

Enfoque

Una abertura más grande permite que pasen más rayos de luz para obtener una imagen más brillante, pero estos rayos pueden interferir entre sí y causar un resultado borroso.

Una lente enfoca o & # 8220 dobla & # 8221 múltiples rayos desde puntos de origen únicos hacia puntos brillantes, singulares y enfocados.


Cómo las redes neuronales creadas por el hombre emulan la biología para promover la inteligencia artificial y el aprendizaje automático

Todavía tenemos mucho que aprender sobre cómo funciona un cerebro biológico, pero lo que sí sabemos está conduciendo a avances en la implementación de la inteligencia artificial. La tecnología se está acercando a un punto de inflexión en la historia, donde la humanidad puede recrear fielmente el mayor logro de la naturaleza y producir sistemas que pueden emular la forma en que procesamos la información.

La investigación sobre las redes neuronales artificiales está siguiendo múltiples vías, dos de las cuales son muy prometedoras: las redes neuronales convolucionales (CNN) y las redes neuronales de picos (SNN). Si bien tanto las CNN como las SNN se inspiran en la forma en que el cerebro procesa la información, difieren de manera significativa en su implementación.

Los estímulos de entrada al cerebro, ya sean visuales, auditivos, olfativos o de cualquier otra forma, se procesan a través de números sucesivos (jerárquicos) de neuronas, interconectadas por una densa red de sinapsis. (Figura 1). Los estímulos de entrada activarán algunas neuronas mientras que otras permanecerán sin respuesta, creando así un filtro de tipo altamente discriminatorio, que es capaz de detectar, identificar y almacenar información.

1. Conceptualmente, las CNN y las SNN son similares en su organización, pero difieren en la naturaleza de los datos que procesan y cómo los procesan. (Fuente: Ziff Davis ExtremeTech)

Implementación de CNN

Para las CNN, esta funcionalidad se emula utilizando un enfoque puramente matemático (álgebra lineal). Los datos se alimentan a través de una serie de entradas, se multiplican por los pesos respectivos (sinápticos) y luego se propagan a través de una capa de activación estocástica. Esto se repite varias veces, lo que resulta en una red neuronal "profunda".

En la fase de entrenamiento, esta operación se repite para cada muestra de datos en un conjunto de datos que puede ascender a terabytes, y cada salida se compara con la salida correcta esperada. La discrepancia entre la salida correcta (etiqueta) y la salida calculada se agrega a la función de costo. La formación, mediante retropropagación, implica minimizar esta función de coste.

No hace falta decir que este proceso repetitivo puede llevar mucho tiempo, dependiendo de la complejidad de la red, y requiere la mayor potencia de cálculo posible. Hoy en día, estas tareas las realizan potentes servidores en la nube, utilizando CPU, GPU, FPGA y ASIC de diseño personalizado (como Google TPU), y pueden tardar horas, días o incluso semanas.

La operación de procesamiento básica en esta metodología, multiplicar + agregar (o acumular) (MAC), generalmente se realiza con datos y pesos de coma flotante de 32 bits. (Figura 2). Esta es la razón por la que, aunque inicialmente no estaban destinadas a las CNN, las GPU se han vuelto muy populares para ejecutar este tipo de tareas de formación. El enfoque es costoso en el desarrollo de software y el tiempo de ejecución, e incluso más costoso cuando se implementa en silicio. Los MAC consumen una gran cantidad de energía y ocupan una cantidad significativa de espacio de silicio.

2. La CNN ejecuta este tipo de operaciones muchas veces. La operación suele ser A × W + B. La implementación acelerada (HW) requiere el uso de MAC, abundantes en GPU.

Existe una tendencia creciente hacia la reducción de la cuantificación de los pesos sinápticos a enteros de 8 bits y, más recientemente, a bits únicos (redes binarias). Sin embargo, los datos permanecen codificados al menos en números enteros de 8 bits, si no en 16 o 32 bits.

SNN similares a neuronas

Por el contrario, las redes neuronales de picos no utilizan las mismas funciones que las CNN. Los SNN emulan más de cerca la funcionalidad de las neuronas. La retina del ojo, la cóclea del oído y otros órganos sensoriales generan una serie de picos, pero el cerebro no realiza ninguna operación matemática sobre los picos entrantes. Dependiendo de la frecuencia y la cantidad de picos recibidos, las neuronas de entrada se estimularán y los pesos sinápticos favorecerán ciertas conexiones, mientras que inhiben o restan importancia a otras. (Fig. 3). El resultado es una especie de filtro discriminatorio, muy similar al de la CNN, excepto que los datos son simplemente si existe un pico o no, y aprenden inhibiendo o reforzando la sinapsis. Por lo tanto, con las SNN, el funcionamiento de la red neuronal sigue siendo más fiel a la forma en que funciona el cerebro biológico.

3. Los SNN emulan más de cerca la funcionalidad de las neuronas. Dependiendo de la frecuencia y la cantidad de picos que se reciban, las neuronas de entrada se estimularán y los pesos sinápticos favorecerán ciertas conexiones, mientras que inhiben o restan importancia a otras.

Sin embargo, el objetivo no es permanecer ciegamente fiel a la forma en que funciona el cerebro, sino aprovechar su estructura para lograr una baja potencia y eficiencia operativa, y las SNN lo logran de dos maneras. Primero, eliminan la costosa función de multiplicar-acumular simplemente reemplazándola con una función de neurona. En segundo lugar, dado que funcionan con picos, los datos entrantes se transforman en trenes de picos. Este proceso de conversión de datos a picos ayuda a reducir el cálculo general requerido.

Los SNN permiten una precisión similar a los CNN con estructuras que son mucho más pequeñas y fáciles de configurar, lo que resulta en un rendimiento más rápido, menor consumo de energía y menor costo. Los SNN pueden ofrecer un pedido o dos de menor potencia de magnitud, mientras que funcionan tan rápido y cuestan mucho menos que los CNN.

Otro beneficio fundamental de las SNN es que se pueden entrenar sin supervisión, al igual que el cerebro humano. Para aprender diferentes clases de objetos, no es necesario entrenar los SNN con miles de millones de muestras de datos. Unas pocas muestras serán suficientes para que el SNN aprenda y retenga los objetos que pretende clasificar. Por supuesto, se aplicará el etiquetado para obtener los mismos resultados que las CNN para la implementación.

los mesa resume las diferencias entre las dos arquitecturas de red. Los SNN tienen una gran ventaja en las tareas de inferencia en aplicaciones de borde, como vehículos autónomos, robótica, IoT y videovigilancia, donde el costo, el consumo de energía y la velocidad de ejecución son factores críticos. Además, gracias a su capacidad para la formación no supervisada y la flexibilidad con la que se pueden reconfigurar, permitirán actualizaciones sobre el terreno y evitarán costosas reprogramaciones y / o la obsolescencia.

Las redes neuronales spiking representan el siguiente paso en la inteligencia artificial y, gracias a sus muchos beneficios, son particularmente aplicables al procesamiento perimetral en IoT. Esto representa la nueva frontera del aprendizaje automático.

Robert Beachler es vicepresidente senior de marketing y desarrollo empresarial en BrainChip.


Proteína de pico

Publicado el 22 de junio de 2021 por Dr. Francis Collins

Un tema clave a medida que nos acercamos a poner fin a la pandemia es determinar con mayor precisión cuánto tiempo las personas expuestas al SARS-CoV-2, el virus COVID-19, producirán anticuerpos neutralizantes contra este peligroso coronavirus. Encontrar la respuesta también es potencialmente complicado con la aparición de nuevas variantes preocupantes del SARS-CoV-2 y # 8220 en todo el mundo que podrían encontrar formas de evadir la inmunidad adquirida, aumentando las posibilidades de nuevos brotes.

Ahora, un nuevo estudio respaldado por los NIH muestra que la respuesta a esta pregunta variará según la forma en que se generaron los anticuerpos de un individuo contra el SARS-CoV-2: durante el curso de una infección adquirida naturalmente o de una vacuna COVID-19. La nueva evidencia muestra que los anticuerpos protectores generados en respuesta a una vacuna de ARNm se dirigirán a una gama más amplia de variantes del SARS-CoV-2 que llevan cambios de "letra única" en una parte clave de su proteína de pico en comparación con los anticuerpos adquiridos a partir de una infección.

Estos resultados se suman a la evidencia de que las personas con inmunidad adquirida pueden tener diferentes niveles de protección frente a las variantes emergentes del SARS-CoV-2. Más importante aún, los datos proporcionan más documentación de que aquellos que han tenido y se han recuperado de una infección por COVID-19 aún pueden beneficiarse de la vacunación.

Estos últimos hallazgos provienen de Jesse Bloom, Allison Greaney y su equipo en Fred Hutchinson Cancer Research Center, Seattle. En un estudio anterior, este mismo equipo se centró en el dominio de unión al receptor (RBD), una región clave de la proteína de pico que se clava en la superficie exterior del SARS-CoV-2. Este RBD es especialmente importante porque el virus usa esta parte de su proteína de pico para anclarse a otra proteína llamada ACE2 en las células humanas antes de infectarlas. Eso hace que RBD sea un objetivo principal tanto para los anticuerpos adquiridos naturalmente como para los generados por las vacunas. Usando un método llamado escaneo mutacional profundo, el estudio anterior del grupo de Seattle # 8217 mapeó todas las posibles mutaciones en el RBD que cambiarían la capacidad del virus para unirse a ACE2 y / o para que los anticuerpos dirigidos por RBD golpeen sus objetivos.

En su nuevo estudio, publicado en la revista Medicina traslacional de la ciencia, Bloom, Greaney y sus colegas examinaron nuevamente las miles de posibles variantes de RBD para comprender cómo se podría esperar que los anticuerpos golpeen sus objetivos allí [1]. Esta vez, querían explorar las diferencias entre los anticuerpos dirigidos por RBD en función de cómo se adquirieron.

Una vez más, recurrieron a un escaneo mutacional profundo. Primero, crearon bibliotecas de los 3.800 posibles mutantes de un solo aminoácido de RBD y expusieron las bibliotecas a muestras tomadas de individuos vacunados y de individuos no vacunados que habían sido previamente infectados. Todos los individuos vacunados habían recibido dos dosis de la vacuna de ARNm de Moderna. Esta vacuna actúa impulsando a las células de una persona a producir la proteína de pico, lo que desencadena una respuesta inmune y la producción de anticuerpos.

Al examinar de cerca los resultados, los investigadores descubrieron diferencias importantes entre la inmunidad adquirida en las personas que fueron vacunadas y las personas no vacunadas que habían sido previamente infectadas con el SARS-CoV-2. Específicamente, los anticuerpos provocados por la vacuna de ARNm se centraron más en el RBD en comparación con los anticuerpos provocados por una infección, que con mayor frecuencia se dirigieron a otras porciones de la proteína de pico. Es importante destacar que los anticuerpos provocados por la vacuna se dirigieron a una gama más amplia de lugares en el RBD que los provocados por una infección natural.

Estos hallazgos sugieren que la inmunidad natural y la inmunidad generada por la vacuna contra el SARS-CoV-2 diferirán en la forma en que reconocen las nuevas variantes virales. Es más, es más probable que los anticuerpos adquiridos con la ayuda de una vacuna se dirijan de manera potente a las nuevas variantes del SARS-CoV-2, incluso cuando las variantes portan nuevas mutaciones en el RBD.

No está del todo claro por qué existen estas diferencias en las respuestas de anticuerpos provocadas por la vacuna y la infección. En ambos casos, los anticuerpos dirigidos por RBD se adquieren a partir del reconocimiento y la respuesta del sistema inmunológico a las proteínas de pico viral. El equipo de Seattle sugiere que estas diferencias pueden surgir porque la vacuna presenta la proteína viral en conformaciones ligeramente diferentes.

Además, es posible que la administración de ARNm cambie la forma en que se presentan los antígenos al sistema inmunológico, lo que da lugar a diferencias en los anticuerpos que se producen. Una tercera diferencia es que la infección natural solo expone al cuerpo al virus en el tracto respiratorio (a menos que la enfermedad sea muy grave), mientras que la vacuna se administra al músculo, donde el sistema inmunológico puede tener una probabilidad aún mayor de verlo y responder. vigorosamente.

Cualesquiera que sean las razones subyacentes, es importante tener en cuenta que los humanos se infectan y se vuelven a infectar de forma rutinaria con otros coronavirus comunes, que son responsables del resfriado común. No es nada inusual contraer un resfriado por los coronavirus estacionales año tras año. Eso se debe, al menos en parte, a que esos virus tienden a evolucionar para escapar de la inmunidad adquirida, al igual que el SARS-CoV-2 está en proceso de hacerlo.

La buena noticia hasta ahora es que, a diferencia de la situación del resfriado común, ahora hemos desarrollado múltiples vacunas COVID-19. La evidencia continúa sugiriendo que la inmunidad adquirida por las vacunas todavía ofrece una protección sustancial contra las nuevas variantes que ahora circulan por todo el mundo.

La esperanza es que la inmunidad adquirida por las vacunas produzca una protección duradera contra el SARS-CoV-2 y ponga fin a la pandemia. Estos nuevos hallazgos apuntan de manera alentadora en esa dirección. También sirven como un recordatorio importante de que debe arremangarse para recibir la vacuna si aún no lo ha hecho, haya tenido o no COVID-19. Nuestra mejor esperanza de ganar este concurso con el virus es inmunizar a la mayor cantidad posible de personas ahora. Eso salvará vidas y reducirá la probabilidad de que aparezcan aún más variantes que podrían evadir la protección de las vacunas actuales.

Bloom Lab (Centro de Investigación del Cáncer Fred Hutchinson, Seattle)

Apoyo de los NIH: Instituto Nacional de Alergias y Enfermedades Infecciosas


Pico de proteína y el cerebro

Un estudio titulado "La proteína S1 del SARS-CoV-2 cruza la barrera hematoencefálica en ratones" se publicó en Neurociencia de la naturaleza este mes. En este documento, los investigadores de la Universidad de Washington inocularon una dosis de la porción S1 de la proteína de pico del SARS-CoV-2, sin el virión o el genoma completo, en la sangre o la nariz de ratones adultos.

Cuando se inyectó en el torrente sanguíneo, el estudio encontró que las proteínas de la punta se eliminaban gradualmente de la sangre, pero el cerebro las absorbía. Después de realizar una serie de experimentos, el estudio descubrió que las proteínas pico del SARS-CoV-2 cruzan la barrera hematoencefálica a través de la transcitosis adsortiva. En este proceso, la proteína, en este caso, las proteínas de pico, ingresa a la célula a través de sus glicoproteínas de superficie.

No se sabe con certeza si el receptor ACE2, que el SARS-CoV-2 normalmente usa para infectar células en los pulmones, está involucrado en la captación cerebral de proteínas de pico. La administración de ACE2 a los ratones para ocupar los receptores ACE2 no bloqueó la entrada de la proteína de pico, sino que la mejoró. Y los mecanismos responsables de esto siguen sin estar claros.

En particular, la inducción de la inflamación en los ratones con un tratamiento con lipopolisacáridos (LPS, una toxina bacteriana) mejoró aún más la captación cerebral de proteínas de pico. Esto se debe a que la inflamación había alterado la integridad de la barrera hematoencefálica, haciéndola más permeable a los invasores extraños.

Cuando se inoculaban por vía nasal, las proteínas de las espigas también invadían el cerebro, pero en menor medida que cuando se inyectaban en la sangre. Curiosamente, solo el & lt1% de las proteínas de pico de la nariz entraron en la sangre. Esto sugiere que las proteínas de punta pueden ingresar al cerebro a través de la ruta olfativa (sistema sensorial del olfato), sin la necesidad de eludir la defensa de la barrera hematoencefálica.

En general, en ratones, la proteína de pico del SARS-CoV-2 tiene la capacidad de cruzar la barrera hematoencefálica. Pero ese es el alcance que muestra este estudio. Lo que sucede después de eso no se estudió. Por ejemplo, ¿los ratones se enfermarán y mostrarán síntomas neurológicos o anomalías de comportamiento como deterioro cognitivo o cambios en el apetito? ¿O el cerebro de los ratones responderá a las proteínas de pico con niveles de inflamación poco saludables?

Por último, este estudio también realizó experimentos de cultivo celular. Dado que los ratones no son humanos, como admitieron los investigadores, cultivaron células endoteliales humanas que imitan la barrera hematoencefálica humana. Contrariamente a las expectativas, encontraron que las proteínas de las espigas no penetraban en las células endoteliales humanas. Este resultado negativo, sugirieron los autores, podría significar dos cosas:

  1. El modelo celular no es adecuado para estudiar proteínas de pico de SARS-CoV-2.
  2. Las proteínas pico del SARS-CoV-2 por sí solas no pueden cruzar la barrera hematoencefálica en los seres humanos, lo que contradice los hallazgos de los experimentos con animales.


La proteína exclusiva de la retina aviar contribuye a la agudeza visual al ayudar a los ojos a 'respirar'

Diga lo que quiera sobre los cerebros de las aves, pero nuestros amigos emplumados seguramente nos tienen, y a todos los demás animales del planeta, superados en el departamento de visión, y eso tiene un poco que ver con cómo se desarrollan sus cerebros.

Considere las hazañas en vuelo de las aves rapaces: deben detectar su cena desde largas distancias y bombardear en picado esos objetivos en movimiento a la velocidad del rayo. Y luego están los búhos, que operan ágilmente incluso en las noches más oscuras para asegurar la cena en rápidos ataques. Algunas aves tienen sensibilidad ultravioleta, otras tienen sensibilidad infrarroja. Para empezar, algunas aves incluso pueden ver el campo magnético de la Tierra.

Much of the credit for avian visual acuity goes to the extraordinary retina, which grows out of the brain during development, making it an official component of the central nervous system. Indeed, the avian retina is far more complex in structure and composition than the human retina, and it contains many more photoreceptors -- rod- and cone-shaped cells that detect light and color, respectively.

While researchers over the years have come to better understand much about the avian retina, many nagging questions remain. For Thorsten Burmester's research team at the University of Hamburg, the question was this: How does such a productive retina sustain itself when the avian eye has very few capillaries to deliver oxygen to it? After all, it has to "breathe," so to speak.

"The visual process in the vertebrate eye requires high amounts of metabolic energy and thus oxygen," Burmester's group writes in this week's Revista de química biológica. "Oxygen supply of the avian retina is a challenging task because birds have large eyes, thick retinas and high metabolic rates, but neither deep retinal nor superficial capillaries."

To answer the question, Burmester's team took a closer look at a protein that they discovered exists in large quantities in photoreceptor cells of the avian eye -- and only of the avian eye. They named the protein globin E. (The "E" is short for "eye," of course.)

Burmester's team used a number of techniques to characterize globin E and found that it is responsible for storing and delivering oxygen to the retina.

The finding is intriguing for a number of reasons.

Firstly, it helps explain how birds evolved to have such large eyes, relative to their body mass, without a dense network of ocular capillaries for blood delivery. (Some owls, for instance, have bigger eyes than humans.)

"The exact origin of globin E is still somewhat a mystery," Burmester said. "It clearly evolved from some type of globin, but it has no obvious relative outside the birds."

The globins are all thought to share a common ancestor, and the most well-known members of the family are myoglobin and hemoglobin. Myoglobin is responsible for oxygen storage and release in heart and skeletal muscle fibers. Hemoglobin, meanwhile, transports oxygen from the lungs to other parts of the body in red blood cells.

Burmester explains: "Bird eyes have evolved to have a system not unlike those in our heart, which uses myoglobin to store and release oxygen to maintain respiration and energy-consumption during muscle contraction. In eyes, oxygen and energy are needed to generate neuronal signals."

Secondly, the finding puts to rest an earlier hypothesis that another molecule, neuroglobin, might be the oxygen-delivery vehicle for the avian eye. Neuroglobin is known to deliver oxygen to brain tissue, so it was only natural to suspect it. But it turns out that the messenger RNA fingerprint of globin E was 100-fold more prevalent than that of neuroglobin in Burmester's chicken retina samples, indicating that neuroglobin probably has another, yet-to-be defined function in the avian eye.

Lastly, globin E is another interesting illustration of the convergent evolution of "myoglobin-like" molecules. Among the organisms with proteins with similar functions are the soybean, which needs its leghemoglobin to deliver oxygen to the Rhizobium soil bacteria that colonize in root nodules, and the 2-foot-long sea worm Cerebratulus lacteus, which needs its mini-hemoglobin to keep its brain and neurons oxygenated when it burrows deep into the sea floor, where oxygen levels are low, in search of clams.


Sturdier Coronavirus Spike Protein Explains Faster Spread of COVID Variants From UK, South Africa, and Brazil

This model shows the structure of the spike protein in its closed configuration, in its original D614 form (left) and its mutant form (G614). In the mutant spike protein, the 630 loop (in red) stabilizes the spike, preventing it from flipping open prematurely and rendering SARS-CoV-2 more infectious. Credit: Bing Chen, PhD, Boston Children’s Hospital

Cryo-EM study show how structural alterations in G614 variants stabilize the spike.

The fast-spreading UK, South Africa, and Brazil coronavirus variants are raising both concerns and questions about whether COVID-19 vaccines will protect against them. New work led by Bing Chen, PhD, at Boston Children’s Hospital analyzed how the structure of the coronavirus spike proteins changes with the D614G mutation — carried by all three variants — and showed why these variants are able to spread more quickly. The team reported its findings in Ciencias on March 16, 2021.

Chen’s team imaged the spikes with cryo-electron microscopy (cryo-EM), which has resolution down to the atomic level. They found that the D614G mutation (substitution of in a single amino acid “letter” in the genetic code for the spike protein) makes the spike more stable as compared with the original SARS-CoV-2 virus. As a result, more functional spikes are available to bind to our cells’ ACE2 receptors, making the virus more infectious.

Preventing spikes’ shape change

In the original coronavirus, the spike proteins would bind to the ACE2 receptor and then dramatically change shape, folding in on themselves. This enabled the virus to fuse its membrane with our own cells’ membranes and get inside. However, as Chen and colleagues reported in July 2020, the spikes would sometimes prematurely change shape and fall apart before the virus could bind to cells. While this slowed the virus down, the shape change also made it harder for our immune system to contain the virus.

“Because the original spike protein would dissociate, it was not good enough to induce a strong neutralizing antibody response,” says Chen.

When Chen and colleagues imaged the mutant spike protein, they found that the D614G mutation stabilizes the spike by blocking the premature shape change. Interestingly, the mutation also makes the spikes bind more weakly to the ACE receptor, but the fact that the spikes are less apt to fall apart prematurely renders the virus overall more infectious.

“Say the original virus has 100 spikes,” Chen explains. “Because of the shape instability, you may have just 50 percent of them functional. In the G614 variants, you may have 90 percent that are functional, so even though they don’t bind as well, the chances are greater that you will have infection.”

Chen proposes that redesigned vaccines incorporate the code for this mutant spike protein. The more stable spike shape should make any vaccine based on the spike (as are the Moderna, Pfizer, and Johnson & Johnson vaccine) more likely to elicit protective neutralizing antibodies, he says.

Future direction: A drug to block coronavirus entry

Chen and his colleagues are further applying structural biology to better understand how SARS-CoV-2 binds to the ACE2 receptor, with an eye toward therapeutics to block the virus from gaining entry to our cells.

In January, the team showed in Nature Structural & Molecular Biology that a structurally-engineered “decoy” ACE2 protein binds the virus 200 times more strongly than the body’s own ACE2. The decoy potently inhibited the virus in cell culture, suggesting it could be an anti-COVID-19 treatment. Chen is now planning to advance this research into animal models.

Chen is senior investigator on the paper in Ciencias. Jun Zhang and Yongfei Cai in Boston Children’s Division of Molecular Medicine were co-first authors. Coauthors were Tianshu Xiao, Hanqin Peng, Sophia Rits-Volloch, and Piotr Sliz of Boston Children’s Jianming Lu of Codex BioSolutions, Inc., Sarah Sterling and Richard Walsh Jr. of the Harvard Cryo-EM Center for Structural Biology (Harvard Medical School) and Haisun Zhu, Alec Woosley, and Wei Yang of the Institute for Protein Innovation (Harvard Institutes of Medicine). The work was funded by the National Institutes of Health (AI147884, AI147884-01A1S1, AI141002, AI127193), a COVID-19 Award by MassCPR, and Emergent Ventures.