A comprehensive statistical framework for characterizing in-vivo and in-vitro neural responses to electrical stimulation

Studying the activity of individual neurons provides profound insights into the complex mechanisms underlying brain function and neural networks. The characterization of neural spiking patterns is of great interest for both in-vivo and in-vitro applications, with a particular focus on how these patterns are influenced by a specific condition or external stimulus. Brain electrical stimulation is extensively employed in neuroscience to investigate brain functions, diagnose and treat neurological disorders, and enable bidirectional communication in Brain-Computer Interfaces. Therefore, analysing neural responses to electrical stimulation could lead to innovative diagnostic and clinical approaches. This thesis presents a statistical framework for characterizing neural electrically evoked responses, both in-vivo and in-vitro. The in-vivo data consist of invasive recordings from mouse brains, in particular of Motor (MO) cortex, Somatosensory (SS) cortex and Sensorimotor related thalamic nuclei (SMTH). The in-vitro data consist of electrical activity recorded from brain organoids using a microelectrode array (MEA). Model implementation combines Bayesian theory with Mixture Models in order to predict the probability of spike occurrences at certain latencies from the electrical stimulus onset. The goodness-of-fit of the proposed models was assessed by Kolmogorov-Smirnov test. This characterization approach was further validated by applying machine learning methods for stimulus intensity decoding (low vs high intensity) and classification of brain region (MO cortex, SS cortex and SMTH ) to which a neuron belongs given its response to the stimulus. In the in-vivo scenario, the Random Forest model demonstrated the highest F1 scores, achieving 92.86 % for stimulus intensity decoding and 84.35% for brain zone classification. In the in-vitro scenario Decision Tree Classifier reached the highest F1 score of 86.34% for stimulus intensity decoding. Based on the promising results and conclusions of this work, further studies could lead to a better understanding of the mechanisms underlying electrically evoked neural responses, with potential implications for both neuroscience research and biotechnology applications.

Lo studio dell’attività dei singoli neuroni fornisce importanti conoscenze sui complessi meccanismi alla base delle funzioni cerebrali e delle reti neurali. La caratterizzazione dei pattern di spike neurali è di grande interesse sia per le applicazioni in vivo che in vitro, soprattutto quando questi pattern sono causati da una condizione specifica o da uno sti molo esterno. La stimolazione elettrica del cervello è ampiamente utilizzata per studiare le funzioni cerebrali, diagnosticare e trattare disturbi neurologici e consentire la comunicazione bidirezionale nelle interfacce cervello-computer. Pertanto, l’analisi dei modelli di risposta neurale alla stimolazione elettrica potrebbe portare ad approcci diagnostici e clinici innovativi. Questa tesi presenta un approccio statistico per caratterizzare le risposte neurali evocate elettricamente, sia in vivo che in vitro. I dati in vivo consistono in registrazioni invasive di attività celebrale nei topi, in particolare nella corteccia motoria (MO), nella corteccia somatosensoriale (SS) e nei nuclei talamici sensomotori (SMTH). I dati in vitro consistono nell’attività elettrica registrata da organoidi cerebrali utilizzando un Microelectrode Array. Il framework proposto implementa la teoria bayesiana insieme ai Mixture Models per stimare la probabilità di occorrenza di spike a certe latenze dall’inizio dello stimolo elettrico. La goodness of fit dei modelli è stata valutata mediante il test di Kolmogorov-Smirnov. La caratterizzazione ottenuta è stata testata applicando metodi di Machine Learning per la decodifica dell’intensità dello stimolo (intensità bassa vs alta) e la classificazione della regione cerebrale (Corteccia MO, corteccia SS e SMTH ) a cui appartengono i neuroni in base alla loro risposta allo stimolo. Nello scenario in vivo, il modello Random Forest ha ottenuto i punteggi f1 più elevati, raggiungendo il 92,86% per la decodifica dello stimolo e l’84,35% per la classificazione della zona cerebrale. Nello scenario in-vitro, il Tree Classifier ha raggiunto il punteggio f1 pari all’86,34% per la decodifica dell’intensità dello stimolo. Considerando i risultati promettenti di questa ricerca, ulteriori studi potrebbero contribuire a un approfondimento della comprensione dei meccanismi alla base delle risposte neurali evocate elettricamente, con possibili implicazioni sia nel campo della ricerca neuroscientifica che nelle applicazioni biotecnologiche.