Research Article /
Free Access

 

Ingénierie des communications moléculaires intégrées aux nanotubes
de carbone dans les nanoréseaux de capteurs neuronaux

Saied M. Abd El-atty >< Konstantinos A. Lizos,Z.M. Gharsseldien,Amr Tolba,Zafer A.L. Makhadmeh
First published: 22 January 2018 ><  https://doi.org/10.1049/iet-nbt.2016.0150  ><  Citations: 2


Page internet originale   /   Visionner le PDF (en anglais)

 

Résumé

Il y a eu des progrès récents dans l'ingénierie des réseaux basés sur la communication moléculaire (MC) pour les applications nanomédicales. Cependant, l'intégration de MC avec des biomatériaux tels que les nanotubes de carbone (NTC) présente divers défis de recherche critiques. Dans cette étude, les auteurs ont envisagé d'intégrer un nanoréseau basé sur MC avec des CNT pour optimiser les performances du nanoréseau. Dans les réseaux de neurones, une réduction chronique de la concentration du neurotransmetteur acétylcholine (ACh) conduit éventuellement au développement de maladies neurodégénératives ; par conséquent, ils ont utilisé des NTC comme interrupteur moléculaire pour optimiser la conductivité de l'ACh soutenue par le MC artificiel. De plus, MC permet la communication entre les neurones émetteurs et les neurones récepteurs pour affiner le taux de libération d'ACh en fonction de la concentration de rétroaction d'ACh. Par la suite, ils ont proposé un schéma de rétroaction min/max pour affiner le débit attendu et l'efficacité de transmission ACh. À des fins de démonstration, ils ont déduit des formulaires analytiques pour les schémas proposés en termes de débit, de taux de trafic encourus et de retard moyen des paquets.


Aller directement aux conclusions

1 Introduction

Parallèlement à la propagation rapide des nanoréseaux basés sur la communication moléculaire (MC), considérés par beaucoup comme n'en étant qu'à leurs balbutiements, des progrès récents ont été réalisés dans le développement de biomatériaux basés sur la nanotechnologie tels que les nanotubes de carbone (NTC) à utiliser en neurosciences. Un accent particulier a été mis sur les applications nanobiomédicales et les systèmes de délivrance de médicaments ciblés (DDS), dans le but d'utiliser les MC et les CNT à des fins thérapeutiques et de résoudre les problèmes cognitifs dans le nanoréseau nerveux intra-corporel [1]. Cependant, leur utilisation peut être confrontée à des défis de conception et à de sérieux risques pour les applications in vivo. Dans cette étude, nous avons étudié l'assimilation de MC dans les NTC pour améliorer les performances de communication des nanoréseaux. Nous avons illustré le développement de la bio-nanotechnologie et des biomatériaux neuronaux artificiels, en particulier les NTC, et la possibilité de les intégrer dans des systèmes biologiques pour créer un système MC. En outre, nous avons tenté de construire théoriquement un nanoréseau MC artificiel intégré.

MC est actuellement considéré comme une approche prometteuse pour transmettre des informations dans le nanoréseau intra-corporel. Une nanomachine est un élément du nanoréseau qui facilite les opérations désignées, par ex. traitement, actionnement, logique et détection [2]. De plus, les nanomachines ont la capacité d'échanger des informations lorsqu'elles sont interconnectées au moyen de MC [3]. Un nanoréseau intra-corporel simple peut être réalisé en connectant un groupe de nanomachines artificielles/synthétiques ou biologiques pour effectuer des tâches et des fonctions complexes dans le corps humain, telles que le diagnostic et le traitement biomédicaux, ou la transduction de signaux neuronaux et le contrôle neuronal [4]. Nous avons récemment étudié les effets moléculaires d'un tel système sur la structure électronique d'une nanomachine dans le contexte des performances d'un nanoréseau à base de MC [5]. Des études récentes ont illustré les avancées les plus récentes dans le domaine des nanoréseaux basés sur MC [6-8].

L'utilisation des nanotechnologies dans les neurosciences modernes a permis des stratégies thérapeutiques régénératives en exploitant les interactions directes ou spécifiques entre les cellules biologiques et les nanomatériaux synthétiques. Dans cet article, les caractéristiques et les dimensions à l'échelle nanométrique des NTC facilitent l'interaction moléculaire entre les cellules vivantes, y compris les neurones [9, 10]. Par conséquent, des études expérimentales sur les conducteurs CNT à base de MC ont été menées [11], et une interconnexion moléculaire stable basée sur un commutateur pour coupler des molécules et des CNT a été proposée [12]. De plus, les NTC offrent une nouvelle alternative aux molécules thérapeutiques vis-à-vis des MC dans le nanoréseau intra-corporel humain [13, 14]. Récemment, Malak et Akan [15] du Laboratoire de la prochaine génération et des communications sans fil ont fait des progrès dans les méthodes de traitement inspirées des technologies de l'information et de la communication (TIC) pour les maladies neuronales en utilisant des NTC capables de reconnaître la libération de molécules de neurotransmetteurs dans le système intra-utérin. -nanoréseau nerveux du corps. De plus, Akan et al. [16] ont exploré la possibilité d'appliquer les TIC dans un nanoréseau moléculaire intra-corporel pour le traitement et le diagnostic des maladies malignes. Ils ont conclu que l'adoption d'une approche basée sur les TIC profite au développement de DDS intelligents pour le traitement de la maladie d'Alzheimer, de la maladie de Parkinson et de diverses maladies cardiaques.
 

2 Travaux et contributions connexes

En règle générale, dans les systèmes nerveux, les neurones émettent des pointes électriques, appelées potentiels d'action (PA) qui sont responsables de la libération de molécules de neurotransmetteurs d'acétylcholine (ACh) qui se propagent dans l'axone. La stimulation externe déclenche la communication entre le cerveau et différentes parties du nanoréseau nerveux. Dans un tel nanoréseau, le cerveau permet des modifications de l'excitabilité neuronale, stimule la plasticité synaptique et la transmission synaptique, et gère l'AP des neurones en fonction de la variation des neurotransmetteurs ACh [17]. L'ACh facilite la réaction ou la rétroaction des réseaux de neurones dans diverses sections du cerveau, faisant de la modulation cholinergique un mécanisme crucial sous-jacent aux comportements complexes. Des recherches récentes utilisant la spectroscopie Raman ont confirmé l'adsorption des molécules d'ACh sur les NTC [14]. Ce système délivre efficacement l'ACh aux neurones via l'axoplasme des neurites et améliore les effets de la maladie d'Alzheimer [18], et il est considéré comme la première étape vers des nanoporteurs pour l'administration de médicaments au système nerveux central (SNC). Par la suite, les CNT ont été utilisés comme système de délivrance pour le traitement des pathologies du SNC en fonction de leurs caractéristiques structurelles, et la modification chimique des CNT a également été décrite [19]. La barrière hémato-encéphalique présente un défi pour l'administration de médicaments au cerveau. Cependant, des études récentes ont rapporté le déploiement réussi de NTC fonctionnalisés pour délivrer des médicaments ou des gènes au cerveau [20-22]. Des preuves à l'appui de l'utilisation des NTC dans la régénération des neurones ont été rapportées dans [23, 24].

Fait intéressant, une biopuce multi-électrodes (MEA) à base de CNT a été développée [25] pour mesurer les concentrations de neurotransmetteurs, tels que la dopamine, et les réponses électrophysiologiques, telles que les PA. Cette biopuce facilite l'investigation en temps réel des activités présynaptiques et postsynaptiques et joue donc un rôle important dans le traitement de l'information dans le réseau de neurones. Dans le même contexte, il a été démontré que les NTC renforcent l'efficacité de la transmission du signal entre le cerveau et le système nerveux [26]. Cependant, des rapports récents [27-29] ont montré que dans certaines circonstances, l'AP peut se propager vers les dendrites. Ce phénomène de rétropropagation neuronale peut influencer le taux de libération de l'ACh et provoquer une transmission fluctuante de l'ACh. Cela affecte la diffusion de l'ACh sur le neurone postsynaptique et par conséquent, la probabilité de transmission. Dans cette étude, nous exprimons cette fluctuation de la transmission de l'ACh comme le nombre de molécules d'ACh traitées par les récepteurs post-synaptiques par unité de temps, c'est-à-dire le débit. Violoncelle et al. [27] ont proposé « l'hypothèse électronique » pour expliquer les interactions entre les NTC et les neurones. Ces auteurs ont développé un mécanisme pour étudier l'effet des CNT sur l'efficacité de la transmission du signal neuronal dans les réseaux de neurones cultivés et ont découvert que la rétropropagation de l'AP peut être améliorée par interaction avec les CNT. De plus, certains auteurs [30, 31] ont proposé un réseau neuronal artificiel basé sur le système MC dans lequel ils ont conçu des protocoles de programmation de transmission et une interface entre la bio-nanomachine et les neurones pour faciliter l'initiation de la signalisation et réduire la possibilité d'interférences.

Ainsi, les développements de la bionanotechnologie et l'ingénierie des nanomachines biologiques permettent de communiquer avec les systèmes biologiques au niveau moléculaire en créant une interface entre les nanomachines artificielles ou biologiques et le réseau de neurones.

Notre schéma proposé s'appuie sur des expériences / mesures approfondies réalisées par les auteurs [25, 27, 31] et développe davantage le travail fascinant de Nakano et al. [32] qui ont proposé des schémas de contrôle du taux de libération pour le MC basé sur DDS. La contribution majeure de cette dernière étude a été la proposition d'assimiler les MC aux NTC pour optimiser la conductivité de l'ACh dans le réseau de neurones artificiels. Cette approche a amélioré l'efficacité de la transmission du signal neuronal, comme indiqué dans [27]. Les neurones émetteurs (TN) et les neurones récepteurs (RN) soutenus par une biopuce CNT-MEA [25] montrent une communication améliorée. Par conséquent, nous proposons un commutateur moléculaire, à savoir une porte logique XOR basée sur CNT qui permet un réglage fin du taux de libération de TN ACh en fonction de la concentration de rétroaction de ACh renvoyée par le RN. Pour ce faire, nous avons exploité les aspects de conception d'une interface neuronale à l'aide d'un nanocapteur [31] capable d'initier la signalisation neuronale et permettant d'optimiser le protocole de programmation de la transmission neuronale. Par la suite, nous avons utilisé un schéma de taux de libération basé sur Min/Max qui prend en compte la concentration d'ACh et peut fonctionner en plus du protocole pour compenser la transmission d'ACh. En résumé, les principaux objectifs de cette étude étaient les suivants :

  • Concevoir un système de diffusion basé sur MC dans un réseau de neurones artificiels pour atteindre le débit et l'efficacité de la transmission moléculaire.

  • Intégrer le MC dans les CNT en exploitant les caractéristiques des CNT et du MC pour optimiser les performances du nanoréseau moléculaire artificiel.
  • Utiliser la théorie cinétique enzymatique pour développer des schémas de contrôle de la vitesse de libération moléculaire.

  • Développer un modèle épidémiologique sensible-infecté-récupéré (SIR) de propagation de la maladie.

  • Analyser les performances du nanoréseau en termes de délai moyen de livraison et de débit de trafic encouru.

Le reste de cet article est structuré comme suit. Les descriptions de système, couvrant les processus de transmission, de propagation et de réception dans le nanoréseau technique basé sur MC, sont présentées dans la section 3 ; les applications des NTC en nanomédecine sont présentées dans la section 4 ; l'intégration des CNT et MC et le schéma de contrôle de rétroaction min/max proposé sont décrits dans la section 5 ; la performance du nanoréseau proposé est explorée dans la section 6 ; les résultats de l'analyse numérique effectuée par comparaison sont présentés dans la section 7 ; et dans la section 8, nous tirerons des conclusions utiles et délimiterons des orientations pour les travaux futurs.
 

3 Description du système MC conçu

Cette section présente un système MC conçu pour le nanoréseau neuronal artificiel proposé, qui comprend la transmission synaptique, la diffusion et la réception basée sur la réaction cinétique enzymatique, ainsi que la dérivation du débit de transmission moléculaire de la limite supérieure

3.1 Synaptic communication

Dans un nanoréseau nerveux, la communication neuronale est réalisée au niveau des synapses, qui sont des jonctions biologiques par lesquelles le signal neuronal peut être transféré entre les neurones ou vers d'autres cellules, comme les cellules musculaires [33]. En d'autres termes, la synapse est le site d'apposition fonctionnelle entre deux cellules, où le TN (c'est-à-dire le neurone présynaptique) convertit le signal électrique en un signal chimique qui est libéré dans la fente synaptique pour se propager et éventuellement se lier aux récepteurs situés sur le membrane du RN (c'est-à-dire neurone postsynaptique). Comme l'illustre la figure 1, le neurone se compose principalement de trois parties fonctionnelles : le soma (corps cellulaire), les dendrites et l'axone. La pointe électrique est générée à partir du soma uniquement lorsque le potentiel est supérieur à une valeur seuil. Ces pointes se déplacent entre le SNC et les différentes parties du corps. Les dendrites et les axones sont des débouchés s'étendant du soma. Les dendrites et le soma permettent au neurone de recevoir des signaux d'autres neurones, tandis que les axones transmettent le signal à d'autres neurones. Dans cet article, une collection de neurones à la sortie de l'axone appelée nerf agit comme un nœud intermédiaire entre le cerveau et les cellules ciblées. Ainsi, le cas échéant, des dommages surviennent au nerf, la communication entre le soma et les cellules cibles est interrompue et le neurone est incapable d'envoyer efficacement le signal. Par conséquent, le SNC est capable de contrôler et de connecter d'autres parties du corps via les circuits neuronaux, qui sont formés par les synapses du SNC [16].
 

Fig. 1  (Synaptic communication)

L'ACh est un neurotransmetteur naturel ; il fait partie du système nerveux cholinergique et est responsable des activités nerveuses de haut niveau, y compris l'apprentissage, la mémoire et la pensée [18, 35, 36]. La procédure biologique associée à la synthèse, au stockage, à la réaction du récepteur et à la terminaison de l'ACh a été résumée [37]. Les molécules d'ACh sont principalement stockées dans des vésicules, comme le montre la Fig. 1. Une arrivée AP au niveau de la cellule présynaptique entraîne la libération d'ACh sur la base d'une probabilité "a priori". Nous avons modélisé la libération de vésicules en tant que génération de paquets dans le canal, ce qui fait référence à la conversion des pics continus en séquence de paquets dans la communication neuro-spike [5]. Par conséquent, les molécules d'ACh sont propagées par le neurone présynaptique dans la fente synaptique. Par la suite, la diffusion de l'ACh ciblant le neurone postsynaptique est déclenchée. Les molécules d'ACh se lient ensuite à des récepteurs spécifiques sur le neurone cible via un mécanisme récepteur-ligand [34]. Cette liaison ouvre un canal ionique sur le neurone postsynaptique, permettant le flux d'ions dans ce neurone. Nous avons étudié la transmission synaptique et le traitement de l'information basés sur la communication neuro-spike dans les réseaux de neurones dans des études précédentes [5, 38, 39].

3.2 Diffusion basée sur MC

Nous avons considéré un sous-nanoréseau du système nerveux analogue au nanoréseau intra-corporel proposé précédemment [15], qui consiste en un certain nombre de neurones capables de collecter et de transmettre des informations entre différentes parties du nanoréseau. La communication entre les neurones commence lorsque les AP se déplacent des neurones présynaptiques aux neurones postsynaptiques via la fente synaptique [40]. Par conséquent, un modèle de nanoréseau est envisagé comme une communication entre TN et RN, dans lequel l'émission et la réception de molécules agissent comme des signaux de communication. De plus, nous avons envisagé l'utilisation de neurones cultivés sur un substrat de CNT au moyen de la nanotechnologie pour améliorer la connectivité neuronale et augmenter l'efficacité des réponses synaptiques, comme indiqué dans [27].
Pour concevoir un nanoréseau MC complet à l'échelle nanométrique pour les (bio-) nanomachines biologiques, nous avons envisagé un scénario hypothétique simple comprenant un certain nombre de bio-nanomachines, dans lequel Nn représente le nombre de nanoporteurs. Ces bio-nanomachines transportent des molécules d'ACh dans le nanoréseau proposé. Par conséquent, nous utilisons indifféremment les bio-nanomachines et les molécules d'ACh dans cet article. Pour la transmission d'informations, l'émission de molécules d'ACh a lieu instantanément via le déclenchement d'un pic AP, et ainsi, les TN génèrent un certain nombre de molécules d'ACh avec un taux de libération de R in (molécules/s). Par conséquent, le signal moléculaire est codé dans différents modèles de rafales de molécules d'ACh en utilisant une simple signalisation ON/OFF keying (OOK) ou un canal Z symétrique binaire [5]. Outre la simplicité du schéma OOK, il convient à la conception de nanorécepteurs dans laquelle la réception ACh est similaire à la fermeture ou à l'ouverture de la porte du canal ionique. Nous considérons que la taille de la rafale est constante et égale à l'intervalle de transmission, T s, qui dépend de la distance entre le TN et le RN et de l'emplacement du récepteur sur le RN.

Nous avons supposé ce qui suit : que les molécules d'ACh sont transmises en milieu aqueux ; que le taux de dégradation des molécules d'ACh (k d) dérive d'un environnement dynamique uniformément réparti dans le corps tel que celui provoqué par la présence d'autres molécules qui réagissent avec l'ACh ; pH; et la température et la pression ambiantes. De plus, nous avons supposé que les molécules d'ACh circulent en adhérence au mouvement brownien et suivent la loi de diffusion de Fick [32]

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0002(1)

où  urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0004  représente la concentration des molécules d'ACh en fonction du temps et r dimensions, D est le coefficient de diffusion, et l'opérateur différentiel laplacien est

pour  n dimensions.

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0006

En fait, nous étions intéressés à développer une expression sous forme fermée pour la concentration d'ACh à l'état d'équilibre, en commençant par urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0008 à distance d de la RN entraînant la transmission et la propagation.
Par conséquent, nous avons supposé que tous les TN étaient à l'origine de urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0010 et toutes les RNs doivent être placés à d (>0). Par conséquent, la distance entre les TNs et les RNs est donnée comme la distance moyenne, d [32], et  urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0012 est donné par

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0014(2)

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0016

Le MC se produit entre des groupes de TN et de RN, comme illustré à la Fig. 2 a, chaque TN étant capable de transporter des molécules d'ACh qui se propagent dans le milieu. Les récepteurs au RN réagissent chimiquement avec les molécules d'ACh qui diffusent à travers le milieu et produisent ainsi un autre type de molécule (P) dans un processus analogue à un processus cinétique enzymatique (c'est-à-dire que l'ACh est un substrat/réactif et que P est la réaction produit). Si le RN n'est pas capable de réagir complètement, une partie de l'ACh restera dans le milieu et finira par se dégrader, contribuant ainsi aux pertes, comme décrit plus loin. Par conséquent, lors de la transmission d'une salve d'ACh, c'est-à-dire lorsque chaque TN transmet instantanément R dans  × T s molécules au début de tout intervalle de temps indépendant (T s), l'ACh transmise diffuse dans le milieu par mouvement brownien et peut se dégrader à un taux fixe (k d) comme illustré en (2). En conséquence, la contribution des molécules d'ACh transportées au temps jT s, j ∈{0, 1, 2,…} à la concentration surveillée à distance d, notée Qj (d, t), est donnée par [32]


urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0018
(3)

où Nn désigne le nombre de nanomachines transportant l'information.

Fig.2 ( ACh MC-based neural network)

(a) Modèle de système simplifié, (b) Contribution des molécules d'ACh transportées aux intervalles de temps T 1–3


La figure 2b illustre l'impact de (3), qui indique la dégradation de la concentration d'ACh sur une longue durée (t) à différents intervalles de temps (Ts) en fonction de la distance de séparation (d) entre le TN et le RN. Pour une période infinitésimale δT s, la concentration d'ACh à d et au temps t  = jT s est l'accumulation de toutes les molécules d'ACh transmises pendant 0–t, et peut être exprimée comme suit :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0020(4)

En substituant (2) à (4), on obtient

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0022(5)

Une solution d'approximation de (5) est fournie par Nakano et al. [32], comme suit :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0024(6)

L'équation (6) révèle que la concentration Q (d, t) dépend principalement du taux de transmission R in (molécules/s) et du nombre de bio-nanomachines (Nn) transportant l'information. De plus, il est fonction des paramètres du système, tels que le taux de dégradation (k d), le coefficient de diffusion (D) et la distance moyenne (d). Nous avons numériquement résolu (6) pour déterminer la concentration Q (d, t) à la distance d et au temps t, comme illustré à la Fig. 3, dans laquelle Q (d, t) est tracé en fonction du temps t pour différentes valeurs de k d et les paramètres du système indiqué. L'effet de k d sur la concentration transmise est évident. Après qu'un temps suffisamment long s'est écoulé (t →∞) à partir du moment où le TN commence à transporter les molécules d'ACh, la concentration d'ACh atteint l'état d'équilibre. Par conséquent, en remplaçant t →∞ dans (6), la concentration à l'état d'équilibre des molécules d'ACh à distance d résultant du processus de transmission peut être exprimée sous la forme suivante :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0026(7)

Fig.3 (ACh MC-based neural network)

3.3 Processus de réception

Le processus de réception se produit via un mécanisme ligand-récepteur. Comme décrit ci-dessus, l'ACh est responsable de la transmission synaptique ; ainsi, l'ACh, agissant comme ligand, active le récepteur, établissant ainsi le mécanisme ligand-récepteur. Nous avons supposé que le neurone postsynaptique avait un certain nombre Nr de récepteurs postsynaptiques (par exemple, des récepteurs nicotiniques), chacun ayant un volume v. L'ACh est hydrolysée enzymatiquement en choline et en acide acétique par l'acétylcholinestérase (AChE) dans la synapse, et les activités enzymatiques sont principalement dépensées sur ACh entrant. Cependant, la transmission synaptique dans un nanoréseau nerveux peut être perturbée par des agents neurotoxiques, qui sont des composés chimiques organophosphorés qui inhibent l'AChE [41]. Cela signifie que les inhibiteurs de l'AChE relâchent le taux de dégradation et permettent à plus d'ACh de se lier aux récepteurs postsynaptiques. Par conséquent, nous exploitons la théorie de la cinétique enzymatique pour obtenir une expression sous forme fermée pour le débit de la limite supérieure, comme illustré dans (13).

Pour le moment, nous avons exprimé la vitesse de réaction globale en multipliant le volume du récepteur, v et la vitesse de réaction chimique, Ω(.) (qui est en fait une fonction de la concentration d'ACh à distance d) à l'état d'équilibre à la RN comme R out (ré):

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0028(8)

Les molécules d'ACh se lient aux récepteurs à la surface du RN et sont transformées en complexes liés P par une série d'étapes analogues à la réaction enzymatique. Par la suite, l'ACh est libérée en fonction du taux de liaison inverse (k r) et sa formulation chimique dépend du taux de liaison directe (k f) en fonction de la cinétique de la réaction. Cette réaction est exprimée par [42]

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0030(9)

où ACh et E (c'est-à-dire les récepteurs ACh sur les RN) interagissent pour former un complexe C (ACh–E). C est séparé en ACh et E ou est converti en P (produit) et E. Par conséquent, la vitesse de réaction chimique au RN pour un seul site de liaison, (le nombre de molécules d'ACh réagissant par unité de volume) peut être exprimée sous la forme d'un hyperbolique fonction [43]

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0034(10)

où V max est la vitesse de réaction maximale et est la moitié de la concentration d'ACh. Notamment, la vitesse de réaction chimique, pour un récepteur avec plusieurs sites de liaison (n) peut être exprimée par une fonction sigmoïde comme suit :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0040(11)

Après que les molécules d'ACh ont été reconnues par un récepteur post-synaptique, certaines sont propagées dans la fente synaptique [17]. Par conséquent, nous nous sommes intéressés à évaluer le nombre de molécules d'ACh qui réagissent avec les récepteurs par unité de temps (défini comme le débit). La transmission en régime permanent révèle que urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0042 (i.e. urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0044). Par conséquent, urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0046 in (11) est une fonction croissante et peut être utilisée pour développer une expression pour le débit de la limite supérieure, thmax [32]

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0048(12)

En utilisant (11) et (7), le débit limite supérieur (thmax) dans (12) est déduit comme

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0050(13)

De plus, l'efficacité de transmission (E) peut être calculée en divisant thmax par le nombre total de molécules d'ACh transmises par unité de temps. En complément du calcul précédent, l'efficacité de la limite supérieure (E max) est donnée par

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0052(14)

Il est important de calculer le débit et l'efficacité de la transmission de l'ACh car l'ACh joue un rôle crucial dans le système nerveux périphérique lors des mouvements musculaires et dans le SNC, où on pense qu'il affecte l'apprentissage et la mémoire [18, 35, 36]. En conséquence, le débit et l'efficacité sont considérés comme des mesures pharmacologiques prometteuses de la transmission des molécules d'ACh, en particulier dans les DDS. Nous avons numériquement résolu les équations ci-dessus pour montrer les performances du débit de transmission et de l'efficacité par rapport au débit de transmission (R in), comme illustré à la Fig. 4. Nous avons constaté que le débit de transmission augmentait à mesure que le débit de transmission augmentait, et l'efficacité de transmission était très sensible au débit de transmission, en particulier aux faibles valeurs. Fait intéressant, l'efficacité des molécules d'ACh était conforme aux résultats antérieurs sur les performances des pointes (AP) dans les réseaux de neurones artificiels à base de MC [31] et les neurones en cluster dans les CNT [27].
 

Fig.4 (Transmission throughput and efficiency of ACh in the proposed nanonetwork)
 

3.4 Analyse de propagation

Nous avons précédemment étudié un paradigme de MC parmi les nanomachines basé sur un mécanisme de collision/adhésion [5]. Nous avons prouvé que, lors d'une collision, l'adhésion est réalisée, permettant l'échange d'informations entre les nanomachines. Une transmission réussie est obtenue en utilisant le paradigme de communication neuro-spike [5]. Dans le modèle de système proposé, nous avons appliqué un modèle de propagation comprenant un seul paquet d'informations généré par le TN, qui est utilisé pour modéliser la distribution d'une maladie infectieuse. Dans les schémas de propagation de maladies épidémiques basés sur le modèle SIR standard [5], un seul paquet est propagé conformément à la discipline du report de stockage. Dans ce contexte, nous considérons que le paquet unique d'informations est analogue à la molécule d'ACh, qui est libérée d'une vésicule. De plus, dans le réseau proposé, la propagation de l'ACh est affectée par divers facteurs environnementaux, tels que le pH, la température, la viscosité du milieu et la distance entre le TN et le RN [20, 32]. Par conséquent, nous devons prendre en compte l'interaction des molécules d'ACh au RN, c'est-à-dire le débit de transmission maximal (thmax).

Comme mentionné précédemment, nous avons noté le nombre total de bio-nanomachines comme Nn ; leur but est de transporter les molécules d'ACh dans le nanoréseau. De plus, Td est une variable aléatoire définie comme le temps écoulé depuis la libération de la molécule d'ACh par le TN jusqu'au moment où le paquet est reçu par le RN. Alignés sur le modèle SIR [5], s (t), i (t) et r (t) représentent respectivement le nombre de nanomachines suspectées, le nombre de nanomachines infectées et le nombre de nanomachines récupérées au temps t. Ainsi, le taux de transition vers l'état i peut être déduit comme β  ×  s  ×  i, alors que le taux de transition sortant d'un état i donne γ  ×  i. β représente le taux de propagation des paquets entre les nanomachines avec un débit de transmission thmax, et γ indique le débit avec un débit de transmission thmax auquel les nanomachines infectées sont récupérées. De plus, nous avons adopté le paradigme MAMNET et les découvertes précédentes [5, 44] dans le cadre du processus de propagation pour évaluer les paramètres β et γ en tenant compte du débit de transmission ACh comme suit :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0054(15)

où C ni et C nn désignent le taux de collision pour la nanomachine et la nanomachine infectée, et le taux de collision entre deux nanomachines, respectivement. P a et P t représentent respectivement la probabilité d'adhésion et la probabilité de transmission réussie. Les expressions extrapolées de ces paramètres ont été dérivées sur la base de la structure électronique moléculaire du neurotransmetteur ACh et des paramètres d'un système de communication neuro-spike [5].
 

4 NTC dans les applications de nanomédecine

Les NTC sont un nanomatériau émergent entièrement composé d'atomes de carbone disposés en anneaux benzéniques. Les anneaux sont combinés avec des feuilles de graphène qui sont enroulées pour former des cylindres lisses. Il existe deux principaux types de NTC : à paroi unique et à paroi multiple, qui ont tous deux été étudiés de manière intensive [45]. Les NTC sont généralement synthétisés en fonction de la structure et de l'application souhaitées. Leurs caractéristiques chimiques et physiques, telles qu'un rapport d'aspect élevé et une conductivité électrique/thermique élevée, rendent les NTC utiles pour des applications en nanomédecine.
De nouvelles utilisations des NTC dans le domaine des bionanotechnologies ont récemment émergé. L'utilisation des NTC pour la détection et la thérapie des maladies a suscité de grandes attentes. Par conséquent, les NTC constituent des solutions intéressantes pour les neurosciences et l'ingénierie tissulaire, en particulier la croissance des tissus neuronaux et ligamentaires pour les interventions de régénération du SNC (par exemple, le cerveau et la moelle épinière) et à des fins orthopédiques [46]. De plus, les NTC peuvent être utilisés comme composants de bloqueurs de canaux ioniques et de biocapteurs de protéines et d'ADN en parallèle avec des bioséparateurs et des biocatalyseurs [32]. De plus, les surfaces des NTC peuvent être modifiées avec un revêtement de nanomatériau, annonçant la prochaine génération de biocapteurs et de dispositifs bioélectroniques utilisés dans les applications biomédicales et améliorant les performances des nanotechnologies existantes [47]. De plus, des systèmes de transport moléculaire basés sur l'interaction chimique entre la paroi du NTC et la molécule encapsulée dans le NTC ou sur la translocation à travers la membrane cellulaire et la solubilisation ont été conçus [48, 49]. Les résultats expérimentaux [50] ont révélé l'utilité des NTC à paroi unique en tant que supports dans des formulations pharmacologiques pour le traitement des maladies des voies peptiques ainsi que l'intégration réussie des NTC avec des biomolécules. L'incorporation de biomolécules au sein des NTC permet leur utilisation dans des systèmes de communication hybrides comme transistors à effet de champ actifs et biocapteurs électrochimiques (enzymatiques, ADN ou immuno-capteurs). De plus, une nanomachine pour remplir les fonctions de base d'une synapse biologique dans un réseau de neurones a été fabriquée [51]. En conséquence, les NTC ont été utilisés dans les systèmes nerveux intra-corporels pour sonder et suivre le comportement cellulaire et pour améliorer la matrice tissulaire [51].
 

5 Intégration de MC et de CNT

L'objectif principal de cette étude était de faire la lumière sur l'intégration des MC et des NTC pour améliorer les performances des nanoréseaux intra-corporels, tels que le système nerveux. Nous avons exploité la technologie MC et les fonctionnalités des NTC pour proposer un schéma d'assimilation. Le schéma proposé permet d'augmenter ou de diminuer la transmission de signalisation entre les TN et les RN en utilisant MC parmi les nanomachines. De plus, les extrémités des neurones sont équipées d'une puce CNT-MEA à des fins d'interconnexion sans fil pour obtenir une communication fiable entre deux neurones. Au niveau moléculaire, nous envisageons que les NTC soient intégrés dans une porte XOR pour agir comme un interrupteur pour contrôler la concentration des molécules transmises. Pour ce faire, nous proposons des schémas de contrôle de rétroaction min/max pour ajuster le taux de transmission dans le nanoréseau du système nerveux intra-corporel.
 

5.1 Scénario proposé : schéma d'assimilation

Dans les réseaux neuronaux, le cerveau modifie l'activité des neurones à l'aide de neurotransmetteurs ; par conséquent, la communication entre les neurones présynaptiques (c'est-à-dire TN) et postsynaptiques (c'est-à-dire RN) est gérée par transmission synaptique. De plus, les neurones sont capables de réguler l'activité synaptique en utilisant des autorécepteurs sur le neurone présynaptique qui détectent le nombre de neurotransmetteurs dans le canal de communication (c'est-à-dire la fente); s'il y en a un nombre excessif, le neurone présynaptique diminue le taux de libération [52]. De même, les récepteurs postsynaptiques utilisent ce processus de régulation comme suit : lorsque le taux de libération du neurotransmetteur est inhabituel, la sensibilité ou les nombres des récepteurs postsynaptiques sont modifiés pour compenser. Les neurotransmetteurs non liés peuvent rester dans le canal de la fente et ne sont pas efficacement absorbés, entraînant une défaillance de la communication à travers une synapse. De plus, certaines enzymes annulent cette accumulation et cette hyperstimulation des neurotransmetteurs, influençant ainsi le taux de libération, et peuvent être impliquées dans des maladies qui affectent l'intellect [17]. Sur la base du mécanisme de régulation de l'activité synaptique, nous proposons un nouveau schéma pour améliorer la MC dans les réseaux de neurones utilisant des NTC, en nous appuyant sur des découvertes récentes [25, 27, 31]. De plus, nous avons envisagé le MC proposé pour permettre une signalisation accrue et réduite dans les réseaux de neurones.

Comme illustré sur la figure 5 a, nous considérons qu'un réseau neuronal est constitué de neurones cultivés sur un substrat CNT dans lequel MC tire parti des caractéristiques favorables des CNT. Les neurones présynaptiques et postsynaptiques sont équipés d'une puce CNT-MEA à des fins d'interconnexion sans fil pour obtenir une communication fiable. L'approche CNT-MEA est considérée comme non invasive et permet aux capteurs de s'interfacer avec les neurones, activant ainsi la signalisation entre les TN et les RN. Par conséquent, nous proposons un schéma de contrôle de rétroaction min/max pour ajuster le taux de libération des neurotransmetteurs comme expliqué dans la sous-section suivante.


Fig.5 (Proposed nanonetwork incorporating MC and CNTs)

(a) Cultured neural network-based CNT, (b) Graphical illustration of the proposed scheme

 

5.2 Schéma min/max basé sur le taux de libération

Les molécules de neurotransmetteur ACh sont libérées du TN et diffusent à travers la fente synaptique (le canal de communication) vers le RN dans le nanoréseau nerveux. Cependant, une perte de communication synaptique peut survenir parce que certaines de ces molécules sont perdues ou restent dans le canal, ou peuvent être affectées par des enzymes (par exemple, l'ACh est hydrolysée par l'AChE). De nombreux médicaments approuvés profitent de ce mécanisme pour lutter contre des maladies telles que la maladie d'Alzheimer et la myasthénie grave. La maladie d'Alzheimer endommage les récepteurs de l'ACh, entraînant une perte de mémoire, des sautes d'humeur et une dégénérescence du langage, et par conséquent, elle réduit la capacité du nanoréseau nerveux à améliorer la transmission de l'ACh. Inspirés par la réaction chimique et la cinétique enzymatique, nous avons imité ce scénario selon le modèle de système de MC et la détermination du débit de transmission moléculaire à la section 3. Nous avons supposé que le RN produit une rétroaction des molécules d'ACh, à savoir l'AChfb, qui fait référence à la perte molécules. Cela se produit en parallèle avec l'action RN, qui peut rompre la liaison chimique avec une vitesse de réaction de rétroaction, Ω([AChfb]), pour produire des molécules AChfb libres dans le canal de communication. Ce processus chimique peut être décrit comme suit [32] :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0056(16)

Les molécules d'ACh de rétroaction peuvent rester dans le canal de communication et se dégraderont probablement, entraînant une perte de molécules d'ACh. Par conséquent, l'efficacité de la transmission de l'ACh et son débit dans le système nerveux dépendent principalement de la concentration de rétroaction de l'ACh qui est libérée de la RN [32]. Cela affecte la propagation et la diffusion de l'ACh. Par la suite, le taux de transmission vers le neurone postsynaptique est directement affecté. Selon le contrôle du taux de transmission pour MC, qui exploite les schémas de rétroaction positive et négative [32], nous avons cherché à développer un nouveau schéma de taux de libération d'ACh en incorporant des CNT et des MC dans le nanoréseau proposé, en exploitant la technologie sans fil CNT-MEA. Un CNT-MEA au niveau du neurone postsynaptique (RN) permet au neurone présynaptique (TN) de contrôler le nombre de neurotransmetteurs en fonction des activités de rétroaction de l'ACh. Par conséquent, notre objectif était de modéliser MC entre les TN et les RN sur la base de NTC induits artificiellement.
Pour ce faire, nous avons utilisé des aspects de conception [31] qui activent l'interface neuronale à l'aide d'un nanocapteur capable d'initier la signalisation neuronale et permettant d'optimiser la transmission entre les neurones. Par la suite, nous avons proposé un schéma de taux de libération basé sur min/max qui est conscient de la concentration d'ACh, qui peut fonctionner en plus de ce protocole. De manière analogue aux réseaux de communication, un débordement de tampon peut se produire au niveau du nœud récepteur si le nœud émetteur envoie des paquets à un débit supérieur au débit de réception. Dans les schémas que nous proposons, les schémas min et max sont analogues au contrôle par rétroaction négative et par rétroaction positive. Nous avons supposé que la concentration de rétroaction est toujours élevée, se référant au débordement de tampon. En conséquence, dans le schéma Min, TN diminue le taux de libération par opposition au schéma max, qui augmente le taux de libération. En adoptant le débit de transmission, le schéma max peut atteindre l'efficacité attendue tandis que le schéma min peut maintenir le débit.
 

Par conséquent, dans le schéma basé sur min, le TN diminue le taux de libération lorsque la concentration d'ACh de rétroaction est élevée. En d'autres termes, il diminue le taux de libération d'ACh et atténue l'augmentation du débit, thmax (13), et maintient ainsi le débit attendu. En revanche, dans le schéma basé sur max, le TN augmente le taux de libération lorsque la concentration d'ACh de rétropropagation est élevée. En variante, l'augmentation du débit de transmission entraîne une augmentation du débit et de l'efficacité. De plus, E max est calculé en divisant thmax par le taux de transmission (14), et ainsi le schéma basé sur max peut atteindre l'efficacité attendue en ajustant avec précision la concentration d'ACh. Pour illustrer le schéma proposé, nous avons décrit les CNT comme agissant comme un commutateur XOR entre les TN et les RN, comme illustré à la Fig. 5 b. En conséquence, le TN est capable d'adopter un taux de libération basé sur la concentration des molécules de rétroaction ACh à l'emplacement du TN (d  = 0) et le temps t comme suit : urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0058 Nous avons modélisé la concentration de rétroaction des molécules d'ACh en appliquant la théorie de la cinétique enzymatique et en adoptant les découvertes de Nakano et al. [32] pour les schémas de rétroaction positive et négative afin d'utiliser le taux de transmission (R in) de ACh. Nous avons désigné la concentration de rétroaction par AChfb et les molécules de rétroaction qui réagissent avec les TN ont été définies par Ω ([AChfb]). En utilisant l'expression dérivée de la réaction de rétroaction [32], Ω([AChfb]) peut être exprimé comme suit :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0060(17)

 où X 1, X 2, Y 1 et Y 2 sont les coefficients associés aux réactions entre les molécules de rétroaction TN et ACh. Z 1 et Z 2 sont des constantes de taux de fuite [32].

Nous avons modélisé la concentration de rendement des molécules d'ACh en appliquant la théorie de la cinétique enzymatique et en adoptant les découvertes de Nakano et al. [32] pour les schémas de flux positif et négatif afin d'utiliser le taux de transmission (R in) de l'ACh. Nous avons désigné la concentration de flux par AChfb et les molécules de flux qui réagissent avec les TN ont été définies par Ω ([AChfb]). En utilisant l'expression dérivée de la réaction de renvoi [32], Ω([AChfb]) peut être exprimée comme suit :

(18)


6 Analyse des performances du nanoréseau proposé

Dans cette section, nous présentons l'évaluation des performances des schémas min/max basés sur les nanoréseaux proposés. Pour atteindre cet objectif, nous avons étudié les performances du nanoréseau en adoptant le concept MAMNET [44] tout en tenant compte de la valeur attendue de thmax au RN. De plus, le taux de transmission dans le contexte de MAMNET est réalisé à travers trois phases traitables : collision, adhésion et probabilité de transmission réussie en termes de propagation (β) et de taux de récupération (γ). Par conséquent, nous avons analysé les mesures de performance telles que le délai moyen des paquets, le débit et le taux de trafic encouru lors de l'application du schéma basé sur le min/max proposé. Le retard de paquet moyen E [T d] a nécessité une livraison efficace des informations de paquet à l'échelle nanométrique des TN aux RN, et s'exprime comme suit [5] :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0064(19)

où rn et ri désignent respectivement les rayons de la bio-nanomachine et des récepteurs RN. Utilisation d'une fonction hypergéométrique
  urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0066, E [T d] est calculé comme suit [54] :

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0068(20)

Le débit moyen ( ) pour envoyer b bits de ACh est donné par

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0072(21)

De plus, le débit de trafic moyen encouru ( ) pour l'envoi de b bits d'ACh à RN est donné par [5]

urn:x-wiley:17518741:media:nbt2bf00363:nbt2bf00363-math-0076(22)


7 Résultats numériques

Dans cette section, nous présentons l'analyse des performances du nanoréseau proposé basé sur la nanotechnologie MC et CNT. Nous avons divisé cette section en deux sous-sections. Dans la première sous-section, nous avons évalué numériquement le débit (thmax) et l'efficacité (E max) résultant des processus de transmission, de propagation et de réaction chimique de l'ACh. thmax et E max ont été calculés en fonction du taux de libération R dans [(13) et (14)]. Ces équations tiennent compte des paramètres par défaut pour ce scénario désigné, qui sont répertoriés dans le tableau 1.

Table 1. Paramètres par défaut pour les simulations
Parameter Value
number of nanomachine receivers, Nr 5
number of nanomachines, Nn 10–100
volume, v 0.1 μm3
diffusion coefficient, D 1 μm2 /s
maximum reaction rate, V max 10 μm−3 /s
half of ACh concentration, V 1/2 10 μm−3
decay rate of ACh molecules, k d 0.1 s−1
number of binding sites, n 1–5
number of bits, b 8 bits
release rate, R in 0–100 s−1

Dans la deuxième sous-section, nous analysons les performances du nanoréseau proposé en utilisant le schéma de taux de libération basé sur min/max et nous comparons les performances des schémas de taux de libération basés sur min/max avec un schéma statique, pour un taux de libération fixe. . Parce qu'ils se produisent naturellement dans les systèmes neuronaux biochimiques, nous avons utilisé les paramètres typiques décrits dans la littérature [5, 32] dans notre simulation. Nous avons utilisé le code logiciel Matlab pour les simulations et adopté les paramètres par défaut répertoriés dans le tableau 1 [5].
 

7.1 Débit et efficacité de transmission ACh

Les figuures. 6 a et b montrent le débit (thmax) et l'efficacité (E max) des molécules d'ACh lorsque la vitesse de libération (R in) augmente de 0 à 100 s–1 pour différents nombres de récepteurs (Nr) et (Nn) de nanomachines , respectivement. Comme on pouvait s'y attendre, thmax et Emax augmentaient en valeur à mesure que Nr et Nn augmentaient, respectivement. Néanmoins, la principale observation de ces figures est l'influence de R in sur thmax et E max.


Fig.6 (ACh transmission performance)

(a) thmax against R in, (b) E max against R in


Comme démontré, thmax augmentait lorsque R in augmentait. Notamment, lorsque R in était relativement élevé, la concentration d'ACh au RN était augmentée et la vitesse de réaction au RN était relativement élevée. E max a augmenté lorsque R in a augmenté de 0 jusqu'à ce qu'il atteigne un pic, puis a progressivement diminué jusqu'à 0. Par conséquent, l'augmentation de R in conduit à une saturation de la réaction chimique au RN et à une détérioration conséquente de E max.
Nous pouvons conclure que, lorsque la vitesse de libération R in est suffisamment élevée, l'absorption des molécules d'ACh (c'est-à-dire la concentration) au RN est suffisamment élevée pour maintenir la vitesse de réaction maximale, c'est-à-dire que la limite supérieure du débit attendu (13) est remplie. D'autre part, selon (14), la borne supérieure de l'efficacité attendue est une fonction décroissante de R in. Cette association entre thmax et E max nous permet de déterminer avec précision le taux de transmission optimal dans un tel nanoréseau.
 

7.2 Performance du nanoréseau proposé

Nous avons analysé les performances du nanoréseau proposé sur la base des schémas min/max. À des fins de comparaison, nous avons étudié les performances du scénario de nanoréseau proposé pour un taux de libération statique d'ACh, à savoir le schéma statique. Dans ce cas, la concentration à l'état d'équilibre est obtenue avec (7). Les paramètres par défaut sont présentés dans le tableau 1. Nous avons étudié deux scénarios, comme illustré dans les sous-sections suivantes.

7.2.1 Effets des paramètres environnementaux
 

Dans ce scénario, nous avons évalué les performances du débit ACh (thmax) en fonction du coefficient de diffusion D et du taux de dégradation k d, qui représentent les paramètres environnementaux dans le schéma proposé. L'objectif était d'illustrer les effets des paramètres environnementaux sur le débit de transmission de l'ACh. Comme représenté sur les Fig. 7 a et b, lorsque D augmentait, thmax répondait de manière analogue (courbe concave vers le haut), tandis que thmax diminuait lorsque k d augmentait (courbe concave vers le bas) pour chaque simulation examinée. Notamment, de petites valeurs de D entraînent un mouvement limité des molécules d'ACh dans l'environnement et un nombre limité de molécules d'ACh reçues par le RN (c'est-à-dire un faible thmax) en raison d'un obstacle environnemental. Des valeurs élevées de D conduisent à une augmentation de thmax lorsque la diffusivité des molécules d'ACh dans le milieu est élevée. Physiquement, en observant k d provoqué par la réaction des molécules d'ACh avec d'autres molécules, la pression artérielle et la température ambiante, nous avons conclu que thmax culmine lorsque les effets de ces paramètres sont limités. Il est possible de tracer les résultats pour le schéma statique entre les schémas basés sur min et max. De plus, le schéma basé sur min a atteint un niveau de débit plus élevé que le schéma basé sur max, ce qui s'explique par le fait que la diminution du taux de libération d'ACh empêche une nouvelle augmentation du débit et maintient le débit attendu.

Fig.7 (ACh transmission performance)

(a) thmax against D, (b) thmax against k d


De plus, les graphiques révèlent que les schémas proposés peuvent être adoptés pour libérer les molécules d'ACh en fonction des conditions environnementales. Par exemple, en supposant un canal ou un environnement statique, la conception des bio-nanomachines peut être conçue dans le seul but de transmettre les molécules d'ACh au taux de transmission optimal, tandis que dans un environnement dynamique, une telle optimisation est dirigée de l'extérieur. En effet, l'intégration des MC et des NTC favorise l'optimisation autonome par les bio-nanomachines, ajustant le débit de transmission en fonction des conditions environnementales.

 

7.2.2 Performances métriques du nanoréseau proposé

Dans ce scénario, nous avons évalué les métriques de performance du réseau telles que le retard moyen des paquets, le débit et le taux de trafic encouru du nanoréseau proposé, comme illustré dans les Fig. 8a à c. Les paramètres par défaut pour ce scénario sont représentés sur la Fig. 8. Le retard de paquet moyen E [T d] pour la transmission ACh est représenté sur la Fig. 8 a. Le schéma basé sur min a remplacé le schéma basé sur max parce que le nombre de molécules d'ACh traitées par le RN par unité de temps était élevé, en supposant que le schéma basé sur min était utilisé, et donc, le débit attendu a été atteint. Cela a conduit à une diminution du délai moyen de livraison de l'ACh par rapport aux schémas statiques et basés sur le maximum. La diminution du délai de livraison de l'ACh au RN a produit un débit de nanoréseau élevé et un trafic induit, comme le montrent les Fig. 8b et c, respectivement. En effet, le nombre moyen d'ACh reçu par le RN est proportionnel au retard de livraison de l'ACh. En d'autres termes, plus le délai est court, plus le débit et le trafic généré sont élevés.
 

Fig.8 (Nanonetwork performance metrics)

(a) E [T d] against Nn, (b) thmax against Nn, (c) ρ itr against Nn

 

En résumé, notre analyse montre que les mesures de performance du réseau en termes de débit de transmission, de délai moyen et de trafic encouru peuvent être évaluées sur la base des schémas de contrôle de rétroaction proposés qui permettent aux bio-nanomachines d'adopter le taux de libération en fonction des molécules de rétroaction libérées. du RN causée par une réaction chimique avec des molécules d'ACh transmises par le TN. D'autre part, la variance du débit et de l'efficacité du nanoréseau dans un environnement dynamique peut être gérée en déployant les schémas de contrôle de rétroaction Min et Max. De plus, le schéma d'assimilation MC-CNT peut maintenir la robustesse du nanoréseau contre les variations environnementales, y compris le niveau de pH et la température.

8 Conclusions

L'optimisation de la conductivité des molécules d'ACh dans les nanoréseaux neuronaux pourrait fournir des systèmes nanomédicaux améliorés potentiellement utiles dans le traitement des maladies chroniques. En outre, le nanoréseau proposé, qui a été étudié en termes de débit de transmission moyen, de délai moyen et de taux de trafic acquis, ouvre la voie à une détection/diagnostic inspiré des TIC et à des techniques médicales innovantes. Sur cette base, les travaux actuels pourraient jeter les bases de futurs travaux en nanomédecine, conduisant à l'atténuation ou même au traitement des maladies neurodégénératives. Par conséquent, un tel nanoréseau pourrait être utilisé dans les interfaces cerveau-machine dans un avenir proche.

 

9 Reconnaissance

Les auteurs remercient le doyen de la recherche scientifique de l'Université King Saud d'avoir soutenu ce travail par le biais du groupe de recherche no (RGP-1438-27).
 

10 Références

  • 1Madani S.Y. Naderi N. Dissanayake O. et al.: ‘A new era of cancer treatment: carbon nanotubes as drug delivery tools’, Int. J. Nanomed.20116, pp. 2963 – 2979
  • 2Suda T. Moore M. Nakano T. et al.: ‘Exploratory research on molecular communication between nanomachines’. Proc. Genetic and Evolutionary Computation Conf. (GECCO'05)June 2005, pp. 1 – 4
  • 3Akyildiz I.F. Brunetti F. Blazquez C.: ‘Nanonetwork: a new communication paradigm’, Comput. Netw.200852, pp. 2260 – 2279
  • 4Nakano T. Eckford A. Haraguchi T.: ‘ Molecular communication’ ( Cambridge University Press, Cambridge, UK2013)
  • 5Abd El-atty S.M. Gharsseldien Z.M. Lizos K.A.: ‘Framework for single input single output nanonetwork-based realistic molecular communication’, IET Nanobiotechnol.20159, (6), pp. 331 – 341
  • 6Farsad N. Yilmaz H.B. Eckford A. et al.: ‘A comprehensive survey of recent advancements in molecular communication’, IEEE Commun. Surv. Tutor.201618, (3), pp. 1887 – 1919
  • 7Felicetti L. Femminella M. Reali G. et al.: ‘Applications of molecular communications to medicine: a survey’, Nano Commun. Netw.20167, pp. 27 – 45
  • 8Chahibi Y.: ‘Molecular communication for drug delivery systems: a survey’, Nano Commun. Netw.201711, pp. 90 – 102
  • 9Minnikanti S. Peixoto N.: ‘ Implantable electrodes with carbon nanotube coatings’, in J.M. Marulanda (Ed.): ‘ Carbon nanotubes applications on electron devices’ ( InTech, NewYork2011), ch. 6
  • 10Cipollone S.: ‘ Carbon nanotubes and neurons: nanotechnology application to the nervous system’, PhD thesis, Universitá degli Studi di Trieste, 2009
  • 11Guo X. Small J.P. Klare J.E. et al.: ‘Covalently bridging gaps in single-walled carbon nanotubes with conducting molecules’, Science2006311, (5759), pp. 356 – 359
  • 12Qian H. Lu J.-Q.: ‘Molecular electronic switch using carbon nanotube electrodes’, Phys. Lett. A2007371, pp. 465 – 468
  • 13Abidian M.R. Kim D.-H. Martin D.C.: ‘Conducting-polymer nanotubes for controlled drug release’, Adv. Mater.200618, (4), pp. 405 – 409
  • 14Zhang W. Zhang Z. Zhang Y.: ‘The application of carbon nanotubes in target drug delivery systems for cancer therapies’, Nanoscale Res. Lett.20116, pp. 555. doi: 10.1186/1556-276X-6-555
  • 15Malak D. Akan O.B.: ‘Communication theoretical understanding of intra-body nervous nanonetworks’, IEEE Commun. Mag.201452, pp. 129 – 135
  • 16Akan O.B. Ramezani H. Khan T. et al.: ‘Fundamentals of molecular information and communication science’, Proc. IEEE201699, pp. 1 – 13
  • 17Colovic M.B. Krstic D.Z. Lazarevic-Pasti T.D. et al.: ‘Acetylcholinesterase inhibitors: pharmacology and toxicology’, Curr. Neuropharmacol.201311, pp. 315 – 335
  • 18Zhang Y.G. Yang Z. Yang Y.L.A. et al.: ‘Pharmacological and toxicological target organelles and safe use of single-walled carbon nanotubes as drug carriers in treating Alzheimer disease’, Nanomedicine20106, (3), pp. 427 – 441
  • 19Wang J.T.-W. Al-Jamal K.T.: ‘Functionalized carbon nanotubes: revolution in brain delivery’, Nanomedicine201510, (17), pp. 2639 – 2642
  • 20Abbott N.J.: ‘Blood–brain barrier structure and function and the challenges for CNS drug delivery’, J. Inherit. Metab. Dis.201336, (3), pp. 437 – 449
  • 21Shityakov S. Salvador E. Pastorin G. et al.: ‘Blood-brain barrier transport studies, aggregation, and molecular dynamics simulation of multiwalled carbon nanotube functionalized with fluorescein isothiocyanate’, Int. J. Nanomed.201510, pp. 1703 – 1713
  • 22Kafa H. Wang J.T.-W. Rubio N. et al.: ‘The interaction of carbon nanotubes with an in vitro blood–brain barrier model and mouse brain in vivo’, Biomaterials201553, pp. 437 – 452
  • 23John A. Subramanian A.P. Vellayappan M.V. et al.: ‘Carbon nanotubes and graphene as emerging candidates in neuroregeneration and neurodrug delivery’, Int. J. Nanomed.201510, pp. 4267 – 4277, article A312
  • 24Tiwari J.N. Vij V. Kemp K.C. et al.: ‘Engineered carbon-nanomaterial-based electrochemical sensors for biomolecules’, ACS Nano201610, (1), pp. 46 – 80
  • 25Suzuki I. Fukuda M. Shirakawa K. et al.: ‘Carbon nanotube multi-electrode array chips for noninvasive real-time measurement of dopamine, action potentials, and postsynaptic potentials’, Biosens. Bioelectron.201349, pp. 270 – 275
  • 26Lovat V. Pantarotto D. Lagostena L. et al.: ‘Carbon nanotube substrates boost neuronal electrical signalling’, Nano Lett.20055, pp. 1107 – 1110
  • 27Cellot G. Cilia E. Cipollone S. et al.: ‘Carbon nanotubes might improve neuronal performance by favouring electrical shortcuts’, Nat. Nanotechnol.20094, pp. 126 – 133
  • 28Acker C.D. Antic S.D.: ‘Quantitative assessment of the distributions of membrane conductances involved in action potential backpropagation along basal dendrites’, J. Neurophysiol.2009101, (3), pp. 1524 – 1541
  • 29Brunner J. Szabadics J.: ‘Analogue modulation of back-propagating action potentials enables dendritic hybrid signalling’, Nat. Commun.20167, pp. 1 – 13
  • 30Suzuki J. Budiman H. Carr T.A. et al.: ‘Simulation framework for neuron-based molecular communication’, Procedia Comput. Sci.201324, pp. 103 – 113
  • 31Balasubramaniam S. Boyle N.T. Della-Chiesa A. et al.: ‘Development of artificial neuronal networks for molecular communication’, Nano Commun. Netw.20112, (2-3), pp. 150 – 160
  • 32Nakano T. Okaie Y. Vasilakos A.V.: ‘Transmission rate control for molecular communication among biological nanomachines’, IEEE J. Sel. Area Commun., Sup. Part 2, 201331, (12), pp. 835 – 846
  • 33Hormuzdi S.G.: ‘Electrical synapses: a dynamic signaling system that shapes the activity of neuronal networks’, Biochim. Biophys. Acta – Biomembranes20041662, (1-2), pp. 113 – 137
  • 34Galluccio L. Palazzo S. Enrico Santagati G.: ‘Characterization of molecular communications amongimplantable biomedical neuro-inspired nanodevices’, Nano Commun. Netw. J.20134, pp. 53 – 64
  • 35Noback C.R. Strominger N.L. Demarest R.J. et al.: ‘ The human nervous system structure and function’ ( Humans Press Inc., 2005)
  • 36Francis P.T.: ‘The interplay of neurotransmitters in Alzheimer's disease’, CNS Spectr.200510, pp. 6 – 9
  • 37Waymire J.C.: ‘ An electronic textbook for the neuroscience’, Neuroscience ( The University of Texas Medical School at Houston, Houston, USA1997)
  • 38Abd El-atty S.M. Gharsseldien Z.M.: ‘Influence of inter-nanoparticle interaction on nanonetworks-based molecular communications’, Int. J. Light Electron Opt.2016127, (5), pp. 2959 – 2968
  • 39Abd El-atty S.M. El-Taweel A. El-Rabaie S.: ‘Transmission of nanoscale information-based neural communication-aware ligand–receptor interactions’, Neural Comput. Appl., accessed 10 March 2017, DOI: 10.1007/s00521-017-2936-5, pp. 1 – 14
  • 40Pierobon M. Akyildiz I.F.: ‘Fundamentals of diffusion-based molecular communication in nanonetworks’, Found. Trends Netw.20148, (1-2), pp. 1 – 147
  • 41Sidell F.R.: ‘ Medical aspects of chemical and biological warfare’ ( Borden Institute, Walter Reed Army Medical Center, New York, NY1997), pp. 131 – 139
  • 42Smart J.L. Andrew McCammon J.: ‘Analysis of synaptic transmission in the neuromuscular junction using’, Biophys. J.199875, pp. 1679 – 1688
  • 43Keener J. Sneyd J.: ‘ Mathematical physiology I: cellular physiology’ ( Springer, Netherlands2008)
  • 44Guney A. Atakan B. Akan O.B.: ‘Mobile ad hoc nanonetworks with collision-based molecular communication’, IEEE Trans. Mob. Comput.201211, (3), pp. 353 – 366
  • 45Bianco A. Kostarelos K. Partidos C.D. et al.: ‘Biomedical applications of functionalised carbon nanotubes’, Chem. Commun.20055, pp. 571 – 577
  • 46Webster T.J. Waid M.C. McKenzie J.L. et al.: ‘Nano-biotechnology: carbon nanofibres as improved neural and orthopaedic implants’, IOP Nanobiotechnol.200315, (1), pp. 48 – 54
  • 47Vo-Dinh T.: ‘ Biomedical photonics handbook’ ( CRC Press, USA2003), 1872pp
  • 48Wang Q.: ‘Atomic transportation via carbon nanotubes’, Nano Lett.20089, pp. 245 – 249
  • 49Pantarotto D. Briand J.P. Prato M. et al.: ‘Translocation of bioactive peptides across cell membranes by carbon nanotubes’, Chem. Commun.20041, pp. 16 – 17
  • 50Ansón-Casaos A. Grasa L. Pereboom D. et al.: ‘In-vitro toxicity of carbon nanotube/polylysine colloids to colon cancer cells’, IET Nanobiotechnol.201610, (6), pp. 374 – 381
  • 51Kim K. Chen C.-L. Truong Q. et al.: ‘A carbon nanotube synapse with dynamic logic and learning’, Adv. Mater.201325, pp. 1693 – 1698
  • 52Engelman H.S. MacDermott A.B.: ‘Presynaptic ionotropic receptors and control of transmitter release’, Nat. Rev. Neurosci.20045, pp. 135 – 145
  • 53Credi A. Balzani V. Langford S.J. et al.: ‘Logic operations at the molecular level. An XOR gate based on a molecular machine’, J. Am. Chem. Soc.1997119, (11), pp. 2679 – 2681
  • 54Pearson J.: ‘ Computation of hypergeometric functions’, PhD thesis, University of Oxford, 2009

11 Littérature citée

Number of times cited according to CrossRef: 2

  • Efficient Framework Analysis for Targeted Drug Delivery Based on Internet of Bio-NanoThings, Arabian Journal for Science and Engineering, 10.1007/s13369-021-05651-246, 10, (9965-9980), (2021).
  • ISI‐mitigating modulation scheme using ion reaction for molecular communications, IET Nanobiotechnology, 10.1049/iet-nbt.2018.527213, 7, (674-681), (2019).

IET Nanobiotechnol., 2018, Vol. 12 Iss. 2, pp. 201-210 © The Institution of Engineering and Technology 2017