Auf Graphen basierende Neurotechnologien für fortschrittliche neuronale Schnittstellen
@GrapheneAgenda
Höhepunkte
- Transparente Graphenelektroden-Arrays ermöglichen multimodale neuronale Schnittstellen.
- Graphen mit poröser Struktur hat eine hohe Ladungsinjektionskapazität und eine niedrige Impedanz.
- Graphen-Feldeffekttransistoren haben einen intrinsischen Verstärkungseffekt für ein hohes Signal-Rausch-Verhältnis.
- Chemische Sensoren aus Graphen haben eine niedrige Nachweisgrenze und reagieren schnell.
- Artefaktfreie Closed-Loop-Systeme auf der Basis von transparentem Graphen erleichtern kausale Untersuchungen neuronaler Schaltkreisfunktionen.
Zusammenfassung:
Zu verstehen, wie Neuronenpopulationen die Aktivitäten einzelner Neuronen in komplexe Verhaltensweisen umwandeln, ist eine der größten Herausforderungen der neurowissenschaftlichen Forschung.
Die derzeitigen Technologien zur Überwachung und Steuerung von Neuronen bieten jedoch keine ausreichende räumliche und zeitliche Auflösung, um die Funktionen neuronaler Schaltkreise zu entschlüsseln.
Aus diesem Grund wurden multifunktionale Neurotechnologien vorgeschlagen, die elektrische, optische und chemische Mess- und Stimulationsmodalitäten kombinieren, um die Auflösungsgrenzen zu überwinden. Die Forschung im Bereich der multifunktionalen Sonden hat die Nachfrage nach neuen Materialien für minimalinvasive chronische Schnittstellen zum Gehirn angeheizt.
Graphen hat sich in letzter Zeit als Material für neuronale Schnittstellen herauskristallisiert, das mehrere herausragende Eigenschaften wie optische Transparenz, Flexibilität, hohe Leitfähigkeit, Funktionalisierung und Biokompatibilität aufweist.
Die einzigartige Kombination dieser Eigenschaften in einem einzigen Materialsystem macht Graphen zu einer attraktiven Wahl für die multimodale Untersuchung neuraler Aktivitäten. In dieser Übersicht werden die jüngsten Fortschritte in der Graphen-basierten Neurotechnologie erörtert, verschiedene Ansätze hervorgehoben und neue Richtungen erörtert, die von den einzigartigen Eigenschaften von Graphen inspiriert sind.
Quelle, Publikation, 10.2016
https://www.sciencedirect.com/science/article/abs/pii/S2468451118300096