María Shanechi

Maryam M. Shanechi es una neuroingeniera estadounidense . Investiga métodos para decodificar la actividad cerebral y controlar interfaces cerebro-máquina . Fue reconocida como una de las innovadoras menores de 35 años por MIT Technology Review en 2014, una de las 10 científicas a seguir por Science News en 2019 y finalista nacional de los Premios Blavatnik para Jóvenes Científicos en 2023 y 2024. Es titular de la Cátedra Alexander A. Sawchuk y profesora de Ingeniería Eléctrica e Informática, Ciencias de la Computación e Ingeniería Biomédica en la Escuela de Ingeniería Viterbi de la USC , y miembro del Programa de Posgrado en Neurociencia de la Universidad del Sur de California .

Shanechi recibió su licenciatura en ingeniería de la Universidad de Toronto en 2004. ^{[ 1 ] [ 2 ]} Luego se trasladó al MIT , donde completó su maestría en ingeniería eléctrica y ciencias de la computación en 2006 y su doctorado en 2011. ^{[ 3 ]} Completó un posdoctorado en la Facultad de Medicina de Harvard antes de trasladarse a la Universidad de California, Berkeley , en 2012. Ocupó un puesto docente en la Universidad de Cornell , antes de trasladarse a la Universidad del Sur de California , donde actualmente es Profesora del Decano en la Escuela de Ingeniería Viterbi de la USC . ^{[ 1 ] [ 3 ] [ 4 ] [ 2 ]}

Mientras cursaba su posgrado en el MIT, Shanechi se interesó en decodificar el cerebro , la idea de extraer el significado original de las señales cerebrales. Desarrolló un algoritmo para determinar dónde quería un mono apuntar el cursor en una pantalla basándose en la actividad cerebral del animal. ^{[ 1 ] [ 5 ]} Posteriormente, mejoró su trabajo al incluir la decodificación de alta velocidad, lo que significa que la decodificación ocurría en unos pocos milisegundos, en lugar de cada 100 milisegundos, que es el estándar de los métodos tradicionales. Más recientemente, el Laboratorio Shanechi ha desarrollado métodos novedosos que pueden disociar aquellas dinámicas en la actividad neuronal que son más predictivas del comportamiento y pueden mejorar significativamente la decodificación. ^{[ 6 ] [ 7 ]} Su laboratorio también ha desarrollado métodos que pueden usar simultáneamente múltiples escalas espaciotemporales de mediciones neuronales para modelar sus relaciones y mejorar la decodificación. ^{[ 8 ] [ 9 ]}

En 2013, desarrolló un método de decodificación cerebral que podría ayudar a controlar automáticamente la cantidad de anestesia que se administra a un paciente. ^{[ 10 ] [ 11 ]} Su equipo, que incluía colegas del Hospital General de Massachusetts y del Instituto Tecnológico de Massachusetts, pudo controlar automáticamente la profundidad del coma inducido médicamente en roedores basándose en su actividad cerebral. ^{[ 10 ] [ 11 ] [ 12 ] [ 13 ]}

Shanechi también está interesada en la aplicación de algoritmos de decodificación neuronal a trastornos psiquiátricos, como el TEPT y la depresión . ^{[ 2 ] [ 14 ] [ 15 ]} Su equipo de investigación desarrolló un método para descifrar el estado de ánimo de una persona a partir de su actividad cerebral. ^{[ 16 ] [ 17 ]} Midieron la actividad cerebral de siete pacientes que tenían electrodos implantados en su cerebro para monitorear la epilepsia . ^{[ 15 ]} Los pacientes respondieron preguntas sobre su estado de ánimo mientras los electrodos estaban implantados. Usando los datos sobre el estado de ánimo y la actividad cerebral, el laboratorio de Shanechi pudo relacionar los dos y descifrar qué actividad cerebral estaba relacionada con qué estado de ánimo. ^{[ 15 ] [ 16 ]} El artículo sobre este trabajo fue galardonado con el tercer premio en los International BCI Awards. ^{[ 18 ]} Su laboratorio también ha desarrollado un enfoque de estimulación y modelado estocástico que puede predecir la respuesta de redes cerebrales multirregionales implicadas en trastornos neuropsiquiátricos a la estimulación cerebral profunda (DBS) continua. ^{[ 19 ] [ 20 ]} En el futuro, Shanechi quiere desarrollar estas técnicas para estimular el cerebro automáticamente cuando se detecta un cambio de humor. ^{[ 1 ] [ 20 ] [ 21 ]}

• Premio del Director de los NIH al Nuevo Innovador , 2020 ^{[ 22 ]}
• Science News: 10 científicos a seguir en 2019 ^{[ 1 ]}
• Ciencia Popular Brillante 10, 2015 ^{[ 23 ]}
• MIT Technology Review Innovators Under 35, 2014 ^{[ 24 ]}
• Premio NSF CAREER , 2015 ^{[ 25 ]}
• Premio de la Oficina de Investigación Naval para Jóvenes Investigadores, 2019 ^{[ 26 ]}
• Premio de Investigación Curtis W. McGraw de la Sociedad Estadounidense para la Educación en Ingeniería (ASEE), 2021 ^{[ 27 ]}
• Premio de la Iniciativa de Investigación Universitaria Multidisciplinaria (MURI), 2016 ^{[ 28 ]}
• Premio a la Trayectoria Profesional Intermedia, Facultad de Ingeniería de la Universidad de Toronto , 2019 ^{[ 29 ]}
• Premio Estrella Emergente de One Mind , 2022

Las publicaciones de Shanechi incluyen:

• Yang Y, Qiao S, Sani OG, Sedillo JI, Ferrentino B, Pesaran B, Shanechi MM (febrero de 2021). "Modelado y predicción de las respuestas dinámicas de redes cerebrales a gran escala durante la estimulación eléctrica directa". Ingeniería Biomédica de la Naturaleza . 5 (4): 324– 345. doi : 10.1038/s41551-020-00666-w . PMID 33526909 . S2CID 231753656 .  

• Abbaspourazad H, Choudhury M, Wong YT, Pesaran B, Shanechi MM (enero de 2021). "La dinámica del estado cortical motor multiescala de baja dimensión predice el comportamiento naturalista de alcanzar y agarrar" . Nature Communications . 12 (1): 607. Bibcode : 2021NatCo..12..607A . doi : 10.1038/s41467-020-20197- x . PMC 7840738. PMID 33504797 .  

• Sani OG, Abbaspourazad H, Wong YT, Pesaran B, Shanechi MM (enero de 2021). "Modelado de la dinámica neuronal relevante para el comportamiento mediante la identificación preferencial de subespacios" ( PDF) . Nature Neuroscience . 24 (1): 140– 149. doi : 10.1038/s41593-020-00733-0 . PMID 33169030. S2CID 226296000 .  

• Shanechi MM (octubre de 2019). "Interfaces cerebro-máquina: del motor al estado de ánimo". Nature Neuroscience . 22 (10): 1554– 1564. doi : 10.1038/s41593-019-0488-y . PMID 31551595. S2CID 202749166 .  

• Sani, Omid G.; Yang, Yuxiao; Lee, Morgan B.; Dawes, Heather E.; Chang, Edward F.; Shanechi, Maryam M. (2018). " Variaciones del estado de ánimo decodificadas a partir de la actividad cerebral humana intracraneal en múltiples sitios" . Nature Biotechnology . 36 (10): 954– 961. doi : 10.1038/nbt.4200 . ISSN 1546-1696 . PMID 30199076. S2CID 205285998 .   

• Shanechi, Maryam M.; Orsborn, Amy L.; Moorman, Helene G.; Gowda, Suraj; Dangi, Siddharth; Carmena, Jose M. (2017). "Las tasas rápidas de control y retroalimentación mejoran el control neuroprotésico" . Nature Communications . 8 (1) 13825. Bibcode : 2017NatCo...813825S . doi : 10.1038/ncomms13825 . ISSN 2041-1723 . PMC 5227098. PMID 28059065 .   

• Shanechi, Maryam; Hu, Rollin; Marissa, Powers; Wornell, Gregory; Brown, Emery; Williams, Ziv (2012). " Partición de la población neuronal y una interfaz cerebro-máquina concurrente para la función motora secuencial" . Nature Neuroscience . 15 (12): 1715– 1722. doi : 10.1038/nn.3250 . PMC 3509235. PMID 23143511 .  

• Shanechi, Maryam M.; Chemali, Jessica J.; Liberman, Max; Solt, Ken; Brown, Emery N. (2013-10-31). "Una interfaz cerebro-máquina para el control del coma inducido médicamente" . PLOS Computational Biology . 9 (10) e1003284. Bibcode : 2013PLSCB...9E3284S . doi : 10.1371/journal.pcbi.1003284 . ISSN 1553-7358 . PMC 3814408. PMID 24204231 .