Az erdélyi tudomány hírei

A kortiko-kortikális kapcsolatok előrejelezhetősége az emlősök agyában

A kortiko-kortikális kapcsolatok előrejelezhetősége az emlősök agyában

Az agykutatás egyik legnagyobb kihívása az agy struktúrájának feltérképezése, hiszen egyértelmű, hogy ez az agy működésével is szorosan összefügg. A cikk célja, hogy a strukturális agyi hálózatok még fel nem térképezett részeit gépi tanulási módszerekkel megjósolják, a már ismert adatok alapján. 

Az agyban levő idegsejtek (neuronok) bonyolult hálózatát konnektomnak nevezzük. Ezt egyelőre két fajban sikerült teljes mértékben feltérképezni: a fonálféregben, ahol kb. 300 neuron és 7000 kötés (szinapszis) van, és az ecetmuslicában, ahol kb. 140 ezer idegsejt és több mint 34 millió szinapszis alkotja ezt a bonyolult hálózatot. Emlősök esetében az idegsejtek száma sokkal nagyobb, az emberi agy kb. 86 milliárd neuront tartalmaz. Ekkora hálózatokat egyelőre nem tudunk feltérképezni, ezért magasabb szinten vizsgáljuk az agyi hálózatokat, a funkcionális területek által alkotott hálózatot próbálják az idegtudósok feltérképezni. Erre nagyon bonyolult kísérleti módszerek léteznek. A nem invazív módszerek (pl. diffusion tensor imaging) sajnos még nem elég pontosak, bár ember esetében kénytelenek vagyunk ezekkel a megközelítő módszerekkel beérni. Emlős állatok esetén az egyik legpontosabb módszer amikor fluoreszcens molekulákat injekcióznak az egyik agyterületbe, ezek felszívódnak a szinapszisok végein, végighaladnak a hosszú axonokon és megfestik az idegsejteket, jelezve így, hogy honnan jönnek a kötések az adott agyterületbe (retrograde tracing). Ezeket a megfestett sejteket megszámolják és meg tudják becsülni az agyterületek közötti kötések erősségeit, emellett a távolságokat is megbecsülik.  Ilyen kísérleteket eddig főleg a makákó főemlősben és az egérben végeztek, de költséges és invazív kísérletekről lévén szó, még nem sikerült minden agyterületbe injekciózni, így a hálózatnak csak egy részét ismerjük.

A fent említett cikkben a szerzők azt tanulmányozták, hogy az agyi hálózat nem ismert részét mennyire pontosan lehetne megjósolni különböző gépi tanulási módszerekkel. Ezek a módszerek felhasználják a hálózat ismert alrészét és azt a jelenséget, amit 10 évvel ezelőtt ugyancsak a szerzők publikáltak (Ercsey-Ravasz et al., Neuron 2013; Markov et al. Science 2013), és amit exponenciális távolságszabályként emlegetnek. Ez kimondja, hogy a fehérállományon áthaladó axonok száma exponenciálisan csökken a hosszuk függvényében, vagyis nagyon sok rövid és nagyon kevés hosszú axon létezik. Ez az agynak egy sajátos módja, hogy a kábelek hosszát optimizálja, de megtartsa a hatékony kommunikációt. Visszatérve a módszerekre, ha adott a hálózat kísérletekből ismert alrésze, és ismertek a távolságok az összes területpár között (ott is, ahol a kötések még nem ismertek), akkor a gépi tanulási módszerek segítenek megjósolni a hiányzó kötéseket. A cikkben sok módszert tesztelnek és kimutatják, hogy az erős kötések 85%–90% pontossággal megjósolhatók az egérben és 70%–80% pontossággal a makákó agyában, a gyenge kötések ellenben nem elég jól előrejelezhetőek. Ezekből a gyenge hosszú távú kötésekből viszonylag kevés van, így a módszerrel felépíthető a makákó és egér strukturális hálózatának egy viszonylag jó megközelítése. Ez a módszer segít a kísérleti idegtudósóknak is, hogy eldöntsék melyik területekbe lenne fontos elvégezni még a kísérleteket.

A tanulmány adatai:

Predictability of cortico-cortical connections in the mammalian brain

Szerzők: Molnár Ferenc, Horvát Szabolcs, Gomes Ana R. Ribeiro, Armas Jorge Martinez, Molnár Botond, Ercsey-Ravasz Mária, Knoblauch Kenneth, Kennedy Henry, Toroczkai Zoltán

Forrás: Network Neuroscience (ISSN: 2472-1751), 2024. Volume: 8, Issue: 1, Pages: 138-157.

A kortiko-kortikális kapcsolatok előrejelezhetősége az emlősök agyában

Az agykutatás egyik legnagyobb kihívása az agy struktúrájának feltérképezése, hiszen egyértelmű, hogy ez az agy működésével is szorosan összefügg. A cikk célja, hogy a strukturális agyi hálózatok még fel nem térképezett részeit gépi tanulási módszerekkel megjósolják, a már ismert adatok alapján. 

Az agyban levő idegsejtek (neuronok) bonyolult hálózatát konnektomnak nevezzük. Ezt egyelőre két fajban sikerült teljes mértékben feltérképezni: a fonálféregben, ahol kb. 300 neuron és 7000 kötés (szinapszis) van, és az ecetmuslicában, ahol kb. 140 ezer idegsejt és több mint 34 millió szinapszis alkotja ezt a bonyolult hálózatot. Emlősök esetében az idegsejtek száma sokkal nagyobb, az emberi agy kb. 86 milliárd neuront tartalmaz. Ekkora hálózatokat egyelőre nem tudunk feltérképezni, ezért magasabb szinten vizsgáljuk az agyi hálózatokat, a funkcionális területek által alkotott hálózatot próbálják az idegtudósok feltérképezni. Erre nagyon bonyolult kísérleti módszerek léteznek. A nem invazív módszerek (pl. diffusion tensor imaging) sajnos még nem elég pontosak, bár ember esetében kénytelenek vagyunk ezekkel a megközelítő módszerekkel beérni. Emlős állatok esetén az egyik legpontosabb módszer amikor fluoreszcens molekulákat injekcióznak az egyik agyterületbe, ezek felszívódnak a szinapszisok végein, végighaladnak a hosszú axonokon és megfestik az idegsejteket, jelezve így, hogy honnan jönnek a kötések az adott agyterületbe (retrograde tracing). Ezeket a megfestett sejteket megszámolják és meg tudják becsülni az agyterületek közötti kötések erősségeit, emellett a távolságokat is megbecsülik.  Ilyen kísérleteket eddig főleg a makákó főemlősben és az egérben végeztek, de költséges és invazív kísérletekről lévén szó, még nem sikerült minden agyterületbe injekciózni, így a hálózatnak csak egy részét ismerjük.

A fent említett cikkben a szerzők azt tanulmányozták, hogy az agyi hálózat nem ismert részét mennyire pontosan lehetne megjósolni különböző gépi tanulási módszerekkel. Ezek a módszerek felhasználják a hálózat ismert alrészét és azt a jelenséget, amit 10 évvel ezelőtt ugyancsak a szerzők publikáltak (Ercsey-Ravasz et al., Neuron 2013; Markov et al. Science 2013), és amit exponenciális távolságszabályként emlegetnek. Ez kimondja, hogy a fehérállományon áthaladó axonok száma exponenciálisan csökken a hosszuk függvényében, vagyis nagyon sok rövid és nagyon kevés hosszú axon létezik. Ez az agynak egy sajátos módja, hogy a kábelek hosszát optimizálja, de megtartsa a hatékony kommunikációt. Visszatérve a módszerekre, ha adott a hálózat kísérletekből ismert alrésze, és ismertek a távolságok az összes területpár között (ott is, ahol a kötések még nem ismertek), akkor a gépi tanulási módszerek segítenek megjósolni a hiányzó kötéseket. A cikkben sok módszert tesztelnek és kimutatják, hogy az erős kötések 85%–90% pontossággal megjósolhatók az egérben és 70%–80% pontossággal a makákó agyában, a gyenge kötések ellenben nem elég jól előrejelezhetőek. Ezekből a gyenge hosszú távú kötésekből viszonylag kevés van, így a módszerrel felépíthető a makákó és egér strukturális hálózatának egy viszonylag jó megközelítése. Ez a módszer segít a kísérleti idegtudósóknak is, hogy eldöntsék melyik területekbe lenne fontos elvégezni még a kísérleteket.

A tanulmány adatai:

Predictability of cortico-cortical connections in the mammalian brain

Szerzők: Molnár Ferenc, Horvát Szabolcs, Gomes Ana R. Ribeiro, Armas Jorge Martinez, Molnár Botond, Ercsey-Ravasz Mária, Knoblauch Kenneth, Kennedy Henry, Toroczkai Zoltán

Forrás: Network Neuroscience (ISSN: 2472-1751), 2024. Volume: 8, Issue: 1, Pages: 138-157.