Az erdélyi tudomány hírei

Univerzális exponenciális skálázódás az axonhossz-eloszlásokban egy durva felbontási modellen keresztül

Univerzális exponenciális skálázódás az axonhossz-eloszlásokban egy durva felbontási modellen keresztül

Az exponenciális távolságszabály (EDR) egy jól dokumentált jelenség, amely azt sugallja, hogy az agyi ideghálózatban résztvevő ún. axonnyúlványok hosszainak eloszlása exponenciális csökkenési mintát követ. Azonban az ezt alátámasztó neuron szintű adatok elsősorban az ecetmuslica és egér esetében állnak rendelkezésre míg az agyi régiók axonkötegekkel való kapcsolódására vonatkozó adatok makákók, selyemmajmok és emberek esetében is könnyen elérhetőek. Noha a muslica és egerek neuron szintű adatai alátámasztják az EDR általánosságát, a régió szintű adatok jelentős eltéréseket mutathatnak az exponenciális görbéhez képest. Ebben a tanulmányban bemutatjuk, hogy ha a régió szintű, az axonköteg vastagságából és az átlagos köteghosszból származtatott hossz eloszlásokat az átlagos axon hosszához viszonyítva normalizáljuk, akkor ezek egy analitikusan leírható univerzális görbéhez konvergálnak, szoros hasonlóságot mutatva a különböző fajok között. Az észlelt jelenségek magyarázatára egy egyszerű matematikai modellt vezetünk be, amely a neuron- és régió szintű konnektomika közötti durva felbontási különbségekre vezeti vissza az EDR-től való eltéréseket a régió szintű súlyozott hossz eloszlásban. A modell kvalitatív előrejelzései robusztusnak bizonyulnak az agyterületek geometriájának különféle aspektusaival szemben, beleértve a dimenzionalitást, felbontást és görbületet. Ugyanakkor a modell teljesítménye monoton módon függ a beépített geometriai részletek mennyiségétől. Az eredmények igazolják az EDR szabály univerzalitását a különböző fajok között, elősegítve e figyelemreméltóan egyszerű elv további mélyreható vizsgálatát.

A tanulmány adatai:

Coarse-graining model reveals universal exponential scaling in axonal length distributions

Szerző: Józsa Máté, Ercsey-Ravasz Mária, Lázár I. Zsolt

Forrás: Jorunal of Physics-Complexity (eISSN: 2632-072X), 2024. Volume: 5, Issue: 3.

 

Univerzális exponenciális skálázódás az axonhossz-eloszlásokban egy durva felbontási modellen keresztül

Az exponenciális távolságszabály (EDR) egy jól dokumentált jelenség, amely azt sugallja, hogy az agyi ideghálózatban résztvevő ún. axonnyúlványok hosszainak eloszlása exponenciális csökkenési mintát követ. Azonban az ezt alátámasztó neuron szintű adatok elsősorban az ecetmuslica és egér esetében állnak rendelkezésre míg az agyi régiók axonkötegekkel való kapcsolódására vonatkozó adatok makákók, selyemmajmok és emberek esetében is könnyen elérhetőek. Noha a muslica és egerek neuron szintű adatai alátámasztják az EDR általánosságát, a régió szintű adatok jelentős eltéréseket mutathatnak az exponenciális görbéhez képest. Ebben a tanulmányban bemutatjuk, hogy ha a régió szintű, az axonköteg vastagságából és az átlagos köteghosszból származtatott hossz eloszlásokat az átlagos axon hosszához viszonyítva normalizáljuk, akkor ezek egy analitikusan leírható univerzális görbéhez konvergálnak, szoros hasonlóságot mutatva a különböző fajok között. Az észlelt jelenségek magyarázatára egy egyszerű matematikai modellt vezetünk be, amely a neuron- és régió szintű konnektomika közötti durva felbontási különbségekre vezeti vissza az EDR-től való eltéréseket a régió szintű súlyozott hossz eloszlásban. A modell kvalitatív előrejelzései robusztusnak bizonyulnak az agyterületek geometriájának különféle aspektusaival szemben, beleértve a dimenzionalitást, felbontást és görbületet. Ugyanakkor a modell teljesítménye monoton módon függ a beépített geometriai részletek mennyiségétől. Az eredmények igazolják az EDR szabály univerzalitását a különböző fajok között, elősegítve e figyelemreméltóan egyszerű elv további mélyreható vizsgálatát.

A tanulmány adatai:

Coarse-graining model reveals universal exponential scaling in axonal length distributions

Szerző: Józsa Máté, Ercsey-Ravasz Mária, Lázár I. Zsolt

Forrás: Jorunal of Physics-Complexity (eISSN: 2632-072X), 2024. Volume: 5, Issue: 3.