Бегущие нейрональные волны: это многое объясняет

Ученые Института искусственного интеллекта AIRI, Сколтеха, МГУ и ИЭФБ РАН впервые математически доказали взаимосвязь бегущих кортикальных волн с вращательной динамикой для нейронных данных. Команда применила методы машинного обучения для анализа пяти датасетов, сделанных на основе экспериментальных наблюдений за моторной и префронтальной корой головного мозга обезьяны и мыши. Исследование опубликовано в Scientific Reports.

Области мозга, которые были исследованы в разных работах с использованием подхода ротационной динамики у макак-резусов, людей и грызунов. Зеленый или красный цвета указывают на обнаруженное наличие или отсутствие ротаций соответственно, в то время как синий цвет отображает противоречивые результаты. Интенсивность цветов соответствует количеству работ, исследующих эту область мозга.

Сегодня одним из наиболее популярных экспериментов по изучению работы мозга во время двигательной активности считается анализ движений руки (reaching experiment), записываемый при помощи имплантируемых в структуры головного мозга электродов. Далее научное сообщество традиционно использует две модели интерпретации данных: репрезентативную и динамическую. Согласно репрезентативному подходу, каждый отдельный нейрон отвечает за свой параметр движения конечности: ускорение, скорость и направление движения руки, его угол и другие характеристики. В то время, как динамическая модель рассматривает в качестве объекта изучения двигательную активность в целом, фокусируясь не на отдельных нейронах, но на их общей динамике. 

В ходе исследования, работа над которым длилась с осени 2022 года, ученые предложили отойти от конкурирующих гипотез и сосредоточиться исключительно на анализе волн. Наряду с доказательством взаимосвязи двух феноменов головного мозга — бегущих кортикальных волн и вращательной динамики, — команда представила два метода для количественной оценки волны.

Так, первый метод — оценка кривизны волны без сжатия данных — позволяет анализировать обороты и скорость движения волны в 2D-проекции, не теряя полезную информацию. Через еще один параметр, вращательную плоскость, аналитики могут выражать векторы и строить двумерные графики для отображения характеристик волны с динамикой изменений.  Второй метод — оценка вращательной степени — дает возможность оценивать истинную динамику нейронной активности в данных и сравнивать их между собой, в то же время наглядно демонстрируя, как двумерная проекция портит первоначальные данные.

«Отличительной особенностью нашей работы стал фокус на природе волн с точки зрения науки о данных. Группа не пыталась поддержать динамическую или репрезентативную модель, поскольку любая модель спускается до интерпретации: исследователи получают информацию и на ее основе приходят к каким-либо выводам. Нашей целью был математический подход со строгими требованиями и условиями — этот подход позволит расширить существующую научную картину мира. Предлагаемые нами методы будут полезны ученым в разработке нейрокомпьютерных интерфейсов и в изучении стимуляции мозга — направлении нейронауки, исследующем возможности лечения неврологических заболеваний», – подчеркнула Екатерина Кузьмина, автор исследования, младший научный сотрудник группы лаборатории «Сильный ИИ в медицине» Института AIRI.

Текст: AIRI

Kuzmina, E., Kriukov, D. & Lebedev, M. Neuronal travelling waves explain rotational dynamics in experimental datasets and modelling. Sci Rep 14, 3566 (2024). https://doi.org/10.1038/s41598-024-53907-2

Источник: neuronovosti.ru

Комментарии: