STATISZTIKA A NEUROBIOLÓGIÁBAN DR. SZILÁGYI NÓRA Az élő anyag kutatása egyre inkább interdiszciplináris jellegű, a legjelentősebb társtudományok egyike a matematikai statisztika. A cikk az idegtudományok (neurobiológia) területéről választott példán keresztül mutatja be a statisztikának a biológiai problémák sajátosságaiból adódó speciális szerepét a biológiai kutatásban. Az emberi agy információtovábbító és -feldolgozó működésének jellegzetességei olyan neurotranszmitter és neuromodulátor tulajdonságokkal rendelkező kémiai anyagok aktivitásából állnak össze, mint a nukleozidok. Hatásuk megértéséhez annak tisztázása szükséges, hogyan oszlik meg ezek koncentrációja az egyes agyi régiókban. A nukleozidtérképnek egy 404×7 adatmátrixból történő felderítése statisztikai interpretációban a mintázatfelismerés és osztálybasorolás modelljeihez vezet. TÁRGYSZÓ: Neurobiológia. Klaszterelemzés.
A
matematikai statisztika tudományának fejlődését Quetelet-től (1796–1874) napjainkig minden korban ösztönözte az, ha biológiai problémák megoldását kihívásnak tekintette. Karl Pearson (1857–1936), a természetes szelekció egyik első kutatója, az állati és emberi fejlődés tanulmányozása közben fejlesztette ki a lineáris regresszió és korreláció elméletét, módszerei szülők és gyermekeik testmagasság-adatainak tanulmányozása során születtek. Ezzel Galton (1822–1911) nyomdokaiba lépett, aki az ember genetikai változékonyságának tanulmányozásával kereste azt a statisztikai összefüggést, amely megragadja hogyan adódnak át biológiai jellemzők egyik generációról a másikra. R. A. Fisher (1890–1962) a matematikai statisztika történetébe többek között az ANOVA-modell (varianciaanalízis) kifejlesztésével írta be a nevét, a biológia történetírói viszont fejlődésbiológusként tartják számon. A biológusok figyelmét ő hívta fel a többváltozós mérések értékére az egyváltozós kísérletekkel szemben és a kísérleti elrendezés (experimental design) fontosságára. Ez a két társtudomány tehát azóta kölcsönhatásban fonódik össze, és a kölcsönösen előnyös „társas vállalkozás” létrejöttét Pearson munkásságának kezdetén a Biometrika című folyóirat megalakítása szentesítette. A „cégtáblán” a Biostatisztika szó hirdeti hogy gyökerei a valószínűségelmélet, lombjai a biológia kertjében tenyésznek. Salk vakcinájának kidolgozása vezetett az első nagy társadalmi méretű statisztikai hipotézisvizsgálathoz, amelylyel 1952-ben arról akart bizonyosságot szerezni, az anyák aggódó figyelmétől kísérve, hogy sikerült megtalálnia a poliomyelitis (gyermekbénulás) ellenszerét. Azóta a statisztika sokszor világította meg az epidemiológia útját az AIDS-, a SARS- az anthrax- vagy az influenzajárványok dinamikájának felderítésében és mégsem csak a fertőző betegségek elleni Statisztikai Szemle, 83. évfolyam, 2005. 10–11. szám
DR. SZILÁGYI: STATISZTIKA A NEUROBIOLÓGIÁBAN
1011
küzdelem fegyvere. A nagy népbetegségek (például a szív- és érrendszeri, az agyi degeneratív, a daganatos betegségek és az epilepszia) rizikófaktorainak felderítése, mint például a kardiovaszkuláris klinikumban 1965-ben indított nagy Framingham-vizsgálat (egy prospektív longitudinális kohorsz) azonban a küzdelemnek csak az egyik helyszíne. A másik a sejt- és molekuláris biológiai kutatólaboratóriumokban van, mióta ismertté vált hogy a makroszkópikus patológiás elváltozások, a betegségek, a sejt szintjén kezdődnek. Prion-betegségben (szivacsos agyvelőgyulladás, más néven kergemarhakór) például nem is találni kórokozót, a rendellenes fehérje „csak” térszerkezetében különbözik a rendestől. A kérdés, hogy mi indukálja a változást és főleg, hogy mi módon lehetne azt kontrollálni, a genomikához (a géntudományhoz) és a proteomikához, a sejt fehérjekészletének törvényszerűségeit kutató diszciplínákhoz vezetett. Ezzel a kutatás szintje, szemben az eddigi klinikai vizsgálatokkal, a makroszkopikus szintről vagyis a magatartás szintjéről a sejt szintjére és az alá, szubcelluláris szintre helyeződött át. Egy gén-array (DNS-csip) vagy egy proteinkészlet kétdimenziós elektroforézis térképe által hordozott biológiai információ „kibányászása” azonban teljesen reménytelen vállalkozás volna statisztikai elemzések nélkül. A molekuláris biológiának ebben az új korszakában tanúi lehetünk egyrészt új diszciplinák születésének mint például a bioinformatika, amelynek egyre terebélyesedő ágai (neve ellenére) csak részben az informatikából (adatbázisok létrehozása és kezelése), nagyrészt inkább a statisztika (többváltozós módszerek) nőttek ki. Másrészt a proteomikai kutatás „felértékel” klasszikus statisztikai paradigmákat, így került előtérbe a „bayesi” szemlélet és szorult háttérbe a „frekvencialista” megközelítés. Az interdiszciplináris kutatás sohasem egyszerű, csoda-e, ha művelésére időnként árnyékot vetnek igénytelen, egyszerűsítő próbálkozások. A két tudomány kölcsönhatásának jellemzése egyoldalú maradna, ha nem említenénk meg ezt a káros gyakorlatot. A mesterséges ideghálózatokat (neural network – NN) már évtizedek óta javában működtették a biológia legkülönbözőbb területein, amikor a McGill University internetes statisztikai listájának egyik biológus résztvevőjében felvetődött az igény ezen automaták statisztikai modelljének identifikálására, és a listára érkező megjegyzésekből kiderült mennyire elterjedt gyakorlat a „black boxként” történő alkalmazás. Az igényt adott esetben az szülte, hogy empirikusan, a „layerek” számának változtatásával sehogy sem sikerült eltalálni az optimális tanulási hatékonyságot.1 A NN-eset jól demonstrálja, hogy a biostatisztikában sincs királyi út, nem kerülhető meg a modellalkotás folyamata. Ha előbb nem is, akkor a statisztikai eredmények biológiai interpretálásának fázisában mindenképpen visszaüt a rossz értelemben vett pragmatizmus. A probléma egyébként a statisztikai programcsomagok születése óta ismeretes, hiszen ezeket ugyancsak lehet gépezetként használni, és tömeges méretű számításokat futtatni a statisztikai modell tudatos megválasztása nélkül. A biostatisztikát azonban mint minden élő és fejlődő tudományt a negatív hatások épp úgy, mint a pozitívak csak előre viszik és kiteljesítik. A biológiai rendszer komplexitása A gyógyítás, a gyógyszerkutatás, a mezőgazdaság – hogy csak a legfontosabbakat említsem a biológia alkalmazásai közül – és maga a biológiai alapkutatás által felvetett 1 A NN input, output és úgynevezett „rejtett”, belső „layerekből” áll, a layereket kölcsönös kapcsolatban levő csomópontok alkotják valamilyen „aktiválási függvénnyel” felruházva. A rendszer tanulásra képes a csomópontok kapcsolódási koefficienseinek módosításával (tanulási szabály) a bejövő mintázatnak megfelelően.
1012
DR. SZILÁGYI NÓRA
biostatisztikai problémák közös jellegzetessége, hogy a magasan fejlett, ennek megfelelően bonyolult élő anyag sajátosságaival foglalkozik. Az élő anyagot élővé varázsló tulajdonság mikéntje a mai napig rejtély, kiváltképp mióta Wöhler szerves anyagot előállító vegyészete lerombolta a vis vitalis (életerő) elmélet talapzatát. Jelenlegi tudásunk szerint az élő anyag legfontosabb adottsága a összetettsége, ezt az önszervezés (belső kauzalitás), többszörös visszacsatolásból eredő nemlinearitás és hierarchikus szerveződés (alrendszerek beágyazódása nagyobb rendszerekbe) okozza. A bonyolultan összetett belső struktúra külső megnyilvánulása az adaptivitás (alkalmazkodó-, túlélő- és fejlődőképesség), az egyidejű zártság és nyitottság (a környezeti változások között megőrzött állandóság) és a „vitalitási ablak”, azaz optimális komplexitásból eredő optimális energiafelhasználás, amit a rendszer úgy ér el, hogy nincs egyensúlyban csak annak a határán („edge of chaos”), sőt nem is mono-, hanem multistabil, vagyis több stabil állapot között vándorol. Ilyen rendszerek viselkedésében rendes és nem rendkívüli esemény a hirtelen változás, még a körülmények állandósága vagy lassú változása esetén is. Ami még ennél is meglepőbbnek tűnhet, az élő rendszer stimulus (ingerlés) nélkül is változtatja viselkedését: az emberi agy például egyetlen éjszaka alatt 4–6 alkalommal járja be a könnyű alvás – mélyalvás – REM-alvás (Rapid Eye Movement – gyors szemmozgásos, álomlátásos alvás) átlagosan 90 perces periodicitású váltakozását. A viselkedési készlet rendkívüli gazdagsága a kísérletezőtől holisztikus megközelítést igényel, ugyanis a redukcionista felaprózás közben elveszne a bergson-i élan vital, azaz hogy amint azóta nevezzük, a komplexitás által éltetett dinamika, maga az élő jelleg. A rendszer egészének megnyilvánulásához természetesen minimálisan alapkövetelmény a többváltozós kísérletek tervezése (amint Sir Ronald Fisher már a múlt század 30-as éveiben intette a biológus kísérletezőt), annak érdekében, hogy a belső struktúra kölcsönhatásai kivetülhessenek az adatok valamilyen mintázatába. Mintázatfelismerésre és adatexplorációra a kísérlet végeztével így persze még azelőtt szükség van hogy hipotézist állítanánk fel. A biostatisztika ezért igen hamar adoptálta az exploratív adatelemzés (Exploratory Data Analysis – EDA) új szemléletmódját – vagy amint a proteomikában nevezik az adatbányászás (Data Mining) technikákat – de a statisztikai döntés klasszikus folyamatát (még akkor is ha újkeletű eljárással, például bootstrap-becsléssel előállított mintaeloszlást használ), természetesen nem kerülheti meg. Ezeknek a speciális problémáknak a biostatisztikai megközelítését a következőkben a jelen rövid tanulmány egy neurobiológiai (idegtudományok) példán mutatja be. A biológiai probléma Az agyban működő átlag 100 billió idegsejt (neuron) hálózata a kommunikáció feladatára specializálódott és azt igen nagy sebességgel látja el, informatikai nyelven szólva másodpercenként több millió üzenetet forgalmaz. A digitális technikából vett hasonlat azonban határozottan megkérdőjelezhető, hiszen már maga Neumann János, a digitális elvet megtestesítő számítási architektúra egyik megalkotója is úgy vélekedett, hogy az agy működési elve inkább analóg kell legyen, mint digitális. Az agyban valóban a számítógéptől eltérő, sajátságos mechanizmussal történik az információ átvitele a sejtek között a szinapszisokon keresztül kémiai anyagok, neurotranszmitterek segítségével. Ráadásul az idegsejtek ingerelhetőségét, valamint készségüket a többi sejttel való együttműködésre
STATISZTIKA A NEUROBIOLÓGIÁBAN
1013
más anyagok, neuromodulátorok is befolyásolják. Ilyen neuromodulátor és egyben neurotranszmitter (pontosabban co-transmitter) funkcióval egyaránt rendelkeznek a nukleozidok, amelyekről érdemes megemlíteni, hogy foszforilálással nukleotidokká, a DNS építőköveivé alakulnak át. Némely nukleozidnak további speciális szerepe szintén ismert, mint például az adenozinnak az alvásra, a memóriára és az idegsejt védelmére gyakorolt hatása. Jórészt azonban egyelőre felderítetlen nemcsak a neuronális működésben betöltött funkciójuk, hanem az agyi eloszlásuk is, vagyis az sem ismert, hogy az egyes agyterületek milyen koncentrációban tartalmaznak nukleozidokat. A nukleozid-eloszlás megismerésére tervezett kísérlethez az emberi agyminták gyűjtése közlekedési balesetek áldozatainak körében az „Emberi szöveteknek a magyarországi orvosi kutatásban történő felhasználására vonatkozó etikai szabályok” figyelembevételével történt. A minták az emberi agy 13 különböző struktúrájából származtak: a nagyagykéregben a frontális, prefrontális, szomatomotoros, szomatoszenzoros, occipitális, temporális, és inzuláris kéregből, a kisagynak a fehérállományából, a kéregállományából, a flocculonoduláris lebenyéből, és a vermisből, valamint a nagyagy fehérállományából. (Lásd az 1. ábrát.) 1. ábra. A nukleozid adatbázis mintavételi helyei az agyi struktúrákban
Szomato- Szomatomotoros szenzoros kéreg kéreg Inzurális kéreg Frontális Occipitális kéreg Temporális kéreg kéreg Prefrontális kéreg Kisagy
A 404 mintában hét nukleozid, a hypoxantin, xantin, inozin, guanozin és adenozin, illetve uracil és uridin mérése történt meg. Az első négy nuklozid a purinok, az utolsó kettő a primidinek családjába tartozik. Az alkalmazott kísérleti technológia (erősen leegyszerűsítve) a következő lépésekből állt. Az agyból mikrodisszekcióval kiemelt minták
1014
DR. SZILÁGYI NÓRA
előfeldolgozásaként, homogenizálás után mikrohullámmal történő kezelés (a nukleozidokra ható enzimek aktivitásának leállítása érdekében), majd centrifugálás történt. A tényleges kémiai analízist ezután HPLC-készülék (High Performance Liquid Chromatography) szolgáltatta, amely végül az agyszövetet fiziko-kémiai módszerrel alkotórészeire bontja, a mintában található nukleozidokat detektálja és azok koncentrációját nagy pontossággal megméri.2 Ennek a módszertani körülménynek, nevezetesen hogy az egy meglehetősen sok kritikus lépésből álló folyamat volt, a későbbiekben részletezendő, nem elhanyagolható következménye lesz a statisztikai analízisekre. Előzetes biokémiai ismereteink alapján elfogadható az a feltételezés, hogy a közös biokémiai háttér következtében a nukleozidkoncentráció agyterülettől független, tehát a nukleozidok homogén eloszlást mutatnak az egész agyban. Ezzel egyidejűleg azonban épp ennyire reális az a hipotézis, hogy helyileg ható mechanizmusok miatt az agyi struktúrára jellemzően alakul a nukleozidok koncentrációja, tehát inhomogén eloszlást mutató nukleozidtérkép tárul majd a szemünk elé. A kísérlet célja – és a statisztikai elemzés számára a valódi kihívás – éppen ennek a kérdésnek az eldöntésében állt. A statisztikai modell Az agyi régióspecifikus nukleozideloszlás felismerésére, amennyiben létezik, illetve nemlétezésének igazolására statisztikai osztályozási módszerek alkalmasak. 2. ábra. Standardizált változók agyi struktúránként
A 13 agyterületből származó 404 minta mindegyikét egy hételemű nukleozid vektor reprezentálja a 404×7-es adatmátrixban. Az individuális nukleozidok koncentrációi nem 2 Az agyminták gyűjtése és mirodisszekciója dr. Palkovits Miklós (Semmelweis Egyetem, Anatómiai Intézet) vezetésével történt. A kísérletek az MTA TKI Neurobiológiai Kutatócsoportjában (vezeti: dr. Juhász Gábor) folytak Kékesi Katalin, Dobolyi Árpád, valamint Kovács Zsolt ( Berzsenyi Dániel Főiskola, Állattani Tanszék, Szombathely) közreműködésével.
STATISZTIKA A NEUROBIOLÓGIÁBAN
1015
mutatnak szignifikáns különbséget az anatómiai struktúrák között, amint az várható is volt. (Lásd a 2. ábrát.) Sőt, a biológiai méréseknek éppen ebben a jellegzetességében nyilvánul meg a komplexitás. A nukleozidok egyike sem viseli tehát magán a különböző agyterületek „lenyomatát”. A [hypoxantin, xantin, inozin, guanozin, adenozin, uracil, uridin] nukleozidvektor mintázata azonban hordozza azt az információt, amellyel különbségek és hasonlóságok állapíthatóak meg a minták között. A probléma tehát első lépésben valójában egy mintázatfelismerési probléma. A nukleozidok 7-dimenziós terében nyilvánvalóan mintázatnak kell megjelennie abban az esetben, ha az agyban a nukleozidkoncentráció a struktúra függvénye, azaz ha inhomogén a nukleozidok megoszlása. Igy tehát az agyi nukleozidtérkép megfejtése ekvivalens a többdimenziós ponthalmaz geometriájának vizsgálatával. Mintázatfelismerés céljára csak a „tanulás tanító nélkül” (unsupervised learning) módszer jöhet szóba, mivel nemhogy a klaszterhez tartozás, de még az esetleges klaszterek száma sem ismeretes. A klaszter analízissel megvalósított exploratív szakaszt második lépésben az osztályba sorolás követi. Ebben a fázisban, a diszkriminancia analízis során, megtörténik a klaszterek verifikálása és a felismert proximitási viszonyokon alapuló klasszifikáló függvények kifejlesztése. Az egyes nukleozidok részarányát a diszkriminálásban a legjobban diszkrimináló, kanonikus függvényekben kapott standardizált koefficiensei jellemzik. A biológiai minta jellegzetességei Komplex rendszer kétféleképpen valósulhat meg a természetben: vagy nagy szabadsági fokú, sztochasztikus, vagy kis szabadsági fokú, úgynevezett „kaotikus” (determinisztikus) rendszerként. Ez utóbbiban az alacsony szabadsági fokokkal nem magyarázható bonyolultságért a belső nemlinearitás, a többszörös visszacsatolások felelősek. Érdekes módon, az ilyen rendszerek determináltságuk ellenére sztochasztikusnak mutatkoznak, különösen ha nem sikerül a kísérletben a kanonikus változókat megragadni, amire valóságos rendszereknél sajnálatos módon jelentős az esély. Ilyenkor ugyanis az eredetileg Ndimenziós rendszert K < N változóval mérve annak dinamikája egy altérre vetülve jelenik meg az adatokban. A biológiai rendszerek közelebb állnak az utóbbi komplexitási formához, és erre a nukleozidok különlegesen szép példával szolgálnak, amint ezt a metabolikus (anyagcsere) „útvonalaik” ékesszólóan illusztrálják. (Lásd a 3. ábrát.) A véletlenszerűség másik forrása a mérési hiba. Mivel ez a kísérleti berendezés és a kísérlet alanya közötti interakció eredménye, természetesen nem szorítható nem szorítható egy adott korlát alá. A kísérletezőnek csak a szisztematikus torzítás kiküszöbölése áll hatalmában a mérőműszerek megfelelő beállításával. Különösen olyan többfázisú kísérleti metódusban van esély különböző forrású mérési hibák halmozódására, mint a nukleozidkísérlet során, igaz, ekkor annak is megnövekszik az esélye, hogy a hiba normális eloszlást kövessen. Az előfeldolgozási lépés tehát biológiai minták esetén általában nem triviális. Az outlier-ek kíszűrésére köztudottan több eljárás van forgalomban, többváltozós adatokra is, jó részük empírikus eredetű. Az egyik legjobban algoritmizálható és hatékony eljárás a P. R. Rousseeuw-féle MVE- (Minimum Volume Ellipsoid) módszer. Ez azzal a feltételezéssel találja meg a „kiugró” adatokat, hogy azok drasztikusan megnövelik az adatokat reprezentáló ellipszoid térfogatát. Az approximációs kereséssel kiválasztott részhalmaz-
1016
DR. SZILÁGYI NÓRA
ban számított Mahalanobis-távolságra alkalmazott küszöbszint érték segítségével megtalálhatóak a megbízható mintaelemek. (Lásd az 4. ábrát.) A nukleozid adatbázisban adódott 96 outlier a 308 „tiszta” adat mellett magas hibaszázalékot mutat, ezt azonban a körülmények teljes mértékben megmagyarázzák. Ebben az esetben ugyanis nem volt mód randomizálásra, amellyel megtervezett biológiai kísérlet esetén a zavaró faktoroknak az adatokra gyakorolt hatását (például kísérleti személyek különböző fiziológiai állapota, életkora, stb.) hatékonyan csökkenteni lehet. 3. ábra. A purinok idegrendszeri metabolizmusa
4. ábra. A mérési adatok a kiugró értékekkel többdimenziós skálázással kapott kétdimenziós konfigurációban
STATISZTIKA A NEUROBIOLÓGIÁBAN
1017
Lényeges és sokat vitatott adat-előkészítési lépés a klaszteranalízisben a standardizálás. Amikor a mérési skálák egysége nem kevesebb, mint egy nagyságrenddel különbözik, elkerülhetetlen azok valamilyen módszerrel történő összeigazítása. Jelen esetben, mivel a hypoxantin koncentrációjának középértéke 108,56 pmol/mg volt, míg az uracilé 8,44 pmol/mg (a többi nukleozidé pedig e két limit közötti érték) volt, a szórással volt érdemes normálni a (zérus középértékre transzformált) adatokat. Mit mutat az emberi agy nukleozidtérképe? A mintázat megtanulásához, a 7-dimenziós nukleozidtér felderítéséhez egy amalgamációs típusú klaszterezés felel meg, hiszen így a természetes módon aggregálódó alcsoportok hierarchiája is kirajzolódik. Hasonlósági mértékként az euklideszi távolság, egyesítési (amalgamation) szabályként a Ward-módszer volt az optimális választás. Bár a hierarchikus klaszteranalízis inherensen egy szubjektív lépést tartalmaz a klaszterhatárokat kijelölő kapcsolódási távolság megválasztásában, ez esetben az analízis által felépített klaszterstruktúra első ránézésre azonosítható. (Lásd az 5. ábrát.) Az egyesítési távolság értékét 2-nek választva három klaszter bontakozik ki: az egyikbe a nagyagy és a kisagy fehérállományának mintái kerültek, ez tehát triviálisan a „fehérállomány-klaszter”. Egy másik, szintén homogén klaszterben csoportosultak a kisagy flocculonoduláris lebenyéből és a vermisből, valamint a cerebelláris kortexből (a kisagy kéregállományából) származó agyszövetek, ezért ez a klaszter „kisagy” klaszterként azonosítható. A harmadik, az előző kettőnél heterogénebb klaszterben a cerebrális kortex, a nagyagy kéregállományának különböző területeiből vett sejtek képviseltetik magukat, ez a klaszter tehát „nagyagykéreg” klaszternek nevezhető. 5. ábra. Klaszteranalízissel kapott fadiagram
A klaszteranalízis mintázatfelismerő képessége feltárta a nagy agyi struktúrák különbözőségét a nukleozidkoncentrációk alakulása szempontjából. Az inhomogén agyi
1018
DR. SZILÁGYI NÓRA
nukleozideloszlás megértéséhez közelebb jutunk ha megkeressük a klasztereket maximálisan szeparáló nukleozidkombinációkat (lásd a 6. ábrát), vagyis a diszkrimináló függvényeket (lineáris függvények számítása megfelelőnek bizonyult). A kapott két kanonikus függvény egyike a kis- és nagyagyat választja szét, ebben az uracil (r = = –0,36), az inozin (r = 0,27) és az adenozin (r = –0,31) szerepel (zárójelben az adott nukleozid és a kanonikus függvény korrelációs együtthatója). Ezt a két nagy régiót a fehérállomány-klasztertől a másik kanonikus tengely, azaz az uracil (r = –0,46), uridin (r = 0,48) és guanozin (r = 0,28) függvénye szeparálja. A fehérállomány különbözősége tehát, összehasonlítva a kéregállomány régióival, főleg a pirimidin-anyagcserén múlik (uracil, uridin), míg a cerebrumnak a cerebellumtól való eltérését inkább a purinoké magyarázza meg. 6. ábra. A mérési adatok klaszterei a kanonikus függvények terében
Ezeknek az eredményeknek a biológiai interpretációja egy sor gondolati láncolatot indíthat meg a nukleozidok dinamikájával kapcsolatban. Az például, hogy a pirimidinek családjába tartozó uracil mindkét diszkrimináló függvényben a purinok családjába tartozó más nukleozidokkal együtt szerepel, arra utal, hogy a két nagy család nem elkülönülten működik. A kölcsönhatás természetének pontosabb megismerésére újabb kísérleteket szükséges tervezni, melyeknek elvégzése ezek után meg is éri a fáradságot. A nukleozideloszlás regionális különbségeinek magyarázatául illusztrációként két lehetséges okot érdemes megemlíteni: az agyi kapilláris denzitást és a neuron/glia arányt. A kapillárisok (hajszálerek) sűrűsége azáltal befolyásolhatja eltérően az egyes agyterületek nukleozid koncentrációját, hogy oxigénhiány indukálta változásokat hozhat létre. A neuron/glia arány pedig amiatt jelentős szempont, mivel az idegsejtekben és a gliasejtekben különbözik a nukleozid anyagcsere az eltérő purin metabolikus enzimeloszlás következtében. Az adenozin lebomlása például gyorsabb a gliában mint a neuronban.
STATISZTIKA A NEUROBIOLÓGIÁBAN
1019
A nukleozidvizsgálatunkhoz kiválasztott agyi régiók a neuron/glia arány tekintetében erősen különbözők. Ez az arány igen magas a kortexben (agykéreg) és alacsony a fehárállományban. Továbbá speciálisan a kisagyi kortexre egészen más arányszám jellemző, mint a nagyagykéregre, és az ez utóbbin belüli egyes kortikális struktúráknak is rájuk jellemző neuron/glia arányaik vannak. * Összefoglalásként érdemes kiemelni, hogy a biológia (és minden természettudomány) problémamegoldó tevékenysége a kísérleti és elemző fázisok összefonódása által alkotott gondolati spirálison halad egyre magasabb szintre. Ebben a folyamatban egymást feltételezi a két szakasz: csakis a kísérleti adatokban rejlő információ birtokában állítható fel releváns hipotézis és csak a statisztikai elemzés biztos talaján válaszolhatunk a kísérlet által feltett kérdésre. A válasz azonban újabb kérdést, azaz újabb kísérletet indukál, és így halad a megismerés útján, jelen esetben a neurobiológia, célja, az agyműködés rejtélyeinek felderítése felé. SUMMARY Life science research has become increasingly interdisciplinary and its most important co-science is mathematical statistics. The special role of statistics in biological research has been emerged from the special features of biological problems which is demonstrated in the present paper through a neurobiological example. Characteristics of the information transmission and processing of the human brain originate from the dynamics of neurotransmitter and neuromodulator chemical substances like nucleosides. In order to understand the effects of nucleosides in the human brain their regional distribution has to be disclosed. The exploration of the nucleoside-map based on a 404 by 7 data matrix in statistical interpretation leads to pattern recognition and classification models.
