Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái
Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1
RMKI, Biofizikai osztály 2 Wayne State University, Detroit, USA Simonyi-nap Budapest, 2010. október 18.
Kortikális makrohálózatok ●
Agykéreg
●
Kérgi területek
●
Funkcionális felosztás
●
●
Szenzorikus területek
●
Motorikus területek
●
Reprezentáció, memória, tanulás
●
Kognitív funkciók, kognitív kontroll
Interakciós hálózatok
A rendszer komplexitása ●
Egyetlen idegsejt is bonyolult rendszerek összessége
●
●
1011 idegsejt, sok különböző típus Bonyolult kapcsolódási minázatok, 1015 kapcsolat
●
Nagy variabilitás
●
Mérési nehézségek ● ●
●
Különböző szintek kölcsönhatása Nincs egyszerre jó tér- és időfelbontású eszköz Emberben csak neminvazív módszerek használhatók
●
Komplex betegségek állatban nem modellezhetők jól
Skizofrénia ● ●
●
●
Több tünetegyüttes gyűjtőneve Hallucinációk, tévképzetek, memóriaproblémák A biológiai háttér jórészt ismeretlen Egy ígéretes elmélet: szétkapcsoltsági hipotézis ●
A memóriaformáció tudatos irányítása sérül bizonyos agyterületek közötti elégtelen kommunikáció miatt
Funkcionális képalkotás ●
Makroszkopikus aktivitás mérése
●
fMRI – mágneses rezonancia
●
Háromdimenziós kép az egész agyról
●
Jó térbeli, gyenge időbeli felbontás
●
Áttételesen mérjük a neurális aktivitást
●
●
●
Időben simított jel
●
Véroxigénszint változása
Kísérleti paradigmák ●
Passzív – nyugalmi állapot mérése
●
Feladat – funkcionális részhálózatok
Az agyterületekhez idősorozatokat rendelhetünk
Statisztikai modellezés ●
Rejtett változós generatív modellek x˙ = f x , u , f y= x , ●
Megfigyelt változók: y,u
●
Véletlenszerűség bevezetése – – –
●
Zaj Véletlen állapotváltozók Véletlen paraméterek
Modellinverzió ●
Rejtett változók eloszlása
●
Paraméterek eloszlása
●
Paraméterek becslése
Makrohálózati modellek ●
Az fMRI-vel mért jel generatív modellje N
x˙ = A∑ i=1 u j B xCu y = x , h j
●
A feladathoz tartozó funkcionális hálózat kiválasztása
●
Agyterületek közötti kölcsönhatás dinamikája
●
Bemenetek hatása a területek aktivitására Külvilágból érkező jelek – Többi agyterületről érkező jelek Leképezés a neurális aktivitás és a mért jel között –
●
●
Paraméterek illesztése a mért adatra ●
Interakciók erőssége
●
Leképezés paraméterei
Bayesiánus statisztika p∣ y , M =
p y∣ , M p∣ M p y∣M
F =−〈 ln p y ,∣ M 〉 q 〈 ln q 〉 q
●
A paraméterek Maximum A Posteriori becslése
●
Modellstruktúrák összehasonlítása ●
Illeszkedés az adatra
●
Ockham borotvája – a kisebb komplexitás preferenciája
●
A rendszer információelméleti szabadenergiájának minimalizálása – –
A MAP paraméterbecslés approximációja Az illeszkedés és komplexitás egyensúlyát beállító modelljóság-mérőszám
A kísérlet
●
●
●
Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport
A feladatban szerepet játszó agyterületek
●
Primer vizuális kéreg – szenzoros információ forrása
●
Szuperioparetális kéreg - helyreprezentáció
●
Inferiotemporális kéreg - objektumreprezentáció
●
Hippokampusz – asszociatív memória formulációja
●
Prefrontális kéreg – memória kognitív kontrollja
A modelltér definíciója
●
Összekötöttség ●
Anatómiai és funkcionális adatok alapján
●
Előrecsatolt vagy adatáramlás
●
Visszacsatolt vagy kontroll áramlás
●
Bemenetek a kísérleti körülmények alapján
●
Vizsgált modellhalmazok ●
A kontroll áramlás kapcsolatainak kombinációi
●
A bemenetek hatásainak kombinációi
Modellöszehasonlítási eredmények
●
Az egészséges csoportban egyértelmű nyerő modell ●
●
●
●
Tartalmaz minden feltételezett kapcsolatot
A skizofrén csoportban nincs egyértelmű nyertes, és különböző hiányos modellek a legvalószínűbbek A szétkapcsoltság nem specifikus, az egész hálózat komplexitása csökken Utalhat a csoport heterogenitására
Paraméterszintű összehasonlítás
●
Az illesztett modellek paramétereinek átlagos értéke a két csoportban
●
Eltérések ●
●
Prefrontális kéreg-hippokampusz: a memória tudatos kontrollja Hippokampusz-Inferiotemporális kéreg: az objektumreprezentáció felhasználása a memórianyom kialakításában
●
A feladat teljesítésében leginkább releváns kapcsolatok sérültek
●
Alátámasztja a szétkapcsoltsági hipotézist
Lassú tanulás vagy betegség?
●
●
●
A skizofrén csoportban lassabb a tanulás A lassú tanulás nem feltétlenül skizofrénia – hogy lehet megkülönböztetni? Modellek illesztése az egészséges, de lassan tanuló alanyokra ●
●
A teljesítményük nem jobb, mint a skizofrén csoporté A modellek valószínűségi eloszlása az egészséges csoportéval azonos alakú
Összefoglalás ●
●
●
●
●
fMRI mérések skizofrén és egészséges alanyokon, asszociatív tanulási feladattal A makrohálózati interakció generatív statisztikai modelljeinek halmaza, Bayesiánus módszerekkel invertálva A modellösszehasonlítás alapján a skizofréneknél nemspecifikusan csökken az információfeldolgozó hálózat összekötöttsége A paraméterek szintjén a kognitív kontrollért és az objektumreprezentáció felhasználásáért felelős kapcsolatok sérülnek A módszer alkalmas arra, hogy különbséget tegyünk a betegség és a lassú tanulás között
Hivatkozások ●
●
●
●
●
●
●
Friston K, Frith C (1995) Schizophrenia: a disconnection syndrome? Clin Neurosci. 389-97. Ellison-Wright I, Bullmore E (2009) Meta-analysis of diffusion tensor imaging studies in schizophrenia. Schizophr Res. 108:3-10. Farkas et al. (2008) Associative learning in deficit and nondeficit schizophrenia. Neuroreport 8:55-8. Diwadkar et al. (2008) Impaired associative learning in schizophrenia: behavioral and computational studies. Cogn Neurodyn 2:207-219. Érdi et al. (2007) Computational approach to the schizophrenia: Disconnection syndrome and dynamical pharmacology. In BIOCOMP, L.M. Ricciardi, A. Buonocore, and E. Pirozzi, eds. (Meville, NY: American Institute of Physics) 65-87. Friston KJ, Harrison L, Penny WD (2003) Dynamic Causal Modelling. NeuroImage 19(4):1273-1302. Stephan KE, Penny WD, Daunizeau J, Moran R, Friston KJ (2009) Bayesian model selection for group studies. NeuroImage 46(3):1004-1017.
Köszönöm a figyelmet!
[email protected]
