Megfejteni az idegsejtek suttogását: az idegsejt aktivitás mintázatok azonosítása

2023. május 5. péntek

Ha a sejtek szétválogatásával megvagyunk következik a második elemzési fázis. Igazából az egész dolog lényege. Megpróbáljuk sejtjeink tüzeléséből és tüzeléseik összefüggéséből kibogarászni mit és hogyan kódolnak.
Itt két megközelítés alapján dolgoznak a kutatók: az egyes sejtek működésének oldaláról (single neuron approach) és a sejtcsoportok működésének oldaláról (population approach).

A single neuron megközelítésben azt vizsgáljuk, a sejt hogyan (egyet, sokat, kisüléssorozatokban, szabálytalanul, szabályosan) és mikor (a feladat elején, végén, a tér valamelyik pontján) aktív, illetve más egyedi sejtekhez képest mikor tüzel (ha egy sejt tüzel később ő is tüzel vagy pont elhallgat). Ez a megközelítés viszonylag egyszerű számításokat igényel, igaz nagy számban.

 

A hallókéregből elvezetett populációs válasz. A felső sor az állatnak adott hangigert mutatja be. Alatta néhány tucat idegsejt tüzelési mintázatának rasztere látszik. Az alsó sor két tüzelési frekvenciájának időbeli változását mutatja.

 

Három hippokampális sejt hely mezője: A bal oldalon egy négyzet alakú dobozban szürke vonal mutatja merre mozgott a kísérleti állat. Piros pontok jelzik azokat a helyeket ahol az egyes sejtek megszólaltak. A jobb oldalon az előzőből számolt területegységre eső tüskeszám alapján kiszínezett térkép mutatja, hogy az egyes területeken mennyire aktív az adott sejt. A piros területeken legmagasabb az aktivitás, ez jelöli ki az adott sejtek helymezejét, mely a doboz különböző területeire esik.

Alapvető elemzésként fel lehet rajzolni mikor milyen frekvenciával tüzel a sejt. Itt a függőleges tengelyen a sejt tüzelését a vízszintes tengelyen pedig az időt, a kísérlet fázisát, az állat térbeli helyzetét vagy egyéb dolgokat szoktak ábrázolni. Azt is lehet, hogy a kísérleti terület 2D térképére egy pontot teszünk az állat helyzetéhez, amikor annak egy sejtje tüzelt. Ha az összes tüskét felrajzoltuk, láthatjuk, hogy például egy sejt a terep egyik sarkában szeret bekapcsolódni egy másik a másikban, azaz a sejteknek van „hely mezeje” (space field). Ezek a megközelítések tehát a sejtek szelektivitását (receptive field) képesek felderíteni.
Amikor azt vizsgálják egy idegsejt hogyan reagál egy ingerre, a legalapvetőbb dolog amit felrajzolnak az a PSTH: peri stimulus time histogram, magyarul az inger körüli eloszlás grafikon. Ez úgy készül, hogy feljegyzik a sokszor ismételt ingerhez képest (ez a 0 időpont) a sejt mikor aktív. Ebből látszik az, hogy sejtünk mozgatja-e füle botját az ingerre vagy nem. Ha nem reagál akkor a PSTH egy kb. egyenes vonal, hiszen az ingert megelőzően és azt követően ugyanolyan valószínűséggel tüzelhet a sejt. Ha reagál, akkor kisebb nagyobb púpot, vagy gödröt látunk a PSTH-ban a nulla pont után. A púp azt jelzi sejtünk fokozta működését, a gödör azt, hogy csökkentette, de ugye mindkettő egy reakció. A púp-gödör csúcsa pedig megmondja a kölcsönhatás kialakulásához szükséges időt.

Egy idegsjet PSTH-ja három egyre növekvő erősségű inger esetében. A felső sor a sejt több tucat tüzelési sorozatát mutatja az ismétlések során. A növekvő intenzitású ingert egyre erősebb piros szakasz jelzi. Az inger először gátolta a sejt aktivitását, majd kiapcsolásakor a sejt aktivitása rövid idöre megnő. Alul az ismételt válaszok átlagolásából készített grafikon mutatja a sejt válaszát, mely egyre erősebb lesz az inger függényében (ki majd bekapcsolódik).

 

Idegsejtek tüzelésének autokorrelogramjai. A felső azt mutatja, hogy a sejt egyes akciós potenciáljai környezetében szabályos távolságonként nagyobb valószínűséggel alakul ki egy másik, azaz a sejt szabályos frekvenciával tüzel. Az alsó eloszlás azt mutatja, hogy a tüskék közötti távolság tetszőleges lehet, azaz a sejt szabálytalamul tüzel. Mindkét görbe közepén egy mélyedés található a nulla pont közelében, ez azt mutatja, hogy egy akciós potenciál után a sejtek egy időre refraktor állapotba kerülnek, azaz egy ideig nem képesek akciós potenciált kibocsájtani.

Azt, hogy adott pillanatokban (vagy az egész kísérlet során) mi jellemző sejtünk tüzelésének szabályosságára azt az auto-correlation, azaz a saját tüzelésével, mutatott összefüggés kiszámolásával lehet vizsgálni. Kicsit hasonló a PSTH előállításához. Itt az történik, hogy megnézzük, hogy minden egyes tüske előtt és után mikor következik egy következő és egy táblázatba húzunk egy strigulát a megfelelő időponthoz. A végén a táblázatot felrajzoljuk. Ebből megtudhatjuk, hogy a sejtünk szabályosan (ismétlődően) vagy szabálytalanul tüzel-e. Változik-e a tüzelése a feladat fázisaiban.
A kereszt-összefüggést (cross-correlation) is hasonlóan számoljuk, itt azt nézzük meg hogy a sejtünk tüzelését az egyes lehetséges sejtek tüzelése mennyivel előzi meg vagy követi. Ezekből az ábrákból azt tudhatjuk meg van-e összefüggés két sejt tüzelése között. Ha a sejtünk tüzelése után egy másik sejt nagyobb gyakorisággal tüzel akkor valószínűleg egy serkentő kapcsolatot alkotnak. Ha sejtünk tüzelése hatására egy másik sejt elhallgat akkor sejtünk közvetlenül vagy közvetve gátolhatja a másikat.
Ha N darab sejtet sikerült elvezetnünk, akkor N*(N-1) keresztkorrelációt és N autokorrelációt számolhatunk (kiszámoljuk az összes sejtpár közötti korrelációt és a sejtek saját tüzelésével kapcsoaltos korrelációt). Ezt persze megtehetjük az egész elvezetésre, vagy csak kiválasztott időtartományokban. Ezen táblázatok alapján lehet egy feltételezett hálózatot rajzolni arról, hogy az N sejt hogyan hat kölcsön.

Egy ilyen táblázat alapján fel is lehet rajzolni az elvezetett sejtek egymásal alkotott kapcsolatainak feltételezett hálózatát.
Mivel ezek a módszerek viszonylag egyszerűek évtizedek óta használják őket és az igazat megvallva egyre kevesebb újat lehet belőlük megtudni az agy működéséről.

Ugye azt gondoljuk (leginkább Donald Hebb nyomán), hogy az agyban a kódolást és a feldolgozást a sejtek nagy csoportjainak (populációinak) aktivitásmintázata és annak változása hordozza. Mint ahogy egy digitális kamerában a fényképet a pixelek értékei hordozzák. Úgy az idegsejtek csoportjai is aktivitásuk mintázatában kódolják az agyban a külvilágból érkező és a belső információt. Azáltal, hogy egyrészt a technológiai fejlődés miatt lehetővé vált egy sejt helyett most már akár több ezer sejt aktivitását is mérni, másrészt az összetett adatfeldolgozáshoz egyre fejlettebb matematikai módszerek és az ezeket futtatni képes gyors számítógépek jelentek meg, az egyedi sejt megközelítést leváltja (végre valahára, sóhajtok fel) a populációs megközelítés.
 
Itt azt keressük, hogy nagyon sok sejt ki és bekapcsolódása mit jelenthet, milyen szabályszerűségek vannak benne, hogyan függ össze a sejtek működése a feladattal, magatartási állapottal.

100 adatpont egy (felül) és két (alul) tulajdonsága alapján 1D és 2Dben elrendezve.

És akkor itt megint jönnek a sokdimenziós felhők, amiket el kell képzelnünk. De miért kellenek a felhők? Azért, mert agyunk jó geometriában. Ezekkel a módszerekkel pedig geometrizálunk, térben helyezzük el az idegsejt tüzelés mintázatokat leíró problémát.
Ez egy ék egyszerű példával szemléltethető. Ha van 100 adatpontunk, akkor, ha a számegyenesen helyezzük el őket értékeik alapján jó nagy torlódás van, nem sok lehetőségünk van valami struktúra, összefüggés megragadására. Ha viszont nem 1D hanem 2D ábrázoljuk a pontokat, egyik tengelyre A tulajdonságuk, másikra B tulajdonságuk alapján elhelyezve akkor az egyenesre betömörödött pontok széthúzódnak és a szellős struktúrában már könnyebb formákat keresni. Ha több ezer pontunk van és mindegyiknek sok mért tulajdonsága akkor, ha sok dimenzióba „rajzoljuk” a pontokat akkor jobbak a lehetőségeink az elemzésre. És ugyan mi csak 3D látunk, a monitorunk meg csak 2D tud dolgokat mutatni, egy sokdimenziós térben a számítógép ki tudja választani azokat a dimenziókat, amik felől nézve látszanak legjobban, amiket keresünk és mondjuk ebből hármat vagy kettőt választva 3D vagy 2D meg tudja mutatni a szerkezetet. Hogy lehet egy 5D objektumot 3D (vagy 2D) megmutatni? Lásd a fenti ábra. A négyzetben felrajzolt pontokat, ha levetítjük az egyik tengelyre akkor eggyel kisebb dimenzióban is tudjuk a pontokat ábrázolni (igaz vesztünk felbontást). Azaz egy 20Ds objektumról készíthetünk kevesebb dimenziós vetületet, a hármat és kettőt már látjuk (https://youtu.be/YGmQe85cBeI). A sokdimenziós vizsgálódásokban az a szép, hogy 2 és 3D számolások - két pont távolsága, 3 pont szöge vagy egy pontfelhő átmérője, sűrűsége – egyszerű matematikával több dimenzióra is általánosíthatók (például pythagoraszi távolság).

Idegsejt aktivitás több dimenziós állapottérbe való beágyazása. Felül az látható hogy két időpontban (bal és jobb oszlopdiagram) a három mért idegsejt aktivitása milyen erős. Középen a két időpontot két pont jelzi egy 3D térben. A pontok pozícióját a három sejt aktivitisának az X, Y és Z tengelyre való felmérése adja. Alul egy hélózat lehetséges állapotai a 3D térben. Principális komponens (PCA) módszerrel meghatározható melyek azok az irányok (sárga nyilak) melyek mentén a legnagyobb különbség adódik a pontfelhők alakjában. Ezeknek alapján a ponthalmaz két hosszú hurkára (kék és piros) választható szét mely a hálózat két jelentősen eltérő állapotát jelzi. A ponthalmaz alakja határozza meg a sokaságot.

 

Mondhatunk olyat például, hogy a sokdimenziós térben agyunk egyik állapota távolabb van a nyugalmitól, mint egy másik állapotban. Vagy a sejtek aktivitásfelhője kiterjed, beszűkül, megnyúlik, kettéválik.
Sok múlik persze, hogy több dimenzióba hogyan helyezzük el (ágyazzuk be, angolul embedding) az adataink pontjait. Az adattól és a kérdéstől is függ melyik a lejobb beágyazás.

Az egyik beágyazási mód az állapottér (state space). Itt annyi dimenziós teret veszünk ahány idegsejtünk van és egy adott pillanathoz tartozó pontot úgy helyezünk el, hogy minden idegsejthez tartozó tengelyre felmérjük annak a sejtnek a tüzelési erősségét. Ha az egymás utáni időpillanatokat összekötjük akkor kapunk egy sokdimenziós görbe vonalat, aminek mentén a rendszer mozog (trajektória, trajectory). Vizsgálni lehet, hogy ismételt feladatban vagy eltérő feladatokban ezek az útvonalak mennyire egyeznek vagy térnek el és ha eltérnek hogyan.

Ábramagyarázat a szövegben.

Az egyedi és populációs megközelítés közötti különbséget mutatja be a két ábra. A kísérletben egy megfelelő magasságú figyelmeztető hang elhangzása után az állatnak (egér) át kellett ugrania egy hirtelen felbukkanó akadáyt. A bal oldali ábrán azt látni, hogy a prefrontális kéregből (mely a döntésben és terveztésben fontos agyterület) közel 2000 idegsejt hogyan válaszol akkor, ha a kísérle során a figyelmeztetést jelentő hang (bal oszlop) vagy egy másik magasságú hang hangzott el (jobb oszlop). A hangok a szaggatott vonallal jelzett pillanatban szólalt meg. Az emészthetőség kedvéért a sejteket úgy rendezték, hogy felül vannak akik a legerősebb pozitív választ mutatták, alul pedig akik leginkább elcsendesedtek. Annyi látszik, hogy a hang adása után megváltozik a sejtek tüzelése. A megfelelő hang esetében a sejtek nagy része mutat erős pozitív vagy negatív választ. Ugyanazok a sejtek a nem megfelelő hangra (jobb oszlop) kicsit megnövelik válaszukat, de az egyes sejtek nem válaszolnak jelentősen eltérő módon.

 

Jóval többet lehet látni az alanti populációs elemzésen. Itt a sejtek több dimenziós térbe beágyazott viselkedésének ismételt kísérletek során megfigyelt trajektóriái látszanak, a legtöbb információt hordozó 3 dimenzió felől. A felső részen a kísérletet mutató idővonalon a pont mutatja, hogy a kísérlet mely pillanata látszik az ábrán. A bal oldal a hang megszólalása előtti pillanatot, a jobb oldal pedig az állat válaszának folyamatát mutatja.

Ábramagyarázat a szövegben.

A bal oldalon látszik, hogy a hangjelzés elhangzás előtt mindhárom esetben az idegsejt populáció ugyanott helyezkedik el (a felrajzolt trajektória a bekövetkező válaszreakciót mutatja). A jobb oldal a válasz alatti állapotot mutatja. A fekete pontok és a hozzájuk tartozó kis térrészt elfoglaló trajektóriák azokat az eseteket mutatják, amikor nem a figyelmeztető hangsz szólalt meg. A zöld pontok a zöld trajektórián a figyelmezttő hang elhangzása utáni sejtpopulációs válaszokat mutatják abban az esetben amikor az állat a helyes elkerülő válaszokat adta . A narancs pontok a figyelmeztető válasz utáni helytelen (nem elkerülő) válaszok alatti populációs aktivitásokat mutatják. Mivel a feket és a narancs eset elkülönül a zöldtől, de mindkettő kis térrészben mozog (ellentétben a zölddel) azt lehet megállapítani, hogy az állat agya, ugyan észlelte az eltérést a két hang között, de azért nem értelmezte a figyelmeztető hangot válaszra felhívó ingerként. A helyes válaszok (zöld) esetében a populáció ugyanonnan indult ahonnan a narancsárga, de utána el is mozdult. Ilyen típusú kísérletekből kibogarászható egyes agyterületeken miféle feldolgozás történik.

A fentiekben részletezett módon 3Dbe beágyazott trajektóriák (felül) és a PCA után a legnagyobb különbségeket adó irányba beforgatott nézetük (alul).

Mivel az idegsejtek működése gyakran összehangolt (korrelált) ezért az állapottérben megjelenő felhők, trajektóriák nem tetszőleges alakúak és csak rész dimenziókba terjednek ki. Ugye például ha X tengelyen egy marhacsorda állatainak korát, az Y-on pedig a súlyukat ábrázoljuk, akkor nem az egész grafikonunk lesz tele pontokkal, hanem a bal alsó saroktól a jobb felsőig fut egy hosszúkás pontfelhő (mivel az öregebb marha nehezebb, általában). A felhő hossza a fő dimenzió, az arra merőleges dimenzióban jóval kisebb a kiterjedés. Az állapottérben a pontfelhők/trajektóriák kiterjedését hívják sokaságnak (manifold) és ennek az alakját elemezve is lehet következtetéseket levonni az idegrendszer kódolási szabályairól. Úgy tűnik az idegsejt aktivitás dimenziója összefügg a feladatokat bonyolultságával, illetve eltérő lehet a mozgási és gondolkodási feladatok alatt. Gondolataink szabadabban Szárnyalhatnak, mint az izmok, ízületek és szalagok által meghatározott testünk, ennek megfelelően a gondolkodásban résztvevő sejtcsoportok magasabb dimenzióban helyezkednek el, mint a mosgáztervezésben résztvevő sejtek.

3Ddben elhelyezett sokaság feldarabolása egy síkkal (szürke). A Sík két oldalára eső pontok (piros és szürke) egymástól eltérő állapotokhoz tartoznak.

A sokaságok vizsgálatakor megfigyelhető, hogy vannak olyan dimenziók, amik mentén az aktivitás együtt mozog az inger vagy a feladat valamelyik tulajdonságával, ezeket hívják kódoló dimenzióknak (coding dimensions). Például a látókéregben az idegsejtek aktivitásának bizonyos arányú változása a színt, egy másik arányú változás pedig mondjuk a méretet kódolja. Mivel a dimenziók valamelyest függetlenek, ezért több dimenzióban mozogva a sejtpopuláció aktivitása több dolgot tud egyszerre kódolni.

 

Folyt köv...

 

Szerző: Gulyás Attila

Köszönet Varga Viktornak a segítségért

<< Vissza
Korábbi hozzászólások
Még nincsenek hozzászólások
Új hozzászólás
A hozzászólások moderáltak, csak az Admin jóváhagyása után jelennek meg!