In vivo, in vitro, in silico

2022. július 13. szerda

A tanulás bonyolult folyamatainak megértéséhez szükségünk van a computational neuroscience, azaz számítógépes idegtudomány eszközeire is. Káli Szabolcsék csoportjának az eLife-ban közölt eredményei máris nagy érdeklődést ébresztettek.

"Historia est magistra vitae", citálták régen sokat a minden szónokok között talán legnevezetesebb, az időszámítás előtti első században élt Cicero mondását. Az azonban kikopott már a köztudatból néhány száz év alatt, hogy a mondás egy hosszabb mondat része volt, a "historia" jelentése pedig abban a korban a történelemtudománynál is többet, magát "a" tudományt jelentette.
A tudomány azonban már Cicero előtt, az ókori görögök aranykorának idején is elég nagy és sokrétű volt. Tudósok ugyan nem csak a görög városállamokban éltek, viszont gyakorlatilag mindegyikük több nyelvet ismert, így egymás munkáit megérthették, később pedig, a hellenizmus századai alatt, egyértelmű lett a görög nyelv közvetítő és vezető szerepe, amit a Római Birodalom előretörésével átvesz majd a latin, míg a nemzeti nyelveket nem tették alkalmassá erre a feladatra is.
Volt azonban egy néhány évszázados időszak, mikor a tudomány - és a költészet, irodalom - legfőbb nyelve az arab volt Európa nyugati felében.
A történet a mesés Kelet még mesésebb városában, Bagdadban kezdődött. Nem Harun-al-Rasid, az Abasszidák mesebeli kalifája, de Al-Mamún, a fia az a tudós kalifa, aki nemzetiségre és vallásra való tekintet nélkül udvarába gyűjtötte az akkori világ legnagyobb tudósait, és kívánságára arabra fordították még Arisztotelészt is. Ekkorra, a nyolcszázas évek elejére, az arab hódítás már száz éve elérte Európát, és csak 1491 után, mikor a csodás Granada is meghódol a spanyoloknak, szilárdul meg a latinnak, mint a tudomány nyelvének vezető szerepe a Pirenneusi félszigeten is.
A latin után, a XVIII. század végétől, tudományterülettől és földrajzi elhelyezkedéstől függően, a tudomány közvetítő nyelveként egyaránt szerepelt az angol, a német és a francia, míg a második világháborút követően a vezető szerepet átvette az angol.

Kétség sem fér hozzá, ez sem marad mindig így, de az a cikk, amiről most szó lesz, angol nyelven jelent meg az eLife folyóiratban, melynek elismertségét már több előző cikkben is méltattuk. A cikk a dinamikusan fejlődő, néhány évtizede kialakult tudományterület, a computational neuroscience, azaz számítógépes idegtudomány eszközeivel elért eredményeket mutat be, melyek segíthetnek megérteni a tanulás agyi folyamatait.
A tanulás maga sem egyszerű folyamat, az agyi folyamatok megértése sem lehet az, de Káli Szabolcs, a cikk vezető kutatója személyében avatott vezetőnk van.
Lépjünk be tehát a számítógépes idegtudomány szép új világába, és vegye is át a szót Káli Szabolcs!

- Az utóbbi időben a tudomány szinte minden területén, és ezen belül az idegtudományi kutatásokban is, egyre nagyobb szerepet kapnak a különböző számítógépes módszerek, és ezen belül is a nagyskálájú adatelemzés és a számítógépes szimulációk. Nemrég olvastam egy olyan javaslatot, mely ezeket a megközelítéseket (esetleg a gépi tanulással kiegészítve) egy szintre helyezi a tudományban hagyományosan használt elméleti és kísérleti módszerekkel.

- Az úgynevezett "in silico", azaz számítógépes kísérletezés már nem új dolog, és könnyen belátható több előnye is, de mi az ilyen modellek lényege, még inkább fontossága, és kiemelten, az eredmények in vivo alkalmazhatósága az idegrendszeri kutatásokban?

- Kezdjük az elején.
Az elméleteknek, modelleknek mindig is alapvető szerepe volt a tudományos kutatásban. Jellemző, hogy a kísérletezők is valamilyen (gyakran kvalitatív) modellben gondolkodnak, amikor felállítják hipotéziseiket, és értelmezik eredményeiket. A probléma csak az, hogy olyan komplex rendszerek esetében, mint amilyenek például az agyi hálózatok, a tisztán intuitív megközelítés gyakran félrevezető lehet.
Az általunk készített és szimulált modellek annyiban különlegesek, hogy a biológiai entitásokat és összefüggéseket matematikai mennyiségek és egyenletek formájában írjuk le. Ez egyrészt lehetővé teszi, hogy az egyenletek (gyakran számítógéppel segített) megoldásával kvantitatív, kísérletileg ellenőrizhető predikciókat találjunk, másrészt – ami legalább ilyen fontos – rákényszerít minket arra, hogy az összes feltevésünket explicit módon specifikáljuk, és a modell leírásához szükséges adatokat pontosan megadjuk. Ily módon egy in silico modell alkalmas arra is, hogy összefoglalja az adott rendszerrel kapcsolatos aktuális ismereteinket, és rámutasson azokra a „lyukakra” is, amelyek betöltése kritikus lenne a modell pontos megadása és így a megfigyelt jelenségek mögött álló mechanizmusok azonosítása szempontjából is.

- Ez a gyakorlatban, a Ti munkátok esetében mit jelent?

- Az én csapatom („laborom”) elsődlegesen számítógépes szimulációk segítségével vizsgálja az idegrendszer működésének alapelveit, és ezt egészítjük ki klasszikus elméleti, elsősorban matematikai módszerekkel, valamint kísérleti adatok elemzésével.

- Hogyan kapcsolódik a szimuláció, a kísérleti adatok és a matematika?

- Nagyon fontosnak tartom, hogy a számítógépes idegtudomány (computational neuroscience) ne szakadjon el a valóságtól, és ennek véleményem szerint a legbiztosabb módja a kísérletes módszerekkel és eredményekkel való folyamatos kölcsönhatás és integráció.
A KOKI-ban töltött immár több, mint 20 év során mindig arra törekedtem, hogy olyan területeken dolgozzak, ahol az általunk használt elméleti és szimulációs módszerek a lehető leghatékonyabban egészítik ki a csoportban és a KOKI más laborjaiban folyó kísérletes munkát.

- Miről szól mostani cikketek, és mi volt az az eredmény, ami miatt ez a kiváló lap közlésre elfogadta?

- Hájos Norbert és csoportja már a 2000-es évek óta vizsgált olyan hippokampális szelet-preparátumokat, melyekben az in vivo megfigyelhető aktivitás-mintázatokhoz (pl. éleshullámokhoz és gamma oszcillációkhoz) nagyon hasonló hálózati aktivitás mérhető. Ezek az in vitro kísérletek lehetővé tették az ezen populációs aktivitás-mintázatok hátterében álló sejtszintű és szinaptikus mechanizmusok részletes vizsgálatát (többek között elektrofiziológiai, farmakológiai és optogenetikai módszerekkel), illetve az ezeken az adatokon alapuló in silico modellek építését is. Ezeket az eszközöket kombinálva dolgozunk már jó ideje Norberttel, Gulyás Attilával és jó pár tehetséges fiatal kollégával együtt a különböző hippokampális aktivitás-mintázatok és a köztük létrejövő átmenetek megértésén.
A mostani cikkben ennél még egy lépéssel tovább mentünk, megpróbáltuk összekötni az in vitro adatokat és a modellt az élő állatból származó megfigyelésekkel, és azt tűztük ki célul, hogy a modell segítségével feltérképezzük a kapcsolatokat a hippokampális hálózati dinamika és kódolás, valamint a tanulás között.
A most megjelent cikk elsősorban a számítógépes szimulációk eredményeit mutatja be.

- A hippokampuszról ugyan sokat lehet hallani, olvasni, de kezd kérlek ezt is az elején!

- Ismert, hogy a hippokampusz alapvető szerepet játszik a tanulási és memória-folyamatokban, valamint a térbeli tájékozódásban. Azt is tudjuk, hogy a tanulási folyamatokban fontos szerepe van egyrészt az éber felderítés (exploráció) során bekövetkező szinaptikus változásoknak, másrészt a hippokampális hálózat alvás közben bekövetkező spontán reaktivációjának az éleshullámok során, mely együtt jár a hippokampális helysejtek mozgás során megfigyelt aktivitási szekvenciáinak „visszajátszásával”.

- A tér adott pontján aktiválódó, épp ezért helysejteknek elnevezett idegsejtek szerepének felfedezésért Nobel-díjat is adtak, de mik azok az éleshullámok?

- Az éleshullámok eredeti meghatározásuk szerint a hippokampuszban megfigyelhető jellegzetes mezőpotenciál-mintázatok („agyhullámok”), melyek általában lassú hullámú alvás közben és éber nyugalmi állapotokban jönnek létre. Maguk az éleshullámok nagyjából 50-100 ms-ig tartó tranziens (tehát nem periodikus) mintázatok, de többnyire kapcsolódik hozzájuk egy nagyon gyors (nagyjából 200 Hz frekvenciájú) oszcilláció is, melyet többnyire magyarul is „ripple”-nek nevezünk. Az éleshullámok a hippokampuszban keletkeznek, erősen megnövekedett, szinkron neurális aktivitással járnak, és így nagyon hatékonyan befolyásolják az agykéreg többi részének aktivitását, különösen olyan állapotokban, amikor a külső ingerek hatása gyengébb. Egy népszerű elmélet szerint élményeinket először a hippokampusz tárolja, majd a lényeges információk alvás közben, az éleshullámok közvetítésével kerülnek át az agykéreg többi részébe. Ezt a hipotézist támasztja alá az a megfigyelés is, hogy az éleshullámok során a hippokampuszban és más területeken megismétlődnek („visszajátszódnak”) az idegsejt-populációk korábban, például a környezet felfedezése közben megfigyelt aktivitási mintázatai.

- Miután megértettük, mik azok az éleshullámok és mi az élettani szerepük, most oszd meg velünk, mi volt az a hipotézis, amire a modellt alapoztátok?

- Az volt a hipotézisünk, hogy a CA3 régió rekurrens (ismétlődő) serkentő kapcsolatrendszerének az éber tanulás során létrejövő struktúrája felelhet az aktivitási szekvenciák későbbi spontán visszajátszásáért, és egyben befolyásolhatja a globális hippokampális dinamikát, azaz az éleshullámok és az ezeket kísérő gyors („ripple” frekvenciás) mezőpotenciál-oszcillációk keletkezését.

- Tudnál erre egy szakkifejezések nélküli és kicsit könnyebben érthető példát adni?

Az idegtudósok közül is sokan úgy gondolják, hogy a nagy idegsejt-populációk szintjén megjelenő aktivitási mintázatok (az „agyhullámok”) valamiféle fix háttérként támogatják az információ kódolását és a tanulást is. Mi arra gondoltunk, hogy mivel a tanulás során megváltozik az idegsejtek közötti kapcsolatok erőssége és mintázata, és tudjuk, hogy ezek a hálózati kapcsolatok fontos szerepet játszanak az agyhullámok (pl. az éleshullámok és a különböző frekvenciájú oszcillációk) keletkezésében, ezért elképzelhető, hogy a tanulás során létrejövő változások szükségesek például az éleshullámok keletkezéséhez is.

- Ezt a kétféle állapotot és ezek egymásra hatását hogyan tudtátok modelletekben megjeleníteni?

- Létrehoztunk egy részletes, bár egyszerűsített CA3 hálózati modellt, amelynek sejt- és szinaptikus paramétereit az in vitro kísérleti eredmények alapján hangoltuk be, míg a szimulált tanulás során olyan aktivitási mintázatokat használtunk, amelyek a hippokampális helysejtekre jellemzőek éber exploráció során.
A modell részletes vizsgálatával és szelektív manipulációjával azt találtuk, hogy a fiziológiás éleshullámok keletkezése és az aktivitási szekvenciák visszajátszása között szoros kapcsolat áll fenn – mindkettőhöz szükség van a CA3 piramissejtek közötti, láncszerűen strukturált funkcionális kapcsolatrendszerre, amit viszont exploráció során a sejtek aktivitásától függő plaszticitási szabály hozhat létre. Azt is megmutattuk, hogy ahhoz, hogy a megfigyeléseknek megfelelően a szekvenciák visszajátszása mindkét irányban (előre és hátrafelé) is létrejöhessen, szükség van arra a speciális, a pre- és posztszinaptikus aktivitás időzítése szempontjából szimmetrikus tanulási szabályra, amit pont a CA3 serkentő rekurrens kollaterális-rendszerben figyeltek meg, és ami eltér a más kapcsolatokra jellemző szimmetrikus (kauzális) tanulási szabálytól.

- Nem csak a hippokampusz CA3-as régiójában, de máshol is vannak térsejtek. Azokra is igaz lehet, amit találtatok? És ha nem, akkor ez mit befolyásol?

- Konkrét eredményeink a hippokampuszon belül elsősorban a CA3 régióra alkalmazhatóak, mert ez rendelkezik a szükséges nagy számú serkentő rekurrens kapcsolatokkal, és itt figyelték meg a más agyterületekre jellemző időben aszimmetrikus plaszticitási szabály helyett azt a szimmetrikus tanulási szabályt, ami a két irányú szekvencia-visszajátszás lehetőségét megteremtette a modellben.
Az az általános következtetés viszont, mely szerint a tanulás és az egyedfejlődés során lejátszódó plaszticitási folyamatok strukturált szinaptikus kölcsönhatásokat és ezen keresztül strukturált aktivitási mintázatokat (pl. szekvenciákat) eredményeznek, és ennek alapvető hatása van a populációs szinten megfigyelhető hálózati aktivitásra (pl. éleshullámokra), más agyterületek működésének megértése szempontjából is fontos lehet.

- Cikketek már talán 3 hónapja fent van az interneten, és úgy láttam, ezer feletti az olvasók száma, ami igen szép olvasottságnak számít, és egyszer már idézték is munkátokat. Számítottatok ilyesmire? Mennyire fontos számotokra egy munka megjelenésekor, vajon a többiek mit szólnak hozzá?

- Természetesen számunkra is lényeges, hogy eredményeinket mások – lehetőleg nem csak modellezők, hanem kísérletezők is – érdekesnek és fontosnak találják, felhasználják és idézzék, és ezen keresztül hozzájáruljunk az idegtudomány fejlődéséhez. Ezért én is örömmel láttam, hogy a cikket sokan olvassák, sőt idézik is. Azokon a korábbi konferenciákon, workshopokon, ahol bemutattam ezt az anyagot, szintén jelentős volt az érdeklődés, és alapvetően pozitív visszajelzéseket kaptunk. Persze az, hogy végül mennyire lesz ez a munka ismert és idézett, csak évek múlva fog igazán kiderülni.

- Vannak olyan utak, melyek messzire-magasra visznek, de folytatni nem lehet, más utakat kell keresni. Zenében híres példa erre Wagner. Hogy áll ez a Ti munkátok esetében?

- Ennek a munkának szerencsére több irányban is van természetes folytatása, illetve kiterjesztése, és ezek közül néhányat már el is kezdtünk jelenlegi diákjaimmal.
Egyrészt a cikkben elsősorban az éleshullámok és ripple oszcillációk modellezésére fókuszáltunk, és szeretnénk ezt kiterjeszteni más hippokampális hálózati állapotokra, elsősorban a gamma oszcillációkra, melyek keletkezésben a CA3 régiónak szintén kulcsszerepe van. Ebben nagy segítségünkre vannak azok az in vitro adatok, amelyek megmutatják, hogy milyen sejt- és hálózati szintű változások kísérik azokat a hippokampális állapot-átmeneteket, amelyek megfigyelhetőek agyszeletekben pl. kolinerg agonista alkalmazása során. Másrészt tervezzük a modell kiterjesztését más hippokampális, sőt, egyéb kortikális régiókra is, hogy megértsük az éleshullámok és a szekvencia-visszajátszás szerepét a memórianyomok keletkezésében, előhívásában, valamint hosszútávú megőrzésében és integrációjában.

-Van egy listaféle, egy táblázat a cikketek végén arról, mit hogyan lehet értelmezni. Ez a folyóirat sajátossága hasonló témájú cikkek esetében, vagy a Ti ötletetek volt?

- Ez a táblázat tartalmazza modellünk fő feltevéseit. Ez Ecker András ötlete volt, és az a célja, hogy teljesen egyértelművé tegye azokat a lényeges egyszerűsítéseket és feltevéseket, amelyeket a modell felépítése során alkalmaztunk. Bár úgy gondoljuk, hogy ezeknek az egyszerűsítéseknek nagy része biztosan nem érinti a munkánk lényeges következtetéseit, fontosnak találtuk felsorolni őket, egyrészt, hogy minden olvasó eldönthesse, mennyire gondolja őket fontosnak, másrészt, hogy bárki, akit érdekel, kipróbálhassa, mi történik, ha más feltevésekkel él. Ugyanezen okból publikussá tettük a modell és a szimulációk teljes forráskódját és összes paraméterét.

- Említetted Ecker Andrást. A munkában azonban más diákok is részt vettek.

- Sőt, nem egyszerűen részt vettek – a modell fejlesztésében kulcsszerepe volt több olyan kiemelkedően tehetséges pázmányos diáknak is! Andráson kívül ilyen volt még Vértes Eszter és Bagi Bence, akik még a BSc képzésük során dolgoztak tudományos diákkörösként a KOKI-ban, viszont a BSc befejezése után külföldi elit egyetemeken (EPFL, UCL, Berlini Egyetem) folytatták tanulmányaikat. Ez persze számukra pozitív fejlemény volt, a projekt viszont nagyon lassan haladt. Szerencsére egyikük, Ecker András, aki a most megjelent cikk első szerzője lett, a mesterképzés, majd a PhD mellett, gyakorlatilag szabadidejében folytatta a munkát – elvégezte a hátralevő szimulációkat, látványos ábrákat készített, és megírta a kézirat első változatát. Neki óriási szerepe van abban, hogy ez a cikk végül megjelenhetett.