Megfejteni az idegsejtek suttogását: az idegsejt aktivitás mintázatok azonosítása (folytatás)
Egy fontos gondolat, hogy az idegsejt populációk aktivitásának időbeli változását leíró trajektóriákat számunkra nem mérhető erők alakítják. Ha azonban megfigyelünk sok trajektóriát, következtethetünk a hálózat viselkedését formáló erőkre, a hálózat dinamikájára (az aktvitás fejlődésére).
Az erők alapján kiszámítható minden egyes pontból merre szeret elmozdulni a rendszer.
A gondolat szemléltetéséhez egy hegyekkel, dombokkal, völgyekkel tarkított tájat kell elképzelni, amelyikre labdákat dobálunk. Ezek a domborzat lejtése alapján gurulnak végig a hegyek lábainál futó völgyekig. De eshet az eső is a hegyekben, melyből az összegyűlő víz patakok útján a folyóvölgyekbe gyűlik. Az állapottérben jelenlevő gyűjtő pontokat, vonalakat hívják attractor-oknak (attract=vonzani).
A trajektóriák alapján úgy lehet felrajzolni ezt a domborzatot és megtalálni az attraktorokat, hogy minden egyes pontban megnézzük merre mozdul el a rendszer, merre lejt a hegyoldal. Praktikusan a tér minden pontjába kicsi nyilakat rajzolunk, mely az elmozdulás (a ható erő) irányát és nagyságát mutatja (gradiens vektor). A nyilakat felhasználva, melyek az adott helyen a lejtő irányát mutatják, felrajzolhatók a hegyek völgyek.
A trajektóriák alapján meghatározott domborzat alapján pedig megérthetjük hogyan dolgozza fel az információt (hogyan dönt) hálózatunk. Mondhatjuk azt, hogy a hálózat tudása, információ feldolgozó képessége ebben a domborzatban és az általa meghatározott attraktorokban jelenik meg, melyek irányítják merre fejlődjön a rendszer állapota az információfeldolgozás során. Egy feladat kiértékelés, során az idegsejtek aktivitása a kiindulási pontból, belegurul valamelyik attraktorba. De ugye, mint a hegyvölgyes táj esetében is több pontból gurulhat ugyanoda a labda, a neuronhálózatok is indulhatnak máshonnan mégis ugyanoda jutnak. Ezzel ellentétes amikor közeli állapotból indulva távoli helyekre jutnak el. A földrajzban a vízválasztó fogalma azt jelenti, hogy vannak olyan csúcsok és hegygerincek, ahol két egymás közelében leeső esőcsepp jelentősen máshova jut el. Az Alpok bizonyos csúcsaira eső cseppek egy része a Dunán keresztül a Fekete tengerbe jut, más részük a Pó-n keresztül az Adriába.
Az agy információ feldolgozásának két fajtáját (kategorizálás-csoportalkotás és döntés) jól szemléltethetjük ezzel a domborzati képpel. Amikor egy dologról el akarja dönteni agyunk hálózata hova tartozik (kategorizálás) az olyan, mintha ledobná a labdát a domborzat egy pontjára és megnézné melyik völgybe gurul le.
Az Alpok egyik hegyvonulatának szintvonalas térképe látszik felül, vízválasztókkal és folyóvölgyekkel. Alant ugyanezen terület 3D nézetének 2D képernyőfotója látszik a Google Earthből programban. Hogy eldöntsük egy ehető növény gyümölcs vagy zöldség-e képzeljük el, hogy erre a domborzatra a gerinc közelébe labdákat dobálunk. A gyümölcsöket (narancs, mandarin, alma, szilva) a sokdimenziós térben reprezentáló megfelelő sárga-narancsárga pontok és a zöldségeket (karalábé, zeller, sárgarépa) reprezentáló lila-zöld pontok a piros vonallal jelölt zöldség-gyümölcs vízválasztó eltérő oldalain találhatók. A gyümülcsök északra, azaz a gyümölcsök völgyébe gurulnak le (sárga, nyilakkal díszített vonalak), a zöldségek délre a zöldségek völgyébe (zöld nyilakkal díszített vonalak). Ugye a paradicsomról még folyik a vita, hogy zöldség-e vagy gyümölcs. Legtöbben a zöldségek közé sorolják, pedig magas cukortartalma miatt helyesen gyümölcsnek kellene tartanunk. Nem véletlen, hogy a paradicsomból főzött édes lekvár, a ketchup, a gyerekek kedvence. A paradicsom agyunk hálózatában a vízválasztó közelébe esik, ezért bizonytalan melyik völgybe fog lefolyni (piros vonalak északra és délre).
A másik agyi feladat -a döntés- nem egy lefele guruláshoz, hanem egy felfele mászáshoz hasonlít. Az ábra jobb oldalán a kék (felfele kapaszkodó) útvonalak jelképezik, hogy a hegy lábától elindulva és egy völgyön felfele kapaszkodva a völgyelágazásoknál dönthet agyunk, hogy merre halad és így majd melyik csúcsra fog feljutni. A legmagasabbra, ami a vörösborban sus-vide-ált kacsa gyömbéres körtével, vagy egy kisebb csúcsra jutunk, mondjuk a tökfőzeléknél fasírozottal. Az egyes elágazásoknál pontos helyzetünk, azaz agyunk állapota és a környezet ingereinek kölcsönhatása fogja meghatározni merre megyünk. Ha megjelent egy cikkünk és a minap volt a fizetés akkor a tökfőzeléknek esélye sincs.
Mutatok két gyakorlati példát, hogy lássuk mire is jó mindez.
Az idegsejt és agyterület mintázatok elemzésének lehetőségeiről már 10 éve megjelent egy figyelemre méltó hír. Egy kísérleti alanyt fMRI-be fektetve nézték, hogy videók lejátszása során milyen mintázatban aktiválódnak a látókéreg területei. Egy tanuló hálózatot megtanítottak arra, hogy a videóképet asszociálja a megfigyelt agyi mintázatokkal. Ezek után a kísérleti alanyt hagyták elaludni a masinában és felvételeket készítettek agyműködéséről, majd megkérdezték a tanuló hálózatot, hogy szerinte az alany mit látott álmában. Az alanyt az ébredés után kikérdezték álmairól és megállapították, hogy 60%os jósággal sikerült megbecsülni milyen típusú álma volt a kísérleti alanynak.
Ennél hasznosabb hozománya is lehet sok idegsejt aktivitását megfigyelni. Amputált végtagú, vagy megbénult emberekben a mozgatókéreg idegsejtek aktivitását megfigyelve és elemezve bonyolult robot karokat lehet mozgatni vagy bénult esetében a kar izmait elektromosan stimulálni. Az idegsejt csoportok működésének elemzésével az egyes feltárt dimenziók hozzárendelhetők a művégtag mozgásirányaihoz vagy az izmok ingerléséhez. Így egészen bonyolult mozgásokat lehet „gondolati” úton vezérelni. Persze ez nem úgy megy, hogy bedugnak egy elektródát, rákötik a protézisre és a beteg máris hegedül, hanem több hónapos tanulást igényel mind a páciens, mind a vezérlést végző tanuló hálózat részéről. Hasonló ahhoz ahogy egy csecsemő megtanuljon fogni, járni másfél év kell.
Még egy fontos dolgot kell említenünk. Amikor ilyen nagy adathalmazokkal dolgozunk (nem csak idegsejt tüzelések, hanem egyéb big-data adathalmazok esetében is) nagyon oda kell figyelni, hogy miután kaptunk valami eredményt megvizsgáljuk az mennyire megbízható. Ha ugyanis sok adatunk van, akkor abban nagyon könnyű véletlen összefüggéseknek és struktúráknak látszó elemeket találni. Ezek nem biztos, hogy jelentenek valamit. Lásd felhőnézegetés. A gomolygó felhőben, mivel agyunk (és módszereink) mintázatkereső(k), sok érdekes állatot fogunk látni. De ugyanez a jelenség a babonák meg a városi legendák esetében is. Egyszer mondjuk az egyik utcasarkon találtunk 1000 forintot, mert reggel kicsit korábban indultunk el. Hajlamosak leszünk kicsit korábban elindulni, hiszen agyunk a megtalált pénz jutalma hatására megpróbált mindenféle korábbi eseményt megvizsgálni, mint okot. Talált egyet, bedrótozta, pedig csak kevés mérése (1 darab) volt. Sajnos ugyanebből a jelenségből élnek meg a rákot, az elhízást és még sok mást gyógyító sarlatánok. Amikor egyik családtagom rákbeteg volt a rokonságból mindenki ajánlott mindenféle csodaszert, mert hogy hallotta, hogy a Józsi bácsi is ettől gyógyult meg. Hiába magyaráztam, hogy én azt is szeretném tudni, hogy hányan NEM gyógyultak meg mielőtt a csodaszerekre sok pénzt pocsékolok.
Az ilyen hibák elkerülésére a kutatók szigorú eljárásokkal vizsgálják meg eredményeiket. Hirtelen most két módszert említek. Az egyikben kettévágják az adathalmazt és egyik felén végzik el az elemzést. Ha találtak valamit akkor azt a másik felén vagy az egybeolvasztott adathalmazon is megkeresik. Ha ott van akkor is, megnyugodhatnak, ha nincs ott elvetik. A másik eljárás, hogy az adatokat valamilyen módon összekeverik, lefuttatják az elemzést, megint összekeverik, megint elemeznek. Ezt akár több ezerszer megcsinálják és megnézik, hogy a véletlenül előállított adathalmazokban milyen erős összefüggéseket találnak, előfordul-e az a struktúra, amit találtunk. Ez lesz az alapvonal és a valós adathalmazon csak azokat az összefüggéseket fogadják el, amik jelentősen erősebbek (kisebb eséllyel fordulnak elő), mint a véletlen keverés útján kapott adatokból nyert eredmények.
Ezzel nem zártuk le a témát, az #agyséta rovat későbbi részben, ahol a hálózatok működéséről beszélünk további adalékokat osztunk majd meg az idegsejtek populációs aktivitásáról a későbbiekban.
Addig is, akit érdekel (vagy van olyan ismerőse, akit érdekel) a big data, az adatelemzés és a programozás, keressen magának egy agykutató labort és jelentkezzen! Az agykutatóknak mindig szüksége van fizikusokra, matematikusokra, programozókra, hogy egyre bonyolultabb elemzéseikhez új megközelítéseket fejlesszenek.
Szerző: Gulyás Attila
Köszönet Varga Viktornak a segítségért