Megfejteni az idegsejtek suttogását: az idegsejt aktivitás mintázatok azonosítása

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.

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.

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.

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).