خیلی وقت هست که از دنیای علوم اعصاب ننوشتم؛ گرفتاری های دکتری و وضعیت کشور را به عنوان بهانه معرفی میکنم. امشب اما تجربه خودم در Neuroscience 2022 رو مینوستم.

سازمان SfN یا به صورت کامل Society for Neuroscience سال 1969 افتتاح شده و هر ساله کنفرانسی در آمریکا برگزار میکنن که بزرگترین رخداد علوم اعصاب دنیا به حساب میاد. برای مثال امسال نزدیک به 23000 نفر شرکت کرده بودن ولی رکورد 30000 نفر رو هم دارن. کمی درباره ساختار این رخداد میخوام صحبت کنم چون تجربه نخست من بود و چیزهای جالبی دیدم.

کنفرانس علوم اعصاب به چندین بخش تقسیم میشه:

* سخنرانی های اصلی که حدود 60 دقیقه هستند و در سالن های بسیار بزرگ برگزار میشن. سخنران ها معمولا دعوت شده و از میان برجسته ترین محققین روز هستند. در این سخنرانی ها از افراد خواسته میشه درباره مسیر علمی خودشون هم صحبت کنن در کنار نتایج علمی و برای همین یکی از نکات جالبش اینکه با بخشی از زندگی علمی این افراد و مسیرشون آشنا میشیم.

* سخنرانی های کوتاه (مینی یا نانو): تفاوت اصلی اینها در فضاهایی هست که بهشون اختصاص داده میشه و البته مدت زمانی که به سخنران داده میشه. افراد از میان اساتید، پست دکتری و دکتری انتخاب میشن. سخنرانی ها بین 10 تا 20 دقیقه و پشت سر هم هستن (برای هر موضوع خاص). در انتهای سخنرانی فرصت برای یکی دو پرسش هست.

* پرسپکتیو دوگانه (Dual Perspective): در این جلسات بحث چند استاد که رویکرد های متفاوتی دارن انتخاب میشن و اول سخنرانی های کوتاهی ارائه میکنن (حدود 15-20 دقیقه) و بعدش روی پرسپکتیو خاص بحث میکنن. برای مثال یکی از جلسات امسال این بود که تفاوت بین رویکرد های Population Analysis و Cell-type Specific analysis چی هست و کدوم مسیر بهتره؟

* جلسات پوستر: شاید مهم ترین بخش کنفرانس بخش پوستر هاست. به شما یک پنجره زمانی 4 ساعته ارائه میشه برای پوستر. پوسترها شماره خاصی دارن و در ردیف مشخصی قرار میگیرن که معمولا مرتبط به حوزه پژوهشی شماست. در این مدت چهار ساعت شما باید در محل پوستر حضور داشته باشید، افراد میان و بازدید میکنن، براشون توضیح میدید و بحث میکنید. احتمالا مفید ترین بخش کنفرانس همین جلسات پوستر هست چون با محققین و اساتید از نزدیک گفتگو میکنین. حتی افراد برنده جایزه نوبل رو راحت و از نزدیک میبینید که بین دانشجو ها میان و سوالاتشون رو پاسخ میدن.

* در آخر هر روز هم معمولا یک سری جلسات مربوط به کار یابی هست. در این جلسات اساتید و یا متخصص های اون حوزه میان و پای میز های خاصی میشینن و هر میز قرار هست سوالات مشخصی رو پاسخ بده. شما با اساتید پای میز میشینید و حدود 30 دقیقه فرصت دارید که باهاشون مکالمه کنید. برای مثال امسال پرسش هایی مثل تفاوت شغل دولتی و صنعت بود. چطور پست دکتری خودمون رو انتخاب کنیم. چطور آزمایشگاه تاسیس کنیم و ...

کنفرانس علوم اعصاب بسیار بزرگ هست و وقایع به صورت موازی در حال انجام هستن. برای همین شما خیلی بیشتر از چیزی که به دست بیارید از دست میدید. یک application گوشی دارن که میتونید از وبسایت خودشون دانلود کنید و قبل از رفتن به کنفرانس برنامه ریزی کنید که هر روز میخواید به سراغ چه سخنرانی ها، وقایع، و پوستر هایی برید تا دقیق بدونید. از نظر سازمان بندی بنظرم بسیار خوب بود با در نظر گرفتن گستره ای که داره. زمان ها به خوبی کنترل میشد و جلسات مدیریت خوبی داشتن.

یکی از مهم ترین بخش های این کنفرانس در کنار آشنایی با تحقیقات جدید، این هست که شما شبکه قوی ای بسازید. برای همین بنظرم باید سعی کنید وقتی به سراغ پوستر افراد میرید کار خودتون رو هم بتونید به صورت خلاصه توضیح بدید و ازشون دعوت کنید حتی پای پوستر شما هم بیان. در کل در دنیای علم امروز، شاید بیشتر از نتایج علمی، شبکه شما هست که مشخص میکنه چه پوزیشنی بگیرید، مقالات شما کجا چاپ بشه، چقدر گرنت بگیرید و ... برای همین در خارج کشور اگر حضور دارید یا میخواید برید از همون ابتدای مسیر فکر کنید به اینکه در چه شبکه ای از افراد میخواید قرار بگیرید. این مهارتی هست که کم کم به دست میاد ولی خب ضروری هست.

جان اوکیف، برنده جایزه نوبل 2012 برای کشف Place Cells در هیپوکمپ، و متیو کاراندینی از اساتید بنام UCL که کار های بسیار خوشگلی دارن. از زیبایی هایی چنین کنفرانسی این هست که شما از حبابی که اطرافتون شکل میگیره معمولا در دوره دکتری بیرون میاید و با روش های دیگر آشنا میشید. برای مثال سخنرانی کاراندینی بسیار برام جالب بود که بخشیش رو اینجا میذارم و پرسش مطرح میکنم.

پی دی اف بخشی از اسلاید های سخنرانی متیو کاراندینی در کنفرانس علوم اعصاب 2022

نخست کمی درباره گروه متیو کاراندینی بگم و نوع ارائه دادنش و بعدش برم سراغ بحث های علمی.

در دنیای امروز یکی از مهم ترین بخش های کار ما به عنوان محقق مصور کردن Visualization داده هاست. در واقع این بخشی ضروری از نوع روایی شماست. محقق درست الآن فردی هست که نه تنها میدونه چطور داده رو جمع آوری و آنالیز کنه، بلکه میدونه چطور اون رو به تصویر بکشه و روایت مدنظرش رو بیان کنه. تصاویر باید به سادگی گویای داستان شما باشه (به خصوص در جمع هایی که افرادی با پیش زمینه های مختلف و سطح سواد مختلف نشستن). من نوعی نباید تلاش زیادی بکنم برای اینکه متوجه بشم چطور تصویر به کلام شما مرتبطه. باید مثل روز مشخص باشه. کاراندینی این کار رو به بهترین شکل انجام داده بود و شاید بهترین اسلاید های کل کنفرانس رو (تا جایی که من مشاهده گر بودم) داشت. اسلاید ها ساده، المان ها به جا و همراه با کلام بود و هیچ چیز اضافه ای در تصویر نمیدیدی. نه تنها تصاویر ساده بودن که کلام هم کوتاه ولی پر مغز بود که بر روی هر پلات مینشست.

گروه های مختلفی درباره ایجاد شبکه و همکاری در علم گفتن؛ کاراندینی هم یکی از اینها بود. کاراندینی و کنت هریس آزمایشگاه های خودشون رو با هم یکی کردن و با هم کار میکنن و این همکاری بسیار مفید بوده و پر بازده بوده.

از طرفی این گروه کاملا عقیده به Open Science دارن. بسیاری از داده ها، بخش اعظمی از کدهای آنالیزی، اسلاید ها و ... برای دانلود به صورت رایگان در اختیار همه است. بسیاری بودند که اجازه تصویربرداری از اسلاید ها رو نمیدادن چون نتایج چاپ نشده بودن ولی متیو از همون اول گفت از همه تصاویر میتونید عکس بگیرید.

حتی آدمی در سطح کاراندینی مطالبی هست که نمیدونه. اگر چیزی رو نمیدونید بگید نمیدونم. مثل متیو باشید. میدونم دشواره روبروی هزاران نفر آدم به صورت زنده ایستاده باشی و پرسشی ازت بشه و بگی نمیدونم ولی باور کنید گاهی نمیدونم بهترین پاسخ ممکن هست تا اینکه سعی کنید با پاسخ های سرهم بندی شده مخاطب رو گمراه کنید.

خب بریم سراغ بخشی از مطالب علمی اسلاید ها که بنظرم بسیار قابل تامل هستن.

اگر به اسلاید دوم توجه کنیم و عنوان رو بخونیم نوشته Visual Responses are Variable across trials. برای افرادی که اشنا نیستن اون پلات یک منحنی پاسخ تک نورون هست زمانی که محرک های ویژه ای بینایی به موش ارائه میشده. یکی از آنالیز های بسیار قدیمی در حوزه علوم اعصاب این هست که شما یک محرک مشخص برای موجود پخش کنید که میتونه از حواس مختلف باشه و بعدش فعالیت تک نورون های یک ناحیه رو اندازه گیری کنید نسبت به اون محرک و ببینید آیا تغییرات معنی داری میبینید یا خیر. برای سال های این نوع Tuning Curve ها یا PSTH ها رسم میشدن و نمایش داده میشدن و توجه کمتری به واریانس تغییرات میشد. در پستی قبلا این پرسش رو مطرح کردم که این Trial-to-trial variability از نظرم بسیار حائز اهمیت هست. اگر نویز (که معمولا فرض میگیریم دلیل واریانس هست) رو کنار بذاریم، آیا ممکنه دلایل بیولوژیک برای این واریانس وجود داشته باشه؟ چطور میتونیم با ایده هایی مثل Tuning Curve این رو پاسخ بدیم؟ اگر نمیتونیم روش جایگزین چی هستن؟

اگر از یک جمعیت نورونی بالا به صورت همزمان ثبت بگیریم (اسلاید 3) و فقط به دینامیک اینها در طول زمان نگاه کنیم (بدون اینکه اینها رو به محرک خاصی لزوما قفل کنیم و نرخ پاسخ رو اندازه بگیریم) میبینیم که بسیار واریانس بالایی دارن ولی سازمان بندی هایی هم دیده میشه. مثلا برخی نورون ها فعالیت میکنن و بعد انگار خاموش تر میشن و گروه دیگری فعالیت خودشون رو شروع میکنن (هر نقطه در تصویر یک اسپایک یک نورون خاص هست و هر ردیف یک نورون در تصویر - توجه خودتون رو به نیمه بالایی تصویر و نیمه پایینی معطوف کنید).

در فعالیت خودبخودی مغز یک واریانس و یک سازمان بندی وجود داره. چطور میتونیم این رو توضیح بدیم؟ چه چیزی اصلا باعث این سازمان بندی میشه؟

یکی از چیزهایی که گروه کاراندینی پیدا کردن (اسلاید 4) این هست که Action بسیار اثر میذاره بر روی Sensory Dynamics حتی در ناحیه ای مثل V1 که یک ناحیه حسی بینایی اولیه است. دو آزمایش میشه انجام داد. یکی نمایش محرک به موش زمانی که موش ثابت هست و تکون نمیتونه بخوره و دیگری زمانی که موش روی تردمیل هست. آیا فعالیت ناحیه V1 تحت تاثیر حرکت قرار میگیره؟ (دقت کنید که موش روی تردمیل هست و فقط میتونه پا بزنه پس چیزی که روی شبکیه میفته تغییر زیادی نمیکنه). چیزی که مشاهده کردن اینکه همین حرکت روی تردمیل ساده میتونه پاسخ نورون های V1 رو تقویت کنه. فعالیت نورون های V1 زمانی که موش اکشن داره بالاتر هستن. پس شاید بخشی از اون واریانس رو در نواحی حسی میشه با سایر رخداد ها توضیح داد که شاید هنوز پیداشون نکردیم؟!

(اسلاید 5 - 6 - 7) ما در نواحی مختلف سیستم عصبی انواع مختلفی از نورون ها رو داریم. به روش های مختلفی میتونیم نورون ها رو دسته بندی کنیم. یکی از روش هایی که خیلی طرفدار پیدا کرده توالی یابی ژنی هست. شما میتونید بر اساس Trannoscriptomics نورون ها اونها رو طبقه بندی کنید. در مغز طبق یافته ها نورون های مهاری به صورت کلی تنوع بالاتری نشون میدن (بر اساس توالی ژنی، نواحی آناتومیکی که درون قرار میگیرن، الگوی پاسخ و ...). یک پرسشی که میشه مطرح کرد اینکه آیا نورون های مهاری با توالی ژنی مختلف عملکرد های فیزیولوژیک متفاوتی هم دارن؟

بنظرم شاید این شاهکار این گروه بود. از جزئیات تکنیکی میگذرم چون مقاله چاپ شده و میتونید بخونید ولی به صورت خلاصه این گروه از مجموعه بالایی از نورون ها به صورت همزمان ثبت ولتاژی گرفتن و مغز رو استخراج میکردن و به روش خاصی توالی یابی میکردن به صورتی که مشخص بوده هر توالی مربوط به کدوم نورون در شرایط in vivo هست. (یعنی شما زمانی که موش زنده است از نورون ها ثبت میگیرید و بعدش میتونید توالی ژنی هر نورون خاصی که ازش ثبت گرفتی رو مشخص کنی).

خب حالا که این دو رو کنار هم داریم میتونیم سوال بالا رو پاسخ بدیم. آیا سلول هایی با توالی ژنی مختلف کار مختلفی هم میکنن؟ پاسخ کوتاه این هست که نه لزوما. هر چند توالی های ژنی میتونه متفاوت باشه ولی نورون ها از نظر فیزیولوژیک میتونن به دسته های مشخصی طبقه بندی بشن (که تعداد این دسته ها کمتر از زمانی هست که دسته بندی بر اساس توالی انجام بشه.)

مثلا این گروه دو دسته از نورون ها رو از هم جدا کردن که به نواحی مشخصی از سلول های pyramidal متصل میشن و الگوی فعالیت مشخصی دارن.

(اسلاید 11 تا 16) یکی از روش های آنالیزی دیگری که در علوم اعصاب وجود داره این هست که شما یک تسک رفتاری مشخصی طراحی میکنید و با روش های مختلفی از ناحیه مدنظرتون ثبت میگیرید و بعد میپرسید آیا من میتونم واریانس رفتاری رو با واریانس نورونی توضیح بدم؟ یا به بیان دیگه رفتار رو از روی فعالیت نورونی Decode (رمزگشایی) کنم؟ (قبلا این نوع رویکرد رو نقد کردم در این کانال و جلسات. میتونید مراجعه کنید)

گروه کاراندینی یک تسک ساده رفتاری تصمیم گیری طراحی کردن که یک موش باید یک چرخ رو به سمت راست یا چپ بر اساس محرک های حسی مختلفی میچرخونده تا پاداش بگیره. خیلی رفتار ساده نسبتا و با استفاده از تصویر برداری ولتاژی از نواحی گسترده ای از مغز موش ثبت گرفتن. چیزی که مشاهده کردن اینکه شما میتونید این رفتار رو از سیگنال هایی در تقریبا همه نواحی Decode کنید.

* پرسشی که مطرح میشه اینکه اگر من میتونم یک رفتاری ساده مثل این رو از همه نواحی مختلف مغزی Decode کنم پس این رویکرد Decoding چه خاصیتی داره؟ آیا به خودی خود اینکه بگم من فلان رفتار رو از روی سیگنال فلان ناحیه Decode کردم ارزش توضیحی داره؟ (من قبلا پاسخ دادم که خیر و همچنان هم فکر میکنم خیر. هر چند اگر به عنوان یک قدم بهش نگاه بشه برای آنالیز های بعدی "میتونه" مفید باشه)

ولی نکته جالب اینکه این سیگنال شناختی؟ تصمیم گیری از سیگنال های حسی بینایی در ناحیه V1 مجزا میشن. یعنی شاید تفاوتی در این دو مورد باشه. همچنان در پاسخ های حسی بینایی ناحیه V1 بیشترین سهم رو نشون داده ازش خودش.

#neuroscience2022

بنظرم مقالات این گروه رو فارغ از اینکه در چه حوزه ای کار میکنید دنبال کنید. کارهای جالبی دارن و متیو و کنت جفتشون خوش فکر هستن.

آها، اینم منم، در حال توضیح پوسترم.

هشتگ #neuroscience2022 گذاشتم چون شاید بعدا پست های بیشتری از SfN بذارم. میتونید با این هشتگ دنبال کنید.

سلام وقت بخیر، خیلی ممنون بابت همه مطالب و ارائه ها. موردی که تو قسمت توضیح دادید. نمیتونیم بگیم چون نواحی حرکتی به واسطه حرکت و برنامه ریزی حرکتی فعالیت میکنن ، این فعالیت به نواحی بینایی هم سرایت پیدا میکنه با توجه به این مطلب که شبکه های عصبی به هم پیوند دارند و فعالیت در یک شبکه روی فعالیت دیگر شبکه ها اثر میگذاره. و مطلب بعدی اینکه فرایند های بالا به پایین هم میتونه تاثیر بگذاره ؟ در هر صورت یه نقشه ای قبلا شکل گرفته و تصوراتی هست که در نتیجه اون تصورها ( مثل حافظه رویدادی) روی فعالیت های ناحیه v1 اثر میگذاره.