NeuroSyntax
Photo
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.
Matteo Carandini at Neuroscience 2022.pdf
3.7 MB
پی دی اف بخشی از اسلاید های سخنرانی متیو کاراندینی در کنفرانس علوم اعصاب 2022
NeuroSyntax
Matteo Carandini at Neuroscience 2022.pdf
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.
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.
NeuroSyntax
Matteo Carandini at Neuroscience 2022.pdf
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 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؟
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.
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
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.
هشتگ #neuroscience2022 گذاشتم چون شاید بعدا پست های بیشتری از SfN بذارم. میتونید با این هشتگ دنبال کنید.
Forwarded from M~
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.
امروز در حین آنالیز داده های خودم بودم که نکته جالبی ذهنم رو درگیر کرد و علاقه مند شدم با شما به اشتراک بذارم. مسئله ساده است ولی خب گاهی به صورت فعال شاید بهش فکر نکنیم. صحبتم رو با مثال spike correlogram پیش میبرم ولی اصل کلام درباره همه متدها میتونه وجود داشته باشه. امروز داشتم برخی از Spike correlogram های جمعیت سلولی خودم رو مشاهده و بررسی میکردم. برای افرادی که نمیدونن این correlogram در واقع همبستگی بین فعالیت اسپایکی یک نورون با خودش یا با یک نورون دیگر هست که به اولی میگن autocorrelogram و به دوم cross-correlogram. من به اختصار اولی رو acg و دومی رو ccg خواهم نامید.
نکته ای که نظرم رو جلب کرد این بود که چقدر این acg و ccg کاربرد های مختلفی ارائه میکنن. یک متد ساده که حداقل از دهه 70 میدونم که میشناسیمش هر روز اطلاعات جدیدی به ما میده بنا به اینکه چطور ازش استفاده کنیم و همه این کاربرد ها یکجا شناسایی نشده. بلکه این کاربردها در طول زمان به دست آمده بر اساس خلاقیت محققینی که نگاه دقیقی داشتن.
برای مثال میشه از acg میشه برای شناسایی نویز از spiking activity استفاده کرد. از طرفی میشه از acg برای کیفیت گروه بندی اسپایک ها (spike sorting) استفاده کرد. دلیل این امر دوم این هست که نورون ها یک پدیده فیزیولوژیک دارن بنام refractory period که به مدت زمانی گفته میشه بعد از هر اسپایک یک نورون، که اون نورون نمیتونه اسپایک دیگری تولید کنه. چیزی بین یک تا سه میلی ثانیه بسته به ناحیه ای که ثبت میگیریم و نوع نورون. خب اگر این اطلاعات فیزیولوژیک رو داشته باشیم و نگاه به acg کنیم میتونیم به همبستگی در این بازه زمانی یک تا سه ثانیه توجه کنیم. اگر تعداد زیادی اسپایک در این ناحیه باشه میتونیم بگیم کیفیت کلاستربندی یا sorting مناسب نیست و احتمالا نورون یک mua هست و اگر چنین نباشه میتونیم با احتمال بالاتری بگیم که کلاستر یک تک نورون هست (به وسط acg های تصاویر دقت کنید که نسبتا خالیه.)
اما اینها تنها کاربردهای این متدهای ساده نیستن. از روی شکل acg میشه تا حدودی تشخیص داد نورون چه نوعی هست. آیا مهاری هست یا غیرمهاری. دلیل این امر اینکه نورون های غیرمهاری (pyramidal) ها در نواحی مختلف معمولا bursting activity دارن یعنی تعداد زیادی اسپایک در یک بازه کوتاه تولید میکنن (معمولا کمتر از 10 میلی ثانیه) و بعدش آروم میشن و باز دوباره یک burst دیگه و ... . این باعث میشه که از همبستگی اسپایکی نورون با خودش رو بگیریم در این بازه زمانی کمتر از ده میلی ثانیه یک قله در شکل acg تشکیل بشه. (به تصویر اول و acg کالباسی رنگ توجه کنید). در صورتی که نورون های مهاری معمولا regular spiking هستن. یعنی اسپایک هایی در فواصل زمانی ثابت تولید میکنن که باعث میشه شکل acg اونها متفاوت باشه.
دیگه چی؟ اگر بجای acg بیایم ccg رو محاسبه کنیم (بین اسپایک های دو نورون مختلف) میتونیم تشخیص بدیم آیا این دو نورون به صورت تک سیناپسی monosynaptic به هم وصل هستن یا نه. دلیل این امر اینکه اگر دو نورون به هم متصل باشن با احتمال بالاتری وقتی یکی اسپایک تولید میکنه دیگری هم اسپایک تولید میکنه (یا اسپایک تولید نمیکنه - مهار میشه). این رو میتونیم از روی ccg تشخیص بدیم. اگر ccg بین دو نورون یک قله در مرکز (نزدیک صفر تا یک میلی ثانیه) داشته باشه میتونیم بگیم این دو نورون به صورت تک سیناپسی بهم متصل هستن. اگر قله وجود داشته باشه ولی در این بازه زمانی کوتاه نباشه میتونیم بگیم به نوعی بهم متصل هستن ولی لزوما monosynaptic نیست. شاید polysynaptic باشه. (این رویکردها در موش با اپتوژنتیک تایید شده).
جالب نیست؟ یک متد خیلی ساده میتونه به شما اطلاعات فراوانی درباره فیزیولوژی یک سیستم بده بدون اینکه لازم باشه شما میکروسکوپ بذارید و لزوما اون سیستم رو از نزدیک به صورت مستقیم تماشا کنید.
نکته اصلی متن این هست که همه متد ها میتونن پتانسیل های چندگانه و کاربرد های مختلف داشته باشن. اگر متدی رو برای یک کارکرد مشخص آموختید متوقف نشید و برید سراغ اینکه ببینید این متد دیگه چه کاربردهایی داره و یا حتی اگر کاربردی به ذهن خودتون میرسه اون رو پیاده سازی کنید. بسیار متدهایی شاید باشن که سالهاست استفاده میشن ولی هنوز کاربردهای کامل اونها کشف نشده. شما میتونید این کاربردها رو کشف و معرفی کنید.
Ref:
Fig1: https://cellexplorer.org/pipeline/acg-fit/
Fig2: Pyramidal Cell-Interneuron Circuit Architecture and Dynamics in Hippocampal Networks
نکته ای که نظرم رو جلب کرد این بود که چقدر این acg و ccg کاربرد های مختلفی ارائه میکنن. یک متد ساده که حداقل از دهه 70 میدونم که میشناسیمش هر روز اطلاعات جدیدی به ما میده بنا به اینکه چطور ازش استفاده کنیم و همه این کاربرد ها یکجا شناسایی نشده. بلکه این کاربردها در طول زمان به دست آمده بر اساس خلاقیت محققینی که نگاه دقیقی داشتن.
برای مثال میشه از acg میشه برای شناسایی نویز از spiking activity استفاده کرد. از طرفی میشه از acg برای کیفیت گروه بندی اسپایک ها (spike sorting) استفاده کرد. دلیل این امر دوم این هست که نورون ها یک پدیده فیزیولوژیک دارن بنام refractory period که به مدت زمانی گفته میشه بعد از هر اسپایک یک نورون، که اون نورون نمیتونه اسپایک دیگری تولید کنه. چیزی بین یک تا سه میلی ثانیه بسته به ناحیه ای که ثبت میگیریم و نوع نورون. خب اگر این اطلاعات فیزیولوژیک رو داشته باشیم و نگاه به acg کنیم میتونیم به همبستگی در این بازه زمانی یک تا سه ثانیه توجه کنیم. اگر تعداد زیادی اسپایک در این ناحیه باشه میتونیم بگیم کیفیت کلاستربندی یا sorting مناسب نیست و احتمالا نورون یک mua هست و اگر چنین نباشه میتونیم با احتمال بالاتری بگیم که کلاستر یک تک نورون هست (به وسط acg های تصاویر دقت کنید که نسبتا خالیه.)
اما اینها تنها کاربردهای این متدهای ساده نیستن. از روی شکل acg میشه تا حدودی تشخیص داد نورون چه نوعی هست. آیا مهاری هست یا غیرمهاری. دلیل این امر اینکه نورون های غیرمهاری (pyramidal) ها در نواحی مختلف معمولا bursting activity دارن یعنی تعداد زیادی اسپایک در یک بازه کوتاه تولید میکنن (معمولا کمتر از 10 میلی ثانیه) و بعدش آروم میشن و باز دوباره یک burst دیگه و ... . این باعث میشه که از همبستگی اسپایکی نورون با خودش رو بگیریم در این بازه زمانی کمتر از ده میلی ثانیه یک قله در شکل acg تشکیل بشه. (به تصویر اول و acg کالباسی رنگ توجه کنید). در صورتی که نورون های مهاری معمولا regular spiking هستن. یعنی اسپایک هایی در فواصل زمانی ثابت تولید میکنن که باعث میشه شکل acg اونها متفاوت باشه.
دیگه چی؟ اگر بجای acg بیایم ccg رو محاسبه کنیم (بین اسپایک های دو نورون مختلف) میتونیم تشخیص بدیم آیا این دو نورون به صورت تک سیناپسی monosynaptic به هم وصل هستن یا نه. دلیل این امر اینکه اگر دو نورون به هم متصل باشن با احتمال بالاتری وقتی یکی اسپایک تولید میکنه دیگری هم اسپایک تولید میکنه (یا اسپایک تولید نمیکنه - مهار میشه). این رو میتونیم از روی ccg تشخیص بدیم. اگر ccg بین دو نورون یک قله در مرکز (نزدیک صفر تا یک میلی ثانیه) داشته باشه میتونیم بگیم این دو نورون به صورت تک سیناپسی بهم متصل هستن. اگر قله وجود داشته باشه ولی در این بازه زمانی کوتاه نباشه میتونیم بگیم به نوعی بهم متصل هستن ولی لزوما monosynaptic نیست. شاید polysynaptic باشه. (این رویکردها در موش با اپتوژنتیک تایید شده).
جالب نیست؟ یک متد خیلی ساده میتونه به شما اطلاعات فراوانی درباره فیزیولوژی یک سیستم بده بدون اینکه لازم باشه شما میکروسکوپ بذارید و لزوما اون سیستم رو از نزدیک به صورت مستقیم تماشا کنید.
نکته اصلی متن این هست که همه متد ها میتونن پتانسیل های چندگانه و کاربرد های مختلف داشته باشن. اگر متدی رو برای یک کارکرد مشخص آموختید متوقف نشید و برید سراغ اینکه ببینید این متد دیگه چه کاربردهایی داره و یا حتی اگر کاربردی به ذهن خودتون میرسه اون رو پیاده سازی کنید. بسیار متدهایی شاید باشن که سالهاست استفاده میشن ولی هنوز کاربردهای کامل اونها کشف نشده. شما میتونید این کاربردها رو کشف و معرفی کنید.
Ref:
Fig1: https://cellexplorer.org/pipeline/acg-fit/
Fig2: Pyramidal Cell-Interneuron Circuit Architecture and Dynamics in Hippocampal Networks
CellExplorer
Fitting autocorrelograms
A graphical user interface and standardized pipeline for visualizing and characterizing single neuron features
https://www.nature.com/articles/s41586-022-05543-x
من هی میگفتم کسی باور نمیکرد. حالا چاپش کردن. ایمان بیارید دیگه
من هی میگفتم کسی باور نمیکرد. حالا چاپش کردن. ایمان بیارید دیگه
Nature
Papers and patents are becoming less disruptive over time
Nature - A decline in disruptive science and technology over time is reported, representing a substantive shift in science and technology, which is attributed in part to the reliance on a narrower...