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...
مطالعه رفتار و شناخت
اگر در حوزه روانشناسی، علوم شناختی، رفتار شناسی و یا علوم اعصاب کار میکنید حتما بخشی از کار شما مطالعه رفتار هست. امروز میخوام کمی درباره این مسئله صحبت کنم و مسائلی که از نظرم کمبودهای این نوع مطالعه است.
بسیاری از ما کاری که میکنیم این هست که تصمیم میگیریم یک رفتار یا فعالیت شناختی مشخصی رو مطالعه کنیم. این رفتار معمولا برآمده از تجربیات انسانی ماست که خب اگر مطالعه هم در انسان باشه مشکلی نداره، اما زمانی که مطالعه در جانداران دیگر باشه شاید فرض های ما دچار خطا بشه. زمانی که تصمیم گرفتیم چه رفتار-پدیده شناختی رو میخوایم مطالعه کنیم یک آزمون رفتاری (تسک) باید برای اون طراحی کنیم.
مشکلی که وجود داره اینکه بسیاری اوقات وقتی ما یک تسک طراحی میکنیم "فکر میکنیم" که سابجکت (انسان یا سایر موجودات) اون آزمون رفتاری رو دارن بر اساس چیزی که ما فکر میکردیم حل میکنن. برای مثال فکر کنیم ما میخوایم حافظه بلند را مطالعه کنیم. یکی از انواع تسکی که میتونیم طراحی کنیم این هست که تست Object-in context بگیریم. یعنی مثلا سابجکت را مقابل یک صفحه نمایش قرار بدیم و بر روی تصاویر بک گراند متفاوت (کانتکست) اشیا مختلفی رو نمایش بدیم که تنها یکی از این اشیا مرتبط به تصویر بک گراند (کانتکست) هست. سابجکت باید یاد بگیره که شی مرتبط به هر کانتکست چی هست. این تسک نمونه معروفی برای تست رفتاری حافظه بلند مدت هست.
مسئله از جایی آغاز میشه که ما رفتار اندازه گیری شده را معادل میدونیم با فرآیند شناختی ای که طی شده. برای مثال در تسک بالا اگر سابجکت در ترایال های مختلف پاسخ درست رو پیدا کنه میگیم حافظه بلند مدت اون باید درگیر باشه و درست کار کنه. اما آیا همواره رفتار اندیس خوبی برای فرآیند های شناختی هست؟ گاهی اوقات خیر و مطالعاتی در این زمینه وجود داره که همواره پیش فرض های ما درباره سیستم های شناختی دخیل در یک تسک درست نیستند.
از طرفی در یک تسک سیستم های شناختی "مختلفی" درگیر هستند. چون من فکر میکنم یک تسک برای آزمون حافظه است بدین معنی نیست که فقط سیستم حافظه در اون تسک دخیل هست. ممکن هست بسیار سیستم های دیگری هم دخیل باشند. برای همین زمانی که من یک تسک طراحی میکنم نباید این فرض رو بذارم که تنها دارم یک سیستم شناختی خاص رو بررسی میکنم.
درباره این مسئله میتونید مقالات زیر را مشاهده کنید:
The cognitive atlas: toward a knowledge foundation for cognitive neuroscience
From Brain Maps to Cognitive Ontologies: Informatics and the Search for Mental Structure
از طرفی دیگه اندازه گیری های ما برای مطالعه رفتاری در آزمایشگاه ها بسیار محدوده. بسیاری اوقات تنها چیزی که ما اندازه گیری میکنیم عملکرد سابجکت در هر ترایال هست (درست یا غلط) و بر اساس این معیار ناقص و محدود تصمیم میگیریم آیا یادگیری حاصل شده یا خیر. در صورتی که در ریز جزئیات رفتار ممکن است بسیار تغییراتی حاصل بشه. اینطور مثال بزنم که ما فقط مقصد نهایی رو اندازه میگیریم بدون توجه به اینکه ممکن هست سابجکت از نقط آغاز و البته مسیر های مختلف به اون مقصد رسیده باشد.
در اینجا مسئله "استراتژی در تسک های رفتاری" مطرح میشود که من خیلی بهش علاقه مند شدم. استراتژی یعنی سابجکت میتواند از راهکار های مختلفی برای حل یک تسک استفاده کند و این راهکار ها میتوانند در طول زمان تغییر کنند. (حتی در یک جلسه). مقالات زیر را بررسی کنید:
Tracking subject’s strategies in behavioural choice experiments at trial resolution
Extracting the dynamics of behavior in sensory decision-making experiments
بنظر میرسه اگر قرار هست این مسیر mapping فرآیند های مغزی به رفتاری را ادامه بدیم، با رفتار رو به صورت تکاملی و مقایسه ای میان گونه ها مطالعه کنیم باید استراتژی های مختلف را بررسی کنیم. پیش فرض گذاشتن روی استراتژی (مثلا حافظه بلند مدت)، یا سیستم ها، و ثبت تعداد ناقصی از جزئیات رفتاری میتونه منجر به نتایج نادرست بشه.
اگر بر روی انسان مطالعه میکنید، به راحتی میتونید در انتهای هر جلسه از فرد بپرسید که با چه استراتژی ای تسک را پیش برده و حل کرده (اینکارو ما در دانشگاه کردیم و سورپرایز خواهید شد وقتی ببینید چقدر استراتژی های مختلف وجود داره برای یک تسک مشخص). اگر بر روی جانوران کار میکنیم این امکان وجود ندارد که با آنها مکالمه کنیم. در نتیجه باید از روش های دیگر متوجه شویم. بهترین این روش ها گذاشتن تسک های کنترلی است. از مطالعه رفتار جانور در تسک اولیه باید بتونیم استراتژی های مختلف را کمی تشخیص دهیم. برای رد استراتژی ها میتوانیم کنترل های مخصوص همان استراتژی بگذاریم.
اگر در حوزه روانشناسی، علوم شناختی، رفتار شناسی و یا علوم اعصاب کار میکنید حتما بخشی از کار شما مطالعه رفتار هست. امروز میخوام کمی درباره این مسئله صحبت کنم و مسائلی که از نظرم کمبودهای این نوع مطالعه است.
بسیاری از ما کاری که میکنیم این هست که تصمیم میگیریم یک رفتار یا فعالیت شناختی مشخصی رو مطالعه کنیم. این رفتار معمولا برآمده از تجربیات انسانی ماست که خب اگر مطالعه هم در انسان باشه مشکلی نداره، اما زمانی که مطالعه در جانداران دیگر باشه شاید فرض های ما دچار خطا بشه. زمانی که تصمیم گرفتیم چه رفتار-پدیده شناختی رو میخوایم مطالعه کنیم یک آزمون رفتاری (تسک) باید برای اون طراحی کنیم.
مشکلی که وجود داره اینکه بسیاری اوقات وقتی ما یک تسک طراحی میکنیم "فکر میکنیم" که سابجکت (انسان یا سایر موجودات) اون آزمون رفتاری رو دارن بر اساس چیزی که ما فکر میکردیم حل میکنن. برای مثال فکر کنیم ما میخوایم حافظه بلند را مطالعه کنیم. یکی از انواع تسکی که میتونیم طراحی کنیم این هست که تست Object-in context بگیریم. یعنی مثلا سابجکت را مقابل یک صفحه نمایش قرار بدیم و بر روی تصاویر بک گراند متفاوت (کانتکست) اشیا مختلفی رو نمایش بدیم که تنها یکی از این اشیا مرتبط به تصویر بک گراند (کانتکست) هست. سابجکت باید یاد بگیره که شی مرتبط به هر کانتکست چی هست. این تسک نمونه معروفی برای تست رفتاری حافظه بلند مدت هست.
مسئله از جایی آغاز میشه که ما رفتار اندازه گیری شده را معادل میدونیم با فرآیند شناختی ای که طی شده. برای مثال در تسک بالا اگر سابجکت در ترایال های مختلف پاسخ درست رو پیدا کنه میگیم حافظه بلند مدت اون باید درگیر باشه و درست کار کنه. اما آیا همواره رفتار اندیس خوبی برای فرآیند های شناختی هست؟ گاهی اوقات خیر و مطالعاتی در این زمینه وجود داره که همواره پیش فرض های ما درباره سیستم های شناختی دخیل در یک تسک درست نیستند.
از طرفی در یک تسک سیستم های شناختی "مختلفی" درگیر هستند. چون من فکر میکنم یک تسک برای آزمون حافظه است بدین معنی نیست که فقط سیستم حافظه در اون تسک دخیل هست. ممکن هست بسیار سیستم های دیگری هم دخیل باشند. برای همین زمانی که من یک تسک طراحی میکنم نباید این فرض رو بذارم که تنها دارم یک سیستم شناختی خاص رو بررسی میکنم.
درباره این مسئله میتونید مقالات زیر را مشاهده کنید:
The cognitive atlas: toward a knowledge foundation for cognitive neuroscience
From Brain Maps to Cognitive Ontologies: Informatics and the Search for Mental Structure
از طرفی دیگه اندازه گیری های ما برای مطالعه رفتاری در آزمایشگاه ها بسیار محدوده. بسیاری اوقات تنها چیزی که ما اندازه گیری میکنیم عملکرد سابجکت در هر ترایال هست (درست یا غلط) و بر اساس این معیار ناقص و محدود تصمیم میگیریم آیا یادگیری حاصل شده یا خیر. در صورتی که در ریز جزئیات رفتار ممکن است بسیار تغییراتی حاصل بشه. اینطور مثال بزنم که ما فقط مقصد نهایی رو اندازه میگیریم بدون توجه به اینکه ممکن هست سابجکت از نقط آغاز و البته مسیر های مختلف به اون مقصد رسیده باشد.
در اینجا مسئله "استراتژی در تسک های رفتاری" مطرح میشود که من خیلی بهش علاقه مند شدم. استراتژی یعنی سابجکت میتواند از راهکار های مختلفی برای حل یک تسک استفاده کند و این راهکار ها میتوانند در طول زمان تغییر کنند. (حتی در یک جلسه). مقالات زیر را بررسی کنید:
Tracking subject’s strategies in behavioural choice experiments at trial resolution
Extracting the dynamics of behavior in sensory decision-making experiments
بنظر میرسه اگر قرار هست این مسیر mapping فرآیند های مغزی به رفتاری را ادامه بدیم، با رفتار رو به صورت تکاملی و مقایسه ای میان گونه ها مطالعه کنیم باید استراتژی های مختلف را بررسی کنیم. پیش فرض گذاشتن روی استراتژی (مثلا حافظه بلند مدت)، یا سیستم ها، و ثبت تعداد ناقصی از جزئیات رفتاری میتونه منجر به نتایج نادرست بشه.
اگر بر روی انسان مطالعه میکنید، به راحتی میتونید در انتهای هر جلسه از فرد بپرسید که با چه استراتژی ای تسک را پیش برده و حل کرده (اینکارو ما در دانشگاه کردیم و سورپرایز خواهید شد وقتی ببینید چقدر استراتژی های مختلف وجود داره برای یک تسک مشخص). اگر بر روی جانوران کار میکنیم این امکان وجود ندارد که با آنها مکالمه کنیم. در نتیجه باید از روش های دیگر متوجه شویم. بهترین این روش ها گذاشتن تسک های کنترلی است. از مطالعه رفتار جانور در تسک اولیه باید بتونیم استراتژی های مختلف را کمی تشخیص دهیم. برای رد استراتژی ها میتوانیم کنترل های مخصوص همان استراتژی بگذاریم.
Frontiers
The Cognitive Atlas: Toward a Knowledge Foundation for Cognitive Neuroscience
Cognitive neuroscience aims to map mental processes onto brain function, which begs the question of what “mental processes” exist and how they relate to the tasks that are used to manipulate and measure them. This topic has been addressed informally in prior…
ابزارهای مفیدی ارائه شده که به ما اجازه میده متغیر های بیشتری رو از نظر رفتاری اندازه گیری کنیم. یکی از این ابزارها Deep Lab Cut هست که یک سیستم رهگیری اعضای بدن در حین تسک های رفتاری بدون مارکر هست.
http://www.mackenziemathislab.org/deeplabcut
نمونه های مشابه دیگری هم برای رهگیری در فضای سه بعدی وجود دارد مانند:
https://jarvis-mocap.github.io/jarvis-docs/
https://npr.brightspotcdn.com/legacy/sites/wlrn/files/201903/screen_shot_2019-03-19_at_6.00.10_pm.png
اگر بر روی جانوران کار میکنید این مجموعه مقاله هم میتونه به شناخت روش های جدید مطالعه رفتار کمک کنه.
Modern Methods in Neuroethology
http://www.mackenziemathislab.org/deeplabcut
نمونه های مشابه دیگری هم برای رهگیری در فضای سه بعدی وجود دارد مانند:
https://jarvis-mocap.github.io/jarvis-docs/
https://npr.brightspotcdn.com/legacy/sites/wlrn/files/201903/screen_shot_2019-03-19_at_6.00.10_pm.png
اگر بر روی جانوران کار میکنید این مجموعه مقاله هم میتونه به شناخت روش های جدید مطالعه رفتار کمک کنه.
Modern Methods in Neuroethology
The Mathis Lab of Adaptive Intelligence
DeepLabCut — The Mathis Lab of Adaptive Intelligence