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
NeuroSyntax
Roles of visually evoked and spontaneous activity in the development of retinal direction selectivity maps Alexandre Tiriac, Marla B. Feller
هفته گذشته الکساندر تیریاک که به تازگی استاد دپارتمان بیولوژی دانشگاه من، وندربیلت آمریکا، شده به دپارتمان روانشناسی آمد تا اولین سخنرانی خودش رو اینجا بده. دو پرسش مطرح کرد که بنظرم اینقدر جالب بودن که در این کانال با شما به اشتراک بذارم.
پیشتر در کانال و البته در کلاس های خودم درباره Spontaneous Activity صحبت کردیم و درباره این گفتیم که مغز حتی در نبود ورودی های حسی خاموش نیست. بلکه مغز یک ساختار self-organized هست که فعالیت میکنه. یکی از پرسش های الکساندر این هست که "نقش فعالیت های Spontaneous در مغز برای تکوین سیستم عصبی چی هست؟" برای این پرسش موش بسیار مدل مناسبی هست از این جهت که موش ها بخشی از تکامل خودشون رو پس از تولد طی میکنند. به صورت خاص الکساندر روی سیستم بینایی کار میکنه و پرسش هم به صورت خاص رو این سیستم پیاده سازی کرده. موش ها در روز 14ام پس از تولد چشم هاشون کامل باز میشه یعنی تا پیش از این زمان ورودی های بینایی به شکل ویژه ای ندارند. اما اگر به کورتکس بینایی و حتی به فعالیت سلول های شبکیه نگاه کنیم این نواحی بیدار هستند و فعالیت میکنند.
یکی از چیزهایی که پیدا شده این هست که اگر ما جهت انتشار فعالیت در مغز و شبکیه موش رو بررسی کنیم این جهت انتشار در زمان های مختلف دوران تکوینی تغییراتی میکنه. اگر به تصویر توجه کنید در هفته اول پس از تولد، در موش های وحشی (غیر جهش یافته)، انتشار سیگنال ولتاژی در همه جهات هست (به توزیع قطبی درون دایره توجه کنید). اما در هفته دوم این فعالیت جهت دار میشه (در این تصویر نمایش داده نشده ولی در یک مقاله دیگه نشون داد که بعد از مدتی باز این جهت انتشار به حالت غیر جهت دار برمیگرده.). این جهت دار شدن انتشار سیگنال در مغز و شبکیه چه اهمیتی برای تکوین داره؟ بنظر میرسه یکی از اهمیت های این حرکت خودبخودی حتی پیش از ورودی های بینایی ایجاد سلول های Direction-selective هست. میشه با تغییرات ژنتیکی و ایجاد تغییر در جهت انتشار سیگنال تکوین سلول های Direction-selective رو تغییر داد (به پاسخ شبکیه در زمان بلوغ توجه کنید در موش وحشی و دو گونه جهش یافته). در واقع Direction-selectivity رو در این حالت خاص در محور افقی از بین بردن. البته این مشاهده با پیچیدگی هایی همراه هست که میتونید در مقاله خود الکساندر بخونید.
هدف اینجا طرح این پرسش بود و ایجاد علاقه درباره اینکه کارکرد این فعالیت های Spontaneous (خودبخودی) چه میتونه باشه؟
پیشتر در کانال و البته در کلاس های خودم درباره Spontaneous Activity صحبت کردیم و درباره این گفتیم که مغز حتی در نبود ورودی های حسی خاموش نیست. بلکه مغز یک ساختار self-organized هست که فعالیت میکنه. یکی از پرسش های الکساندر این هست که "نقش فعالیت های Spontaneous در مغز برای تکوین سیستم عصبی چی هست؟" برای این پرسش موش بسیار مدل مناسبی هست از این جهت که موش ها بخشی از تکامل خودشون رو پس از تولد طی میکنند. به صورت خاص الکساندر روی سیستم بینایی کار میکنه و پرسش هم به صورت خاص رو این سیستم پیاده سازی کرده. موش ها در روز 14ام پس از تولد چشم هاشون کامل باز میشه یعنی تا پیش از این زمان ورودی های بینایی به شکل ویژه ای ندارند. اما اگر به کورتکس بینایی و حتی به فعالیت سلول های شبکیه نگاه کنیم این نواحی بیدار هستند و فعالیت میکنند.
یکی از چیزهایی که پیدا شده این هست که اگر ما جهت انتشار فعالیت در مغز و شبکیه موش رو بررسی کنیم این جهت انتشار در زمان های مختلف دوران تکوینی تغییراتی میکنه. اگر به تصویر توجه کنید در هفته اول پس از تولد، در موش های وحشی (غیر جهش یافته)، انتشار سیگنال ولتاژی در همه جهات هست (به توزیع قطبی درون دایره توجه کنید). اما در هفته دوم این فعالیت جهت دار میشه (در این تصویر نمایش داده نشده ولی در یک مقاله دیگه نشون داد که بعد از مدتی باز این جهت انتشار به حالت غیر جهت دار برمیگرده.). این جهت دار شدن انتشار سیگنال در مغز و شبکیه چه اهمیتی برای تکوین داره؟ بنظر میرسه یکی از اهمیت های این حرکت خودبخودی حتی پیش از ورودی های بینایی ایجاد سلول های Direction-selective هست. میشه با تغییرات ژنتیکی و ایجاد تغییر در جهت انتشار سیگنال تکوین سلول های Direction-selective رو تغییر داد (به پاسخ شبکیه در زمان بلوغ توجه کنید در موش وحشی و دو گونه جهش یافته). در واقع Direction-selectivity رو در این حالت خاص در محور افقی از بین بردن. البته این مشاهده با پیچیدگی هایی همراه هست که میتونید در مقاله خود الکساندر بخونید.
هدف اینجا طرح این پرسش بود و ایجاد علاقه درباره اینکه کارکرد این فعالیت های Spontaneous (خودبخودی) چه میتونه باشه؟
The Spontaneous Brain
From the Mind–Body to the World–Brain Problem
این کتاب از Georg Northoff هم (که متاسفانه هنوز فرصت نکردم بخونم) به بحث فعالیت Spontaneous میپردازه اگر علاقه مند هستید. البته میتونید پادکست جورج رو هم در زیر درباره این بحث بشنوید:
http://www.georgnorthoff.com/podcasts
From the Mind–Body to the World–Brain Problem
این کتاب از Georg Northoff هم (که متاسفانه هنوز فرصت نکردم بخونم) به بحث فعالیت Spontaneous میپردازه اگر علاقه مند هستید. البته میتونید پادکست جورج رو هم در زیر درباره این بحث بشنوید:
http://www.georgnorthoff.com/podcasts
پرسش بعدی ای که البته به تازگی شروع کرده بر اساس این مشاهده هست که گونه های مختلف جانوری زمانی که در خواب هستند و یا حالات خواب یک سری حرکات خاص حرکتی دارند که twitch گفته میشه. پرسش این هست:
Why do we twitch when we sleep?
چرا وقتی در خواب هستیم twitch میکنیم و مسیر های نورونی این رفتار چیه؟ چه اهمیتی از نظر رفتاری و شناختی در بیداری داره این توییچ؟
Sleep, plasticity, and sensory neurodevelopment
Mark S. Blumberg, James C. Dooley, Alexandre Tiriac
Why do we twitch when we sleep?
چرا وقتی در خواب هستیم twitch میکنیم و مسیر های نورونی این رفتار چیه؟ چه اهمیتی از نظر رفتاری و شناختی در بیداری داره این توییچ؟
Sleep, plasticity, and sensory neurodevelopment
Mark S. Blumberg, James C. Dooley, Alexandre Tiriac
Neuron
Sleep, plasticity, and sensory neurodevelopment
Infant animals spend the majority of each day asleep, but researchers are only beginning
to delineate the contributions of sleep to sensory neurodevelopment. In this perspective,
Blumberg et al. provide a conceptual framework to guide future progress.
to delineate the contributions of sleep to sensory neurodevelopment. In this perspective,
Blumberg et al. provide a conceptual framework to guide future progress.
الکساندر به تازگی به دانشگاه ما آمده و هنوز دانشجوی دکتری نداره. اگر علاقه مند هستید میتونید برای سالهای آینده باهاش در تماس باشید و اپلای کنید.
https://www.tiriaclab.org/research
https://www.tiriaclab.org/research
درود دوستان،
من یک تاپیکی پیشنهاد کردم به ژورنال کلاب دانشگاه درباره حوزه
Embodied Cognition and The importance of free behavior in neuroscience
برای این دو بخش یعنی Embodied Cognition و اهمیت رفتار در علوم اعصاب مقالاتی میشناسید که معرفی کنید؟ من مقالاتی خودم خوندم ولی میخوام با منابع بیشتری آشنا بشم. ممنون میشم اگر دانشی دارید راهنمایی کنید.
سپاسگزارم.
من یک تاپیکی پیشنهاد کردم به ژورنال کلاب دانشگاه درباره حوزه
Embodied Cognition and The importance of free behavior in neuroscience
برای این دو بخش یعنی Embodied Cognition و اهمیت رفتار در علوم اعصاب مقالاتی میشناسید که معرفی کنید؟ من مقالاتی خودم خوندم ولی میخوام با منابع بیشتری آشنا بشم. ممنون میشم اگر دانشی دارید راهنمایی کنید.
سپاسگزارم.