Agykérgi idegsejtek kommunikációjának dinamikája

Meszéna Domokos

Pázmány Péter Katolikus Egyetem Információs Technológiai Kar Molekuláris Bionika

Témavezető: Dr. Négyessy László

Bsc Szakdolgozat 2012

Nyilatkozat

Alulírott Meszéna Domokos, a Pázmány Péter Katolikus Egyetem Információs Technológiai Karának hallgatója kijelentem, hogy ezt a szakdolgozatot meg nem engedett segítség nélkül, saját magam készítettem, és a szakdolgozatban csak a megadott forrásokat használtam fel. Minden olyan részt, melyet szó szerint, vagy azonos értelemben, de átfogalmazva más forrásból átvettem, egyértelműen a forrás megadásával megjelöltem. Ezt a Szakdolgozatot más szakon még nem nyújtottam be.

Aláírás

2

3

4

Tartalomjegyzék
1. Bevezetés
1.1. Tartalmi összefoglaló .....................................................................................7 1.2. Abstract ..........................................................................................................8 1.3. Választott téma ismertetése............................................................................9 1.4. A feladat megfogalmazása .............................................................................9

2. Irodalmi áttekintés
2.1. Alapvető fogalmak, elméletek.......................................................................11 2.1.1. Neurobiológiai kifejezések.................................................................11 2.1.2. Modellezés: „egyszerűen bonyolult” .................................................12 2.2. Matematikai háttér ........................................................................................15 2.2.1. Valószínűségszámítási alapvetések....................................................15 2.2.2. Kódolást leíró statisztikus elméletek..................................................16 2.2.3. Interspike intervallumok elmélete......................................................17 2.2.4. Extrémérték eloszlások ......................................................................21

3. Módszerek
3.1. A felhasznált adatokról .................................................................................23 3.2. Számítások MATLAB programmal ..............................................................23

4. Eredmények
4.1. Egysejt - aktivitási vizsgálatok......................................................................25 4.1.1. Interspike intervallumok statisztikai elemzése...................................25 4.1.2. Kísérletek eloszlásillesztésre..............................................................27 4.1.3. Extrém értékek előfordulásai az elvezetésben ...................................30

5

4.2. ISI és LFP korrelációk ..................................................................................36 4.2.1. Az LFP spektrum komponensei .........................................................36 4.2.2. Extremumok és LFP frekvenciabeli összefüggései............................36

5. Összefoglalás
5.1. Eredmények összegzése................................................................................39 5.2. Kitekintés ......................................................................................................40

6. Köszönetnyilvánítás ............................................................................................41 7. Rövidítések jegyzéke...........................................................................................42 8. Irodalomjegyzék .................................................................................................43

6

1. Bevezetés
1.1. Tartalmi összefoglaló

Az idegsejtek tüzelése egy igen összetett mechanizmuson, a neurális integráción alapszik, melyben sok száz, sőt adott esetben több ezer bemenetből konvertálódik a végső kimenet, amely ha eléri a kívánt küszöbértéket, akciós potenciált, ill. annak sorozatát eredményezi. Saját kutatói munkámban és szakdolgozatom keretén belül ezt az aktivitást vizsgáltam in vivo, éber, viselkedő főemlős (Macaca mulatta) agykéregből extracellularisan elvezetett jeleken. A mérések kétféle jelet is tartalmaznak, miszerint egyidejűleg vezettek el egysejt - aktivitást és lokális mezőpotenciált (LFP). Az akciós potenciál sorozatok, más néven spike train-ek mintázata különböző statisztikai eszközökkel elemezhető. Célkitűzésem volt, hogy az egyes idegsejtekhez tartozó kisülés-sorozatokon meghatározzam a spike-ok között eltelt időintervallumok (ISI) hosszúságát, eloszlását, majd ezek után szélsőérték keresést (extreme value) végezve megtaláljam a legrövidebb, ill. leghosszabb ISI értékeket. Más szóval azokat az időszakokat, amikor a neuron leginkább, vagy legkevésbé aktív. Mindemellett a mezőpotenciál aktivitást tanulmányozva korreláltattam az extrém ISI-k előfordulását az LFP adott időpillanatával. Azon feltevésünket vizsgáltam, hogy kapcsolat van az extrém ISI értékek előfordulási valószínűsége és az LFP által jellemezett lokálisan globális kérgi aktivitási állapotok valószínűségének változása között. Eredményeim azt mutatták, hogy már a szemrevételezve választott szélsőértékek is igen érdekes összefüggésben állnak. A minimális és maximális hosszúságú ISI-k az LFP alakjának eltérő fázisaiban, az időgrafikonon egymást felváltva jelennek meg az egysejt aktivitásban. Ez a komplementer extremum eloszlás ellentétes az eddigi feltevésekkel, miszerint az idegsejtek tüzelése Poisson-eloszlást követ. Ennél jóval nagyobb szabályosságot, ritmikusságot fedezhetünk fel az ISI szélsőértékek vizsgálatával. Továbbiakban az LFP jel frekvencia analízisét elvégezve megvizsgáltam, hogy milyen frekvenciatartományban, mely LFP komponensben fordulnak elő leginkább extrém intervallumok. E vizsgálat szintén megerősítette, hogy az egysejt és mezőpotenciál aktivitás közel sem tekinthető függetlennek, és a sejtek tüzelésének átfogóbb leírására helytelen megközelítés a random folyamat (Poisson) – hipotézis.

7

1.2. Abstract

The discharges of cortical neurons are based on the neural integration, in wich the output is converted from hundreds or thousands of inputs. When the somatic membrane potential reaches a certain threshold, the neuron grenerates an action potential or a train of them. In my own student research works I analyzed the cerebral activity in vivo alert, behaving primates’ (Macaca mulatta) extracellular recordings. These measurements contain two type of signals, single unit activity and local field potential are recorded paralelly at the same time. The spike train patterns can be analyzed by several statistical methods. My goal was to determine the length and distribution of the interspike intervals (ISIs) on each discharge trains then to estimate the extreme values to find the longest and shortest ISIs, wich means the periods, when the neuron least or most active in a certain time window. Altough I looked into the LFP activity and I correlated the points with the extremums of ISIs. Our hypothesis was, that there is a relationship between single unit activities and the state probabilities generated by local field potentials. My results showed, that the selected extreme values are relevant contact with each other. The ISIs with minimal and maximal length appear on distinct LFP phases, alternating in time. This observation is might be contradictory with the general hypothesis, that neurons discharge randomly (or Poisson process). Finally I executed the frequency analysis of LFP signals to observe, wich spectral component contains the ISI extreme values. These studies corfirmed, that the single unit activity and local field potential are not totally independent and Poissonian description of the random discharges might be incorrect or inaccurate for getting realistic informations of the neural communication.

8

1.3. Választott téma ismertetése:

A számítógépek megjelenésével létrejött és felvirágzott információs technológia lehetővé teszi az idegrendszer, mint bonyolult hálózat megértését. Neurobiológusok és a fizikai, műszaki tudományok művelői közös céllal kutatják az idegi információ lényegi kódját, az idegsejtek tüzelési mintázatát. A neurális kód legfontosabb összetevője maga az ingerület átvitel, vagyis az idegsejt membránján keresztül lezajló ionkoncentráció változás. A sejtek tüzelése egy igen összetett mechanizmuson, a neuronális integráción alapszik, melyben sok száz, sőt adott esetben több ezer bemenetből konvertálódik a végső kimenet, amely ha eléri a kívánt küszöbpotenciált, eredményezhet kisülést (akciós potenciál genezist) a sejtben. A membránpotenciálok és az esetenkénti akciós potenciálok (AP), vagy más néven spike-ok megfigyelhetőek elektrofiziológiai módszerekkel, intra- vagy extracelluláris elvezetéssel. Az agykérgi neurális hálózati működés megértésének legfontosabb része a mai legmodernebb technikákkal megvalósuló számítógépes modellezés, vagyis számos idegsejt egyidejű aktivitásának „in silico” szimulációja (példának okáért az IBM közreműködésével fejlesztett The Blue Brain Project - BBP [1]). Ez gyakorlatilag azt jelentheti, hogy számítógéppel megkíséreljük leírni agyunk működését, megmagyarázzuk a tudat, a gondolkodás és a memória alapvető eseményét rendszerelméleti szinten. A mesterséges agymodelleket alkalmazzuk robotikában, neurális interfészek fejlesztésében, betegségek patomechanizmusának vizsgálatában, és hosszabb távon lehetőségünk nyílik ezáltali biztonságosabb gyógyszertesztelésre.

1.4. A feladat leírása:

Esetemben az aktivitást in vivo, éber, viselkedő főemlős (Macaca mulatta) agykéregből extracellularisan elvezetett jeleken vizsgáltam, mely adatok franciaországi együttműködésből származnak. A majmok bonyolult, a legmagasabb szintű kognitív tevékenységeket modellező feladatokat hajtottak végre. A mérések kétféle jelet is tartalmaznak, miszerint egyidejűleg vezettek el egysejt aktivitást és lokális mezőpotenciált (LFP) a kísérlet során a prefrontális, premotoros és cinguláris kérgi areákból.

9

Célkitűzésem volt, hogy az egyes idegsejtekhez tartozó kisülés-sorozatokon (spike trains) statisztikai módszerekkel meghatározzam a kisülések között eltelt idő-intervallumok (ISIs) hosszúságát, eloszlását, majd ezek után szélsőérték keresést (extreme value) végezve megtaláljam a legrövidebb, ill. leghosszabb ISI értékeket (vagyis amikor a neuron leginkább, vagy legkevésbé aktív az adott időablakban). Ezek után a sűrűségfüggvényekhez eloszlásillesztést végezve megpróbálom azonosítani az aktivitás jellegét. Mindemellett a mezőpotenciál elvezetést tanulmányozva korreláltatom az extrém ISI-k előfordulását az LFP adott időpillanatához. Azon feltevésünket vizsgálom, hogy van-e kapcsolat az extrém ISI értékek előfordulási valószínűsége és az LFP által jellemezett lokálisan globális kérgi aktivitási állapotok valószínűségének változása között. Végül frekvenciaelemzést végezve vizsgálom, milyen frekvencia átmenetben találhatunk esetlegesen összefüggést. Célunk annak a hipotézisnek a támadása, hogy az egysejt – tüzelés és az LFP egymástól függetlenek, hiszen az individuális sejt aktivitása gyakorlatban véletlenszerű eseménynek adódik.

10

2. Irodalmi áttekintés
2.1. Alapvető fogalmak, elméletek:

2.1.1. Neurobiológiai kifejezések

Akciós potenciál (AP) – „Spike”: Ha a szinaptikus áramokból eredő, a sejtben folyamatosan szummálódó membránpotenciál változás elér egy bizonyos küszöbértéket, akkor a sejt tüzel, akciós potenciál generálódik axonja kezdeti szakaszán (iniciális szegmentumán). Az akciós potenciálra a mindent vagy semmit törvénye érvényes, tehát digitális természetű jel, mely végighalad a nyúlványon és eléri a (preszinaptikus) sejt által beidegzett (posztszinaptikus) struktúrát. Az ingerület hatása lehet gátló vagy serkentő is. Ez a folyamat a szinaptikus kommunikáció, tehát az agyi hálózati működés alapja.

Lokális mezőpotenciál (Local Field Potential – LFP): Az elektród környezetében detektált potenciálváltozások összessége, amely tehát tartalmazza a mért és a szomszédos neuronok AP-jait valamint a pre- és posztszinaptikus membránpotenciál változásokat is. Az LFP-ben a szinaptikus bemenetek által generált küszöb alatti potenciálváltozások dominálnak. Az utóbbi évek kutatásai kimutatták, hogy az LFP ugyanúgy használható az agykérgi funkciók vizsgálatára, mint az egysejtaktivitás. Egyszerűbb mérhetősége miatt felértékelődött az LFP jelentősége, így általában a kétféle szignált: LFP és egysejt, együttesen mérik és értékelik a kutatók.

Interspike Interval (ISI): A kisülés sorozat egymást követő spike-jai között eltelt időintervallum hossza. Ha a spike-ok előfordulása τ0, τ1, … τn, akkor az adott ISI a következőképpen számolható: ti = τi – τi-1, ahol i=1,…,n. [2]. Az ISI felfogható úgy, mint a pillanatnyi AP frekvencia reciproka [4]. Érthetően a hosszú ISI-k csökkent aktivitásra, esetlegesen gátlásra utalnak az adott időablakban, a rövid ISI-k pedig fokozott tüzelési rátát, esetleg „csomag-szerű”, ún. burst-ös kisülést is jelenthetnek.

11

2.1.2. Modellezés: „egyszerűen bonyolult”

Az idegrendszer absztraktabb leírására már a huszadik század közepén megjelentek az első, úttörő modellek. Az elektrofiziológiai, tehát közvetlen szöveti technikák mellett a modellezés matematikai elgondolásokon alapulva, főként logikai eszközökkel próbálja reprodukálni azt a mintázatot, amit egy neuron produkál. Megpróbáljuk megérteni, hogyan viselkedik egy neuron, mint diszkrét alkotó elem, mely bonyolult hálózatokat alkot a maga 515 ezer be- és kimenetével. Maga a viselkedés itt szó szerint értendő, ezzel ekvivalens megközelítés lehet az emberek vizsgálata egy szociális hálózatban. Külső szemlélőként vizsgáljuk az aktivitást, hosszú időn keresztül figyeljük, mennyit gondolkodik két üzenet között (ez lehet az ISI fogalmának egy alternatív definíciója). Egy általános idegrendszeri modell létrehozásának két fő, széles körben elterjedt iránya van:

Top down Felülről lefelé építkező stratégia. A rendszer átfogó működéséből, tehát a neuronok hálózati szintű tevékenységéből indul ki és halad lefelé az egyes sejtek tartományáig, az elemi mechanizmusokig. Jó példa erre egy 1959-es, sokat idézett cikk, melyben egy béka viselkedéséből indultak ki ("nagy mozgó folt: ellenség; kis mozgó pont: táplálék"), majd a következő lépésekben algoritmust készítettek a viselkedésformák megvalósítására, végül meghatározták azokat az idegi struktúrákat és folyamatokat, amelyek a kérdéses feladatok megoldásában részt vesznek [5]. Nyilvánvalóan bonyolultabb kognitív tevékenységre blokk és algoritmikus modellek csak részfunkciókra születtek. Kérdés, hogy lehet-e egyáltalán átfogó komputációs - pszichológiai modellt alkotni e téren? E megközelítés szempontjából fontos megjegyezni, hogy kutatásomban én a magatartást nem, „csak” az agykéreg működését, dinamikáját szeretném vizsgálni. Egy következő lépcső, új kutatás lehet, hogy egy így felépített modell milyen alapvető funkciók ellátására képes (tanulás, memória, vezérlés, számolás, stb.). Ma az agykéreg szempontjából még ez sem teljesen világos. Gyenge pontja tehát a top down megközelítésnek egy funkció (halmaz) egzakt azonosítása, ill. annak meghatározása esetén a rendszerre való rákényszerítése. Itt a mai napig van egy rés (irodalomban: explanatory gap) a pszichológia es az agykutatás között.

Bottom up Alulról fölfelé építkező stratégia. Az anatómiai és élettani tulajdonságokból indul ki, figyelembe véve az egyes idegsejtek típusát, alakját, a sejtmembrán folyamatait, a

12

szinaptikus kapcsolatokat, majd ebből felépíti az idegsejtek közötti hálózat szerkezetét, vagy ezek hiányában a populáció statisztikus jellemzőit. Ennek a módszernek gyenge pontja, hogy a részletes és realisztikus neuron modellekből komputeres kapacitáshiány miatt reménytelen nagy hálózatokat építeni (lásd Blue Brain Project korlátjai, nehézségei [1]). Ezért kellenek mindenáron a valamilyen szempont szerint egyszerűsített neuron modellek.

Az egyik legelterjedtebb logikai modellje a neuronműködésnek az integrál-és-tüzel, röviden IF – modell („integrate-and-fire”). Ez gyakorlatilag megegyezik a fizikában használatos lineáris oszcillátor fogalmával. Több változatát ismerjük. Biológiai relevanciája a szivárgó típusnak van leginkább, (angol irodalomban leaky IF – model) ez tükrözi leghűbben a neuronban lezajló folyamatokat. Gyakorlatilag két aspektust láthatunk egy serkentés alatt: az első, súlyozott bemenetekből passzívan integrálódó küszöb alatti domént, majd az ezt követő impulzusgenerálást, amennyiben átléptük az adott küszöbértéket. Természetesen ez egy végtelenül egyszerűsített elképzelése az idegi kommunikációnak. A rendszer diszkrét idővel, fix huzalozással, és fix küszöbbel sosem lesz képes a kémiai ingerület átvitel realisztikus leírására, csupán a kezelhetősége végett jó vizsgálati eszköz.

1. ábra: Szivárgó IF-modell kapcsolási rajza [4] és működésének diagramja [6]. Az áramköri építőelemek pusztán kapacitásból, ellenállásból és egy kapcsolóból állnak. A membránpotenciál (V) változását súlyozottan befolyásolják a bemenetek, másrészt a membránpotenciál aktuális értéke, mely az egyensúlyi potenciál felé (input hiányában) folyamatosan csökken (innen ered a szivárgó elnevezés). Ha V eléri a küszöbpotenciál (Vthr) értékét, akkor spike generálódik és V értéke egyenlő lesz a nyugalmi értékkel (Vret).

A modell további egyszerűsítésének a McCulloch-Pitts (MCP) - modellt tekinthetjük, melyben a kimenet nem vehet fel tetszőleges értéket, hanem az ’y’ kimeneti vektor bináris elemekből áll [8]. Az MCP hálózatban ilyen szabály írja le a hálózat minden egyes elemének működését. A rendszer állapotát egy rögzített időpontban nullákból és egyesekből álló sorozat határozza meg. A sorozat éppen annyi elemű, ahány neuron alkotja a hálózatot.

13

Külön választás tárgya, hogy egy időegység alatt a hálózat egyetlen vagy összes eleme módosuljon-e ("aszinkron" és "szinkron" feldolgozású hálózatról beszélhetünk). Ezek a modellek a neuron működést, mint logikai döntésfolyamatot közelítik. Más típusú gondolkodás, ha a biofizikai jellemzőket vesszük alapul. A leghíresebb példa a Hodgkin és Huxley által leírt elképzelés (HH – modell, 1952), melyért feltalálói 1963-ban orvosi Nobel díjat kaptak. [9]. Tintahal (giant squid) axonjában generált akciós potenciál vizsgálatával alkottak modellt. Hodgkin és Huxley feltételezése az volt, hogy a tovaterjedő jelet ionáramok segítségével lehet leírni (szemben az akkor még elfogadott elektron-elmélettel). Ők valóban kiszámították az ioncsatornák feszültségfüggését, tehát kísérletükkel bottom up alkottak modellt. A membrán ionokra vonatkozó vezetőképességét a maximális vezetés és a feszültségfüggő nyitási valószínűség szorzatára bontották fel. Hipotézisük az volt, hogy az ioncsatornák nyitását és csukását a kémiai reakciók kinetikájának mintájára le tudják írni. Eredményeik a feszültségváltozásra és az ionáramokra felírt közönséges differenciálegyenletrendszerrel (DER) foglalhatók össze, (ahol „C” a membrán elektromos kapacitása és „I”jelöli az aktív nátrium és kálium áramot, illetve a passzív szivárgási áramot):

2. ábra: a HH – modell kapcsolási rajza és differenciálegyenlet rendszere [7] (1) (2) (3) (4) C · dV/dt = INa + IK + IL INa=gNa max · m3 · h · (V-ENa) IK=gK max · n4 · (V-EK) IL=gL · (V-EL)

A Hodgkin–Huxley modellben az idő folytonos (ellentétben a diszkrét idejű MPC hálózattal), és a neuronok szivárgó integrátorok. Mivel a sejtek aktivációja itt folytonos időben zajló dinamikai folyamat, ezért ez a modell sokkal jobban jellemzi a neuron működését, mint az egyszerű IF – modellek. Mindemellett azt mondhatjuk, hogy ezek a leírások csak nagyvonalakban használhatóak valós eredmények hű szimulálására. Egyetlen sejtig ugyan kielégítő választ nyújtanak az ionáramokra, variabilitásra vonatkozóan, de tudjuk, hogy minden idegsejt egy óriási hálózat részeként, nem függetlenül, valós biofizikai folyamatokkal kiegészülve működik, mely HH – modellel még egysejt – szinten is töménytelen mennyiségű differenciálegyenlet rendszerrel

14

lenne csak modellezhető (a bottom up módszer a végtelenségig részletezhető). Egy neuron 10 ezer inputot kap átlagosan a környező sejtektől (sőt más, távoli asszociációs és subcorticalis kapcsolatokból) melyeknek 20 %-a gátló hatású. Ám a gátlások eltérő helyeken történnek, specifikus dendritikus vagy periszomatikus régiókban, ezáltal egészen másképp esnek latba. A hippocampális gátlást tanulmányozva Freund és munkatársai a különböző sejtekre vonatkozóan szabályos réteg szerinti eloszlást írtak le [10]. Még a serkentésről is elmondható, hogy cortikálisan strukturált, hiszen a kérgi columnákban szintén találunk szabályosnak mondható (bár kellőképpen bonyolult) mikrohálózatokat. És mindezen ingerület átviteli komplexitás mellé még a szinapszisok plasztikusságát is figyelembe kell vennünk egy valós modellben, hiszen az agyban sosincs fix huzalozás, a kapcsolatok effektivitása időben változik, így minden pillanatban új átviteli valószínűségek alakulnak ki a hálózatban résztvevő sejtek között.

2.2. Matematikai háttér

2.2.1. Valószínűségszámítási alapvetések

A kutatásom során leggyakrabban használt két fogalom az eloszlás- és sűrűségfüggvények voltak. Definíció szerint: Kumulatív eloszlásfüggvény – CDF (Cumulative distribution function): Az eloszlások szemléltetésére és kezelésére az eloszlásfüggvények jelentik az egyik fontos - általánosan alkalmazható - eszközt. Definíció szerint egy valószínűségi változó eloszlásfüggvényének nevezzük az F(x) valós függvényt, ha: (5)

Sűrűségfüggvény – pdf (Probability density function): Az X valószínűségi változó sűrűségfüggvénye f(t) pontosan akkor, ha az X-nek az F(x) eloszlásfüggvénye előállítható a következő alakban: (6)

15

Vagyis a sűrűségfüggvény az eloszlásfüggvény idő szerinti deriváltjaként adódik. A gyakorlatban f(x) sűrűségfüggvény meghatározza, hogy egy adott intervallumba mekkora valószínűséggel esik egy véletlen módon kiválasztott esemény [3].

2.2.2. Kódolást leíró statisztikus elméletek

Ahogy a fentebb leírt modellezésben, a kódolásban is két eltérő megközelítés ismeretes, a ráta szerinti, és az idő szerinti séma. Ezek egyértelműen top down logikájú gondolatmenetek, hiszen a tüzeléseket mindig több sejt szintjén, egymással hasonlítjuk össze, így van értelme a kérgi kódolásnak. Sokak szerint az agyi kommunikáció nem is sejtszinten, hanem populációs kódolásban (population coding) jöhet létre. Egyszóval az egyszerűsített felépítést használjuk a modellezésben, melyet összevetünk a kísérleti elvezetésből származó, dekódolt mintával. Az IF – modelleknél is jobban egyszerűsített modellünk így a tüzelési ráta (firing rate) nevet kapta. Ekkor egy hosszú időablak (time window) alatt adott tüzelések száma számít, mint egyedüli mérték, nincsenek explicit tüzelési időpontok. Egyetlen számként, átlagos tüzelési frekvenciaként identifikálunk egy idegsejtet. Meglepően, ez a mérhetetlen egyszerűsítés is alapja lehet hálózatoknak, melyekkel neurális számításokat, észlelési, tanulási jelenségeket modellezhetünk:

3. ábra: tüzelési ráta hálózat szerkezete és a tüzelési ráta számítása

A tüzelési ráta hálózatokban a bemenetekhez súlyokat rendelünk, ezek lesznek a posztszinaptikus sejtre jutó áram amplitúdók. Ezeket lineárisan összegezve számolhatjuk a teljes input szinaptikus áramát (Is), melyet végül rátává konvertálunk. A ráta tulajdonképpen a tartósan adott áram következtében kialakult tüzelési frekvencia (v). Ez általában egy szigmoid alakú függvénynek adódik, melyet szokás egyenesekkel is közelíteni:

16

4. ábra: tüzelési ráta szigmoid jellege

A másik sémában, tehát az időfüggő esetben a bemenet függ az időtől, ezáltal az áram is. A kimeneti ráta nemlineáris, aluláteresztő szűrőt valósít meg [11]. Képletben reprezentálva:

(7)

Érdemes látnunk, hogy a rátamodell egyszerű, bináris kimenetű típusaként foghatók fel az előző fejezetben leírt McCulloch – Pitts (MCP) hálózatok is.

2.2.3. Interspike intervallumok elmélete

Mint már említettem, kódolás szempontjából egyetlen akciós potenciál önmagában kevéssé hordoz információt. (Más kérdés, hogy anatómiailag számít, honnan érkezik, kérgi vagy thalamusból jövő preszinaptikus sejttől, ugyanakkor az is, hogy a posztszinaptikus sejt melyik szakaszára fut be, tehát dendritágak, tüskék, vagy periszomatikus régiók fogják integrálni a membránpotenciál változást.) A különböző neuronok (értve ezen a principális sejteket) AP alakja szintén nem különbözik szignifikánsan a cortexben. Ráadásul az extracelluláris mérés során el is vesztjük az ebből kinyerhető információkat. Így, ami számunkra vizsgálható, az a spike-ok sorozata, időben egymást követő akciós potenciálok összessége. Az agykérgi idegsejtek megnövelik aktivitásukat, ha számukra éppen specifikus információt dolgoznak fel, de ezenkívül is állandóan aktívak, amit spontán aktivitásnak nevezünk. Az ISI-k által való ekvivalens leírás jól használható e tüzelési mintázatok változékonyságának leírására, hiszen a spontán kisülések miatt nagyon variábilis intervallumok keletkeznek. Az ISI tulajdonképpen azt az információt hordozza, mikor és hogyan „üzen” a neuron. Mivel éppen ezt szeretnénk felkutatni, ezért olyan fontos a kérgi neurális viselkedés ISI eloszlás alapján történő megközelítése és megértése.

17

Az elkövetkezőkben Kostal és Lansky nyomán bemutatom az ISI analízis alapvető számolásait [2]. Mint elsődleges karakterisztikus jellemzőt, kiszámolhatjuk egy AP sorozat átlagos interspike intervallumát, tehát az átlag ISI-t az alábbi alakban:

(8)

Ez gyakorlatilag a várható érték fogalmával egyelő. És mivel időintervallumokról van szó, (9)

így nyilvánvalóan az átlagérték könnyen számolható anélkül, hogy az egyes intervallumokból bonyolult számításokkal kellene kifejeznünk. Emellett felírhatjuk az ISI-k szórásnégyzetét, más néven varianciáját: (10)

Továbbiakban az átlag intervallumot E(T), a szórást Var(T) kifejezéssel fogom használni. Ez a két leírás gyakorlatban akkor használható, ha az aktivitás stacionárius, vagyis fő karakterisztikája időben invariáns. Ez tipikusan spontán aktivitásban vagy konstans stimulus adásával jöhet létre. Más esetben viszont a spike-ok nem jelezhetők előre determinisztikusan, csak tüzelési valószínűségekről beszélhetünk. Ezekre használjuk globális leírásként a fentebb leírt eloszlás és sűrűségfüggvényeket. [12] [13] [14] Ahhoz, hogy bevezessünk egy általánosan használt fogalmat, a variációs együtthatót (angolul coefficient of variation), az ISI-ket normalizáljuk ráta szerint, tehát elosztjuk az átlaggal: (11)

A ráta normalizált ISI hossznak, tehát thétának a varianciája fogja megadni a variációs együtthatót, röviden Cv-t: (12)

A számítógépes idegtudományban Cv az alapvető mértékegysége a variabilitásnak (figyelem, nem variancia, tehát nem pusztán a szórás, hanem annak az átlaghoz való viszonya). Cv egy dimenzió nélküli szám és nem függ az ISI egység megválasztásától (msec vagy sec). [4] [15] A variabilitás egyszerűen szólva annyit jelent, hogy többször, ugyanarra az ingerre eltérő választ kapunk. Ennek az oka, hogy az élő sejt sokdimenziós komplex rendszer (mint azt a modellezésnél említettem), melyben egy elvégzett kísérlet során csak néhány paramétert

18

kontrollálhatunk, fixálhatunk. További ok a kapcsolatok folyamatos plasztikus viselkedése, erősödése és gyengülése, végül a szinaptikus transzmisszió sztochasztikus jellege (neurotranszmitterek felszabadulása, ioncsatornák aktivációja). Ezek a tényezők mind folyamatos variabilitásra adnak okot. Következőkben bemutatok olyan számítógépes ábrákat, melyek e paraméterek alapján létrehozott, különböző tüzelési mintázatokat írnak le.

5. ábra: Példák szimulált spike train-ekre. Minden esetben az ISI-k várható értéke E(T) = 1, tehát megállapítható, hogy mind az „a-h” esetek ekvivalensek a ráta kódolás szemszögéből nézve. Láthatóan a Cv általi leírás nem elégséges a megkülönböztetéshez, például az exponenciális mintázat variabilitása (b) megegyezik egy időközönként megszakított reguláris tüzeléssel (c). Ezért egy újabb fogalmat definiálunk, a véletlenséget (angolul randomness, jele: éta), melynek kiszámítását a dolgozatban nem részleteztem. A véletlenség úgy definiálódik, mint lehetőségünk egy adott ISI kiválasztására, miközben rekonstruálunk egy sorozatot spike-ról spike-ra. E két paraméterrel már egzaktul leírhatók a sorozatok. Észrevehetjük, hogy Cv korlátos alulról, hiszen Cv = 0 esetén szabályos a tüzelés, aminél kisebb variabilitás nem létezik. Felülről viszont nem korlátos, biológiailag a Cv> 1, burst-ös tüzelésre utal [2].

19

Az elkövetkezendő vizsgálatokhoz további új fogalmakkal kell megismerkednünk a sztochasztikus, véletlen folyamatok leírására. Elsőként: Pontfolyamatnak (point process) nevezzük az időtengelyen elterülő random pontok egy halmazát. Ilyen pontfolyamatként tekinthetők az AP előfordulások, vagy éppen a szinaptikus vezikulák membránfúziója az időben. Hasonlóképp bevezetjük a megújuló folyamat (más irodalmakban felújítási folyamat) kifejezést (renewal process). Ez szintén pontfolyamat, viszont ekkor minden esemény csak az előtte lévőtől függ. Koch szerint ilyen folyamattal írhatók le maguk az ISI-k is, hiszen így az intervallumok - számításukból adódóan - egymástól független, azonos eloszlású, tetszőleges véletlen valószínűségi változók [4]. Ez tulajdonképpen azt jelentené, hogy az esély arra, milyen hosszúnak találunk egy intervallumot, független attól, hogy előtte rövid, vagy hosszú ISI előzte meg azt. Koch leírja, hogy ez nem lehet igaz a burst-ös tüzelésre, amikor is 2-3 rövid ISI-t egyértelműen nagyobb valószínűséggel fog követni hosszabb intervallum. Dolgozatomban mégis, ezt a szigorított feltételezést is támadni szeretném, mégpedig vitatom, hogy az egymást követő intervallumok valóban függetlenek lennének, mint ahogy szintén megkérdőjelezem az egysejt és LFP jelek közötti teljes függetlenséget is. Ezekre a kérdésekre saját eredményeimből reflektálok dolgozatom további fejezeteiben. Más források alapján a Cv számítása, így az egész egysejt – variabilitás vizsgálat csak akkor ad értelmes eredményt, ha az ISI-k sorozatként independensek, és azonos eloszlású változók [16]. Tehát, ha sikerül ellenpéldát találnunk a felújítási folyamat kapcsán idegsejt aktivitásra, azzal megkérdőjeleződik egyúttal a variáció együttható központi a szerepe is. Mindezen fogalmakat felhasználva Poisson folyamatnak nevezzük azt a speciális felújítási folyamatot, amelyet exponenciális sűrűségfüggvény jellemez. Poisson folyamatban minden változó kis valószínűségű, bináris értékű és független a többiektől. E valószínűség összegek határeloszlása tart a Poisson folyamathoz (homogén esetben). A jól kezelhető, homogén változatról hamar kiderült, hogy használhatatlan leírása lenne az idegsejt működésnek. A folyamatot inhomogenizálták azáltal, hogy (temporal coding esetében) a tüzelési ráta időfüggő (de maguk a tüzelések feltételesen függetlenek maradtak). Ezzel biológiai szempontból az ún. refrakter periódus fogalmával bővítették ki a modellt. (Amíg a sejt tranziens ideig blokkolt állapotban van a tüzelés után.) E modell már viszonylag sok mindent megfelelően leír, legalábbis egyetlen sejtre vonatkozóan. Viszont így semmilyen magyarázatot nem adhatunk a variabilitásra. (Bár intuíciónkkal világos, hogy maga neurális integráció folyamata felelős a variabilitásért, ahogy ezt korábban részleteztem.) Kutatócsoportunk eredményeire támaszkodva kijelenthetjük, hogy az általunk vizsgált ISI-k sűrűségfüggvénye nem exponenciális jellegű [17]. Tehát megerősíthető, hogy nem fogható fel homogén, (renewal) Poisson folyamatnak az aktivitás. Adatsorunkhoz Minich és társai a legkülönbözőbb eloszlásokat illesztve (melyek egy részét dolgozatomban én is elvégeztem)

20

azt találták, hogy a küszöb körüli folyamatok, extrém érték eloszlások sokkalta inkább simulnak a kimért értékekhez, mint egy exponenciális lecsengés. A sikeres illesztések név szerint a Lognormális, a Generalizált Extrémérték és Generalizált Pareto eloszlások voltak.

2.2.4. Extrémérték eloszlások

Szélsőérték eloszlások modellezésével extrém vagy ritka eseményeket kereshetünk a legkülönbözőbb jelenségek vizsgálatakor. Eljárásait alkalmazzák meteorológiában,

közlekedésügyben, pénzügyben, jellemző példái a kockázatok és veszteségek számításai, csapadékmennyiségek, szélerősség, vagy csúcsforgalom becslése. A statisztikának e területét szélsőérték elméletnek (extreme value theory – EVT) nevezzük. Az elmélet azon alapszik, hogy egy tetszőleges megfigyelés minimumainak és maximumainak felkutatásához összesen három féle eloszlástípusra van szükségünk, ezek név szerint a Gumbel, Fréchet és Weibull eloszlások [18]. A három eloszlást egy közös összefüggéssel lehet felírni, melyet általánosított extrém érték eloszlásnak (Generalized extreme value distribution - GEV) neveznek [19]. Ennek közelítése a blokkmaximumok módszerével történik (block maxima). Ekkor az extrém értékeket kisebb halmazokon, blokkokon tekintjük. Az extremumok véletlen mintáinak eloszlása a három eloszlás egyikéhez fog tartani, melyek legfőképp lecsengésükben, szélükben (tail) különböznek. Elnevezésük és függvény megfeleltetésük a szakirodalomban meglehetősen kusza. Munkám során az elterjedtebb nevezéktant használom, miszerint típusokként számszerűen tekintjük a függvényeket. Vékony szélű eloszlásnak (Type III) nevezzük a függvényt, mely véges momentumú, a széleken a lecsengése is korlátos, Béta eloszlást követ. Ide soroljuk a Weibull –eloszlást. Közepes vastag szélű az eloszlás (Type I), ha a lecsengése a széleken exponenciális, momentumai szintén végesek. Erre példa a Normális, Lognormális és Gamma, de ide soroljuk a Gumbel – eloszlást is. A nevezéktani félreértés abból ered, hogy a két típus tükörképileg felel csak meg a hagyományos Gumbel és Weibull eloszlásnak, ugyanis ezek a görbék (az alábbi ábrán láthatóan) nem szimmetrikusak. Végül a vastag szélű eloszlások végeire (Type II) polinomiális lecsengés jellemző. Ilyen a Student-t, Pareto, Cauchy, LogGamma és ide tartozik a Fréchet eloszlás. Utóbbi ekvivalens a standard Weibull görbe reciprok értékeinek eloszlásával.

21

6. ábra. Általánosított extrémérték eloszlás típusai MATLAB környezetben [20]

Azonos eloszlású megfigyelések maximumaira a blokkmaximumok keresése mellett széles körben elterjedt eljárás a határérték feletti módszer (Peaks over threshold - POT), melyet más néven „metszék - módszernek” emlegetnek. A szint feletti maximumok módszere abból indul ki, hogy egy magas küszöb feletti megfigyeléseket tekintve, a kapott meghaladási értékek általánosított Pareto (GPD) eloszlással modellezhetők. Adott küszöbérték esetén a paraméterbecslés könnyen elvégezhető maximum - likelihood módszerrel. Az általánosított Pareto - eloszlás megadja annak valószínűségét, hogy egy nagy értéket átlépő valószínűségi változó értéke nagyobb-e egy küszöb értéknél. [19] A GPD eloszlást hasonlóképpen használják eloszlások széleinek modellezésére. Az exponenciális, normál eset általában jól leírhatja egy adatsor viselkedését a köztes régiókban, azonban a görbék végein, a szélsőértékeken gyakran eltérő lecsengést tapasztalunk. A görbe szélének vastagságát egy alak paraméter írja le, melynek jele K. (lásd: 6. ábra) Korlátos esetben az alak paraméter negatív értéket vesz fel. Míg vastag szélű eloszlásnál K pozitív. Ennél a módszernél elég a meghaladási értékeket (exceedences) illesztenünk a GPD görbéhez a szélek számítása esetén. Ezen eloszlások különböző típusait sikerült kutatócsoportunkban illeszteni az adatsorhoz, melyből egyértelműen következik, hogyha az adott mérési csatornán nem találtunk az ISI-k között vékony, vagy közepes szélű lecsengéssel rendelkező eloszlás- vagy sűrűségfüggvényt, akkor nem modellezhetünk exponenciális eloszlással. Természetesen itt nagyon kis eltérésekről van szó, ami jelentősen megnehezíti a görbe illesztést. Viszont extremumok számolása esetén az eltérések már szignifikánsnak tekintendők és a korábban leírt modellezés szempontjából fontossá válnak.

22

3. Módszerek

3.1. A felhasznált adatokról:

A

franciaországi

együttműködésben

elvégzett

kísérletek

adatai

map-fájl

formátumban, csomagoltan érkeztek, melyeket MATLAB program segítségével nyitottam meg és vizsgáltam. A számtalan mérés közül az adatsorokat egy őáltaluk konstruált fájlnév azonosítja, miszerint például az általam használt fájl neve:

MDC45544N001: M: DC: 4: 5544: N001: majom neve prefrontális cortex és cinguláris cortex negyedik rögzítési nap főcsatorna rögzítési mélysége az adott fájl aktuális darabjának száma.

3.2. Számítások MATLAB programmal:

A MATLAB programba importáláskor láthatóvá válnak a tárolt változók, a csatornákon egyidőben rögzített egysejt és LFP aktivitás értékek. Meg kell jegyezni, hogy bár a rögzítés valóban egyidejűleg történt, a mintavételezési frekvencia eltérő volt (a kétféle, kis- és nagyfrekvenciás szűrésből adódóan). Ezen túlmenően a nyers adatsorokon egy AP – felismerő szoftverrel spike detektálást (sorting algorithm) végeztek kollégáink, mely program szintén eltérő frekvenciát használt. Az ezekből adódó nehézségeket Kubinger Ágnes hallgatótársam, az LFP frekvencia vizsgálatával kapcsolatos diplomamunkája során sikeresen javította [21], így én saját munkámat már előfeldolgozott, egységesített adatsoron végezhettem. Elsőként az egysejt elvezetéseket vizsgáltam. Extracellulárisan hagyományos módon elvezetett egysejt aktivitás szinte kizárólag arról ad információt, hogy egy sejt tüzel-e,

23

vagy sem. Bár lehetséges prediktálni bizonyos tulajdonságokat, a küszöb alatti varianciák rejtve maradnak, melyek csak intracellulárisan mérhetők igazán [22]. Számomra a spike sorozat elegendő, hiszen ezekből számolhatóak a spike-ok között eltelt időintervallumok, az ISI-k. Tehát egyszerű „kivonás” képlet alapján meghatároztam az ISI-k hosszúságát a csatornákon, a teljes egysejt elvezetésekre. Ez nyilvánvalóan nagyon variábilis, a sejt meglehetősen sokféle tüzelési mintázatot produkál, így a legkülönfélébb hosszúságú ISI-k keletkeznek. Ami ezek után célkitűzésem volt, megkeresni a sok ezer eltérő hosszúságú ISI halmazból az extrémumként értelmezhető nagyon hosszú, ill. rövid szakaszokat. Ezt a kezdetekben az adott ISI sűrűségfüggvényhez megfelelően szemrevételezéssel végeztem, mivel a precízen paraméterezett GP-eloszlás kidolgozása nehéz feladatnak bizonyult. Így feltáró, tájékozódó adatelemzésként az 50 ms-nál rövidebb és az 500 ms-nál hosszabb ISI-ket tekintettem extrémnek. Igazán arra voltunk kíváncsiak, mit jelenthetnek e kiugró számok az idegsejt aktivitásban. Miért tüzel olyan gyors ütemben, vagy miért hallgat az adott sejt és ez hogyan viszonyul a környezete aktivitásához. Ezért a szelektált extrém ISI értékeket együttesen plottoltam az LFP időgrafikonnal együtt. Majd Fourier transzformációval frekvenciaelemzést végeztem, megállapítottam az LFP jellemző spektrum komponenseit, és megpróbáltam megfeleltetni valamilyen összefüggést a szélsőséges egysejt – aktivitás és mezőpotenciál frekvencia karakterisztikák között. Az így kapott ábrák az „Eredmények” pontban vannak részletezve.

24

4. Eredmények
4.1. Egysejt - aktivitási vizsgálatok:

4.1.1. Interspike intervallumok statisztikai elemzése
Tekintsük meg elsőként a teljes hosszúságú egysejt elvezetésen számolt ISI-ket. Vizsgálataimat három csatornán kezdtem, majd ezek közül választottam ki az extrémértékek elemzéséhez legalkalmasabb mérést. Az alábbi három ábrán láthatjuk csatornák szerint rendre az intervallum előfordulásokat. Az első csatornán:

7. ábra

A második csatornán:

8. ábra

25

A harmadik csatornán:

9. ábra

Ha összevetjük a három grafikont, észrevehetjük, hogy míg a harmadik elvezetésen alig találunk 1000 ms feletti ISI hosszúságot, az első elvezetésen kifejezetten sok individuális szélsőérték született. A második csatornán a rövid ISI-k nagy számban fordulnak elő, viszont ez kevésbé tekinthető ritka eseménynek a rajta számolt átlag ISI értékhez képest. Ezek után úgy döntöttem, az első csatornán folytatom további megfigyeléseimet és korrelációimat. Eloszlás szempontból mondhatjuk, hogy az első csatorna rendelkezett a leghosszabb lecsengéssel, vastag szélű extrémérték eloszlás valószínűleg ehhez lesz illeszthető leginkább. Mindezek után az első csatornára kiszámoltam az eloszlásfüggvényt és a sűrűségfüggvényt, mint alapvető statisztikai jellemzőket:

10. ábra

Ez alapján jól látható, hogy nagyjából 2-3 másodpercnél hosszabb ISI szinte nem született, tehát annak az esélye, hogy a sejt ez idő alatt újra tüzelni fog, megközelítően 100%. Ez nem meglepő, hiszen egy kérgi terület igen magas aktivitást mutathat az adott kognitív funkciókat modellező feladat közben, sőt jellemzően a spontán aktivitás alatt is. Ugyanezen csatorna ISI-jeinek sűrűségfüggvénye (probability density function – p.d.f.):

26

11. ábra

Az ISI-k növekedésével a sűrűség egyenletesen lecseng. Megerősíthető, hogy az 1000 ms feletti extrém hosszú ISI-k igen ritkák, mondhatni egyedi előfordulásokról beszélhetünk [21].

4.1.2. Kísérletek eloszlásillesztésre

Kiindulópontnak azt vettem, hogy az exponenciális jellegű eloszlások tipikusan vékony szélű vagy legfeljebb közepes szélű eloszlásoknak tekintendők. Viszont az én adatsoromnál szemrevételezve is hosszabb lecsengést feltételeztem. Így elsőként illesztettem exponenciális, majd gamma, Weibull végül általánosított Pareto eloszlásokat az első csatorna ISI sűrűségfüggvény görbéjéhez. Eredményeim, és az illeszkedések a következő ábrákon láthatók. Bár illesztéseim nem voltak igazán szakszerűek és kvantitatívak, hiszen a görbék beállítása az adatsorhoz tesztes ellenőrzést is követel, erre Minich és társai a Kolmogorov – Smirnov (KS) próbát alkalmazták, a ’p’ – értékek (szignifikancia szint) összehasonlítására. A jövőben én is szeretnék elmélyedni az eloszlás illesztés elméletében egy alaposabb vizsgálattal és KS vagy ún. Khi-négyzet ellenőrző próbák használatával.

27

Exponenciális görbe illesztése:

12. ábra

Az illesztés vége nagyítva:

13. ábra

Szembeötlő, hogy mind hosszú, mind rövid értékeknél „levágjuk”, vagyis elvesztjük az adott értékeket, ez kvalitatívan megközelítve sem lesz reprezentatív eloszlásgörbe az adatsorhoz. Gamma görbe illesztése:

13. ábra

Ez sokkal jobban közelíti a közbenső értékeket, viszont a szélsőérték vizsgálatra alkalmatlan.

28

Weibull eloszlásgörbe illesztése:

14. ábra

Bár az értékek szempontjából jobban rásimul az adatunkra, mint az előbbiek, ez sem ad kielégítő illeszkedést a maximális értékekre (matching score). Végül a generalizált Pareto eloszlás illesztése:

15. ábra

Itt a polinomiális vastag szélű lecsengés az előzőekhez képest relatívan jól követi mind a közbenső, mind az extrémebb értékeket, bár ezeket szintén vágja, első látásra elenyésző különbséggel a korábbiakhoz. Mégis nullától különböző értékeket vesz fel a legnagyobb értékekre is, ahogy ezt a görbe végének nagyított ábráján is láthatjuk:

16. ábra

29

4.1.3. Extrém értékek előfordulásai az elvezetésben

Miután megvizsgáltam az ISI-k széles skálán vett előfordulásait, mostantól kizárólag az adott szélsőértékekre koncentrálok. Amint bevezetőmben utaltam rá, fő célom az extrém sejttüzelési mintázatok korreláltatása a környező több száz sejt aktivitásához, tehát a helyi szempontból globálisnak nevezhető mezőpotenciálhoz. A számos ISI értékem közül a túlnyomó rész (a sűrűségfüggvény alapján) 200 ms – nál rövidebb időintervallum volt. Ez az eltolódás leginkább a jelentős frekvenciájú spontán aktivitásból adódik. Szemrevételezve jó próbának bizonyult az 50 ms – os felső korlát megválasztása a minimális időintervallumok vizsgálatára. Tehát az elkövetkezőkben az első csatorna minimális hosszúságú ISI értékeit ábrázolom az adott LFP elvezetésen:

17. ábra

Az első látásra kevésbé informatív ábráról mégis érdekes tulajdonságokat szűrhettem le kellő próbálgatással. Az ISI szakaszok kezdőpontjait pirossal, végpontjait zölddel jelöltem. A folytonos kék jel mutatja az LFP változását az rögzítés során. Természetesen az intervallumok hossza olyan rövid, hogy e távoli nagyításban egymásra mosódnak („overlapping” jelenség), ezért látjuk kizárólag a zölddel jelölt végpontokat. Azonban a nagyobb időfelbontású képen láthatóvá válnak a min_ISI-k:

30

18. ábra

Érdemes megfigyelni, hogy igazán nagy aktivitás esetén - mint a jelen ábra mutatja - a sűrűn egymásutánban érkező rövid ISI-k végpontjai egybeesnek az elkövetkező ISI kezdőpontjával. Tehát a sejt folyamatosan gyorsan tüzel, látható kihagyások nélkül. Ha mindez 4-5 milliszekundum alatt többször ismétlődik, azt hipotetikusan tekinthetjük burst tüzelésnek (bár egy komplexebb burst – ös spike sorozat lefutása eltérő is lehet).

Amint az alábbi ábrán láthatjuk, a bekeretezett extrém rövid ISI-k előfordulása meglepő periodikusságot mutat az LFP időgrafikonon, mégpedig az LFP meghatározott, csúcsot követő fázisaiban jelentős. Ezt láthatjuk közepes nagyításban:

19. ábra

31

Ellenben, ha a teljes elvezetést nézzük, jelentős méretű, általam „üres blokkokat” nevezett kitüntetett helyeket találunk, melyekben az LFP említett területein egyáltalán nincsenek minimum értékeink:

20. ábra

Természetes módon felmerült bennem a kérdést, hogy ez idő alatt mi történik a sejttel. Megnéztem még extrémebb értékekre is az előfordulást, de szintén azt találtam, hogy bár jóval kevesebb számú érték van, azok hasonló periódusokban, blokkszerűen helyezkednek el:

21. ábra

Ahhoz, hogy az üres blokkok kérdésével kapcsolatban valamifajta megoldásra jussak, folytatásképpen megvizsgáltam a maximális hosszúságú ISI-k előfordulását.

32

A leghosszabb intervallumok alsó korlátjának 500 ms - ot választottam, szintén a csatorna sűrűségfüggvényéből megállapítva. Ez esetben már a totál-képen is láthatóak a kezdő (itt: lila) és a végpontok (itt: fekete), hiszen egy időnagyságrenddel nagyobb szakaszokat szelektáltunk az előzőekhez képest:

22. ábra

A nagyított ábrán még inkább elkülönülnek a „start – end” Max_ISI szakaszok:

23. ábra

33

A maximumok korlátját szintén megvizsgáltam még szélsőségesebben kitolt küszöbre. Ekkor már a sejtnek 2 másodpercig (!) „hallgatnia” kell AP megszakítás nélkül, hogy jelünkön megjelenítődhessen:

24. ábra

És bár e hosszú ISI-k a fenti grafikonok alapján mindkét küszöb választása mellet nagy diverzitást mutatnak, tehát kevésbé köthetők bizonyos LFP fázisokhoz, azonban meglepő eredményre tehetünk szert, ha egyszerre jelenítjük meg a kétfajta extrém ISI értéket. Legrövidebb és (piros-zöld) illetve leghosszabb (lila-fekete) ISI-k együttes ábrázolása:

25. ábra

34

Jól láthatóan a kétfajta extrém ISI más-más területeket foglal el az LFP-n belül. A korábban még kérdéses „üres blokkok” csaknem kizárólag hosszú ISI-ket tartalmaznak:

26. ábra

Feltehetőleg az egy csoportban lévő, egymást követő extrém hosszú ISI-k utalhatnak egy időszakos gátlásra, mialatt a sejt tüzelési frekvenciája jelentősen visszaesik a környező (az LFP-t kialakító) sejtek aktivitásához képest.

Ezt láthatjuk erősebb nagyításban az LFP alakjának vizsgálatakor is. Az adott sejt bizonyos fázisban aktív, ám a fázisok között csökkent aktivitást, hosszú ISI-ket mutat, melyek igen konzerváltan követik egymást:

27. ábra

35

4.2. ISI és LFP korrelációk:

4.2.1. Az LFP spektrum komponensei
Az eredetileg időtartományban megkapott jel további analíziséhez át kellett térnünk frekvencia tartományba. Ezt többféle technikával, eltérő transzformációkkal valósíthatjuk meg aszerint, hogy mire helyezzük a frekvenciaelemzésben a hangsúlyt. A jelfeldolgozásban erre általános példa a Fourier és a Hilbert – Huang transzformációk, melyek képesek a jel alapján meghatározni a karakterisztikus frekvencia összetevőket, más néven a spektrumbeli komponenseket. Én az elvezetések hosszúsága miatt, és globális eredmények vizsgálata okán a Fourier elemzés mellett döntöttem. Eredményeimet MATLAB – ba épített hőtérképek (heat map) segítségével jelenítettem meg.

4.2.2. Extremumok és LFP frekvenciabeli összefüggései

Amit alább láthatunk, a három csatornából összevetett frekvenciaeloszlás, mégpedig a maximális hosszúságú (ti > 500ms) ISI-kre nézve:

28. ábra

36

Az ábra alapján elmondható, hogy maximumok vizsgálata esetén a spektrális komponensekben egyértelműen a lassú hullámok (delta, theta), vagyis alacsony frekvenciák dominálnak. Béta, esetleg alacsonyabb gamma aktivitás csak elvétve, pontszerűen jelenik meg a spektrumban. (Az x tengelyen szereplő számok itt pusztán a növekvő sorrendben szereplő ISI-k indexeit jelölik). Ellentétben, ha a minimumokat (ez esetben a tágabb küszöbbel értelmezett, ti < 50ms) vizsgáljuk, sokkal inkább előfordulhat magas aktivitás mindhárom csatornán (bár a teljes spektrumban ez is elenyésző mennyiségű):

29. ábra

Érdekességként megfigyelhetjük hogyan lett több-kevesebb sikerrel kiszűrve a jelből az 50 Hz frekvenciacsík, amely az általános hálózati zajból eredő artefaktot eredményezné. A változás jól detektálható. Itt bizonyos részeken már gamma aktivitást mutató értékeket is találunk. A következő diagram is hasonlókra enged következtetni:

37

30. ábra

Összességében a kapott eredmények megfelelnek az elvárásainknak: az extrém rövid idejű ISI-kben megjelenik a magasabb frekvenciájú aktivitás, míg az extrém hosszú ISI-k lassú hullámú oszcillációkkal korrelálnak. A teljes elvezetést tekintve a mezőpotenciálban alacsony frekvenciájú hullámok dominálnak, ám ha a szélsőségesen rövid értékeket nézzük, ott nagyobb valószínűséggel találhatunk gyors komponenseket. Az eredmény további pontosítása, kvantifikálása még feladatként előttem áll, és számos nyitva hagyott érdekes kérdés kutatására ad okot.

38

5. Összefoglalás

5.1. Eredmények összegzése:
Szakdolgozatomban agykérgi egysejt elvezetés során kapott tüzelés mintázatokat vizsgáltam statisztikai eszközökkel. A spike sorozatok helyett az interspike intervallumok eloszlásmintázatát elemeztem, kiváltképp koncentrálva a szélsőértékek előfordulásaira. Meghatároztam egy csatornára jellemző extremum értékeket és korreláltattam a csatorna környezetében mért mezőpotenciál aktivitással. Következésképp elmondhatom, hogy a mért ISI szélsőértékek jól szeparált ütemben követték egymást, ezáltal speciális ritmikus aktivitást hoznak létre az idegsejtben. Ez a komplementer extremum eloszlás szembeállítható az eddigi ökölszabállyal, nullhipotézissel, miszerint egyetlen sejt kisülési tulajdonságai leginkább random folyamatként értelmezhetők. A szakmai körökben elterjedt Poisson eloszlású, variációs együtthatós ISI modell csak akkor lehetne realisztikus, ha az ISI-k független valószínűségi változók. Ez az adatsoromban mért intervallumokra eredményeim szerint nem tételezhető fel, így ez az elmélet számomra nem alkalmazható, vagy legalábbis nem lesz pontos. Magam, és kutatócsoportunk egyéb munkatársai is próbálkoztak más, nem exponenciális eloszlások illesztésével, melyek közül a küszöb körüli folyamatok, extremum eloszlások voltak leginkább megfelelők. Ezek a „vastag végű” (heavy tail) eloszlások skálázható, hosszú lecsengéssel rendelkeznek, amely megfelelően illeszthető az adatsor maximumaira. További kutatásaim a mezőpotenciál frekvencia összetevőinek

meghatározására irányultak. Összességében a kapott eredmények újfent megerősítették azt, hogy a sejtek között bizonyos – ma még feltáratlan – kapcsolat áll fenn a kódolást illetőleg. Megfigyelhető volt, hogy az extrém rövid idejű ISI-kben megjelent a magasabb frekvenciájú aktivitás, míg az extrém hosszú ISI-k főképp lassú hullámú oszcillációkkal korreláltak.

39

5.2. Kitekintés:

A neurális aktivitás véletlenszerű jellege számomra nem kérdéses, hiszen egy szabályosan tüzelő sejthálózat sosem lenne alkalmas a legkülönbözőbb információk kódolásra. Ám Koch és Softky 20 évvel ezelőtti Poisson hipotézise [15], és az erre kiépült elméleti számítások kevésnek bizonyulnak a valósághű ábrázolásra. Kutatásaimat folytatni kívánom az együttműködésben, és az adódó érdekességeket továbbra is szeretném nyitott szemmel felkutatni. Eredményeimre és elméletemre még nincs megfelelő leíró modell, de bízom benne, hogy a jövőbeli kutatásokban elfogadjuk az extrémérték eloszlásokat és küszöb körüli folyamatokat, mint pontosabban leíró (és az idegsejt természetéhez közelebb álló) megoldást.

40

6. Köszönetnyilvánítás
Végül szeretném hálás köszönetemet kifejezni témavezetőmnek, Dr. Négyessy Lászlónak, aki megosztotta velem tudását, mindig segítőkészen válaszolt kérdéseimre, és rendkívüli motiváló erővel végigkísérte a kutatói munkát. Emellett köszönetet mondok a kutatócsoport többi tagjának a kísérleti adatokért, beszélgetésekért, Kubinger Áginak a MATLAB programozási tanácsokért, és szüleimnek, barátaimnak, akik lelkiekben támogattak a munka nehéz, embert próbálóbb pillanataiban is.

41

7. Rövidítések jegyzéke
AP: ISI: LFP: Akciós potenciál Interspike intervallum Lokális mezőpotenciál

BBP: Blue Brain Project IF: LIF: Integrate-and-fire Leaky integrate-and-fire

MCP: McCulloch – Pitts network HH: DER: CDF: PDF: Cv: GEV: GPD: POT: KS: Hodgking & Huxley model Differenciálegyenlet rendszer Cumulative distribution function Probability density function Coefficient of variation

EVT: Extreme Value Theory Generalized Extreme Value Generalized Pareto Distribution Peaks over threshold method Kolmogorov – Smirnov teszt

42

8. Irodalomjegyzék

[1] Henry Markram, (2006) The Blue Brain Project, Nature Reviews Neurosci 7:153-160

[2] L. Kostal, P. Lansky, J-P. Rospars (2007) Neuronal coding and spiking randomness Eur. J. Neuroscience 26: 2693-2701.

[3] Fazekas István: Valószínűségszámítás című egyetemi jegyzete

[4] C. Koch (1999) Biophysics of computation: Information Processing in single neuron, Oxford University Press, 14. chapter: 330 – 380.

[5] Lettvin J.Y., Maturana H.R., McCulloch W.S., Pitts W.H. (1959) What the frog's eye tells the frog's brain, Proceedings of the IRE Vol. 47, 7: 1940- 1951

[6] Modellek az idegrendszer-kutatásban – ELTE TTK.2003 tavaszi félévi előadásai, honlapcím: http://cneuro.rmki.kfki.hu/files/Egyszeru.pdf

[7] Matematikai modellek az idegrendszer kutatásban honlapcím: http://www.kfki.hu/~cheminfo/hun/eloado/neuro/index.html

[8] McCulloch, W. S., Pitts, WH.: A Logical Calculus of the Ideas Immanent in Nervous Activity. Bull. Math. Biophys. 1943, 5 (115–133.)

[9] A. L. Hodgkin and A.F. Huxley (1952) A quantitative description of membrane current and its application to conduction and excitation in nerve, J. Physiol. I I7, 500-544

[10] T.F. Freund, G. Buzsáki (1996) Interneurons of hippocampus, Hippocampus 6:347–470

[11] Káli Szabolcs: Introduction to functional neurobiology tantárgy Neuronal modelling előadásjegyzete, 2011. 10. 05.

43

[12] Donald H. Perkel, George L. Gerstein, George P. Moore (1967) Neuronal Spike Trains and Stochastic Point Processes: I. The Single Spike Train, Biophysical Journal 7:391-418

[13] Tuckwell HC (1988) Introduction to theoretical neurobiology. Vol 2. Nonlinear and stochastic theories. Cambridge University Press.

[14] Gerstner and Kistler (2002) Spiking neuron models: Single neurons, populations, plasticity, Cambridge University Press

[15] Softky WR, Koch C. (1993) The highly irregular firing of cortical cells is inconsistent with temporal integration of random epsps. J Neurosci 13 (1): 334-50.

[16] S. Ditlevsen, P. Lansky (2011) Firing Variability Is Higher than Deduced from the Empirical Coefficient of Variation, Neural Computation , Vol. 23, 8: 1944-1966.

[17] Minich J, Negyessy L, Procyk E, Barone P, Odry P, Bazso F. (2009) Statistical and stochastical properties of inter spike interval time series. In: Frontiers in Systems Neuroscience. Conference Abstract: 12th Meeting of Hungarian Neuroscience Society: 10.3389/conf.neuro.01.2009.04.213.

[18] MATHWAVE: Extreme values distributions, honlapcím: http://www.mathwave.com/articles/extreme-value-distributions.html

[19] Prof. Dr. Solymosi József: A klímaváltozás várható nemkívánatos hatásai, kritikus szektorok és a katasztrófavédelmet érintőindikátorok vizsgálata, kidolgozása című tanulmány

[20] MATHWORKS Documentation - Statistics Toolbox, Generalized Extreme Value Distribution, honlapcím: http://www.mathworks.com/help/toolbox/stats/brn2ivz-46.html

[21] Kubinger Ágnes: Agykérgi neuronok tüzelési mintázatának vizsgálata lokális mezőpotenciálok függvényében című diplomamunkája

[22] Darrell A. Henze, Zsolt Borhegyi, Jozsef Csicsvari, Akira Mamiya, Kenneth D. Harris and György Buzsáki, (2000) Intracellular Features Predicted by Extracellular Recordings in the Hippocampus In Vivo, J Neurophysiol 84: 390-400

44

Sign up to vote on this title
UsefulNot useful