Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1 RMKI, Biofizikai osztály 2 Wayne State University, Detroit, USA Simonyi-nap Budapest, 2010. október 18.
Kortikális makrohálózatok Agykéreg Kérgi területek Funkcionális felosztás Szenzorikus területek Motorikus területek Reprezentáció, memória, tanulás Kognitív funkciók, kognitív kontroll Interakciós hálózatok
A rendszer komplexitása Egyetlen idegsejt is bonyolult rendszerek összessége 1011 idegsejt, sok különböző típus Bonyolult kapcsolódási minázatok, 1015 kapcsolat Nagy variabilitás Mérési nehézségek Különböző szintek kölcsönhatása Nincs egyszerre jó tér- és időfelbontású eszköz Emberben csak neminvazív módszerek használhatók Komplex betegségek állatban nem modellezhetők jól
Skizofrénia Több tünetegyüttes gyűjtőneve Hallucinációk, tévképzetek, memóriaproblémák A biológiai háttér jórészt ismeretlen Egy ígéretes elmélet: szétkapcsoltsági hipotézis A memóriaformáció tudatos irányítása sérül bizonyos agyterületek közötti elégtelen kommunikáció miatt
Funkcionális képalkotás Makroszkopikus aktivitás mérése fmri mágneses rezonancia Háromdimenziós kép az egész agyról Jó térbeli, gyenge időbeli felbontás Áttételesen mérjük a neurális aktivitást Időben simított jel Véroxigénszint változása Kísérleti paradigmák Passzív nyugalmi állapot mérése Feladat funkcionális részhálózatok Az agyterületekhez idősorozatokat rendelhetünk
Statisztikai modellezés Rejtett változós generatív modellek x = f x, u, f y= x, Megfigyelt változók: y,u Véletlenszerűség bevezetése Zaj Véletlen állapotváltozók Véletlen paraméterek Modellinverzió Rejtett változók eloszlása Paraméterek eloszlása Paraméterek becslése
Makrohálózati modellek Az fmri-vel mért jel generatív modellje N x = A i=1 u j B x Cu j y = x, h A feladathoz tartozó funkcionális hálózat kiválasztása Agyterületek közötti kölcsönhatás dinamikája Bemenetek hatása a területek aktivitására Külvilágból érkező jelek Többi agyterületről érkező jelek Leképezés a neurális aktivitás és a mért jel között Paraméterek illesztése a mért adatra Interakciók erőssége Leképezés paraméterei
Bayesiánus statisztika p y, M = p y, M p M p y M F = ln p y, M q ln q q A paraméterek Maximum A Posteriori becslése Modellstruktúrák összehasonlítása Illeszkedés az adatra Ockham borotvája a kisebb komplexitás preferenciája A rendszer információelméleti szabadenergiájának minimalizálása A MAP paraméterbecslés approximációja Az illeszkedés és komplexitás egyensúlyát beállító modelljóság-mérőszám
A kísérlet Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport
A feladatban szerepet játszó agyterületek Primer vizuális kéreg szenzoros információ forrása Szuperioparetális kéreg - helyreprezentáció Inferiotemporális kéreg - objektumreprezentáció Hippokampusz asszociatív memória formulációja Prefrontális kéreg memória kognitív kontrollja
A modelltér definíciója Összekötöttség Anatómiai és funkcionális adatok alapján Előrecsatolt vagy adatáramlás Visszacsatolt vagy kontroll áramlás Bemenetek a kísérleti körülmények alapján Vizsgált modellhalmazok A kontroll áramlás kapcsolatainak kombinációi A bemenetek hatásainak kombinációi
Modellöszehasonlítási eredmények Az egészséges csoportban egyértelmű nyerő modell Tartalmaz minden feltételezett kapcsolatot A skizofrén csoportban nincs egyértelmű nyertes, és különböző hiányos modellek a legvalószínűbbek A szétkapcsoltság nem specifikus, az egész hálózat komplexitása csökken Utalhat a csoport heterogenitására
Paraméterszintű összehasonlítás Az illesztett modellek paramétereinek átlagos értéke a két csoportban Eltérések Prefrontális kéreg-hippokampusz: a memória tudatos kontrollja Hippokampusz-Inferiotemporális kéreg: az objektumreprezentáció felhasználása a memórianyom kialakításában A feladat teljesítésében leginkább releváns kapcsolatok sérültek Alátámasztja a szétkapcsoltsági hipotézist
Lassú tanulás vagy betegség? A skizofrén csoportban lassabb a tanulás A lassú tanulás nem feltétlenül skizofrénia hogy lehet megkülönböztetni? Modellek illesztése az egészséges, de lassan tanuló alanyokra A teljesítményük nem jobb, mint a skizofrén csoporté A modellek valószínűségi eloszlása az egészséges csoportéval azonos alakú
Összefoglalás fmri mérések skizofrén és egészséges alanyokon, asszociatív tanulási feladattal A makrohálózati interakció generatív statisztikai modelljeinek halmaza, Bayesiánus módszerekkel invertálva A modellösszehasonlítás alapján a skizofréneknél nemspecifikusan csökken az információfeldolgozó hálózat összekötöttsége A paraméterek szintjén a kognitív kontrollért és az objektumreprezentáció felhasználásáért felelős kapcsolatok sérülnek A módszer alkalmas arra, hogy különbséget tegyünk a betegség és a lassú tanulás között
Hivatkozások Friston K, Frith C (1995) Schizophrenia: a disconnection syndrome? Clin Neurosci. 389-97. Ellison-Wright I, Bullmore E (2009) Meta-analysis of diffusion tensor imaging studies in schizophrenia. Schizophr Res. 108:3-10. Farkas et al. (2008) Associative learning in deficit and nondeficit schizophrenia. Neuroreport 8:55-8. Diwadkar et al. (2008) Impaired associative learning in schizophrenia: behavioral and computational studies. Cogn Neurodyn 2:207-219. Érdi et al. (2007) Computational approach to the schizophrenia: Disconnection syndrome and dynamical pharmacology. In BIOCOMP, L.M. Ricciardi, A. Buonocore, and E. Pirozzi, eds. (Meville, NY: American Institute of Physics) 65-87. Friston KJ, Harrison L, Penny WD (2003) Dynamic Causal Modelling. NeuroImage 19(4):1273-1302. Stephan KE, Penny WD, Daunizeau J, Moran R, Friston KJ (2009) Bayesian model selection for group studies. NeuroImage 46(3):1004-1017.
Köszönöm a figyelmet! banmi@rmki.kfki.hu