Uniwersytet Mikołaja Kopernika w Toruniu

W poszukiwaniu zasad reorganizacji ludzkiego mózgu

obrazek:

Zastosowanie nowoczesnych technologii i zaawansowanych technik analitycznych coraz bardziej przybliża nas do poznania sposobu funkcjonowania ludzkiego mózgu. Poznanie podstawowych zasad organizacji i reorganizacji sieci neuronalnych ludzkiego mózgu może znacząco przyczynić się nie tylko do postępu w medycynie, ale także do rozwoju modeli sztucznej inteligencji.

Obecnie kieruję zespołem Computational Neuroimaging, którego celem jest zrozumienie, w jaki sposób regiony mózgu współpracują ze sobą w trakcie procesów poznawczych, umożliwiając uczenie się, zapamiętywanie i podejmowanie decyzji.  Rozwijamy trzy główne obszary badań związane z: (1) reorganizacją sieci neuronalnych ludzkiego mózgu, (2) procesami podejmowania decyzji oraz (3) odtwarzalnością wyników badań neuroobrazowych.

Nasz zespół jest częścią grupy „Neuroinformatyka i sztuczna inteligencja”, kierowanej przez prof. Włodzisława Ducha w Centrum Doskonałości „Dynamika, analiza matematyczna i sztuczna inteligencja”. Nasza grupa działa w większości w Interdyscyplinarnym Centrum Nowoczesnych Technologii (ICNT) Uniwersytetu Mikołaja Kopernika w Toruniu. Formalnie należymy do Laboratorium Neurokognitywnego Zespołu Interdyscyplinarnej Fizyki i Informatyki.

Mózg jako najbardziej złożony organ w znanym wszechświecie 

Na przeciętny mózg dorosłego człowieka składa się około 86 miliardów neuronów, skomunikowanych łącznie trylionami połączeń synaptycznych. Nowoczesna neuronauka kładzie ogromny nacisk na zrozumienie zasad stojących za organizacją tych złożonych sieci i ich znaczeniem dla funkcjonowania poznawczego.

W 2005 roku naukowcy Olaf Sporns i Patric Hagmann ukuli równolegle termin „konektom”, rozumiany jako kompletna mapa połączeń w mózgu. O ogromnej złożoności mózgu, świadczy choćby fakt, że do dziś jedyny kompletnie zobrazowany konektom należy do niewielkiego nicienia: Caenorhabditis elegans. Na jego układ nerwowy składa się zaledwie 302 neurony i około 7000 synaps. Coraz większe postępy poczyniono ostatnio w obrazowaniu konektomów większych organizmów. W styczniu tego roku opublikowany został fragment konektomu muszki owocowej (Drosophila), składający się z 25 000 neuronów i 20 milionów synaps. 

Zarówno konektom robaka C. elegans jak i konektom muszki owocowej to przykłady map połączeń zobrazowanych w mikroskali — z wykorzystaniem mikroskopu elektronowego, który pozwala na obrazowanie pojedynczych neuronów i synaps. Obecne metody obrazowania mózgu nie pozwalają na obrazowanie żywego mózgu człowieka w tak wysokiej rozdzielczości. Co więcej, szacuje się, że diagram połączeń ludzkiego mózgu w mikroskali zajmowałby około 2 miliony petabajtów, więc nie zmieściłby się na żadnym z dostępnych nośników danych. W przypadku ludzkiego mózgu musimy zadowolić się obrazowaniem w makroskali — na poziomie kilkuset wyodrębnionych regionów mózgu zamiast poszczególnych neuronów. Standardowo wykorzystywaną do tego celu metodą jest czynnościowy rezonans magnetyczny (fMRI).

Neuroobrazowanie i czego możemy się z niego dowiedzieć

Skaner fMRI pozwala na obrazowanie struktury oraz aktywności ludzkiego mózgu. Jest to metoda w pełni bezpieczna i nieinwazyjna, co pozwala na wielokrotne wykonywanie badań obrazowych jednej osoby, nawet w niewielkim odstępie czasu. W trakcie badania fMRI, osoba badana umieszczona jest w pozycji leżącej w stałym wysokim polu magnetycznym.

Dzięki właściwościom magnetycznym jąder atomów wodoru, jesteśmy w stanie uzyskiwać wysokiej rozdzielczości obrazy mózgu oraz różnicować znajdujące się w nim tkanki. Dodatkowo, skaner fMRI, dzięki własnościom magnetycznym jąder tlenu, pozwala na badania czynnościowe, czyli na badania zmian aktywności mózgu w czasie. Poziom aktywności określany jest pośrednio, na podstawie rejestrowania różnic w poziomie utlenowania krwi dopływającej do mózgu. Większe zapotrzebowanie na tlen w obszarach mózgu jest dobrym wyznacznikiem zwiększonej aktywności elektrycznej w tych obszarach.

Interdyscyplinarne Centrum Nowoczesnych Technologii UMK jest wyposażone w wysokiej klasy skaner fMRI, wykorzystywany także w naszych badaniach. Badania fMRI to nie tylko skaner — wykorzystujemy w nich także sprzęt do stymulacji wzrokowo-słuchowej oraz rejestracji odpowiedzi osoby badanej, dostosowany do wysokiego pola magnetycznego.

Celem jednego z projektów, jaki realizujemy ze wsparciem finansowym z Akademickiego Inkubatora Przedsiębiorczości (robocza nazwa „NeuroGames”), jest stworzenie platformy do badań fMRI, która umożliwi na badanie mózgu i zachowania człowieka w wirtualnej rzeczywistości. W tym roku, z projektu „Inicjatywa Doskonałości- Uczelnia Badawcza”, otrzymaliśmy środki na zakup najnowocześniejszej aparatury do stymulacji wzrokowo-słuchowej, który umożliwi nam tego typu badania wewnątrz skanera fMRI. 

Sieci ludzkiego mózgu i ich reorganizacja

W analizie danych fMRI jesteśmy w stanie wyznaczyć nie tylko obszary aktywne w trakcie konkretnych zadań, ale także obszary, których aktywność jest ze sobą zsynchronizowana w czasie. Mierząc poziom korelacji aktywności pomiędzy zdefiniowanymi obszarami mózgu, jesteśmy w stanie stworzyć uproszczoną mapę połączeń, czyli konektom funkcjonalny.

Do analizy konektomu ludzkiego mózgu wykorzystujemy narzędzia zaczerpnięte z nauki o sieciach, które wcześniej stosowano do opisu organizacji sieci społecznościowych. Jest to stosunkowo młoda dziedzina określona w 2017 roku przez Danielle Bassett i Olafa Spornsa mianem neuronauki sieciowej (network neuroscience). W szczególności interesuje nas to, w jaki sposób sieci ludzkiego mózgu reorganizują się w trakcie zadań poznawczych oraz procesów uczenia się. 

Tematyka reorganizacji sieci zainteresowała mnie jeszcze w trakcie studiów magisterskich z kognitywistyki, kiedy na jednej z konferencji naukowych usłyszałam o pierwszych badaniach konektomu funkcjonalnego ludzkiego mózgu. Tuż po studiach udało mi się zdobyć finansowanie praktyk w Instytucie Maxa Plancka w Berlinie w ramach projektu Erasmus+. W trakcie praktyk moim głównym zadaniem było nauczenie się metod wyznaczania sieci funkcjonalnych z danych fMRI. Praktyki zapoczątkowały także trwałą współpracę z prof. Simone Kuhn, z którą konsultowałam moje kolejne projekty badawcze.

Niedawno zakończyliśmy jeden z projektów, na który uzyskałam finansowanie z Narodowego Centrum Nauki. Projekt skupiał się na badaniu reorganizacji sieci ludzkiego mózgu w trakcie zadania angażującego pamięć roboczą i był podstawą mojej rozprawy doktorskiej. Akwizycja i analiza danych z projektu trwała ponad 3 lata i wymagała od nas wykonania setek skanów fMRI.

Dzięki badaniom udało nam się wyjaśnić w jaki sposób sieci funkcjonalne ludzkiego mózgu ulegają reorganizacji w wielu skalach czasowych: od sekund do minut – w trakcie wykonywania złożonych zadań poznawczych, do godzin i dni – w trakcie treningu. Bardzo dużą rolę w tej reorganizacji pełni modularna organizacja sieci ludzkiego mózgu, dzięki której sieć może funkcjonować zarówno w stanach wysokiej segregacji, jak i integracji. Balans pomiędzy tymi stanami dynamicznie dostosowuje się do zmieniających wymagań otoczenia oraz w trakcie procesów uczenia się.

Wyniki naszych badań zostały opublikowane na łamach prestiżowych czasopism naukowych – Nature Communications i Human Brain Mapping. Ukończenie tego projektu nie byłoby możliwe bez znakomitej współpracy międzynarodowej z prof. Simone Kühn z Max Planck Institute for Human Development (Niemcy) i prof. Danielle Bassett z University of Pennsylvania (USA). 

Obecnie staramy się zrozumieć, jak sieci funkcjonalne ludzkiego mózgu reorganizują się w trakcie procesów podejmowania decyzji; projekt ten kierowany jest przez doktoranta Kamila Bonnę. Planujemy także kolejne badania, których celem będzie zrozumienie, w jaki sposób nowe wspomnienia wbudowują się w istniejące połączenia w mózgu.

Podejście obliczeniowe i nauka otwarta

Narzędzia do analizy danych fMRI są obecnie intensywnie rozwijane, jednak wciąż nie brakuje w nich luk i błędów. Często zdarza się, że analizując nasze dane, wynajdujemy błędy w istniejących powszechnie stosowanych programach. Zazwyczaj kończy się to poprawą istniejącego oprogramowania, co wymaga od nas dodatkowego nakładu pracy i nabycia nowych umiejętności.

Udoskonalanie istniejącego oprogramowania jest dla nas także wysoce satysfakcjonujące: dzięki temu mamy poczucie, że wyniki naszej pracy są wykorzystywane przez naukowców z całego świata. Idea nauki otwartej (open science) bardzo przeniknęła do badań neuroobrazowych: naukowcy coraz chętniej dzielą się stworzonym oprogramowaniem i skryptami do analiz danych.

Przyspiesza to rozwój tej dziedziny, a także zwiększa zaufanie do prezentowanych przez badaczy wyników, ponieważ łatwiej jest je zreprodukować. Aktualnie rozwijamy także własne narzędzie do oczyszczania danych fMRI z artefaktów ruchowych i fizjologicznych – fMRIDenoise. Oprogramowanie to jest tworzone we współpracy z zespołem prof. Russella Poldracka ze Stanford University (USA), który zapoczątkował trend w standaryzacji istniejących narzędzi do przetwarzania danych fMRI.

Neuroobrazowanie a rozwój sztucznej inteligencji

W ostatnich latach obserwujemy dynamiczny rozwój badań nad zastosowaniem sztucznych sieci neuronowych do rozwiązywania różnego rodzaju zadań i problemów. Mimo że sztuczne sieci neuronowe są w stanie nauczyć się grać w gry komputerowe i wygrywać z mistrzami gry Go, wciąż wiele brakuje, aby doścignęły one możliwości intelektualne człowieka. 

Obecnie badania nad sztuczną inteligencją i neuronaukami wzajemnie korzystają ze swoich osiągnięć. Z jednej strony badania nad algorytmami sztucznej inteligencji pozwalają na zrozumienie obliczeń, jakie potencjalnie mogą być wykonywane w mózgach. Przykładowo, jeden z modeli uczenia się sieci neuronowych, określany jako uczenie ze wzmocnieniem (reinforcement learning), wykorzystuje się do interpretacji wyników badań neuroobrazowych. Z drugiej strony poznanie zasad stojących za organizacją i reorganizacją sieci ludzkiego mózgu przyczynia się do rozwoju nowych algorytmów sztucznej inteligencji.

Szczególnym przykładem jest tworzenie sieci neuronowych o organizacji modularnej, powszechnie obserwowanej w sieciach biologicznych. W naszej grupie „Neuroinformatyka i sztuczna inteligencja” staramy się łączyć badania neuronaukowe z badaniami sztucznej inteligencji.

Jak zaangażować się w badania neuroobrazowe na UMK?

Nasza praca jest wysoce interdyscyplinarna – wymaga szerokiej wiedzy i umiejętności wykraczających poza te, które nauczane na obecnych kierunkach studiów. Do pracy z danymi neuroobrazowymi, oprócz wiedzy dotyczącej neuronauki, niezbędne są także umiejętności programistyczne, znajomość zaawansowanych metod statystycznych czy algebry liniowej.

Nasz zespół tworzą absolwenci i studenci kierunków takich jak kognitywistyka, fizyka czy informatyka stosowana. Osoby, które chciałyby zająć się neuroobrazowaniem w przyszłości, zachęcam do wczesnego włączenia się w badania prowadzone obecnie przez różne zespoły pracujące w ICNT, a także korzystania z możliwości finansowania praktyk krajowych i zagranicznych.

Zachęcam także do samodzielnego szlifowania umiejętności programowania w języku Python oraz podejmowania kursów on-line z zakresu programowania i analizy danych. W ICNT działa także Koło Naukowe Neuroobrazowania, które może być dobrym miejscem dla chcących zająć się neuroobrazowaniem w przyszłości.

Na spotkaniach Koła prowadzimy warsztaty, na których pomagamy studentom różnych kierunków stawiać pierwsze naukowe kroki w badaniach neuroobrazowych oraz szerzymy dobre praktyki zgodne z zasadami otwartej nauki.

Linki:

Kontakt: finc@umk.pl 

Dr Karolina Finc – Interdyscyplinarne Centrum Nowoczesnych Technologii UMK.

pozostałe wiadomości

galeria zdjęć