شبکه‌ی عملکردی مغز

افزودن پیوند
از ویکی‌پدیا، دانشنامهٔ آزاد

شبکه‌ی عملکردی مغز (Brain Functional Network)، گرافی است که نشان دهنده‌ی اتصالات عملکردی (functional connectivity) در مغز می‌باشد. اتصال عملکردی در واقع وابستگی‌های زمانی بین الگوی فعالیت نورون‌های مناطق مختلف مغز است، که به کمک تحلیل داده‌های روش‌هایی چون EEG، fMRI و ... سنجیده می‌شود. در این شبکه راس‌ها نمایانگر جمعیت‌های نورونی واقع در جایی از مغز بوده و یال‌ها نشان دهنده‌ی اتصال عملکردی میان آن‌هاست. همانگونه که انتظار می‌رود، این شبکه‌ها به شدت به زمان وابسته‌اند و در مقیاس‌های زمانی مختلفی (از چند میلی ثانیه تا چند ثانیه) تغییر می‌کنند.[۱]

ساخت شبکه[ویرایش]

برای ساختن یک شبکه‌ی عملکردی، هم به داده‌های فعالیت‌های سلول‌های عصبی نیاز داریم و هم روشی برای تحلیل آن‌ها. بیشتر داده‌گیری‌ها برای ساخت شبکه‌های عملکردی در حالت استراحت انجام می‌شوند (فرد کار بخصوصی انجام نمی‌دهد).  داده‌های ما سری‌های زمانی از فعالیت‌های نورونی در مقیاس‌ها و تفکیک‌پذیری‌های مختلف هستند و به کمک کمیت‌های آماری بستگی میان این سری‌ها را حساب می‌کنیم. از جمله‌ی این کمیت‌ها می‌توان به ضریب همبستگی، هم‌وردایی،‌ قفل شدگی فازی (phase locking) و... اشاره کرد.[۱] در ادامه نمونه‌هایی از روش‌های جمع آوری داده آورده شده است.

  • نوار مغزی (EEG): در این روش الکترودهایی روی پوست سر فرد گذاشته می‌شود و این الکترودها در گذر زمان ولتاژ ناشی از فعالیت نورون‌ها را ثبت می‌کنند که به آن سیگنال EEG گفته می‌شود.[۲]
  • برش‌نگاری گسیل پوزیترون (PET): در این روش ترکیبات شیمیایی نشان‌دار شده‌ای در جریان خون تزریق می‌شوند و گسیل پوزیترون از آن‌ها اندازه‌گیری می‌شود. این اندازه‌گیری نمایانگر میزان سوخت و ساز نواحی مختلف مغز در گذر زمان است.[۳]
  • تصویرسازی تشدید مغناطیسی کارکردی (fMRI): این روش که یکی از انواع MRI است، بدون اینکه نیاز به اقدام تهاجمی‌ای مانند تزریق ردیاب داشته باشد قادر است تغییرات جریان خون در مغز را بفهمد. یکی از اندازه‌گیری‌های مهم آن، سیگنال‌های بولد (BOLD: Blood Oxygen Level Dependent) هستند که سطح اکسیژن خون را می‌سنجند و یکی از پرکاربردترین روش‌های داده‌گیری برای ساختن شبکه‌های عملکردی هستند.[۴]

ویژگی‌ها[ویرایش]

وجود شاه‌راس (Hub)[ویرایش]

به دلیل اینکه پژوهش‌های مختلف شبکه‌هایی با راس‌های مختلفی از داده‌های عملکردی مغز می‌سازند، تفاوت‌هایی میان تابع توزیع درجه راس در شبکه‌ها وجود دارد. با این حال، به نظر می‌رسد بیشترین توافق بر روی تابع توزیع توانی که در پوش یک تابع نمایی قرار گرفته است می‌باشد. چنین شبکه‌هایی کاملا بی‌مقیاس نیستند، ولی تا حدی شبیه به آن شبکه‌ها، شامل تعداد زیادی راس با درجه کم و تعداد کمی شاه‌راس (راس با درجه‌ی زیاد) هستند. مقاومت این شبکه‌ها در برابر حمله‌های تصادفی تقریبا مثل گراف بی‌مقیاس است ولی در برابر حمله‌ی هدفمند به شاه‌راس‌ها بسیار مقاوم ترند.[۵]

جهان‌کوچکی (Small-worldness)[ویرایش]

شبکه‌هایی که ضریب خوشگی در آن‌ها بزرگتر از شبکه‌ی تصادفی است ولی طول مسیر مشخصه در آن‌ها از مرتبه‌ی همان گراف‌هاست، شبکه‌های جهان کوچک نامیده می‌شوند.[۶] در پی معرفی این مفهوم، دیده شد که شبکه‌های زیادی در طبیعت این ویژگی را دارند و جهان‌کوچکی برای گراف‌ها پیامدهایی دارد. مطالعات متفاوتی نشان داده‌اند که شبکه‌های عملکردی مغز جهان‌کوچکند[۷][۵] و این ویژگی، نقش مهمی در بهینگی عملکرد مغز دارد. ما در مغز شاهد دو توانایی تخصیص‌ و تجمیع عملکردی هستیم. تخصیص عملکردی (functional segregation) در مغز توانایی پردازش اطلاعات در نواحی تخصص‌یافته برای امور مختلف و تجمیع عملکردی (functional integration) توانایی ترکیب این اطلاعات پردازش شده در زمان‌های بسیار کوتاه است که مثلا منجر به واکنش می‌شود.[۸] ویژگی‌ جهان‌کوچکی، حالت بهینه میان این دو توانایی در مغز را به ارمغان می‌آورد.[۹]

پودمانگی (Modularity)[ویرایش]

ویژگی پودمانگی یا انجمنی در گراف‌ها، قابلیت تقسیم کردن آن‌ها به انجمن‌های مختلفی است که ارتباطات راس‌ها درون انجمن بیشتر از ارتباط آن‌ها با راس‌های خارجی باشد. این انجمن‌ها در شبکه‌های عملکردی مغز نیز قابل تشخیص بوده و نشان دهنده‌ی توانایی تخصیص عملکردی در مغز هستند. مطالعات نشان داده‌اند که اتصالات بین انجمن‌ها در مغز، از اهمیت ویژه‌ای برخوردارند. گراف در برابر حذف یال‌ها و راس‌های این بخش‌ها مقاومت بسیار کمتری در قیاس با حذف تصادفی یا حذف تصادفی درون یک انجمن نشان می‌دهد.[۱۰]

کاربردها[ویرایش]

مقایسه‌ی شبکه‌ی عملکردی افراد مبتلا به برخی بیماری‌ها با افراد سالم، نشان می‌دهد که می‌توان از برخی از ویژگی‌های این شبکه به عنوان روش تشخیصی برای این بیماری‌ها استفاده کرد. مثلا در بیماری شیزوفرنی، شبکه‌های عملکردی به طور متوسط ضریب خوشگی بیشتر و طول مشخصه‌ی کمتری دارند.[۱۱] همچنین برخی نواحی که در مغز افراد سالم به هم متصل نیستند، در این افراد به هم متصلند و اتصالات اشتباه در شبکه‌ی آن‌ها دیده می‌شود.[۱۲] از سوی دیگر، به نظر می‌رسد در بیماری آلزایمر طول مشخصه‌ی گراف افزایش یافته است. این از دست رفتن ویژگی‌های جهان کوچکی ممکن است به واسطه‌ی از کار افتادن شاه‌‌راس‌ها در این شبکه باشد و موجب از دست رفتن پیچیدگی و بهینگی شبکه خواهد شد.[۱۳] پژوهش‌های دیگری در زمینه‌ی بیماری‌ پارکینسون[۱۴]، اختلال طیف اوتیسم[۱۵] و... نیز انجام شده است.

ارتباط با شبکه‌های ساختاری[ویرایش]

شبکه‌های ساختاری (Structural Networks)، نمایانگر اتصالات کالبدشناختی (آناتومیکال) میان بخش‌های مختلف مغز هستند.[۱] همان‌طور که انتظار می‌رود، در نواحی که به لحاظ ساختاری متصلند، با احتمال بیشتری اتصال عملکردی وجود دارد. با این حال این هم‌بستگی آن‌قدر هم زیاد نیست و اتصالات عملکردی زیادی بین نواحی که اتصال ساختاری ندارند، یافت می‌شود.[۱۶] برای توصیف ارتباط شبکه‌های ساختاری و عملکردی، در ابتدا نیازمند مدل‌هایی برای توصیف عملکرد راس‌ها هستیم. سپس به مدل‌هایی برای توصیف دینامیک ارتباط بین این راس‌ها و در نهایت مدل‌های کلی برای تحول شبکه نیاز داریم. این مدل‌ها می‌توانند به دو دسته‌ی کلی مدل‌های مصنوعی و بیوفیزیکی تقسیم شوند. در مدل‌های مصنوعی (از مدل تک نورون مکالوک-پیتس تا شبکه‌های عصبی مصنوعی مثل شبکه‌ی هاپفیلد) واحدهای عملکردی به وسیله‌ی نورون‌های مصنوعی شبیه‌سازی شده و در یک شبکه با هم تعامل می‌کنند. این مدل‌ها تاکنون توانسته‌اند ویژگی‌های کلیدی شبیه به مغز انسان بروز دهند، مثل توانایی یادگیری، حافظه و پردازش منطقی. از سوی دیگر، مدل‌های طبیعی (مثل مدل هاجکین و هاکسلی برای توصیف پتانسیل عمل در نورون‌ها و مدل ویلسون و کوان برای توصیف دینامیک بین جمعیت‌های نورونی) سعی دارند به کمک روابطی که توجیه بیوفیزیکی دارند، عملکرد شبکه‌های عصبی در مقیاس‌های مختلف را توصیف کنند.[۱۷]

منابع[ویرایش]

  1. ↑ ۱٫۰ ۱٫۱ ۱٫۲ Lang, E. W.; Tomé, A. M.; Keck, I. R.; Górriz-Sáez, J. M.; Puntonet, C. G. (2012). "Brain connectivity analysis: a short survey". Computational Intelligence and Neuroscience. 2012: 412512. doi:10.1155/2012/412512. ISSN 1687-5273. PMC 3477528. PMID 23097663.
  2. ↑ Miljevic, Aleksandra; Bailey, Neil W.; Vila-Rodriguez, Fidel; Herring, Sally E.; Fitzgerald, Paul B. (2022-06-01). "Electroencephalographic Connectivity: A Fundamental Guide and Checklist for Optimal Study Design and Evaluation". Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 7 (6): 546–554. doi:10.1016/j.bpsc.2021.10.017. ISSN 2451-9022.
  3. ↑ Watabe, Tadashi; Hatazawa, Jun (2019). "Evaluation of Functional Connectivity in the Brain Using Positron Emission Tomography: A Mini-Review". Frontiers in Neuroscience. 13. doi:10.3389/fnins.2019.00775/full. ISSN 1662-453X.
  4. ↑ Raichle, Marcus E. (1998-02-03). "Behind the scenes of functional brain imaging: A historical and physiological perspective". Proceedings of the National Academy of Sciences (به انگلیسی). 95 (3): 765–772. doi:10.1073/pnas.95.3.765. ISSN 0027-8424. PMC 33796. PMID 9448239.{{cite journal}}: نگهداری یادکرد:فرمت پارامتر PMC (link)
  5. ↑ ۵٫۰ ۵٫۱ Achard, Sophie; Salvador, Raymond; Whitcher, Brandon; Suckling, John; Bullmore, Ed (2006-01-04). "A Resilient, Low-Frequency, Small-World Human Brain Functional Network with Highly Connected Association Cortical Hubs". Journal of Neuroscience (به انگلیسی). 26 (1): 63–72. doi:10.1523/JNEUROSCI.3874-05.2006. ISSN 0270-6474. PMID 16399673.
  6. ↑ Watts, Duncan J.; Strogatz, Steven H. (1998-06). "Collective dynamics of 'small-world' networks". Nature (به انگلیسی). 393 (6684): 440–442. doi:10.1038/30918. ISSN 1476-4687. {{cite journal}}: Check date values in: |date= (help)
  7. ↑ Eguíluz, Victor M.; Chialvo, Dante R.; Cecchi, Guillermo A.; Baliki, Marwan; Apkarian, A. Vania (2005-01-14). "Scale-free brain functional networks". Physical Review Letters. 94 (1): 018102. doi:10.1103/PhysRevLett.94.018102. ISSN 0031-9007. PMID 15698136.
  8. ↑ Rubinov, Mikail; Sporns, Olaf (2010-09-01). "Complex network measures of brain connectivity: Uses and interpretations". NeuroImage. Computational Models of the Brain. 52 (3): 1059–1069. doi:10.1016/j.neuroimage.2009.10.003. ISSN 1053-8119.
  9. ↑ Deco, Gustavo; Tononi, Giulio; Boly, Melanie; Kringelbach, Morten L. (2015-07). "Rethinking segregation and integration: contributions of whole-brain modelling". Nature Reviews Neuroscience (به انگلیسی). 16 (7): 430–439. doi:10.1038/nrn3963. ISSN 1471-0048. {{cite journal}}: Check date values in: |date= (help)
  10. ↑ He, Yong; Wang, Jinhui; Wang, Liang; Chen, Zhang J.; Yan, Chaogan; Yang, Hong; Tang, Hehan; Zhu, Chaozhe; Gong, Qiyong (۲۱ آوریل ۲۰۰۹). "Uncovering Intrinsic Modular Organization of Spontaneous Brain Activity in Humans". PLOS ONE (به انگلیسی). 4 (4): e5226. doi:10.1371/journal.pone.0005226. ISSN 1932-6203. PMC 2668183. PMID 19381298.{{cite journal}}: نگهداری یادکرد:فرمت پارامتر PMC (link)
  11. ↑ Rubinov, Mikail; Knock, Stuart A.; Stam, Cornelis J.; Micheloyannis, Sifis; Harris, Anthony W.F.; Williams, Leanne M.; Breakspear, Michael (2009-02). "Small‐world properties of nonlinear brain activity in schizophrenia". Human Brain Mapping (به انگلیسی). 30 (2): 403–416. doi:10.1002/hbm.20517. ISSN 1065-9471. PMC 6871165. PMID 18072237. {{cite journal}}: Check date values in: |date= (help)نگهداری یادکرد:فرمت پارامتر PMC (link)
  12. ↑ van Dellen, Edwin; Börner, Corinna; Schutte, Maya; van Montfort, Simone; Abramovic, Lucija; Boks, Marco P.; Cahn, Wiepke; van Haren, Neeltje; Mandl, René (2020-09-02). "Functional brain networks in the schizophrenia spectrum and bipolar disorder with psychosis". npj Schizophrenia (به انگلیسی). 6 (1): 1–9. doi:10.1038/s41537-020-00111-6. ISSN 2334-265X.
  13. ↑ Stam, C. J.; Jones, B. F.; Nolte, G.; Breakspear, M.; Scheltens, Ph (2007-01). "Small-world networks and functional connectivity in Alzheimer's disease". Cerebral Cortex (New York, N.Y.: 1991). 17 (1): 92–99. doi:10.1093/cercor/bhj127. ISSN 1047-3211. PMID 16452642. {{cite journal}}: Check date values in: |date= (help)
  14. ↑ Li, Zhibao; Liu, Chong; Wang, Qiao; Liang, Kun; Han, Chunlei; Qiao, Hui; Zhang, Jianguo; Meng, Fangang (2021-10-14). "Abnormal Functional Brain Network in Parkinson's Disease and the Effect of Acute Deep Brain Stimulation". Frontiers in Neurology. 12: 715455. doi:10.3389/fneur.2021.715455. ISSN 1664-2295. PMC 8551554. PMID 34721258.
  15. ↑ Alves, Caroline L.; Toutain, Thaise G. L. de O.; de Carvalho Aguiar, Patricia; Pineda, Aruane M.; Roster, Kirstin; Thielemann, Christiane; Porto, Joel Augusto Moura; Rodrigues, Francisco A. (2023-05-18). "Diagnosis of autism spectrum disorder based on functional brain networks and machine learning". Scientific Reports (به انگلیسی). 13 (1): 8072. doi:10.1038/s41598-023-34650-6. ISSN 2045-2322. {{cite journal}}: no-break space character in |last3= at position 12 (help)
  16. ↑ Honey, C. J.; Sporns, O.; Cammoun, L.; Gigandet, X.; Thiran, J. P.; Meuli, R.; Hagmann, P. (2009-02-10). "Predicting human resting-state functional connectivity from structural connectivity". Proceedings of the National Academy of Sciences of the United States of America. 106 (6): 2035–2040. doi:10.1073/pnas.0811168106. ISSN 1091-6490. PMC 2634800. PMID 19188601.
  17. ↑ Lynn, Christopher W.; Bassett, Danielle S. (2019-05). "The physics of brain network structure, function and control". Nature Reviews Physics (به انگلیسی). 1 (5): 318–332. doi:10.1038/s42254-019-0040-8. ISSN 2522-5820. {{cite journal}}: Check date values in: |date= (help)
برگرفته از «https://fa.wikipedia.org/w/index.php?title=شبکه‌ی_عملکردی_مغز&oldid=38593569»