İnsan Beyin Organizasyonunun İdeale Yakın Olduğu Bulundu

Hiç insan beyninin, olduğu hale nasıl evrimleştiğini merak ettiniz mi?

İnternet ağından, insan beynine kadar tüm ağları haritalamayı sağlayan yeni bir teknik ile, beyindeki hasar görmüş bağlantılar tespit edilebilecek ve hatta onarılabilecek.

Dr. Dimitri Krioukov ve meslektaşları tarafıdan yapılan yeni çalışmanın bu soruya cevabı şöyle: bir beyin bölgesinden diğerine bilgi aktarımını hızlandırmak, en yüksek kapasitede kullanmamızı sağlıyor.

3 Temmuzda Nature Communications’da yayınlanan araştırma, insan beyninin neredeyse ideal bir iletişim bağlantısına sahip olduğunu gösteriyor. Krioukov beyindeki en uygun ağ “enerji kaybını azaltmak için en az bağlantıya sahip olmalı ve aynı zamanda maksimum elverişliliğe sahip olmalı, yani herhangi bir kaynaktan herhangi bir hedefe en kestirme güzergahı kullanarak sinyalleri iletmelidir” şeklinde işlemesi gerektiğini söylüyor.

Bu yeni araştırmada Kriukov ve makalenin diğer yazarları, Nobel ödüllü John Nash’in oyun teorisine dayanan ileri istatiksel analiz kullanarak ideal bir beyin ağı (bilgi transferini en uygun şekilde gerçekleştiren) yapılandırdılar. Daha sonra bu ideal beyin ağını ve gerçek beyin ağını karşılaştırıp, birbirlerine ne kadar yakın olduklarını sorguladılar.

Sonuç, son derece yakın olduklarını gösteriyordu. Şaşırtıcı bir şekilde ideal beyin ağı bağlantılarının %89’u gerçek beyin bağlantılarında da mevcut.

Krioukov, bu alanda görev yapan birçok araştırmacının önce gerçek ağlar için modeller ürettiğini, sonra fonksiyonun nerede olduğunu belirlediğini ancak bu yaklaşımın da en önemli bağlantıları ortaya çıkaramadığını söylüyor. Yeni araştırma ise bu geleneği yıkıyor: fonksiyonun en uygun şekilde işlemesi için gereken model hazırlanarak gerçeğiyle karşılaştırılıyor, böylelikle de en uygun ağ için hangi bağlantıların önemli olduğunu belirleniyor.

Krioukov ve melektaşları insan beyninin organizasyonun ideal organizasyona (mor çizgiler) yakın olduğunu, beyinin bir bölgesinden diğerine en uygun şekilde bilgi aktarımını sağladığını keşfetti.
Krioukov ve melektaşları insan beyninin organizasyonun ideal organizasyona (mor çizgiler) yakın olduğunu, beyinin bir bölgesinden diğerine en uygun şekilde bilgi aktarımını sağladığını keşfetti.

Bu yeni strateji gelecekte farklı disiplinlere de uygulanabilecek gibi görünüyor. Araştırmanın Budapeşte Ekonomi ve Teknoloji Üniversitesi’nden olan ortak yazarları, internet, B.M. hava yolları, Macaristan kara yolları dahil olmak üzere altı ayrı ağı haritalandırdı. Buradan çıkan sonuca göre, bir ağdaki yön bulma açısından en önemli noktaların neler olduğunu bilmek, bu ağ ne olursa olsun bizim daha güvenli bir şekilde ölçümler yapmamızı ve odaklanmamızı sağlıyor.

Krioukov, geleceğe baktığında, önemli noktaların belirlendiğinde yeni ilaçların ve yeni cerrahi tekniklerinin geliştirilebileceğini ve hasar tedavisi yapılabileceğini söylüyor.


Referans:

  1. Bilimfili,
  2.  András Gulyás, József J. Bíró, Attila Kőrösi, Gábor Rétvári, Dmitri Krioukov. Navigable networks as Nash equilibria of navigation games. Nature Communications, 2015; 6: 7651 DOI:10.1038/ncomms8651

Primatlarda ve Kemirgenlerde Beyinden Beyine Bağlantı Kuruldu


Brainet sistemlerinin deneysel uygulaması ve paradigmatik önemi

Duke araştırma grubunun çalışması, bireysel sinir kontrolü kavramını kolektif beyin ağlarına genişleterek beyin-makine arayüzlerinin (BMI) geliştirilmesinde paradigmatik bir değişimi işaret ediyor. Bu çalışmalarda, aynı türe ait birkaç hayvanın (makaklar ve fareler) beyinleri, yerleştirilen elektrot dizileri aracılığıyla ilk kez doğrudan birbirine bağlandı ve bu sayede bilişsel ve motor görevlerin birlikte çözülmesi sağlandı. Beyinler arasında gerçek zamanlı çift yönlü bilgi işlemeyi mümkün kılan bu ağ bağlantılarını tanımlamak için “brainet” terimi ortaya atıldı.


Primat Brainet: Sanal bir kolun işbirlikçi kontrolü

Primat deneyinde, üç makak maymununun motor ve somatosensoriyel korteksine elektrot dizileri yerleştirildi. Hayvanlar sanal bir kolun hareketini ortaklaşa kontrol ederken, 700’den fazla nöronun beyin aktivitesi eş zamanlı olarak kaydedildi. Her maymun kol hareketinin üç uzaysal boyutundan (x ve y ekseni) ikisini kontrol ediyordu. Üçüncü parametre (z ekseni), üç maymunun beyin sinyallerinin senkronize edilmesiyle hesaplandı. Ekrandaki hedefe başarıyla ulaşmak hassas bir sinirsel koordinasyon gerektiriyordu. Sonuçlar, artan pratikle birlikte kolektif motor kontrolünün daha verimli ve adaptif hale geldiğini gösterdi. Bu, kolektif bir ortamda sinir ağlarının esnekliğinin ve öğrenme kapasitesinin bir göstergesidir.


Kemirgen Beyin Ağı: Küçük Gruplarda Desen Tanıma ve Bilgi Entegrasyonu

İkinci deneyde, somatosensoriyel korteksleri mikrokablo dizileriyle birbirine bağlanmış üç ila dört fareden oluşan gruplar yer aldı. Hayvanlara sıcaklık ve hava basıncı verileri gibi duyusal bilgiler verildi. Görev, toplu bilgi işlemeye dayanarak hava durumunda bir değişiklik olasılığını (örneğin yağmur olasılığı) tahmin etmekti. Her bir farenin sadece kendi duyusal girdilerini yorumlaması değil, aynı zamanda bunları diğer hayvanlarınkilerle bütünleştirmesi gerekiyordu. Dikkat çekici bir şekilde, hayvan grupları belirli görevlerde bireysel hayvanlara kıyasla eşit veya daha üstün performans gösterdiler; bu da ortaya çıkan kolektif zeka mekanizmalarını düşündürmektedir.


Klinik ve teknolojik perspektifler

Sunulan sonuçlar, Brainets’in sadece sinirsel esneklik, senkronizasyon ve bilişin incelenmesi için yeni bir model sunmakla kalmayıp, aynı zamanda potansiyel olarak organik bilgisayar mimarilerinin temeli olarak da hizmet edebileceğini göstermektedir. Bu sistemler artık salt algoritmik-dijital olmayacak, bilgi işleme için biyolojik alt tabakaları kullanacak. Klinik araştırmalarda kolektif BKİ’lerin nörolojik hastalıkların tedavisinde veya motor fonksiyonların rehabilitasyonunda yeni yaklaşımlara olanak sağlayabileceği düşünülmektedir.


Metodoloji

Tüm deneyler, hem aksiyon potansiyellerini hem de yerel alan potansiyellerini kaydedebilen yüksek çözünürlüklü diziler kullanılarak gerçekleştirildi. Sinir sinyalleri algoritmalar kullanılarak çözümlendi ve hareket veya karar sinyallerine dönüştürüldü. Hayvanların başarılı bir şekilde işbirliği yapabilmeleri için bilginin çift yönlü akışı hayati önem taşıyordu.


Keşif

Brainet (birden fazla beyne bağlanan sinir ağları) kavramı, beyin-makine arayüzleri ve sinir iletişim teknolojilerindeki gelişmelerden ortaya çıkan sinir biliminde modern bir gelişmedir.

Erken sinir bilimi keşifleri:

    • Hans Berger’in EEG’si (1924): İlk insan beyin dalgası kayıtları, elektriksel beyin aktivitesini anlamak için temel oluşturdu.
    • Beyin haritalama: Broca (1861), Fritsch & Hitzig (1870) ve diğerlerinin çalışmaları, hedeflenen sinirsel arayüzlemeye olanak tanıyan yerelleştirilmiş beyin işlevlerini sağladı.

    Modern sinir bilimi altyapısı:

      • Beyin bankaları (1960’lar): Beyin dokusunun sistematik olarak korunması, sinir yapılarının karşılaştırmalı çalışmalarını kolaylaştırdı.
      • Hesaplamalı modeller: Morris–Lecar modeli (1981) ve diğerleri sinirsel aktivitenin niceliksel analizini ilerletti.

      Temel teknolojik sıçramalar:

        • Hafıza kaydı (2013): Bir farenin hafızası deneysel olarak kaydedildi ve sinirsel veri çıkarma işleminin uygulanabilirliğini gösterdi.
        • Beyin-makine arayüzleri: Elektrot teknolojisi ve sinyal işleme alanındaki gelişmeler gerçek zamanlı beyin-bilgisayar iletişimini mümkün kıldı.

        BrainNet kavramı muhtemelen bu temeller üzerine inşa edilmiştir ve işbirlikçi sinirsel görevleri başarmak için çoklu beyin sinyal kaydını (EEG veya implantlar aracılığıyla) hesaplamalı entegrasyonla birleştirir. Kaynaklar doğrudan BrainNet’e atıfta bulunmasa da temel nörofizyolojiden karmaşık beyin arayüzüne doğru kritik yörüngeyi ana hatlarıyla belirtirler. BrainNet’e özgü gelişmeler için, 2013 sonrası araştırmalardan (sağlanan kaynakların ötesinde) ek bağlam gerekecektir; çünkü terim, bu tarihi atılımların en son uygulamasını temsil etmektedir.


        İleri Okuma
        1. Nicolelis, M. A. L., & Lebedev, M. A. (2009). Principles of neural ensemble physiology underlying the operation of brain-machine interfaces. Nature Reviews Neuroscience, 10(7), 530–540. https://doi.org/10.1038/nrn2653
        2. Lebedev, M. A., O’Doherty, J. E., Zhuang, K. Z., & Nicolelis, M. A. L. (2011). Brain–machine interfaces: past, present and future. Trends in Neurosciences, 34(9), 534–546. https://doi.org/10.1016/j.tins.2011.07.001
        3. Pais-Vieira, M., Lebedev, M., Kunicki, C., Wang, J., & Nicolelis, M. A. L. (2013). A Brain-to-Brain Interface for Real-Time Sharing of Sensorimotor Information. Scientific Reports, 3, Article 1319. https://doi.org/10.1038/srep01319
        4. Ramakrishnan, A., Byun, Y. W., Rand, K., Pedemonte, J. C., Lebedev, M. A., & Nicolelis, M. A. L. (2015). A Brain-to-Brain Interface for Real-Time Sharing of Behavioral Information. Scientific Reports, 5, Article 11869. https://doi.org/10.1038/srep11869
        5. Pais-Vieira, M., Chiuffa, G., Lebedev, M., Yadav, A., & Nicolelis, M. A. L. (2015). Building an organic computing device with multiple interconnected brains. Scientific Reports, 5, Article 11869. https://doi.org/10.1038/srep11869
        6. Arjun Ramakrishnan, Peter J. Ifft, Miguel Pais-Vieira, Yoon Woo Byun, Katie Z. Zhuang, Mikhail A. Lebedev, Miguel A.L. Nicolelis. Computing Arm Movements with a Monkey BrainetScientific Reports, 2015; 5: 10767 DOI: 10.1038/srep10767