عصب شناسی شبکه‌ای(شبکه‌ی علم اعصاب)

شبکهٔ علم اعصاب یک رشتهٔ میان‌رشته‌ای است که مفاهیم علوم اعصاب(Neuroscience)، فیزیک(Physics)، ریاضیات(Math) و علوم کامپیوتر(Computer science) را برای مطالعه ساختار و عملکرد سیستم‌های عصبی پیچیده ترکیب می‌کند. هدف این رشته درک این است که چگونه شبکه پیچیده مغز از نورون‌ها (Neurons (و اتصالات آن‌ها باعث ایجاد عملکردهای شناختی، رفتارها و فرآیندهای ذهنی می‌شود. شبکهٔ علم اعصاب از طریق رویکرد علم شبکه(Network science)، از طریق پارادایم(Paradime) نظریه گراف(Graph theory)، مغز را به روشی یکپارچه با ثبت، تجزیه و تحلیل و نقشه‌برداری مغز به روش‌های مختلف مطالعه می‌کند.

نمایش شبکه‌ای مغز(Network representation of the brain)

نمایش شبکه‌ای مغز رویکردی در علم اعصاب است که با مدل‌سازی آن به عنوان یک شبکه پیچیده(Complex system) به دنبال درک ساختار و عملکرد مغز است. این رویکرد از مفاهیم علم شبکه برای تجزیه و تحلیل و تفسیر ارتباطات پیچیده بین نورون‌ها و مناطق مغز استفاده می‌کند.

نورون‌ها بلوک‌های اصلی ساختمان مغز هستند. آن‌ها از طریق ساختارهای تخصصی به نام سیناپس(Synapse) با یکدیگر ارتباط برقرار می‌کنند. در ساختار شبکه‌ای مغز نورون‌ها گره‌های منفرد هستند.

سیناپس‌ها محل اتصال بین نورون‌ها هستند که در آن سیگنال‌ها (به شکل انتقال دهنده‌های عصبی) از یک نورون به نورون دیگر منتقل می‌شوند. در نتیجه در ساختار شبکه‌ای مغز، سیناپس‌ها یال‌های شبکه را تشکیل می‌دهند.

شبکهٔ مغز همزمان از چندین مدل شبکه‌ای پیروی می‌کند که ویژگی‌های خاصی دارند. از این ویژگی‌ها می‌توان بیان داشت:

دنیای کوچک (Small world)

در شبکه‌های دنیای کوچک، ضریب خوشگی (یعنی گذر) بالا است و میانگین فاصله مسیر کوتاه است. این دو ویژگی منعکس کننده اصل اصلی در فرایند بیولوژیکی طبیعی هستند: تعادل بین به حداقل رساندن هزینه منابع و حداکثر کردن جریان اطلاعات در بین اجزای شبکه. با توجه به ساختار پیچیده مغز انسان، معیارهایی که می‌توانند ویژگی‌های دنیای کوچک شبکه مغز را نشان دهند، از اهمیت زیادی برخوردار هستند، زیرا سیستم‌ها را ساده می‌کند و قابل رمزگشایی می‌شود.

بدون مقیاس (Scale free)

اتصال مغز همچنین می‌تواند ویژگی‌های شبکه بی‌مقیاس را نشان دهد، جایی که اتصالات ترجیحی هستند و تعداد کمی از گره‌ها (شاه راس‌ها) تعداد زیادی اتصال دارند. این شاه راس‌ها(Hub (network science)) نقش مهمی در یکپارچه‌سازی و انتقال اطلاعات دارند.

دینامیک(Dynamics)

شبکه‌های مغزی ساختارهای ثابت و تغییرناپذیر نیستند. بلکه آن شبکه‌ها بر اساس مقیاس‌های زمانی متعدد بسیار متغیر هستند. تجزیه و تحلیل اتصال پویا به بررسی چگونگی تکامل اتصالات شبکه در طول حالت‌ها یا وظایف مختلف شناختی می‌پردازد.

در کل می‌توان بیان داشت که الگوریتم‌های(Algorithm) مختلفی وجود دارند که مدولار بودن(Modularity) یک شبکه را تخمین می‌زنند و یکی از الگوریتم‌هایی که به‌طور گسترده برای شبکهٔ علم اعصاب مورد استفاده قرار می‌گیرد، مبتنی بر خوشه‌بندی سلسله مراتبی(Hierarchical clustering) است. هر ماژول شامل چندین گره به هم پیوسته متراکم است و اتصالات نسبتاً کمی بین گره‌ها در ماژول‌های مختلف وجود دارد؛ بنابراین شاه راس‌ها را می‌توان بر اساس نقش آن‌ها در این ساختار جامعه توصیف کرد. شاه راس‌های محلی عمدتاً به گره‌ها در ماژول‌های خود متصل می‌شوند، در حالی که شاه راس‌های اتصال به گره‌ها در ماژول‌های دیگر متصل می‌شوند.

روش‌های تئوری نمودار، زمانی که به درستی به کار گرفته شوند، می‌توانند بینش‌های جدید مهمی را در مورد ساختار و عملکرد سیستم‌های مغزی شبکه‌ای، از جمله معماری، تکامل، توسعه و اختلالات بالینی آن‌ها ارائه دهند. این اطلاعات معنی‌داری را در مورد معماری توپولوژیکی شبکه‌های مغز انسان، مانند دنیای کوچک، سازمان‌دهی مدولار، و شاه راس‌های بسیار متصل یا متمرکز توصیف می‌کند.

اجزای کلیدی تحلیل شبکه

در تحلیل شبکه‌های مختلف پارامترهای مختلفی هستند که نظر ما را جلب می‌کنند و برای ما جذاب هستند. از پارامترهای مهم در شبکهٔ علم اعصاب می‌توان موارد زیر را نام برد:

درجه گره، توزیع و دسته‌بندی(Node degree, Distribution and Assortativity)

درجه یک گره تعداد اتصالاتی است که با بقیه شبکه ارتباط برقرار می‌کند که یکی از معیارهای اساسی برای تعریف مدل است. درجات تمام گره‌های شبکه یک توزیع درجه را تشکیل می‌دهند. در شبکه‌های تصادفی، همه اتصالات به یک اندازه محتمل هستند، که منجر به توزیع درجه گاوسی(Gaussian distribution of degrees) و متقارن می‌شود. شبکه‌های پیچیده معمولاً دارای توزیع درجه غیر گاوسی هستند. طبق قرارداد، توزیع درجه شبکه‌های بدون مقیاس از توزیع توانی(Power law distribution) پیروی می‌کند. در نهایت، طبقه‌بندی همبستگی بین درجات گره‌های متصل است. دسته‌بندی مثبت نشان می‌دهد که گره‌های درجه بالا تمایل به اتصال به یکدیگر دارند.

ضریب خوشگی(Clustering coefficient)

ضریب خوشگی اندازه‌گیری درجه‌ای است که هر گره در یک گراف تمایل به خوشه بندی با هم دارد. شبکه‌های تصادفی میانگین خوشه‌بندی پایینی دارند در حالی که شبکه‌های پیچیده خوشه‌بندی بالایی دارند (مرتبط با بازده محلی بالای انتقال اطلاعات و استحکام). برهمکنش‌های بین گره‌های همسایه را نیز می‌توان با شمارش وقوع موتیف‌های کوچک گره‌های به هم پیوسته تعیین کرد. توزیع موتیف‌های مختلف در یک شبکه اطلاعاتی را در مورد انواع تعاملات محلی که شبکه می‌تواند پشتیبانی کند، ارائه می‌دهد.

طول مسیر و کارایی(Path length and efficiency)

طول مسیر حداقل تعداد یال‌هایی است که باید بین دو گره طی شود. شبکه‌های تصادفی و پیچیده دارای میانگین طول مسیر کوتاه هستند (بازده جهانی بالای انتقال اطلاعات موازی) در حالی که شبکه‌های معمولی طول مسیر متوسط طولانی دارند. بازده متریک معکوس مرتبط با طول مسیر است. به دلیل استفاده و تفسیر عددی آسان‌تر از طول مسیر به‌طور فعال‌تر استفاده می‌شود - به عنوان مثال، تخمین فواصل توپولوژیکی(Topological) بین عناصر نمودارهای قطع شده.

تراکم اتصال(Connection density)

تراکم اتصال تعداد واقعی یال‌ها در شبکه به نسبت تعداد کل یال‌های ممکن است. این ساده‌ترین برآورد کننده هزینه فیزیکی یک شبکه است - به عنوان مثال، انرژی یا سایر منابع مورد نیاز.

شاه راس(Hubs)

شاه راس به گره‌هایی در یک شبکه عصبی اطلاق می‌شود که در مقایسه با گره‌های دیگر، تعداد اتصالات نسبتاً زیادی دارند. این گره‌های بسیار متصل نقش مهمی در ساختار و عملکرد کلی شبکه دارند. درک شاه راس‌ها برای به دست آوردن بینش در مورد نحوه پردازش، ادغام و انتقال اطلاعات در مغز ضروری است.

مرکزیت(Centrality)

مرکزیت مفهومی در علم اعصاب شبکه‌ای است که اهمیت یا برجستگی گره‌ها را در یک شبکه تعیین می‌کند. در زمینه شبکه‌های عصبی، که نشان‌دهنده الگ‌های اتصال بین نورون‌ها یا مناطق مغز هستند، معیارهای مرکزیت به شناسایی عناصر کلیدی کمک می‌کنند که نقش‌های حیاتی در پردازش اطلاعات، یکپارچه‌سازی و ارتباطات دارند. معیارهای مرکزیت متفاوتی وجود دارد که هر یک دیدگاه منحصر به فردی از اهمیت یک گره در شبکه ارائه می‌دهد.

استحکام(Robustness)

در علم اعصاب شبکه، استحکام شبکه‌های پیچیده به توانایی یک شبکه عصبی برای حفظ یکپارچگی ساختاری و عملکردی خود در مواجهه با اختلالات، شکست‌های تصادفی یا حملات هدفمند اشاره دارد. استحکام یک جنبه حیاتی برای درک ثبات و قابلیت اطمینان شبکه‌های مغز در زمینه عملکردهای مختلف شناختی است.

نگاشت مغزی(Mapping brain networks)

نگاشت مغزی مجموعه‌ای از تکنیک‌های علوم اعصاب مبتنی بر نگاشت مقادیر یا ویژگی‌های زیستی بر روی نمایش فضایی مغز (انسان یا غیر انسان) است که منجر به تولید نقشه‌های مغزی می‌شود.

شبکه‌های مغزی را می‌توان در مقیاس‌های چندگانه با استفاده از تکنیک‌های ارتباط ساختاری و تصویربرداری اتصال عملکردی ترسیم کرد. توصیفات ساختاری اجزای شبکه‌های عصبی به عنوان کانکتوم توصیف می‌شود.

اتصال ساختاری(Structural connectivity)

اتصال ساختاری توضیح می‌دهد که چگونه نواحی در مغز می‌توانند از طریق مسیرهای آناتومیکی(Anatomical pathways) مانند جفت سیناپسی بین سلول‌ها و برجستگی‌های آکسونی(Axonal projections) بین نورون‌ها در مقیاس میکرو(Micro) و بسته‌های فیبر ماده سفید(White matter fiber) در مقیاس ماکرو(Macro) ارتباط برقرار کنند. تصویربرداری پخش وزنی(Diffusion MRI) برای اندازه‌گیری بسته‌های ماده سفید استفاده می‌شود.

اتصال عملکردی(Functional connectivity)

اتصال عملکردی مشترک بودن عملکرد بین نواحی مغزی جدا شده از نظر آناتومیک را اندازه‌گیری می‌کند و معمولاً در سطح ماکروسکوپی اندازه‌گیری می‌شود. این اشتراک عملکرد از الگوهای فعال سازی مشابه در تکنیک‌های تصویربرداری مانند تصویربرداری تشدید مغناطیسی عملکردی (fMRI) استنباط می‌شود. بسیاری از این آزمایش‌های fMRI به عنوان تصویربرداری تشدید مغناطیسی کارکردی حالت استراحت(Resting state fMRI) شناخته می‌شوند و فعالیت خود به خودی مغز را زمانی که به شرکت‌کننده گفته می‌شود استراحت کند، اندازه‌گیری می‌کنند. سیگنال‌های BOLD مشابه (وابسته به سطح اکسیژن خون) بین نواحی مختلف نشان‌دهنده فعال‌سازی مشترک بین این مناطق است. روش‌های جدید بسیاری برای استخراج اتصال عملکردی از داده‌های fMRI از جمله علیت گرنجر و مدل‌سازی علی پویا (DCM) پدید آمده‌اند.

شبکه‌های عملکردی از این جهت با شبکه‌های ساختاری تفاوت دارند که ویژگی‌های اضافی دارند که با مطالعه شبکه ساختاری به تنهایی قابل مشاهده نیست. روش‌های جدیدی با استفاده از جبر خطی مانند رویکرد مقدارویژه و بردارویژه(Eigenvalues and eigenvectors) وجود دارد که به دنبال توضیح ارتباط پیچیده بین شبکه‌های عملکردی و ساختاری است.

کاربردهای بالینی(Clinical functions)

عصب‌شناسی شبکه‌ای کاربردهای عملی در درک و درمان اختلالات عصبی و روان‌پزشکی دارد. اختلالات در اتصال مغز اغلب با شرایطی مانند بیماری آلزایمر(Alzheimer's disease)، اسکیزوفرنی(Schizophrenia) و صرع(Epilepsy) همراه است.

شناسایی الگوهای شبکه مختل شده می‌تواند بینش‌هایی را در مورد علل زمینه‌ای این اختلالات ارائه دهد و توسعه مداخلات درمانی هدفمند را هدایت کند.

به‌طور خلاصه، علم اعصاب شبکه چارچوبی را برای مطالعه مغز به عنوان یک شبکه پیچیده فراهم می‌کند و بینش‌های ارزشمندی را در مورد اصول بنیادی سازماندهی و عملکرد مغز ارائه می‌دهد. این رویکرد بین رشته‌ای نوید بزرگی برای پیشرفت درک ما از حالات مغزی سالم و بیمار دارد.

چالش‌ها و محدودیت‌ها

در حالی که مدل‌سازی مغز به‌عنوان یک شبکه، بینش‌های ارزشمندی را ارائه می‌کند، اما همچنان یک ساده‌سازی است. و چالش‌هایی در ثبت دقیق پیچیدگی‌های تعاملات عصبی وجود دارد. رابطه بین ساختار و عملکرد به‌طور کامل درک نشده است و ادغام سطوح مختلف اطلاعات یک چالش مداوم است.

جستارهای وابسته

• علوم اعصاب
• شبکه عصبی مصنوعی
• دستگاه عصبی مرکزی
• دستگاه عصبی
• دستگاه عصبی پیرامونی
• انعطاف‌پذیری عصبی
• ناقل عصبی
• روان‌شناسی کمی
• مختصات تالیراک
• کانکتوم
• روان‌شناسی فرگشتی
• پروژه ارتباط انسانی
• کدگذاری عصبی