Νέα μέθοδος ανίχνευσης αιτιότητας σε νευρωνικά σήματα
Η κατανόηση της λειτουργικής αρχιτεκτονικής του εγκεφάλου αποτελεί έναν θεμελιώδη στόχο στη νευροεπιστήμη. Οι συνδέσεις μεταξύ των νευρώνων καθορίζουν την επεξεργασία, τη μετάδοση, την αποθήκευση και την ανάκτηση πληροφοριών, αποτελώντας τη βάση των γνωστικών μας λειτουργιών. Οι επιστήμονες συχνά μελετούν τη νευρωνική σήμανση καταγράφοντας τους βραχύχρονους ηλεκτρικούς παλμούς που παράγουν οι νευρώνες, γνωστούς ως «συστήματα παλμών» ή spike trains.
Προκλήσεις στην ανίχνευση αιτιότητας
Λόγω της ακανόνιστης και απρόβλεπτης φύσης τους, η ανίχνευση αιτιωδών σχέσεων μεταξύ των συστημάτων παλμών που καταγράφονται από διαφορετικούς νευρώνες παραμένει μια σημαντική πρόκληση. Οι παραδοσιακές μέθοδοι ανίχνευσης αιτιότητας, όπως η αιτιότητα Granger και η μεταφορά εντροπίας, απαιτούν κανονικά δειγματοληπτημένα χρονοσειρές, κάνουν υποθέσεις γραμμικότητας ή χρειάζονται πολύ μεγάλα σύνολα δεδομένων. Αυτό τις καθιστά λιγότερο κατάλληλες για τις πιο χαοτικές, μη γραμμικές δυναμικές που υπάρχουν σε βιολογικά συστήματα όπως ο εγκέφαλος. Οι επιστήμονες έχουν προσπαθήσει να βρουν αποτελεσματικές, μοντελο-ανεξάρτητες μεθόδους για να αναλύσουν άμεσα τις σχέσεις αιτιότητας σε νευρωνικά δίκτυα και άλλα μη γραμμικά συστήματα με παρόμοια χαρακτηριστικά.
Η νέα τεχνική
Μια πρόσφατη μελέτη, με επικεφαλής τον Αναπληρωτή Καθηγητή Kazuya Sawada από το Τμήμα Πληροφορικής και Τεχνολογίας Υπολογιστών του Πανεπιστημίου Επιστήμης του Τόκιο (TUS) στην Ιαπωνία, ανέπτυξε με επιτυχία μια νέα τεχνική για την ανίχνευση αιτιότητας σε νευρωνικά συστήματα παλμών. Η εργασία τους, που συνυπογράφεται από τον Καθηγητή Tohru Ikeguchi από το TUS και τον Αναπληρωτή Καθηγητή Yutaka Shimada από το Πανεπιστήμιο Saitama, δημοσιεύθηκε διαδικτυακά στο Volume 112, Issue 1 του Physical Review E στις 28 Ιουλίου 2025.
Η μέθοδος της ομάδας βασίζεται σε ένα γνωστό πλαίσιο που ονομάζεται συγκλίνουσα διασταύρωση (CCM), το οποίο είναι αποτελεσματικό για την ανάλυση αιτιότητας μεταξύ μη γραμμικών χρονοσειρών δεδομένων. Ωστόσο, η συμβατική CCM δεν μπορεί να εφαρμοστεί σε χρονοσειρές δεδομένων με ακανόνιστα διαστήματα δειγματοληψίας (όπως οι συσσωρεύσεις παλμών). Για να το αντιμετωπίσουν αυτό, οι ερευνητές χρησιμοποίησαν πρώτα μια τεχνική για την ανακατασκευή του χώρου κατάστασης ενός συστήματος από τα διαστήματα μεταξύ παλμών (ISIs), που είναι ο πιο συνηθισμένος τρόπος αποθήκευσης δεδομένων από καταγραφές συσσωρεύσεων παλμών. Στη συνέχεια, ανέπτυξαν μια νέα προσέγγιση για να καθορίσουν τη χρονική αντιστοιχία μεταξύ διαφορετικών χρονοσειρών ISI.
Συνδυάζοντας αυτές τις δύο μεθόδους, προέκυψε μια νέα μέθοδος καθορισμού αιτιότητας σε συστήματα παλμών. Η βασική ιδέα είναι να υπολογιστεί η ακρίβεια των προβλέψεων που γίνονται για μια δεδομένη συσσώρευση παλμών βάσει δεδομένων από άλλες, εστιάζοντας ειδικά στο αν αυτή η ακρίβεια αυξάνεται ή παραμένει χαμηλή καθώς παρέχονται περισσότερα δεδομένα. «Η μέθοδος που προτείνουμε στο άρθρο μας διαφέρει από τις προηγούμενες, καθώς μπορεί να εφαρμοστεί άμεσα σε ακολουθίες παλμών και να εντοπίσει αιτιώδεις σχέσεις σε δεδομένα που παράγονται από πολύπλοκα, μη γραμμικά συστήματα που δεν μπορούν να αναπαρασταθούν από απλούς κανόνες», υπογραμμίζει ο Δρ. Sawada.
Η ανίχνευση αιτιότητας μεταξύ νευρώνων μπορεί να γίνει από εύκολα παρατηρήσιμες συσσωρεύσεις παλμών, εκτιμώντας έτσι τη συνδεσιμότητά τους. Για να δοκιμάσουν την αποτελεσματικότητα της μεθόδου τους, οι ερευνητές την εφάρμοσαν σε ένα καλά μελετημένο μαθηματικό μοντέλο νευρώνων με γνωστές αιτιώδεις συνδέσεις. Μέσω αριθμητικών πειραμάτων, απέδειξαν ότι η προτεινόμενη προσέγγιση ανίχνευσε με ακρίβεια διπλές, μονοκατευθυντικές και ανύπαρκτες συνδέσεις μεταξύ νευρώνων. Απέδειξε ότι είναι αποτελεσματική ακόμη και στην παρουσία ασθενών συνδέσεων με εσωτερικό θόρυβο, ένα κοινό χαρακτηριστικό των βιολογικών συστημάτων.
Με την παροχή ενός νέου εργαλείου για την εκτίμηση της νευρωνικής συνδεσιμότητας από δεδομένα συσσωρεύσεων παλμών, αυτή η έρευνα ανοίγει το δρόμο για μια πιο λεπτομερή κατανόηση του πώς επεξεργάζεται η πληροφορία στον εγκέφαλο. «Οι συνδέσεις μεταξύ των νευρώνων του εγκεφάλου δεν είναι ακόμη πλήρως κατανοητές, και οι μέθοδοι ανίχνευσης αιτιότητας μπορούν να χρησιμοποιηθούν για να εκτιμήσουν όχι μόνο τις δομικές και ανατομικές συνδέσεις, αλλά και τις αποτελεσματικές συνδέσεις», εξηγεί ο Δρ. Sawada. «Εάν μπορέσουμε να διευκρινίσουμε τη φύση αυτών των αποτελεσματικών συνδέσεων στον εγκέφαλο, θα συμβάλει σε μια καλύτερη κατανόηση των διαταραχών και των ψυχικών ασθενειών που προκαλούνται από τις νευρωνικές συνδέσεις, ενδεχομένως ανοίγοντας το δρόμο για νέες θεραπείες.»
