نرم افزار P-sort: رهیافتی بر شناخت نوروفیزیولوژی مخچه
تعامل دو سویۀ مهندسی عصبی و علوم اعصاب با علم نوروفیزیولوژی از اهمیت بالایی برخوردار است. پژوهشگران این حوزه با اندازه گیری و ارزیابی عملکرد فعالیت های نورونی در مقیاس تک نورونی، چند نورونی و جمعیت های نورونی، پایه بسیاری از تحقیقات علوم اعصاب را شکل داده‌اند.
تعامل دو سویۀ مهندسی عصبی و علوم اعصاب با علم نوروفیزیولوژی از اهمیت بالایی برخوردار است. پژوهشگران این حوزه با اندازه گیری و ارزیابی عملکرد فعالیت های نورونی در مقیاس تک نورونی، چند نورونی و جمعیت های نورونی، پایه بسیاری از تحقیقات علوم اعصاب را شکل داده‌اند. یکی از روش های مرجع در مطالعات، ثبت مستقیم فعالیت نورونی با استفاده از الکترودهای خارج سلولی است. در این روش، فعالیت نورون ها از الکترودهای بسیار نازک کاشته شده در مغز حیوانات ثبت شده و مورد بررسی قرار می گیرد. به عبارتی، این الکترود ها به سیگنال یک یا چند نورون نزدیک به نوک الکترود در زمان تولید اسپایک گوش می دهند.
به مرور؛ برآیند مطالعات نوروفیزیولوژی، علوم اعصاب و مهندسی عصبی نشان داد که فرآیند های پیچیده مغز و نمود آنها در رفتار های شناختی توسط فعالیت جمعیت های عصبی بزرگ منعکس می شود و مطالعۀ تک نورون به تنهایی دید بسیار محدودی از کل تصویر ارائه می دهد. به همین دلیل امروزه پیشرفت در علوم اعصاب تا حد زیادی به توانایی ضبط همزمان از جمعیت های بزرگ نورونی و تفکیک و طبقه بندی انواع مختلفی از فعالیت های نورونی بستگی دارد. در همین راستا نورولوژیست ها و مهندسین عصبی به دنبال پیاده سازی الگوریتم های بهینه ای برای مرتب سازی اسپایک ها (Spike Sorting) هستند. ایدۀ مرتب سازی اسپایک برمبنای گروه بندی نورون ها با توجه به شباهت الگوی پتانسیل عمل آنها است. به بیان ساده چون نورون ها براساس نوع فعالیت، مورفولوژی دندریت ها، نحوه اتصالات بین نورونی و جهت گیری نسبت به الکترود الگوی مشخصی از اسپایک تولید می کنند، می توان آنها را در دسته های مشابهی طبقه‌بندی کرد. در نهایت این الگوریتم ها می توانند تعیین کنند که کدام اسپایک با کدام یک از دسته های نورونی مطابقت دارد. این روش ها امکان تحلیل و تفکیک فعالیت جمعیت های نورونی نزدیک به هر الکترود را فراهم کرده اند. به علاوه با این الگوریتم ها می توان به بررسی روابط بین نورون ها و رمزگشایی نحوۀ ارتباط بین آنها پرداخت.
با این رویکرد الگوریتم های متفاوتی طراحی و پیاده سازی شده اند. این الگوریتم ها هریک براساس شواهد الکتروفیزولوژی و روش های استخراج ویژگی و خوشه‌بندی، عملکرد متفاوتی دارند و بر اساس کاربرد مورد نظر استفاده می‌شوند. با این وجود دلایل مختلفی مانند نویز پس زمینۀ ناشی از خطای ثبت الکترود‌ها، تعدد الگو های پتانسیل عمل نورونی و احتمال همپوشانی آنها، فرآیند تشخیص، تفکیک و طبقه بندی این سیگنال های ثبت شده از رفتار نورونی را با چالش های متعددی رو‌به‌رو می‌کند. یکی از این چالش ها مرتب سازی اسپایک در نواحی با جمعیت‌های نورونی فشرده مانند مخچه است. در این نواحی چگالی بالای نورون های پورکینژی (Purkinje cells به اختصار p-cell ها) ، دندریت های متعدد و اتصالات بین نورونی فراوان موجب شده تا الگوریتم‌های مرتب سازی با خطا همراه باشند. به علاوه یک ویژگی خاص رفتاری در P-cell ها تولید اسپایک های پیچیده است. این نوع از اسپایک ها برخلاف اسپایک های ساده، به ندرت اتفاق می‌افتند. همچنین الگوی LFP معینی ندارند، شکل موج آنها ممکن است به دلیل حضور اسپایک های ساده دچار اعوجاج شود و یا شامل ریزاسپایک (spikelet) باشند. به دلیل مجموعه این عوامل تفکیک اسپایک های پیچیده از اسپایک های ساده و همچنین تشخیص درست تعداد الگوهای متمایز و دسته‌بندی آنها با الگوریتم های مرتب سازی اسپایک فعلی خطای زیادی ایجاد می کند.
برای حل این چالش گروهی از پژوهشگران به تازگی الگوریتمی را با نام P-sort طراحی و پیاده سازی کرده اند که دو ویژگی بارز دارد. در گام اول با این الگوریتم می توان اسپایک های پیچیده را از اسپایک های ساده تمییز داد. در قدم بعدی می توان اسپایک های ساده را با توجه به الگوهای موجود خوشه بندی کرد و هر خوشه مشخصی از اسپایک های ساده را به نورون پورکینژی متناظری که نوع خاصی از اسپایک های پیچیده را ایجاد می کند، نسبت داد. این الگوریتم برای خوشه بندی شکل موج ها و شناسایی خوشه های ساده و پیچیده، از یک الگوریتم کاهش بعد خطی و یک الگوریتم غیرخطی جدید به نام UMAP (Uniform Manifold Approximation and Projection ) استفاده می کند.
P-sort را می توان به عنوان یک نرم افزار متن باز و مبتنی بر پایتون معرفی کرد که بر روی پلتفرم های ویندوز، مک و لینوکس قابل اجرا است. مبنای فیزیولوژیک این الگوریتم از نتایج ثبت مستقیم الکتروفیزیولوژی از ۳۰۰ نورون پورکینژی با انواع الکترودهای مختلف به دست آمده که بر روی سه گونۀ مختلف جانوری (مارموست، میمون مکاک و موش) طراحی و ارزیابی شده است. گستردگی داده های اولیه جهت پیاده سازی این الگوریتم تعمیم پذیری آن را در شرایط مختلف تضمین کرده است. عملکرد این الگوریتم در مقایسه با سایر روش های پیشین مرتب سازی اسپایک مانندMountainSort4 ، Kilosort2 و SpyKING CIRCUS مورد بررسی قرار گرفته است. نتایج نشان می دهد که دقت و صحت تشخیص اسپایک های پیچیده در این الگوریتم بهبود قابل توجهی داشته است.
ویژگی خاص این الگوریتم نسبت به الگوریتم های قبلی مرتب سازی اسپایک، در این است که برهمکنش احتمالی بین اسپایک های پیچیده و ساده را کمّی سازی می‌کند و معیاری عینی ارائه می کند. به این منظور علاوه بر استخراج ویژگی شکل موج اسپایک ها، به ارتباط متغییرهای آماری بین اسپایک های ساده و پیچیده نیز توجه می کند. به همین دلیل بر اساس نتایج حاصل از آن کاربر می تواند یک خوشه از اسپایک ها را به دسته های بیشتر تقسیم کند، یا دو خوشه مختلف را با وجود شباهت ها یا تفاوت ها در شکل موج، با هم ادغام کند. بنابراین، P-sort به کاربر کمک می کند تا فراتر از شکل موج ها رفته و خوشه بندی اسپایک ها را بهبود بخشد.
نسخۀ فعلی این الگوریتم بر تعامل با کاربر متکی است. با این حال انتظار می‌رود با توسعه روزافزون تکنولوژی های ساخت الکترود های سیلیکونی که امکان ثبت همزمان از مجموعه های نورونی گسترده را با دقت بالا فراهم می کنند، زیرساخت الگوریتم های پردازشی نیز برای این بانک بزرگ دیتا بهبود پیدا کند. از همین روی پایه گذاران پلتفرم P-sort برای آسان سازی مسیر و تشویق دیگر مهندسین به توسعه نسخه خودکار این الگوریتم، دسترسی آزاد را به پایگاه داده بزرگی از اسپایک های برچسب گذاری شده از هر سه گونۀ جانوری مورد آزمایش، در کنار کدهای برنامه فعلی P-sort را در آدرس های زیر امکان پذیر کرده اند:
https://doi.org/10.17605/osf.io/gjdm4
فیلم های آموزشی برای استفاده از این پلتفرم
دریافت نرم افزار و دسترسی به کد
تهیه شده توسط
کارگروه مهندسی عصبی
شاخه دانشجویی نقشه برداری مغز ایران
مدیریت ترویج و آموزش
جستجو و ترجمۀ مقاله: ساجده آقابابایی (دانشجوی کارشناسی ارشد مهندسی عصبی-شناختی دانشگاه علم و صنعت ایران)
ویرایش متن: حمیدرضا عبدالجباری، همکار علمی کارگروه (دانشجوی کارشناسی ارشد مهندسی عصبی-شناختی دانشگاه علم و صنعت ایران)
نوشته های مرتبط