Neokortıkal Pıramıd Nöronların Modellemesı Ve Grup Davranısları

Abstract

Serebral korteks bir diğer deyişle beyin kabuğu, canlılar içinde primatlarda en gelişmiş bölgedir. Gri madde olarak da adlandırılır ve beynin her iki yarım küresinde bir örtü şeklindedir. Düşünme, algı, dil gibi üst düzey bilişsel süreçlerden sorumludur. Duyusal verileri algılama ve anlamlandırma, karar verme, öğrenme gibi bilişsel süreçlerin oluşmasında korteksin farklı kısımları rol alır. Korteksin yapısı ve sorumlu olduğu işlevlerin oluşmasını inceleyerek nörolojik düzensizlikler ve rahatsızlıklar hakkında daha fazla bilgi sahibi olabiliriz. Bilişsel süreçlerin oluşmasında etkili olan korteksin davranışlarına ilişkin yapılan çalışmalar, özellikle beyin dinamiğini anlamaya yönelik olan çalışmalar, genellikle süreçlerin oluşumu sırasında gözlemlenen işaretlerin toplanması ve sınıflandırılmasına yönelik olmuştur. Süreçlerin nasıl ve neden oluştuğuna ilişkin öneriler, yaklaşımlar ancak son yıllarda, özellikle beynin süreçler esnasında görüntülenmesine ilişkin geliştirilen araçlar sayesinde mümkün olmaya başlanmıştır. Özellikle, EEG işaretlerine ilişkin çok sayıda veri toplanmasına rağmen, hala daha bu işaretlerin oluşmasında yer alan mekanizmalar bilinmemektedir. Bu mekanizmalara ilişkin önerilen yaklaşımları analiz etmek ve irdelemek için hesaplamalı modeller önemli bir araçtır. Önerilen hesaplamalı modeller, farklı seviyelerdeki oluşumları içermektedir. Tek hücre davranışından, hücrelerin oluşturduğu grupların davranışlarına kadar değişen bu seviyelerdeki incelemeler sinirbiliminin ilgi alanı içindedir. Modelleme ve benzetim aracılığıyla da sinirbilimdeki çalışmalara katkı sağlanmasına özellikle son yıllarda önem verilmektedir. Dinamik sistemlerin analizine ilişkin geliştirilen matematiksel yöntemler benzetim araçlarının geliştirilmesinde etkili olmuştur. Benzetim içinde farklı seviyelerde etkili çeşitli araçlar geliştirilmiştir. Tek hücre modellemesinde etkili olan NEURON, hücre gruplarının davranışlarını incelemekte çokca kullanılan NEST ve BRIAN, dinamik sistem açısından detaylı çalışmalar yapılmasına yardımcı olan XPPAUT bu araçlardan ilk akla gelenlerdir. Bu tez çalışmasında da bu araçlardan Phyton tabanlı bir yazılım olan BRIAN?dan yararlanılmıştır. Tez çalışmasında, korteksdeki farklı sinir hücresi tiplerinden en yoğun olarak bulunan piramid ve stellate yapısındaki hücreler ele alınmıştır. Öncelikle bu hücrelerin, davranışları sinirbilim literatüründe mevcut çok sayıdaki kaynaktan yararlanılarak incelenmiş ve bu davranışlar, Izhikevich tarzı sinir hücresi modeli ile BRIAN ortamında yeniden elde edilmiştir. Izhikevich hücre modelini ile piramid ve stellate tipi hücrelerin farklı davranışlarını elde etmek için modele ilişkin parametreler değiştirilmiştir. Böylece iki diferansiyel denklem ve bir yenileme (reset) koşulu ile ifade edilen Izhikevich hücre modeli ile, normal vuru, patlama tarzı vuru, hızlı ateşleme gibi sinir hücresi dinamiğine ilişkin değişik davranışlar elde edilmiştir. Tez çalışmasında piramid ve stellate tarzı hücrelerin davranışları elde edildikten sonra, bu hücrelerin birbirleri ile bağlantıları ele alınmış, ve hücre gruplarının davranışları özellikle senkronizasyon gözönüne alınarak incelenmiştir. Hücre grupları oluşturulurken uyarıcı ve baskılayıcı hücre grupları farklı davranışlar gösteren hücreler ile modellenmiş ve bu iki tür hücre grubundaki hücre sayısı oransal olarak insan ve fare beynindeki oranlar gözetilerek belirlenmiştir. Biyolojik gerçekliğe uygun, böylece oluşturulan farklı modeller ile uyarıcı ve baskılayıcı hücre gruplarının bağlantı yoğunluğu ve ağırlıklarının senkronizasyona etkisi ele alınan senkronizasyon ölçütü çercevesinde incelenmiştir. Bu incelemeler için BRIAN ortamında hazırlanan yazılımlar kullanılmıştır. Tezin ilk bölümünde tezde ele alınan yaklaşım genel olarak anlatılmış, ikinci bölümünde korteks hakkında hem yapısal hemde işlevsel anlamda detaylı bilgi verilmitir. Bu bölümün sonunda korteksde çok sayıda bulunan piramid hücre yapısının farklı davranışları Izhikevich Hücre modeli ile elde edilmiştir. Böylece bir sonraki bölünde oluşturulacak gruplarda kullanılacak hücre davranışlarına ilişkin model parametreleri belirlenmiştir. Üçüncü bölümde Izhikevich hücre modellerinden yararlanarak hücre grupları oluşturulmuş bu hücre gruplarının BRIAN ortamında nasıl oluşturulduğuna dair detaylı bilgi verilmiştir. Elde edilen modellerden yararlanarak senkronizasyonu etkilediği düşünülen bağlantı ağırlıkları ve bağlantı yoğunluğunun etkisi incelenmiştir. Son bölümde elde edilen benztim sonuçları tartışılmıştır. Beyindeki bölgelerde gözlemlenen senkronizasyon özellikle EEG işaretleri bağlamında çokca ele alınmıştır. Senkronizasyon, kimi zaman bir ödevin yerine getirilmesinde farklı bölgeler arasındaki iletişimi belirtse de kimi zaman da Parkinson, Alzheimer hastalıklarında olduğu gibi nörolojik defermasyonun bir ölçütü olmaktadır. Sinir hücre gruplarının birlikte davrandığının bir ölçütü olan senkronizasyona ilişkin olarak literatürde çoğunlukla deneysel sonuçlar verilmektedir. Ancak senkronizasyonun arkasındaki nedenleri anlayabilmek için son yıllarda hesaplamalı modellerden de yararlanılmaya başlanmıştır. Bu tez çalışması da bu çerçevede değerlendirilebilinir. BRIAN ortamında hazırlanan yazılımlar ile elde edilen sonuçlarda hücreler arasındaki ağırlığın artması ile senkronizasyonun da artığı, bağlantı yoğunluğunun da benzer bir özellik gösterdiği gözlemlenmiştir. Bu sonuçlar hem raster diyagramları hem de senkronizasyon ölçütünün bağlantı ağırlıkları ve yoğunlukları ile değişimini gösteren diyagramlar ile verilmiştir. Raster diyagramları zaman içinde senkronizasyondaki değişimi gözönüne koyarken, senkronizasyon ölçütündeki değişimleri gösteren diyagramlar daha genel ve bütünlükçü olarak elde edilen sonuçları özetlemektedir. Uyarıcı ve bastırıcı gruplardaki sonuçlar diyagramlarda ayrı ayrı verildiğinden ağırlıkların ve bağlantı yoğunluklarının bu iki grup üzerindeki etkisi farklı hücre yapıları ve oranlar içinverilen grafiklerden gözlenebilir. Benzetim sonuçları elde edilirken, hem her iki grup arasında hem de gruplar içindeki bağlantı topolojisi sadece her hücre her hücre ile bağlanır yapısı çerçevesinde ele alınmıştır. Bu ağ yapısının tercih edilmesi, literatürde bu konuda fazla çalışma olmadığından en olası ağ yapısı olarak bu yapı akla yakın geldiğindendir. Hücreler arasındaki bağlantı dinamiği ise BRIAN ortamında kullanılan en basit dinamik model olarak ele alınmış, özel bir yapı denenmemiştir. Tezde elde edilen sonuçlar daha farklı bağlantı dinamikleri, ve farklı ağ yapıları gözönüne alınarak geliştirilebilir. Özellikle korteksin farklı bölgeleri daha dikkatle modellenerek, ölçüm sonuçlarının derlendiği süreçlere ilişkin hesaplamalı modeller geliştirlebilir. Bu tez çalışması ile BRIAN ortamında böylesi çalışmaların yapılmasının mümkün olabileceği görülmüştür. Izhikevich sinir hücresi modelinden farklı modellerde sınanabilir, ancak tezde de geniş şekilde açıklandığı gibi büyük boyutlu bir modelleme için fizyolojik açıdan daha gerçekçi olan Hodgkin-Huxley hücre modelini kullanmak uygun değildir. Izhikevich sinir hücresi gibi daha basit ancak farklı dinamikleri gösteren hücre modelleri kullanılabilir. Fazla sayıda hücrenin bir araya gelerek oluşturduğu grupların davranışlarını incelemek için uygun bir ortam yaratan, farklı hücre modelleri ve bağlantı dinamiklerinin incelenmesini sağlayan BRIAN ortamı, bilişsel süreçlerin oluşmasındaki mekanizmaları açıklamaya yönelik çalışmaların yapılmasına olanak sağlamaktadır. Bu tür yazılımlardan yararlanarak, bir deney ortamı oluşturmak ve bilişsel süreçler sırasında beyinde oluşan mekanizmalara ilişkin farklı varsayımları sınamak mümkündür. Bu çalışmada sadece korkeks ile ilgilenilmiş ve özellikle gözlemlenen EEG işaretlerinin açıklamasına ilişkin bir model geliştirilip geliştirilemiyeceğine ilişkin basit sınamalar yapılmıştır. Elbette sadece korteks değil beyinde bilişsel süreçlere katkıda bulunan diğer yapılarda ele alınarak modeller geliştirilebilinir. Böylece süreçlere ilişkin daha kapsamlı modeller elde edilmiş olduğu gibi bu modeller aracılığı ile yaşlanan dünyamızda hem ekonomik hem de insani nedenlerden dolayı bir sorun olan Parkinson Alzheimer hastalıkları gibi nörodejeneratif hastalıkların erken teşhisi ve tedavisi içinde yöntemler geliştirilebilinir.

The cerebral cortex is the outer covering of grey matter over the hemispheres. It is composed of two hemispheres and considered as the most advanced part of the brain as it is responsible of many functions including sensory functions as interpreting sensory incomes, cognitive functions as thinking, analyzing and understanding language. Understanding language is considered as the most complex and difficult job along cognitive functions. By studying cortex we can learn more about brain dysfunctions during mental disorders and neurological diseases. These kind of studies can be done only by modeling and simulation. Brain simulation is necessary for many reasons, one of them is that real system does not exist and it is costly or impossible to build and experiment with prototypes. The other advantages of brain modeling is to trace the connections between individual neurons in animal models. Such improvements can be applied and further studied by classifying into two groups: 1-To do a hard-wired connection schemes and 2-To create a structure-learning algorithms inspired by animal learning. In this thesis we made a simple model for the cerebral cortex of human and rat. We did this by taking in our considerations the number and type of the composing cells avialable in the cerebral cortices of both human and rat. We also considered the spiking properties of the neurons in the cortex. So, our work can be classified under the neurocomputational theories, which states that in the produced model, both the behavior and biological restrictions must be emphasized. In order to be sure that expected accuracy of simulation is consistent with needed requirements and get the right results we used Izhikevich model as the neuron model. We preferred it over the other available models, since it seems to be more suitable as it is, and ? Easer to be programmed and computed. ? More realistic since it can create more spiking types similar to that presented by biological cells. Basing on this we made the model of the single Pyramidal Neuron and then study the behavior of group of neurons when connected to each other in a way similar to the real connections in the original cortical tissue. In our modeling we used the new coded BRIAN simulator which had been coded over PYTHON by group of postdoctoral researchers. We preferred it since it saves the time of processors, easy to learn and use, highly flexible and easily extensible. It is also specialized in simulating neural network spiking compared to other normal programs like MATLAB, and can simulate both single neuron and large connected network of neurons which is also a property compared to other neural simulating programs like NEURON. We also studied the synchronization and the factors affecting the existence of synchronization between two group of neurons. The importance of measuring the synchronization is that it indicates the degree of coherence between neuron groups that are interactive with each other. Synchronization have a role in the well-timing of coordination and communication between different cortical neurons while cortical tasks are realized, specially in determining the amount of neurons being engaged in cognitive processes. %Our work can be taken under the the computational neuroscience theories which assumes that the model is %taken as similar as possible to the biological %concepts and give a good amount of behavior simulation. We also created a neural groups to model different biological cortical spikes and studied the effect of %neural connections inside the cortex. %After that we studied the long term neuronal groups phase-synchronization. %Neuronal synchronization can be defined as a correlated appearance in time of two or more events associated with various aspects of neuronal activity. The strength %of synchronization is functionally related to perceptual accuracy and behavioral efficiency. Specify the area of the brain that are working together, the ability of %prediction of the long term behavior of the neuron groups, it gives us an indication of the mental disorders and diseases. %We could see that the interaction between neurons inside groups are getting effected by the value of the weights of connections and by the occurred synchronization %between groups. Finally, we can conclude that increasing the weight of connection will increase the connection between neurons, the synchronization also increases to some extend, in a nonlinear relationship. Increasing the sparseness also increase the connection which in turn increase the synchronization between the neuron groups The synchronization affected by other factors like type of spiking, during simulation we noticed RS and FS types of spiking shows higher values of synchronization compared to other types of spiking with the same values of weight and sparseness. Obviously in large scale networks, the synchrony needs a high number of connections between neurons and to overtake some threshold value, which is controlled by the changing of the weights of connection and the sparseness.