BrainStates: an open-source toolbox for describing and visualizing the dynamics of time-varying brain activity

Autorzy: Iga Adamska 

Opiekun projektu: dr Karolina Finc

Złożoność architektury ludzkiego mózgu jest ściśle powiązana z dynamiką aktywności neuronalnej, która zmienia się w zależności od zadania. Aktywność mózgu może być obrazowana za pomocą funkcjonalnego rezonansu magnetycznego (fMRI), który mierzy sygnał BOLD, czyli mówiąc bardzo ogólnie - poziom natlenienia krwi w mózgu. Bazując na tym sygnale, powszechne metody analizy aktywności ludzkiego mózgu służące do lokalizacji obszarów aktywnych podczas danego zadania bazują na Generalnym Modelu Liniowym (GLM). Podstawową wadą tych metod jest ‘patrzenie’ na mózg w sposób statyczny, nie uwzględniając jego zmieniającej się w czasie dynamiki. 

Celem tego projektu jest stworzenie nowego, ogólnodostępnego narzędzia (toolbox’u), który będzie służyć do analizy i wizualizacji zależnej od czasu dynamiki mózgu. Narzędzie bazować będzie na metodach uczenia maszynowego bez nadzoru, takich jak KMeans (MacQueen, 1967) czy klastrowanie hierarchiczne (Ward & Joe, 1963), aby w strukturze danych zidentyfikować tak zwane ‘stany mózgu’ (powtarzające się wzorce aktywacji). Te stany mózgu można scharakteryzować biorąc pod uwagę szereg właściwości, takich jak: czas trwania stanu, architektura przestrzenna stanu, czy prawdopodobieństwo pozostania w tym samym stanie lub przejścia do innego. 

Narzędzie zostanie opracowane w języku programowania Python, który jest dobrze znany ze względu na swoją czytelność, modułowość i obszerną bibliotekę standardową (Muller et a.l, 2015, Oliphant, 2007). Zostanie ono podzielony na trzy moduły, zawierające funkcje do: (1) klastrowania danych, (2) obliczania właściwości stanów mózgu oraz (3) wizualizacji. Toolbox będzie również zawierać tutorial użytkowania oraz szczegółową dokumentację zawierającą pełny opis każdego modułu i jego funkcji, dzięki czemu narzędzie to będzie łatwe w użyciu i odpowiednie nawet dla początkujących programistów. Jest to pierwsze narzędzie, które zapewnia taką analizę danych fMRI wraz z kompleksową specyfikacją każdej funkcji. Dodatkowo wyniki projektu zostaną opublikowane na platformach open source GitHub i Zenodo, dzięki czemu będą one dostępne dla każdego. 

Użycie tego zestawu narzędzi rozszerzy podstawowe podejścia oparte na GLM, powszechnie używane do analizy danych fMRI, poprzez identyfikację różnych stanów mózgu bez wyraźnej wiedzy na temat struktury zadania. W ten sposób metody zastosowane w zestawie narzędzi zbliżą społeczność naukową do zrozumienia złożonej dynamiki mózgu. Reprezentowanie aktywności mózgu w postaci dynamicznych stanów mózgu i ich charakterystyki może być przydatne w zastosowaniach klinicznych, takich jak stymulacja mózgu czy leczenie zaburzeń neuropsychiatrycznych (Deco i Kringelbach, 2014). Analiza stanów mózgu wskazuje również na potencjalne zastosowanie w badaniach klinicznych, pozwalających odróżnić nieprawidłowe i zdrowe stany aktywności mózgu.

Bibliografia:

[1] MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1(14), 281-297

[2] Joe H., Ward Jr. (1963) Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58:301, 236-244, doi: 10.1080/01621459.1963.10500845

[3] Cornblath, E.J., Ashourvan, A., Kim, J.Z. et al. (2020). Temporal sequences of brain activity at rest are constrained by white matter structure and modulated by cognitive demands. Commun Biol. 3, 261. doi: 10.1038/s42003-020-0961-x

[4] Muller, E., Bednar, J. A., Diesmann, M. et al. (2015) Python in neuroscience. Front. Neuroinform. 9:11. doi: 10.3389/fninf.2015.00011.

[5]  Oliphant, T. E. (2007). Python for scientific computing. Computing in Science & Engineering, 9(3), 10-20. doi: 10.1109/MCSE.2007.58.

[6] Deco, G., Kringelbach, M. L. (2014). Great expectations: using whole-brain computational connectomics for understanding neuropsychiatric disorders. Neuron, 84(5), 892-905. doi: 10.1016/j.neuron.2014.08.034

Projekt finansowany w ramach konkursu Grants4NCUStudents, Inicjatywa Doskonałości - Uczelnia Badawcza, Uniwersytet Mikołaja Kopernika w Toruniu.