İnsan beyni; algı, hafıza, dil, düşünme, bilinç ve duygular gibi kritik işlevlerden sorumludur. Beynin nasıl çalıştığını anlamak için bilim insanları, beyin bir görevi yerine getirirken veya dinlenirken katılımcıların beyin aktivitesini kaydetmek için sıklıkla nörogörüntülemeyi kullanıyor. Beyin fonksiyonları, insan beyninin dış tabakası olan serebral korteks üzerinde sistematik olarak organize ediliyor. Araştırmacılar, nörogörüntüleme verilerini analiz etmek ve insan beyninin işlevsel organizasyonunu incelemek için sıklıkla "kortikal yüzey modeli" adı verilen modeli kullanırlar.
Her beynin farklı bir şekli vardır. Birden fazla bireyin nörogörüntüleme verilerini analiz etmek için araştırmacıların, verileri aynı beyin şablonuna kaydetmeleri gerekiyor; bu, beyinler farklı şekillere sahip olsa bile, farklı beyinlerde aynı anatomik konumun tanımlanmasına olanak tanıyor. Geçtiğimiz 25 yıl boyunca bu tür şablonların birkaç versiyonu ortaya çıktı ve bugün en yaygın kullanılan kortikal yüzey şablonları 40 beyinden toplanan verilere dayanıyor.
Şimdi Dartmouth araştırmacıları, nörogörüntüleme verilerinin analizinde daha fazla doğruluk ve verimlilik sağlayan, "OpenNeuro Average" veya kısaca "onavg" adı verilen yeni bir kortikal yüzey şablonu oluşturdular. Bulgular Nature Methods'ta yayınlandı.
Dartmouth Psikoloji ve Beyin Bilimleri Bölümü'nde Haxby Laboratuvarı üyesi ve doktora sonrası araştırmacı olan baş yazar Feilong Ma, “Kortikal yüzey şablonumuz onavg, beynin farklı kısımlarını eşit şekilde örnekleyen ilk şablondur. Hesaplama açısından daha verimli olan, daha az önyargılı bir harita.” diyor.
Ekip, nörogörüntüleme verilerini paylaşmak için ücretsiz ve açık kaynaklı bir platform olan OpenNeuro'daki 30 veri kümesinden 1.031 beynin kortikal anatomisine dayanarak şablonu oluşturdu. Ortak yazarlara göre bu aynı zamanda beynin geometrik şekline dayanan ilk kortikal yüzey şablonuydu. Buna karşılık, önceki şablonlar korteksin farklı kısımlarını eşit olmayan bir şekilde örnekledi ve kortikal köşelerin konumunu tanımlamak, küre benzeri bir şekle dayanıyordu, bu da köşelerin dağılımında önyargılara neden oldu.
Feilong, “Nörogörüntüleme yoluyla veri elde etmek çok pahalıdır ve bazı klinik popülasyonlar için (örneğin nadir bir hastalık üzerinde çalışıyorsanız) büyük miktarda veri elde etmek zor veya imkansız olabilir, dolayısıyla daha az kaynakla daha iyi sonuçlara erişme yeteneği olan bir sistem şart. Daha verimli bilgi kullanımıyla şablonumuz, akademik çalışmalarda sonuçların tekrarlanabilirliğini ve yeniden üretilebilirliğini potansiyel olarak artırabilir.” diye ekliyor.
Her beynin farklı bir şekli vardır. Birden fazla bireyin nörogörüntüleme verilerini analiz etmek için araştırmacıların, verileri aynı beyin şablonuna kaydetmeleri gerekiyor; bu, beyinler farklı şekillere sahip olsa bile, farklı beyinlerde aynı anatomik konumun tanımlanmasına olanak tanıyor. Geçtiğimiz 25 yıl boyunca bu tür şablonların birkaç versiyonu ortaya çıktı ve bugün en yaygın kullanılan kortikal yüzey şablonları 40 beyinden toplanan verilere dayanıyor.
Şimdi Dartmouth araştırmacıları, nörogörüntüleme verilerinin analizinde daha fazla doğruluk ve verimlilik sağlayan, "OpenNeuro Average" veya kısaca "onavg" adı verilen yeni bir kortikal yüzey şablonu oluşturdular. Bulgular Nature Methods'ta yayınlandı.
Dartmouth Psikoloji ve Beyin Bilimleri Bölümü'nde Haxby Laboratuvarı üyesi ve doktora sonrası araştırmacı olan baş yazar Feilong Ma, “Kortikal yüzey şablonumuz onavg, beynin farklı kısımlarını eşit şekilde örnekleyen ilk şablondur. Hesaplama açısından daha verimli olan, daha az önyargılı bir harita.” diyor.
Ekip, nörogörüntüleme verilerini paylaşmak için ücretsiz ve açık kaynaklı bir platform olan OpenNeuro'daki 30 veri kümesinden 1.031 beynin kortikal anatomisine dayanarak şablonu oluşturdu. Ortak yazarlara göre bu aynı zamanda beynin geometrik şekline dayanan ilk kortikal yüzey şablonuydu. Buna karşılık, önceki şablonlar korteksin farklı kısımlarını eşit olmayan bir şekilde örnekledi ve kortikal köşelerin konumunu tanımlamak, küre benzeri bir şekle dayanıyordu, bu da köşelerin dağılımında önyargılara neden oldu.
Feilong, “Nörogörüntüleme yoluyla veri elde etmek çok pahalıdır ve bazı klinik popülasyonlar için (örneğin nadir bir hastalık üzerinde çalışıyorsanız) büyük miktarda veri elde etmek zor veya imkansız olabilir, dolayısıyla daha az kaynakla daha iyi sonuçlara erişme yeteneği olan bir sistem şart. Daha verimli bilgi kullanımıyla şablonumuz, akademik çalışmalarda sonuçların tekrarlanabilirliğini ve yeniden üretilebilirliğini potansiyel olarak artırabilir.” diye ekliyor.
Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
