Oregon Health and Science University의 연구원 및 실험실 관리자 인 Michaela Cordova는“탈퇴”로 시작합니다. 반지, 시계, 가제트 및 기타 금속 소스를 제거하고 그녀의 말에 따라“비행”할 수있는 간과 할 수있는 물건을 두 번 다시 확인합니다. 그런 다음 그녀는 스캐닝 룸으로 들어가서 침대를 올리며 낮추며,이 가상 실험실 투어를 가능하게하는 시청 창과 iPad 카메라의 일반 방향으로 헤드 코일을 흔들고 있습니다 (매사추세츠 주에서 수천 마일 떨어진 곳에서보고 있습니다). 그녀의 목소리는 MRI 스캐너에 내장 된 마이크에 의해 약간 왜곡되며, 약간 흐릿한 유리한 지점에서 빛나는 파란색 입을 가진 짐승보다 산업용 칸 놀리처럼 보입니다. 나는 도움이 될 수 없지만 섬뜩한 설명은 그녀의 평범한 고객과 공명 할 수 있다고 생각합니다.
Cordova는 아이들과 협력하여 두려움을 고수하고 스캐너 안팎으로 완화하면서 부드러운 단어, 픽사 영화 및 간식 약속으로 흔들리는 것을 최소화합니다. 이 아이들은 뇌의 신경 연결을 매핑하기위한 연구에 등록되어 있습니다.
"Connectome"으로 공동으로 알려진 뇌 영역 사이의 물리적 연결은 다른 종과인지 적으로 인간을 구별하는 것의 일부입니다. 그러나 그들은 또한 우리를 서로 구별합니다. 과학자들은 이제 신경 영상 접근법을 기계 학습과 결합하여 개인 간의 뇌 구조와 기능의 공통점과 차이를 이해하고 있으며, 유전 적, 환경 적 영향으로 인해 주어진 뇌가 시간이 지남에 따라 어떻게 변할 것인지 예측한다.
.Damien Fair 부교수가 이끄는 Cordova가 일하는 실험실은 특정 작업을 수행하고 행동에 영향을 미치기 위해 조정하는 뇌 영역의지도 인 기능적인 Connectome과 관련이 있습니다. Fair는 사람의 뚜렷한 신경 연결에 대한 특별한 이름 인 기능 지문을 가지고 있습니다. 숫자 끝의 지문과 마찬가지로 기능적 지문은 우리 각자에게만 적합하며 고유 식별자가 될 수 있습니다.
페어는“5 살짜리로부터 지문을 가져갈 수 있었는데, 25 살 때 지문이 그녀라는 것을 알 수있을 것”이라고 Fair는 말했다. 그녀의 손가락이 더 커지고 나이와 경험에 따라 다른 변화를 겪을지라도“여전히 핵심 특징이 있습니다.” 마찬가지로 Fair의 실험실과 다른 사람들의 작업은 누군가의 기능적인 코네티컷의 본질이 식별 될 수 있고 평생 동안의 정상적인 변화가 크게 예측 가능하다는 것을 암시합니다.
.기능적 코네토메토를 식별, 추적 및 모델링하면 뇌 시그니처가 행동의 변화를 유발하는 방법을 노출시키고 경우에 따라 특정 신경 정신병 조건을 개발할 위험이 더 높습니다. 이를 위해 Fair와 그의 팀은 스캔, 연구 및 궁극적으로 임상 인구에 대한 뇌 연결 패턴에 대한 데이터를 체계적으로 검색합니다.
코네티컷 특성화
기능적 코네티컷을 매핑하기위한 전통적인 기술은 MRI 데이터를 사용하여 한 번에 두 뇌 영역에만 초점을 맞추기 위해 각각의 변화에 대한 각각의 변화가 어떻게 변화하는지를 상관시킵니다. 일제대로 변하는 신호가있는 뇌 영역에는 1의 점수가 할당됩니다. 하나는 증가하면 다른 하나는 감소하면 –1이 적습니다. 둘 사이에 관찰 가능한 관계가 없다면 0입니다.
그러나이 접근법에는 한계가 있습니다. 예를 들어, 각각의 뇌와 독립적으로 이러한 영역 쌍을 고려하지만, 각각의 이웃 영역의 입력에 의해 영향을받을 가능성이 있지만, 이러한 추가 입력은 모든 쌍의 실제 기능적 연결을 가릴 수 있습니다. 그러한 가정을 극복하는 것은 서브 세트뿐만 아니라 전체 뇌 전체에서 크로스 토크를 보면서, 다른 방법으로 눈에 띄지 않았을 수도있는 더 널리 퍼져 있고 유익한 패턴을 드러 냈습니다.
2010 년 Fair는 Science 의 논문을 공동 저술했습니다 주어진 뇌의 성숙도 (또는 "연령")를 추정하기 위해 기계 학습 및 MRI 스캔을 사용하여 모든 상관 관계를 동시에 고려하여 설명했습니다. 이 협업이 한 번에 여러 연결에서 패턴을 분석하는 유일한 것은 아니지만, 주어진 개인의 뇌 연령을 예측하기 위해 이러한 패턴을 사용하는 것이 처음이기 때문에 연구 커뮤니티 전체에 버즈를 일으켰습니다.
.4 년 후,“기능적 지문”이라는 문구를 만들어 낸 논문에서 Fair의 팀은 기능적 코네티컷을 매핑하고 하나가 아니라 모든 영역에서 오는 신호를 기반으로 단일 뇌 영역의 활동을 예측하는 자체 방법을 고안했습니다.
.단순한 선형 모델에서 단일 영역의 활동은 다른 모든 영역의 합산 기여와 동일하며, 각 영역 간의 일부 통신 라인은 다른 지역보다 강력하기 때문입니다. 각 영역의 상대적 기여는 기능적 지문을 독특하게 만듭니다. 연구원들은 선형 모델을 생성하기 위해 참가자 당 2.5 분의 고품질 MRI 데이터가 필요했습니다.
그들의 계산에 따르면, Connectome의 약 30 %가 개인에게 고유합니다. 이 지역의 대부분은 감각, 운동 및 시각적 처리와 같은보다 기본적인 기능과 비교하여 학습, 기억 및주의와 같은인지 처리가 필요한 "고차"작업을 관리하는 경향이 있습니다.
.고차의 제어 지역이 본질적으로 우리가 우리를 만드는 이유이기 때문에 이러한 지역은 매우 독특하고 공정한 설명이라는 것이 합리적입니다. 실제로, 정면 및 정수리 피질과 같은 뇌 영역은 진화 과정에서 나중에 발전하여 현대 인간이 등장함에 따라 확대되었습니다.
페어는“사람들이 가장 유사 할 가능성이 가장 높은 것으로 생각한다면 더 간단한 것일 것”이라고 페어는“손가락을 움직이는 방식과 시각적 정보가 처음 처리되는 방식과 마찬가지로 더 간단한 것일 것”이라고 말했다. 이러한 영역은 인구마다 다릅니다.
독특한 영역에서 고유 한 활동 패턴을 고려함으로써, 모델은 사실 2 주 후에 취한 새로운 스캔을 기반으로 개인을 식별 할 수 있습니다. 그러나 평생 몇 주가 지났습니까? 페어와 그의 팀은 누군가의 기능적 지문이 수년 동안 또는 세대에 걸쳐 지속될 수 있는지 궁금해하기 시작했습니다.
연구원이 한 사람의 기능적 지문을 가까운 친척의 지문과 비교할 수 있다면, 신경 회로를 형성하는 유전 적 및 환경력을 구별 할 수 있습니다.
.추적 신경 계보
유전자를 뇌 조직에 연결하는 첫 번째 단계는 가족간에 코네티컷의 어떤 측면이 공유되는지를 결정하는 것입니다. 과제는 미묘한 차이가 있습니다. 친척은 부피, 모양 및 백질 무결성 측면에서 유사한 뇌 구조를 갖는 것으로 알려져 있지만, 이로 인해 해당 구조를 연결하는 동일한 연결이 있음을 의미하지는 않습니다. 특정 정신 상태도 가족에서 달리는 경향이 있기 때문에, 유전 적 연결을 감지하는 페어의 사명은 결국 뇌의 일부와 특정 장애가 발병 할 위험을 증가시키는 뇌의 일부와 유전자를 식별하는 데 도움이 될 수 있습니다.
.6 월에 게시 된 논문에 설명 된 바와 같이, 실험실은 뇌 영역 사이의 십자가 대화가 낯선 사람보다 친척에서 더 비슷한 지 묻기 위해 기계 학습 프레임 워크를 만들기 시작했습니다.
연구원들은 새로운 뇌 스캔 세트 (어린이를 포함한 어린이를 포함하여)에 대한 선형 모델을 초기 청소년기 동안 비교적 안정적으로 유지하도록했습니다. 실제로,이 모델은 몇 년 동안 신경 연결에서 발달 수정에도 불구하고 개인을 식별하기에 충분히 민감했습니다.
뇌 회로에서 유전학 및 환경의 역할을 조사하는 것은 먼저 분류기로 알려진 분류 알고리즘을 사용하여 테스트 된 개인을 기능적 지문을 기반으로 두 그룹의 "관련"및 "관련없는"두 그룹으로 나누었습니다. 이 모델은 오레곤 출신의 어린이들을 위해 훈련을 받았으며, 신선한 어린이들과 Human Connectome 프로젝트의 성인을 포함하는 다른 샘플에서 테스트했습니다.
.
인간 관찰자가 눈 색깔, 머리 색깔 및 높이와 같은 신체적 특징을 기반으로 사람들 사이의 관계를 제시 할 수 있듯이, 분류기는 신경 연결을 사용하여 동일하게 수행했습니다. 기능 지문은 동일한 쌍둥이 사이에서 가장 유사하게 나타 났으며, 그 뒤에 형제 쌍둥이, Nontwin 형제 자매 및 마지막으로 관련없는 참가자가 뒤 따릅니다.
Fair 's Lab의 회원이자 연구의 첫 번째 저자 인 Oscar Miranda-Dominguez 연구 조교수는 아이들을 위해 훈련 된 모델을 사용하여 성인 형제 자매를 식별 할 수 있다는 사실에 놀랐습니다. 성인에 대한 훈련을받은 모델은이 작업을 수행 할 수 없었습니다. 아마도 성인의 고차 시스템이 이미 완전히 성숙되어 젊은이들에게 특징이 덜 일반화되어 뇌를 개발할 수 없었기 때문일 수 있습니다. Miranda는“더 큰 샘플과 연령에 대한 추가 연구는 성숙 측면을 명확하게 할 수 있습니다.
그는 연구원들이 분류기가 관련성이 아닌 "관련"과 "관련이없는"만 묘사하도록 분류기를 훈련 시켰기 때문에이 모델의 가족들 사이에 미묘한 차이를 이끌어내는 능력은 놀라운 일이라고 덧붙였다. (2014 년 선형 모델은 이러한 미묘한 차이를 감지 할 수 있었지만 더 전통적인 상관 관계 접근법은 그렇지 않았습니다.)
그들의 쌍둥이 샘플은 환경 적 영향으로부터 유전 적 영향을 미세하게 말리기에 충분히 크지 않았지만, 후자는 기능적 지문을 형성하는 데 큰 역할을한다는 Fair의 마음에 의문의 여지가 없습니다. 그들의 보충 자료는 공유 환경을 공유 유전학과 구별하기위한 모델을 설명했지만 팀은 더 큰 데이터 세트 없이는 확고한 결론을 도출하지 않도록주의합니다. 페어는“우리가 여기에서보고있는 대부분은 유전학에 관한 것이며 환경에 관한 것”이라고 말했다.
Miranda는“공유 환경의 공유 환경의 기여를 공유 유전학의 기여를 분리하기 위해, 두 가지 유형의 쌍둥이가 동일한 환경을 공유하지만 동일한 쌍둥이 만 동일한 유전 적 기여를 공유하기 때문에 동일한 쌍둥이와 동일한 쌍둥이를 구별 할 수있는 뇌 특징을 찾는 것입니다.”
.그들이 조사한 모든 신경 회로는 형제들 사이의 어느 정도의 공통성을 보여 주었지만, 고차 시스템이 가장 유전 적이었습니다. 이들은 4 년 전에 연구에서 개인들 사이에서 가장 차이를 나타내는 동일한 영역이었습니다. 미란다가 지적했듯이, 그 지역들은 사회적 상호 작용과 유전학의 넥서스에서 비롯된 행동을 중재하여 아마도“가족 정체성”을 예측할 수 있습니다. 고혈압, 관절염 및 근시 근시 직후 가족에서 실행되는 특성 목록에 "분산 뇌 활동"을 추가하십시오.
뇌 예측 연령의 징후 추구
오레곤의 Fair와 Miranda는 기능적 인 Connectome의 유전 적 토대를 특징으로하지만 King 's College London에서 연구원 James Cole은 신경 영상 및 기계 학습을 사용하여 뇌 시대의 유전성을 해독하는 데 어려움을 겪고 있습니다. Fair의 팀은 지역 간의 기능적 연결 측면에서 뇌 연령을 정의하지만 Cole은 시간이 지남에 따라 위축 지수 (뇌 수축)의 지수로 사용합니다. 세포가 수년에 걸쳐 세포가 가득 차거나 죽음에 따라 신경 부피는 감소하지만 두개골은 같은 크기로 유지되며 여분의 공간은 뇌척수액으로 가득 차 있습니다. 어떤 의미에서, 개발 뇌의 특정 지점을 지나서 시들어
공정성을 공동 저술 한 같은 해인 2010 년에 과학 Cole의 동료 중 한 명인 Cole의 동료 중 한 명인 뇌에 대한 기능적 MRI 데이터를 활용하여 흥분을 일으킨 논문 , 해부학 적 데이터 사용, 추론 된 뇌 연령과 연대기 연령의 차이 ( "뇌 연령 차이")가 생물학적으로 유익 할 수 있기 때문입니다.
Cole에 따르면, 노화는 각 사람, 각 뇌, 심지어 각 세포 유형에 약간 다르게 영향을 미칩니다. 정확히 그러한“노화의 모자이크”가 존재하는 이유는 미스터리이지만 콜은 어떤 수준에서도 우리는 여전히 노화가 무엇인지 알지 못한다고 말할 것입니다. 유전자 발현은 대사, 세포 기능 및 세포 회전율과 마찬가지로 시간에 따라 변화합니다. 그러나 장기와 세포는 독립적으로 변화 할 수 있습니다. 전체 노화 과정을 유발하는 단일 유전자 나 호르몬이 없습니다.
다른 사람들이 다른 속도로 나이가 들었다는 것은 널리 받아 들여지지 만, 같은 사람의 다양한면이 별도로 성숙 할 수 있다는 개념은 약간 더 논란이 있습니다. Cole이 설명했듯이, 노화를 측정하는 많은 방법이 존재하지만, 아직 결합되거나 비교되지는 않았습니다. 희망은 개인 내에서 많은 조직을 측정함으로써 연구원들이보다 포괄적 인 노화 평가를 고안 할 수 있기를 바랍니다. Cole의 작품은 뇌 조직 이미지로 이것을하는 시작입니다.
Cole의 접근 방식의 이론적 프레임 워크는 비교적 간단합니다. 건강한 개인의 피드 데이터를 해부학 적 데이터에서 뇌 연령을 예측하는 방법을 배우고 신선한 샘플에서 모델을 테스트하여 참가자의 연대기 연령을 빼고 뇌 연령의 연대기를 빼냅니다. 뇌 연령이 연대기보다 크면 알츠하이머와 같은 질병으로 인한 연령 관련 변화의 축적을 나타냅니다.
2017 년 Cole은 GPRS (Gaussian Process Regressions)라는 알고리즘을 사용하여 각 참가자의 뇌 연령을 생성했습니다. 이를 통해 그는 다양한 연령대에서 메틸 그룹을 첨가하여 게놈의 어떤 영역이 켜지거나 끄는 것과 같은 다른 기존 측정치와 자신의 나이 평가를 비교할 수있었습니다. 메틸화 연령과 같은 바이오 마커는 이전에 사망률을 예측하는 데 사용되었으며 Cole 의심 의심의 의심되는 뇌 연령도 그렇게하는 데 사용될 수 있습니다.
.실제로, 연대기 연령보다 나이가 많은 뇌를 가진 개인은 신체적,인지 적 건강과 궁극적으로 사망에 대한 위험이 더 큰 경향이있었습니다. Cole은 신경 영상 유래 뇌 연령이 높은 것이 반드시 높은 메틸화 연령과 관련이있는 것은 아니라는 사실에 놀랐습니다. 그러나 참가자가 둘 다 가면 사망률의 위험이 증가했습니다.
같은 해 후반, 콜과 그의 동료들은 디지털 신경망을 사용하여 뇌 예측 연령이 형제 쌍둥이와 동일한 쌍둥이 사이에 더 유사한 지 여부를 평가 함으로써이 작업을 확장했습니다. 데이터는 MRI 스캐너에서 바로 나오고 머리 전체의 이미지가 포함되어 코, 귀, 혀, 척수, 경우에 따라 목 주위에 약간의 지방이 포함되어 있습니다. 최소한의 전처리로 그들은 신경망에 공급되었으며, 훈련 및 테스트 후 뇌 연령의 최상의 추정치를 생성했습니다. 유전 적 영향 가설에 따라 동일한 쌍둥이의 뇌 연령은 형제 쌍둥이의 뇌와 비슷했습니다.
그의 결과는 뇌의 나이가 부분적으로 유전학에 기인 한 것으로 나타 났지만 콜은 환경 영향을 무시하지 말라고 경고했다. "나이가 많은 뇌를 갖는 것에 대한 유전 적 소인이 있더라도 환경을 수정할 수 있다면 유전자가 발생할 수있는 손상을 능가 할 수 있습니다."
.신경망이 뇌 시대를 읽으려는 노력에 제공하는 도움은 적어도 지금은 트레이드 오프와 함께 제공됩니다. 연구자들이 어떤 기능이 관련이 있는지 모르는 경우에도 MRI 데이터를 통해 개인 간의 차이를 찾을 수 있습니다. 그러나 딥 러닝의 일반적인 경고는 신경망이 식별하는 데이터 세트의 어떤 기능을 아무도 모른다는 것입니다. 그가 사용하고있는 원시 MRI 이미지에는 머리 전체가 포함 되었기 때문에 Cole은 아마도 뇌 시대가 아닌“전체 머리 나이”를 측정하는 것을 부를 것임을 인정합니다. 누군가가 한 번 지적했듯이, 사람들의 코는 시간이 지남에 따라 변하기 때문에 알고리즘이 대신 추적하지 않았는가?
.그러나 콜은 신경 네트워크가 원시 데이터와 뇌 외부의 머리 구조를 제거하기 위해 처리 된 데이터에서 유사하게 수행 되었기 때문에 이것이 사실이 아니라고 확신합니다. 신경망이 무엇에주의를 기울이는 지 이해함으로써 실제 보상은 뇌의 특정 부분이 연령 평가에서 가장 많이 인상 될 것이라고 기대합니다.
오슬로 대학의 노르웨이 정신 장애 연구 센터의 연구원 인 토비아스 카우프만 (Tobias Kaufmann)은 뇌 연령을 예측하는 데 사용 된 기계 학습 기술이 모델이 제대로 훈련되고 조정되는지 여부를 거의 중요하지 않다고 제안했다. Cole이 GPR을 신경망과 비교할 때 발견 한 것처럼 다른 알고리즘의 결과는 일반적으로 수렴됩니다.
Kaufmann에 따르면 차이점은 Cole의 딥 러닝 방법이 MRI 데이터의 지루하고 시간이 많이 걸리는 전처리의 필요성을 감소 시킨다는 것입니다. 이 단계를 단축하면 언젠가 클리닉의 진단 속도를 높일 수 있지만, 현재로서는 과학자들이 원시 데이터에 실수로 편견을 부과하는 것을 방지합니다.
더 풍부한 데이터 세트는 정신 건강을 나타내는 패턴을 식별하는 것과 같은보다 복잡한 예측을 허용 할 수 있습니다. Kaufmann은 데이터 세트에 모든 정보를 데이터 세트에 변형 시키거나 줄이지 않고 과학에 도움이 될 수 있다고 Kaufmann은 말했다. "이것이 딥 러닝 방법의 큰 장점이라고 생각합니다."
Kaufmann은 현재 검토중인 논문의 주요 저자로서 현재까지 뇌 시대에 대한 가장 큰 뇌 이미징 연구를 구성합니다. 연구원들은 구조적 MRI 데이터에 대한 기계 학습을 사용하여 어떤 뇌 영역이 정신 장애가있는 사람들에게 가장 강력한 노화 패턴을 보였는지 밝혀 냈습니다. 다음으로, 그들은 한 걸음 더 나아가서 건강한 사람들의 뇌 노화 패턴의 기초가되는 유전자를 조사했습니다. 그들은 뇌 연령에 영향을 미치는 동일한 많은 유전자가 일반적인 뇌 장애에 관여했으며, 아마도 유사한 생물학적 경로를 나타냅니다.
.그는 다음 목표는 유전성을 넘어서 뇌 해부학 및 신호와 관련된 특정 경로와 유전자를 밝히는 것이라고 말했다.
콜과 같은 뇌 시대를 암호화하는 Kaufmann의 접근 방식은 해부학에 중점을두고 있지만, 연결 측면에서 뇌 시대를 측정하는 것의 중요성을 강조했습니다. "나는이 두 가지 접근법이 모두 매우 중요하다고 생각한다"고 그는 말했다. "우리는 뇌 구조와 기능의 유전성과 근본적인 유전자 구조를 이해해야합니다."
콜은 하나의 추가 연구 노력을 염두에 두지 않습니다. 유전자, 두뇌, 행동 및 조상 간의 연결을 밝히는 진보에 의해 강조된 인공 지능이 우리 자신을 이해하기 위해 우리 자신을 이해할 필요가있는 것에 대해 설득력있는 것이 있습니다. 물론, 그는 코 나이를 공부하고 있다는 것을 알지 못한다.
이 기사는 Wired.com에서 재 인쇄되었습니다.
