Наш мозг — это самый удивительный и необычный орган, который хранит в себе множество тайн. Мы подготовили 5 необычных фактов, о которых вы точно еще не слышали.

Объем нашей памяти не ограничен

Удивительно, но в нашем мозге всегда есть место для новой информации. Хотя после долгого совещания или подготовки к экзамену кажется, что все-таки ограничения есть. Но в отличие от компьютера или телефона наш головной мозг никогда не выдаст предупреждение об окончании объема памяти. Но важно помнить, что мозгу необходимо высыпаться, чтобы лучше запомнить новую информацию.

Мозг производит такой объем электричества, которого будет достаточно для включения лампочки

На протяжении дня наши нейроны вырабатывают такое количество энергии, которого будет достаточно для зажжения лампочки. Кстати, наш интеллект работает быстрее любых компьютеров.

Влюбленность можно увидеть на МРТ

Многие считают, что влюбленность — это состояние души человека. Но на самом деле, когда человек влюблен, происходят интересные изменения в мозге. Если сделать снимок головного мозга на МРТ, то будет заметно выделяться места, в которых преобладает гормон дофамин, вызывающий у нас состояние удовольствия.

В мозге содержится до 60% жира

Мозг — это тот орган, в котором больше всего содержится жира. Поэтому для мозга очень полезно употреблять продукты с высоким содержанием Омега 3 и Омега 6, которые не только укрепляют стенки мозга, но и снимают воспаления в организме.

Наш мозг, как и мышцы, нуждается в постоянной прокачке

Чем меньше вы используете свой мозг, тем больше вы теряете свои когнитивные способности. Вы начинаете многое забывать, долго анализировать ситуацию и принимать решения. Поэтому важно постоянно развиваться и нагружать свой мозг интеллектуальной деятельностью. Изучать что-то новое: смотреть вебинары, онлайн-курсы, проходить тесты. Все это есть на платформе «Россия — страна возможностей». Это уникальный сайт, на котором собраны полезные и бесплатные материалы по маркетингу, финансам, менеджменту, психологии и многое другое. Откройте для себя мир возможностей!

9 поразительных примеров того, как мы сами влияем на наш мозг

Пожалуй, мозг — самый загадочный орган нашего организма. Ученые постоянно узнают новые факты о его работе, но загадок по-прежнему много.

AdMe.ru решил познакомить вас с наиболее яркими открытиями последних лет в области исследования мозга, которые вас наверняка удивят.

9. Хроническое недосыпание ухудшает память

Ученые из Калифорнийского университета в Беркли нашли убедительные доказательства того, что дефицит сна может ухудшать память и вызывать болезнь Альцгеймера. Дело в том, что во время полноценного сна клетки мозга удаляют токсичные соединения, которые разрушительно влияют на мозг. Если же человек хронически не высыпается, эти соединения негативно воздействуют на клетки мозга.

8. Затянувшийся стресс разрушает мозг

Снижение памяти, способности к обучению, самоконтролю — вот чем чревато хроническое стрессовое состояние организма. Кроме того, оно способствует тому, что человек чувствует раздражительность, тревожность, напряженность, часто отвлекается.

7. Влюбленность и ненависть имеют много общего

6. Мозг особо чувствителен к обезвоживанию

Наш мозг почти на 80 % состоит из воды. Поэтому даже умеренная потеря жидкости (около 2 %) уже снижает концентрацию внимания, бдительность, приводит к ухудшению краткосрочной памяти и других познавательных способностей.

5. Беременность меняет структуру головного мозга

4. Обилие сахара в рационе ухудшает память и снижает способность к обучению

Большое количество фруктозы в рационе замедляет работу мозга, снижает его способность изучать и запоминать информацию, концентрироваться. Это вызвано тем, что избыток сахара разрушает нейронные связи мозга.

Ученые подчеркивают, что сахар промышленного производства гораздо более вреден (добавляется в безалкогольные напитки, приправы, соусы и детское питание). Однако продукты с содержанием жирных кислот омега-3 (жирная рыба, орехи, рыбий жир) восстанавливают последствия нарушения.

3. Романтическая любовь и материнские чувства очень похожи

Оказывается, по активности мозга романтические отношения и материнские чувства очень похожи, но при этом есть и отличия. Например, при страстной любви активизируются отделы мозга, которые имеют отношение к сексуальному возбуждению. Кроме этого, снижается чувство беспокойства и страха, усиливается ощущение эйфории. У матерей же активизируются участки, ответственные за формирование чувства привязанности.

2. Занятия живописью улучшают работу мозга

Исследование показало, что занятия живописью и созерцание произведений искусства улучшают взаимодействие между областями мозга и замедляют его старение. Ученые изучили влияние искусства на людей в возрасте от 62 до 70 лет. Половина из них прошла курс искусствоведения, а другая половина — курс обучения живописи. При этом занятия живописью дали более сильный результат, чем курсы искусствоведения.

1. Чтение превосходно тренирует мозг

Оксфордские ученые доказали, что в процессе чтения тренируются познавательные способности мозга. При этом активизируются области, которые в другое время не бывают задействованы. При чтении кровь поступает в области мозга, которые связаны со способностями к концентрации и познанию. Примечательно, что этот эффект не возникает при просмотре телевизора или в процессе компьютерной игры. 

Здоровье

Многие школьники и студенты не представляют, как эффективно запоминать нужную информацию, и поэтому используют подход, который обычно называют зубрежкой. Чтобы лучше понять и запомнить детали, один и тот же текст читается несколько раз. Все, кто использовал такой метод в школе, или, к сожалению, продолжает использовать и во взрослом возрасте, знает его основные недостатки: быстро пропадает интерес, рассеивается внимание, плохо запоминаются детали.

Здоровье

Чтобы мозг работал хорошо, важно, чтобы его сосуды как можно дольше оставались эластичными, через кровь поступало достаточное количество кислорода и питательных микроэлементов, а межнейронные соединения работали без перебоев. Как этого добиться? Ученые давно доказали связь между питанием и функциональными возможностями мозга.

Тайны человеческого мозга | Euronews

Человеческий мозг – это самый загадочный орган, который управляет нашими мыслями, чувствами и движениями.

На этой выставке в Бордо, детям объясняют, что представляет из себя наш мозг и каким образом он контролирует наши жизненно важные функции.

Куратор выставки Вэнсан Жуанно рассказал, как европейские ученые пытаются разгадать секреты мозга … и использовать его удивительные способности:
“В результате эволюции всего животного мира один мозг отличается от другого и обладает совершенно различными способностями. Даже у людей, у каждого индивидуума, мозг имеет различия. В зависимости от того, что с ним происходит: от обучения, нашего жизненного опыта, в той или иной степени развиваются познавательные способности, и, благодаря такой пластичности мозга, он становится уникальным органом, соответствующим каждому человеку.”

“Раньше мозг можно было изучать только на мертвых объектах после аутопсии. Сегодня мы можем наблюдать за функционирующим мозгом в реальном времени, благодаря изображению, полученному с помощью медицинской техники. Инновационный подход помогает лучше понять, как мозг работает. “

“Разумеется, все боятся даже прикасаться к этому хрупкому органу: нейрохирургическая операция – это не операция по удалению аппендицита, – продолжает Жуанно, – так что всегда любые манипуляции с этим органом вызывают опасения.”

В этой литовской больнице проводится необычный эксперимент. Пациентам с травмами головы выданы необычные пластиковые очки, разработанные для измерения внутричерепного давления.

Давление в сосудах головного мозга – ключевой элемент, позволяющий определить, есть ли риски для здоровья пациента.
Когда – то такая диагностика была невозможна без механического вмешательства, а значит, более миллиона европейских пациентов оставались без точного диагноза. Сегодня же выявить риски дисфункций мозга можно гораздо точнее и быстрее.
“Это устройство предоставляет нам уникальную возможность, понять, что происходит в мозгу, не травмируя его, -объясняет нейрохирург Саулюс Рокка, – Инвазивные методы – сегодня норма в нейрохирургии. Но их нельзя использовать в любых клинических случаях. Вы не можете применять подобные методы к пациентам, находящимся в сознании. Этот прибор позволяет действовать быстрее, безопаснее, и получать более точные данные о внутричерепном давлении. “

В основе действия прибора – ультразвуковое излучение. Ультразвук посылается в мозг через глазную артерию.
Отраженный сигнал быстро и легко обрабатывается и дает точные данные, утверждают разработчики:
“Мы пытаемся измерить скорость частиц крови и другие параметры мельчайших сосудов внутри мозга. Самое сложное – добиться точности, наш прибор должен быть крайне чувствительным. Поэтому мы совместили ультразвуковые системы с другими инновационными технологиями, такими, как цифровая обработка сигнала, алгоритмами фильтрации, и все это объединено в единое электронное устройство”.

Наш мозг – гораздо больше, чем просто хрупкий человеческий орган. На экскурсии дети узнают, что мозг обладает удивительной способностью развивать свои возможности за счет собственных ресурсов . Но, к сожалению, старея, способен и быстро деградировать .

“У лондонских таксистов проводили магнитно-резонансную томографию. И обнаружили, что у них сильнее развит гиппокамп, – продолжает куратор выставки Жуанно, – Гиппокамп – это зона, ответственная за память. Но почему он более развит? Потому что таксистам приходилось заучивать наизусть карту Лондона, держать ее в голове, а значит развивать именно эту способность, что и привело к структурным изменениям.”
“Эта пластичность мозга, его способность приспосабливаться – зависит то многого. Но нейроны играют в этом особую роль. Они могут менять свою конфигурацию и создавать целые сети, и чем больше их стимулировать, тем более надежными и развитыми будут эти сети нейронов. И таким же образом, если их не стимулировать, эти сети нейронов будут постепенно исчезать.”

В этой уникальной лаборатории в Вене ученые занимаются практическими исследованиями мозга.

Они хотят понять механизмы старения мозга на молекулярном уровне. Почему в ряде случаев старый мозг остается в добром здравии, а в других – в нем развиваются
нейродегенеративные процессы , такие, как, например, болезнь Альцгеймера?

Невропатолог Габор Ковач давно занимается этой проблемой:
“Нейроны, нервные клетки, которые связаны друг с другом и контактируют с помощью отростков, сначала теряют эти контакты, а затем умирают. И параллельно этому происходит накопление патологически измененных нейронов, содержащих аномальные белки. Таким образом развивается болезнь Альцгеймера. Мы хотим понять, как этот процесс запускается. Что происходит на ранней стадии? Когда пациент приходит к врачу уже с симптомами болезни Альцгеймера, как правило, уже поздно, нейроны потеряны, они уже мертвы. Мы хотим научиться распознавать первые признаки начинающегося заболевания лет за пять-восемь до того, как процесс стал необратимым.”

“Было бы очень важно понять, почему часть людей сохраняет до старости ясную голову и остается, как мы говорим, “нормальными”, есть ли у них защитные генетические механизмы? В нашем проекте мы исследуем не только факторы риска, но и факторы защиты. Хотим узнать, какие генетические структуры могут защитить от болезни Альцгеймера. Если мы найдем ключ к этому явлению, то сможем воспроизвести его искусственно на уровне белков. Эти механизмы будут полезны для терапии. Если мы узнаем, как защитить человеческий мозг, мы сможем помочь людям “

Эти технологии известны как нейрокомпьютерные интерфейсы. Благодаря подобным устройствам, ученые дали надежду людям с ограниченными возможностями на полноценную жизнь.

Рассказывает Жуанно:
“Все больше парализованных людей используют свой мозг, чтобы через компьютер управлять техническими устройствами. Мы знаем, что мозг обладает невероятными возможностями, и, если мозг подключить к специальному электронному устройству, он найдет способ отдавать команды машинам и роботам.. Понять, каковы пределы возможностей нашего мозга, действительно трудно.”

В этой лаборатории в Линце доказано, что усилием мысли уже можно включать и выключать свет.

Электроды, закрепленные вокруг головы добровольца, фиксируют активные электрические сигналы от мозга .Компьютер считывает эти сигналы, и, получив приказ, включает лампочку.

Однако исследователи уверены, что потенциальные возможности у мозга в этом направление гораздо шире и его стимулирование может позволить парализованным людям играть в видеоигры, в шахматы, в настольные игры или дистанционно открывать дверь.

Ученые уже протестировали возможности управления сложными летательными аппаратами с использованием комбинации сенсорных датчиков, компьютерного зрения и … силы мысли.

Герхард Нусбаум, сам инвалид, осваивает научные разработки в реальной жизни:
“Примером может служить способ управления электронной инвалидной коляской, где необходима точность. Или (как уже говорилось) прямое управление с помощью компьютера, который работает намного быстрее. Можно представить себе будущее, в котором силой мысли парализованный человек сможет управлять ортезами и выполнять с их помощью любые механические действия.”

Полезные ссылки:

www.fp7brainsafe.com
www.develage.eu
www.asterics.eu
www.cap-sciences.net

Насколько безграничны возможности нашей памяти?

• Адам Хадхази
• BBC Future

20 апреля 2015

Автор фото, Thinkstock

Наш мозг — не карта памяти, в него влезает гораздо больше, чем нам кажется

Есть люди, которые обладают талантом запоминать огромные объемы информации. Их пример дает основания полагать, что каждый из нас способен удерживать в памяти куда больше, чем мы можем себе представить, утверждает корреспондент BBC Future.

В отличие от цифровых камер с заполненной до конца картой памяти, которые больше не могут сохранять новые снимки, наш мозг, похоже, никогда не испытывает недостатка в свободных объемах для хранения информации. И все же обыденная логика не может примириться с тем, что мозг взрослого человека, «пропитанная кровью губка», как выразился в свое время писатель Курт Воннегут, способен без ограничений сохранять новые факты и опыты.

Нейрофизиологи давно пытаются измерить максимальный объем нашей памяти. Однако все усилия, направленные на то, чтобы вычислить, какими возможностями обладает человеческая память, сводятся к неким когнитивным подвигам, совершаемым отдельными индивидами и людьми с атипичным мозгом.

Многие из нас прилагают нечеловеческие усилия, чтобы запомнить номер телефона. А если нужно запомнить 67980 цифр? Именно столько цифр числа «пи» после запятой сумел назвать Чао Лу из Китая в 2005 году, когда он был 24-летним студентом выпускного курса. Чао выдавал цифры в течение 24-часового марафона, не отрываясь даже на посещение туалета, и побил мировой рекорд.

Саванты, люди с необыкновенными способностями памяти, порой устраивали еще более впечатляющие представления, проявляя чудеса запоминания, начиная от имен и дат до воспроизведения сложных визуальных композиций. Так, например, художник-аутист Стивен Уилтшир в 2013 году в мельчайших подробностях изобразил вид Лондона со смотровой площадки, расположенной на высоте 224 м, чтобы можно было представить себе, как будет выглядеть окрестный пейзаж с верхних этажей небоскреба «Шард» (The Shard) – самого высокого здания британской столицы. В отдельных, довольно редких, случаях, травмы, перенесенные прежде вполне здоровыми людьми, давали толчок развитию приобретенного «синдрома саванта». Его носители, которые в иных областях могут отличаться отставанием в развитии, порой обладают феноменальными способностями в изобразительном искусстве, музыке, математических и календарных расчетах, картографии.

Автор фото, Thinkstock

Запомнить расклад карт — это не самая сложная задача для некоторых людей

Орландо Серреллу, например, было 10 лет, когда бейсбольный мяч попал ему в голову с левой стороны. После того происшествия он внезапно обнаружил, что помнит бесчисленное множество автомобильных номеров и способен производить сложные календарные исчисления. Так, он может вычислить, какой день недели приходился на тот или иной день много десятилетий назад.

Каким же образом варят «котелки» этих людей, что им удается посрамить возможности памяти среднестатистического индивида? И что говорят способности декламаторов числа пи и савантов об истинном потенциале человеческого мозга?

Байты мозга

На уровне, поддающемся исчислению, потенциал нашей памяти в определенной степени обоснован физиологией мозга. Если обратиться к базовым, но, пожалуй, полезным данным, касающимся этой темы, то мы вспомним, что наш мозг состоит примерно из 100 млрд нейронов. И только один миллиард из них имеет отношение к долговременному хранению информации в памяти. Эти клетки называются пирамидальными.

Если допустить, что каждый нейрон содержит по одной единице памяти, тогда можно прийти к заключению, что наш мозг уже полон до краев. «Если бы можно было иметь столько воспоминаний, сколько существует нейронов, то окажется, что это число не так уж велико, — говорит Пол Ребер, профессор психологии из Северо-Западного университета в Эванстоне, штат Иллинойс. – Место для хранения (данных) в вашем мозгу закончилось бы довольно быстро».

Автор фото, Thinkstock

Как именно работают шестеренки нашей памяти? Пока мы этого не знаем

Вместо этого, как полагают исследователи, воспоминания формируются путем соединений между нейронами и по нейронным сетям. Каждый нейрон имеет отростки, которые можно представить себе в виде линий пригородной железнодорожной сети. Они переплетаются примерно с одной тысячей других нервных клеток нейронов. Такая архитектура, как представляется, позволяет элементам памяти возникать и воспроизводиться по всей запутанной клеточной паутине мозга. Как таковая, например, концепция голубого неба может возникать в бесчисленных, отвлеченно дискретных воспоминаниях об эпизодах, связанных с пребыванием на открытом воздухе.

Ребер называет этот эффект «экспоненциальным хранением» данных, благодаря которому потенциал памяти мозга «перехлестывает через край».

«Разумно будет предположить, что речь идет о диапазоне в несколько петабайтов», — говорит Ребер. Один петабайт равен 2000 лет звучания музыкальных файлов в формате MP3. Мы пока не знаем, сколько нейронных соединений требуется для одной отдельной отдельно взятой памяти, как не знаем, можно ли вообще уподобить ее цифровому компьютеру, поэтому все сравнения такого рода нужно воспринимать с известной долей сомнения. Достаточно сказать, если воспользоваться выражением Ребера, что «в нашем распоряжении есть тонны и тонны свободного объема» (памяти).

И маленькая тележка?

Действительно ли те люди, которые наделены суперпамятью, имеют какой-то исключительный мозг?

Короткий ответ: нет. Рекордсмены по запоминанию цифр после запятой в числе пи, вроде Чао Лу, также как и большинство других победителей соревнований по запоминанию чего-либо, клянутся, что они – самые обычные люди, посвятившие себя тому, чтобы натренировать свой мозг на хранение и воспроизведение избранных фрагментов информации.

Нелсон Деллис, победитель чемпионатов США по запоминанию 2011, 2012 , 2014 и 2015 гг., говорит, что его память была просто ужасной, прежде чем он стал выступать на состязаниях в качестве ментального атлета. Однако тренировки сделали свое дело. «За несколько недель тренировок, а может и меньше, вы начинаете делать то, что кажется почти невозможным для обычного человека, — говорит Деллис. – Эта способность скрыта в каждом из нас».

Автор фото, Thinkstock

С помощью давно известных трюков и упражнений можно довольно быстро натренировать свою память

Несколько лет назад, когда Деллис только начал тренировать мозг, ему требовалось 20 минут, чтобы запомнить порядок карт в колоде. Сегодня он способен сохранить в памяти все 52 карты менее чем за 30 секунд, другими словами он запоминает их за время одной раздачи. Деллис тренировался считать карты по пять часов день, когда готовился отстоять свой титул на чемпионате США 29 марта 2015 года.

Подобно другим чемпионам соревнований по запоминанию Деллис полагается на проверенные временем способы. Один из популярных трюков заключается в том, чтобы построить своего рода «дворец памяти». Как объясняет Деллис, он воочию представляет себе некое жилье, хорошо ему знакомое, например, дом, в котором он жил ребенком. Он переводит элементы, которые ему нужно запомнить, в зрительные образы, после чего размещает их на столе у двери, затем на кухонном столе и так далее. «Вы перемещаетесь по этому пространству в своем воображении, берете те образы, которые вы там разложили, и снова переводите их в те элементы, которые вы запомнили», — рассказывает Деллис.

Декламаторы числа пи часто пользуются «дворцом памяти» или другими похожими приемами. Например, они переводят большие объемы цифр в цепочки слов, образующие определенное повествование, напоминающие подсказки для угадывания слов в кроссвордах.

Включить внутреннего саванта

Широкомасштабный успех таких методик тренировки памяти дает основания полагать, что каждый может стать феноменом, если настроится на достижение такой цели. Но можно ли достичь тех же результатов без большого объема черновой работы? Именно эту цель ставит перед собой Аллен Снайдер, директор Центра по изучению разума при Университете Сиднея, Австралия. Он проповедует довольно спорную теорию о том, что каждый из нас носит в себе «внутреннего саванта», которого можно «включить» с помощью «правильных» технологий.

Если верить Снайдеру, разум нормального человека по большей части оперирует скорее на уровне концептуального мышления, чем дает себе труд озаботиться мириадами деталей низшего порядка. «Мы осознаем целое, а не те части, которые его составляют», — говорит он.

Автор фото, Thinkstock

Узелок на память — это, конечно, бывает удобно. А если нужно завязать сто узелков?

В качестве моментальной демонстрации нашей «встроенной» системы умственного программирования концепций, Снайдер произвел такой опыт со своими коллегами. Он поставил им задачу запомнить длинный список необходимых покупок, в котором фигурировали такие предметы, как рулевое колесо, дворники, фары и т.д. и т.п. «Людям никак не удавалось запомнить список, просто кошмар», — рассказывает Снайдер. Каждый из них утверждал, что он говорил: «автомашина», хотя на самом деле это слово не произносилось. «Они собрали из частей целое», — подводит логический итог Снайдер.

Вполне вероятно, что эволюция заточила наш мозг, чтобы он работал именно так. Например, вместо того, чтобы забивать себе голову тем, как выглядит каждая черточка на морде льва, вроде оттенка той или иной шерстинки, наш мозг мгновенно догадывается — бум! это хищник!, — и реагировать на это озарение нужно не мешкая.

Другими словами, большинство данных от наших органов чувств передается в мозг, не доходя до уровня анализа и осмысления. У савантов такое концептуальное мышление высокого уровня не включается, что обеспечивает им «привилегированный доступ» буквально к безбрежному морю деталей. Запоминая список предстоящих покупок, они зафиксируют в своем мозгу все запчасти по отдельности, не сводя их в единую концепцию — автомобиль.

Случаи приобретенного синдрома саванта, как это было у Орландо Серрелла, который, будучи ребенком, получил удар бейсбольным мячом по голове, подтолкнули Снайдера к поискам физиологических основ такого явления. Кандидатом в подозреваемые оказалась левая височная доля, т.е. тот отдел мозга, который расположен у нас над левым ухом. Исследователи обратили внимание на ее дисфункцию у людей с аутизмом, синдромом саванта, а также у тех, кто страдает старческим слабоумием. Эта дисфункция нередко сопровождается проявлением вновь открывшихся художественных и музыкальных способностей. (Этот отдел находится именно в том месте, в котором Серреллу была в детстве нанесена травма).

Снайдер деликатно подавлял нейронную активность в этом участке мозга волонтеров-участников его экспериментов с помощью медицинского прибора, который он окрестил «мыслительным колпаком», генерирующим магнитные поля. Интригует то, что, как он утверждает, эти люди временно демонстрировали улучшение навыков рисования, проверки текстов на предмет ошибок, а также счета в уме.

Автор фото, Thinkstock

Почему мы не запоминаем все подряд? Не хватает скорости переработки

Впрочем, вопреки всем амбициям Снайдера, любой, кто надеется ускоренными темпами стать гением, будет вынужден немного подождать. Вполне возможно, что другие факторы, такие как повышенная уверенность в себе или настороженность при наличии на головах испытуемых футуристических штуковин, выливаются в очевидные успехи обычного мозга. Более того, задачи, которые ставились в ходе экспериментов, были относительно скромны (Снайдеру еще только предстоит протестировать крайние состояния, относящиеся к долгосрочной памяти, например), поэтому успехи его волонтеров едва ли дотягивают до головокружительных высот, достигнутых признанными савантами, такими как Серрелл.

С учетом этих ограничений некоторые ученые просто саркастически фыркают, когда слышат об утверждениях Снайдера. Несмотря на то, что интерес к стимуляции мозга растет, амбиции исследователей, работающих в этой области, как правило, гораздо скромнее. Однако даже самые предварительные результаты работ Снайдреа намекают на то, что наш мозг сможет удивлять нас все больше по мере того, как мы будем углубляться в тайны его функционирования.

«Бутылочное горлышко» памяти

Ясно одно: человеческая память, как таковая, имеет одно существенное ограничение. Итак, почему мы не запоминаем абсолютно все?

«Не знаю, — говорит Снайдер, — но можно предположить, что дело тут в экономии средств переработки информации».

Пол Ребер из Северо-Западного университета полагает, что мозг, интерпретируя окружающий мир, просто не в состоянии поспевать за потоком внешних раздражителей. «Именно поэтому мы не запоминаем все. Между нашими чувствами и нашей памятью расположено своего рода бутылочное горлышко», — говорит он.

Обращаясь к привычным для нас аналогиям из мира компьютеров, Ребер говорит, что ограничение человеческой памяти на протяжении жизни — это не емкость жесткого диска, а скорость загрузки. «Дело не в том, что наш мозг переполнен, — объясняет Ребер. – Просто информация, с которой мы сталкиваемся, поступает быстрее, чем наша система памяти способна всю ее записать».

он в основном состоит из воды, но в сухом остатке — жир

August 30, 2016 12:15pm

Профессор биологии, профессор Сколтеха и руководитель  Института вычислительной биологии в Шанхае Филипп Хайтович стал приглашённым преподавателем БФУ им.И.Канта и прочитал ряд лекций для студентов и магистрантов Химико-биологического института, а также участников Нейрошколы-2016. После он ответил на вопросы журналиста. 

Филипп Хайтович.

— Я бы сказал шире: у нас возможность не просто приспосабливаться, а  понимать окружающий мир и даже манипулировать им. И это как раз самое сложное. Другие животные, например приматы, понимают, что вода жидкая, а на дерево можно залезть, но можно и упасть с него, поэтому они приспосабливаются к этим правилам природы. А мы, люди, в итоге научились этот мир менять.

Но пластичность мозга — это не только способность воспринимать и анализировать новую информацию, способность учиться. Когда после инсульта атрофируется какой-то участок мозга, через некоторое время его функции могут перераспределяться и последствия инсульта почти не заметны. Это тоже пластичность мозга.

— Совершенно удивительные факты, особенно если учесть, что наш мозг примерно на 60% состоит из жира.

— Как любой орган и наш организм в целом, мозг состоит из воды, конечно. Но если мы ее высушим, то в сухом остатке останется в основном жир. В других органах или мышцах — белки.  А вот мозг в высушенном состоянии больше напоминает сыр 60-процентный. Он тоже в основном состоит из воды, но в сухом остатке — жир.

— При этом последние 30 лет человечество усиленно борется с потреблением жиров. Не сказываются ли диеты на работе мозга? Есть ли научная подоплёка в шутках об интеллекте моделей?

— Это совершеннейшая ерунда, конечно. Во-первых, люди борются с потреблением лишнего жира только потому, что они его едят уже слишком много. Раньше такой проблемы не было. А теперь еды слишком много, энергозатраты у человека в целом снизились, поэтому и появилась проблема с излишним потреблением, в том числе жиров. И с мозгом наш рацион, конечно, связан, но прямой связи между уровнем интеллекта и нашим питанием нет.

Дело в том, что те жиры, из которых состоит мозг, в основном синтезирует сам мозг, мы их не получаем с продуктами питания. Другое дело — дети, особенно в раннем возрасте. При рождении объём мозга ребёнка составляет лишь 25% от размеров мозга взрослого, то есть наш мозг активно растёт, там ещё нет сформированных нейронных сетей. И питание в этих процессах важно. Но как именно влияет питание на формирование мозга ребёнка и какова роль, например, материнского молока, мы не знаем. Учёные работают над этими вопросами, но пока достоверных данных нет. Мы думаем, что для формирования мозга важно получать полиненасыщенные жирные кислоты (omega-3  и  omega-6), но связь между продуктами и уровнем интеллекта не выявлена.

— Филипп, вы упомянули, что нейронные сети в мозге ребёнка ещё не сформированы. Как долго они формируются? 

— Формирование нейронных сетей происходит всю жизнь, ведь мы и в 100 лет можем что-то запоминать или узнавать ранее неизвестное. Просто в раннем возрасте этот процесс идёт очень активно.

— Но у детёнышей приматов та же самая задача, однако у них формирование нейронных сетей длится всего около года…

— Да, но перед ними и задачи другие: условно говоря, запомнить, что можно есть, кто и что представляет опасность — и всё! А ребёнок не просто запоминает, но и пытается понять, как всё устроено, чтобы в дальнейшем преобразовывать этот мир.

— А каков ресурс нашего мозга? Продолжительность жизни растёт, медицинские технологии и фармация постоянно развиваются. И вот всё больше людей доживают от болезни Альцгеймера и прочих.

— Вы не правы. Продолжительность жизни не увеличивается, увеличивается средняя продолжительность жизни. А максимальная продолжительность какой была тысячу лет назад, такой и осталась. Потому что максимальная продолжительность жизни обусловлена числом, которое выработалось миллионы лет назад и является оптимальной с точки зрения эволюции. Так что на сегодняшний день медицина и фармацевтика слабо влияют на процессы старения. В какой-то момент у человека, как и у животных, начинают «ломаться» органы или процессы. У человека это происходит в 70-80 лет, а у мышей в 2 года. Это заложено эволюционной программой.

— Тогда перефразируем вопрос: медицина пока научилась «ремонтировать» другие органы, но не мозг?

— Абсолютно нет. С точки зрения процессов старения никакие органы наша медицина лечить не научилась. Есть лекарства, которые позволяют избавляться от некоторых побочных эффектов старения. Даже не избавляться, а пытаться их блокировать, например повышение давления или инфаркт. Это такие «костыли».

— Получается, медицина пока научилась повышать качество жизни, но не её продолжительность?!

— Да, так будет точнее.

— Наверное, многие после вашего интервью будут разочарованы: так часто можно слышать, что наука развивается семимильными шагами, что скоро будет создано лекарство от рака и других страшных заболеваний… А получается, что всё это пиар?

— Нет, наука действительно очень быстро развивается. Но надо быть реалистом, не нужно ожидать от науки чудес, особенно когда речь идёт о человеке. Это не просто очень сложный объект, но и многие научные методы просто не подходят для человека. Например, мы не можем ставить инвазивные эксперименты на людях, не можем менять генетический состав человека. По большому счёту мы можем только наблюдать. Поэтому всегда нужно помнить, что учёные очень напряжённо работают, но они не могут по волшебству изобрести что-то очень быстро. Потому что работа с человеком — это длительный, сложный и имеющий много ограничений процесс. И методики обычно не прямые, а опосредованные. 

Четыре основных свойства системы оценки человеческого мозга, продемонстрированные внутричерепными сигналами

Динамические свойства структуры человеческого мозга: связанные с обучением изменения в областях коры и связанных волоконно-оптических соединений

Темы.

Двадцать восемь здоровых правшей (Oldfield, 1971) (средний возраст, 25,9 года; SD, 2,8 года; 14 женщин) с нормальным зрением или зрением скорректированным до нормального были набраны для этого исследования после получения одобренного письменного информированного согласия. местным комитетом по этике. Перед участием все испытуемые прошли неврологическое обследование. Испытуемые были наивны по отношению к экспериментальной установке, не имея опыта других навыков координационного равновесия.

Экспериментальный обзор.

Четырнадцати испытуемым было предложено изучить задачу динамического равновесия всего тела (DBT) в течение шести последовательных недель с одним тренировочным днем ​​(TD) в каждую неделю (см. Рис. 1 A ). TD, а также временной график на каждой неделе оставались неизменными (± 1 день) на протяжении всего периода обучения. На каждой TD испытуемые выполняли DBT в течение ~ 45 минут. Во время выполнения задания непрерывно регистрировалась электромиографическая (ЭМГ) активность левой и правой камбаловидной мышцы, чтобы зафиксировать возможные изменения в структуре мышечной активности.Сбор данных МРТ выполнялся следующим образом: базовое сканирование (я) перед обучением (s1, pre), два периодических сканирования через 2 и 4 недели (s2 и s3) и последнее сканирование через 1 неделю после завершения периода обучения (s4). (см. рис.1 A ). Важно отметить, что МРТ-сканирование выполнялось перед тренировкой на TD1, TD3 и TD5 (см. Рис. 1 A ). Контрольная группа, состоящая из 14 субъектов одинакового возраста и пола, сканированных на исходном уровне (s1, pre) и через 2 недели (s2), не выполняла задачу по уравновешиванию.

Задача динамической балансировки всего тела.

DBT выполнялся на подвижной платформе с максимальным отклонением 26 ° в каждую сторону (платформа для стабилизации, модель 16030L, Lafayette Instrument). Испытуемым предлагалось встать обеими ногами на платформу и удерживать ее в горизонтальном положении как можно дольше в течение 30 с.

Для ознакомления испытуемых с задачей и предотвращения падений в первых трех испытаниях на TD1 мы разрешили использовать поддерживающие поручни.Ознакомительные испытания были исключены из анализа. Показателем поведенческого результата было время (в секундах), в течение которого испытуемые удерживали платформу в горизонтальном положении (обозначенное как BAL) в пределах диапазона отклонения ± 3 ° в каждую сторону из общей продолжительности испытания, равной 30 с. Мы использовали метод обучения открытию (Wulf et al., 2003; Orrell et al., 2006), в котором во время обучения не предоставлялась информация о стратегии выполнения. После каждого испытания испытуемым давали только устные отзывы об их балансированном времени (BAL).Следовательно, испытуемые должны были найти свою оптимальную стратегию для улучшения выполнения задачи (например, стратегия исправления ошибок с ногами, бедрами и руками) на основе результатов проб и ошибок. На каждом из шести ТД необходимо было провести 15 испытаний с интервалом между испытаниями 2 минуты, чтобы избежать утомления. Таким образом, время выполнения ДПТ на каждом ПД составляло ~ 45 мин. Через три месяца после окончания периода обучения стабильность приобретенных двигательных навыков была повторно оценена в тесте на удержание у 13 испытуемых.

Записи поверхностной ЭМГ.

Ag-AgCl располагались с двух сторон на коже над камбаловидной мышцей (SM) правой и левой ноги при биполярном монтаже (межэлектродное расстояние ~ 5 см). Положения электродов были тщательно определены и сохранены постоянными, чтобы обеспечить идентичные места записи в течение периода обучения. Сигнал усиливался с помощью устройства Counterpoint EMG (Digitimer D360) с полосовой фильтрацией между 50 и 2000 Гц, оцифровывался с частотой 5000 Гц и подавался в автономном режиме в систему сбора данных для дальнейшего анализа (система CED 1401, программное обеспечение Spike2. , Cambridge Electronic Devices).ЭМГ-активность регистрировалась непрерывно во время ДПТ, и испытуемым предлагалось максимально расслабиться в периоды отдыха во время выполнения задания. Сигналы ЭМГ обрабатывались в автономном режиме с помощью фильтра нижних частот. Выпрямленные ЭМГ-активности для правого и левого СМ рассчитывались как среднее среднее напряжение, начиная с начала ЭМГ каждого испытания. Затем мышечный дисбаланс был рассчитан как соотношение между левым и правым SM EMG для каждого испытания (где значение 1 указывает на отсутствие разницы в EMG, а значения> 1 или <1 выше EMG-активность для левой или правой SM).

Статистический анализ поведенческих данных и данных ЭМГ.

Повторные измерения ANOVA с (1) фактором ВРЕМЯ (TD1, TD2, TD3, TD4, TD5 и TD6) и (2) фактором TRIAL (испытание 1, испытание 2,…, испытание 15) для каждого TD были выполнены для выявления значимых улучшение двигательной активности (1) на протяжении всего периода обучения и (2) в пределах каждого ТД. Затем были проведены парные тесты t (двусторонние) для выявления улучшений между последовательными TD. Поэтому мы усреднили баланс времени (BAL) для каждого испытуемого в каждом TD (15 испытаний).Консолидацию между последующими TD оценивали путем сравнения последнего испытания предыдущего TD и первого испытания последующего TD (двусторонний парный тест t ). Сохранение двигательной активности было выражено в процентах по отношению к средней результативности в последний тренировочный день (TD6) для каждого субъекта (например, 100% -ное сохранение указывает на максимальную стабильность приобретенного двигательного навыка). Кроме того, мы определили восстановление усилий путем сравнения уровней эффективности в последнем испытании TD6 с первоначальными испытаниями удержания у каждого субъекта (двусторонний парный тест t ) (Ryan, 1965).Мы применили поправку Бонферрони для множественных сравнений при пороге p <0,05. Записи ЭМГ были проанализированы с использованием повторных измерений ANOVA с фактором ВРЕМЯ (TD1, TD2, TD3, TD4, TD5 и TD6). Кроме того, мы проверили корреляцию между мышечным дисбалансом и улучшением индивидуальных показателей во время тренировки. Как правило, при необходимости выполняли ANOVA с повторными измерениями с поправкой на сферичность по Гринхаусу – Гейссеру.

Получение изображения.

получали на сканере 3T Magnetom Tim Trio (Siemens) с 32-канальной головной катушкой.Мы использовали один и тот же протокол для каждого добровольца и каждого сеанса сканирования. В каждом сеансе сканирования мы получали изображения всего мозга, взвешенные по диффузии, с двойной последовательностью спинового эхо [60 направлений; b -значение = 1000 с / мм ² ; 88 ломтиков; размер вокселя 1,7 × 1,7 × 1,7 мм, без зазора; время повторения (TR) = 12,9 с; время эха (TE) = 100 мс; поле зрения (FOV) = 220 × 220 мм; параллельное получение GRAPPA (обобщенная автокалибровка частично параллельного получения) коэффициент ускорения 2] плюс семь объемов без диффузионного взвешивания ( b = 0 с / мм ² ) в начале последовательности и после каждого блока из 10 диффузно-взвешенных изображений в качестве анатомических справочник по автономной коррекции движения.T1-взвешенные изображения были получены с использованием последовательности MPRAGE (подготовленное намагничиванием градиентное эхо для быстрого получения) (TR = 1,3 с; TE = 3,46 мс; угол поворота = 10 °, FOV = 256 × 240 мм; 176 сагиттальных срезов; размер вокселя = 1 × 1 × 1,5 мм). Время сбора данных для анатомической МРТ и диффузно-взвешенного сканирования составляло 13 и 15 минут соответственно.

Обработка и анализ данных МРТ.

Предварительная обработка T1-взвешенных изображений была выполнена с использованием SPM5 (Wellcome Trust Center for Neuroimaging, University College London, Лондон, Великобритания; http: // www.fil.ion.ucl.ac.uk/spm), реализованный в VBM (морфометрия на основе вокселей) Toolbox 5.1 (http://dbm.neuro.uni-jena.de/vbm.html), работающий в среде Matlab (Mathworks , версия 7.7). Мы применили стандартные процедуры VBM 5.1 и параметры по умолчанию. Изображения для каждой временной точки сканирования были скорректированы, сегментированы и зарегистрированы (с использованием преобразования твердого тела с переносом и вращением вокруг трех осей) в стандартизированное пространство Монреальского неврологического института (MNI) с использованием подхода «унифицированной сегментации» (Ashburner and Friston, 2005).Мы отдельно обрабатывали данные, полученные в каждый момент времени. Сегменты серого вещества (GM) масштабировались якобианскими детерминантами деформаций для учета локального сжатия и расширения во время линейного и нелинейного преобразования (то есть «модуляции»). Наконец, модулированные объемы GM были сглажены с помощью ядра Гаусса с полной шириной 8 мм на полувысоте (FWHM).

Во-первых, мы проверили увеличение и уменьшение серого вещества от исходного уровня (s1) до периода обучения (s2, s3, s4), используя ВРЕМЯ (s1, s2, s3, s4) в качестве фактора в полнофакторном дизайне.Во-вторых, нас интересовала временная динамика изменений GM в четырех временных точках сканирования относительно улучшения двигательной активности и изменений мышечного дисбаланса. Поэтому мы использовали параметрический корреляционный анализ всего мозга, встроенный в полный факторный план с фактором SUBJECT (1–14), причем каждый уровень содержал четыре сканирования (s1, s2, s3, s4) для каждого субъекта. В частности, мы искали области мозга, которые показывают прямую линейную связь с улучшением производительности для каждого испытуемого по всему мозгу, состоящую из средней производительности начальных пяти испытаний на TD1 и средней производительности для TD2, TD4 и TD6.Кроме того, мы искали области всего мозга, которые показывают прямую линейную связь с индивидуальными улучшениями мышечного дисбаланса, используя ноль в качестве базового значения и индивидуальную адаптацию дисбаланса для каждого субъекта к TD2, TD4 и TD6. Кроме того, изменения GM между отдельными временными точками сканирования оценивались с использованием парного теста t .

Для статистического анализа мы исключили все воксели со значением GM ниже 0,2 (с максимальным значением 1), чтобы избежать возможных эффектов частичного объема вблизи границы между GM и белым веществом (WM).Для каждого анализа размер кластера корректировался в соответствии со значениями локальной гладкости с использованием поправки на нестационарный размер кластера при p <0,05 (Hayasaka et al., 2004). Мы сообщаем об эффектах для кластеров вокселей, превышающих пороговое значение уровня вокселей p <0,001 (нескорректированное) и пороговое значение размера кластера p <0,05, семейная ошибка (FWE), скорректированная для множественных сравнений в контексте гауссовского случайного теория поля (Friston et al., 1996).

Предварительная обработка диффузно-взвешенных изображений и анализ.

Мы включили фракционную анизотропию (ФА) для исследования зависимых от направления изменений в диффузии воды. Кроме того, осевой коэффициент диффузии (λ ) и радиальный коэффициент диффузии (λ ) предоставили дополнительную информацию об источнике изменений FA, поскольку FA основан на соотношении между λ _‖ и λ . Кроме того, мы проанализировали средний коэффициент диффузии (MD), чтобы найти независимые от направления изменения в количестве диффузии воды.

Первым этапом обработки диффузных МР-изображений была коррекция движения с использованием изображений без диффузионного взвешивания (т.е., b 0 изображений) и преобразования твердого тела. В том же процессе диффузные МР-изображения были пространственно сопоставлены с индивидуальным T1-взвешенным изображением с использованием преобразования твердого тела и интерполированы до размера вокселя 1 мм ³ . Впоследствии мы вычислили для каждого вокселя тензор диффузии (Mori and Zhang, 2006) и параметр контраста характеристического тензора диффузии (DTI) (FA, MD, λ _‖ и λ ). Аффинная регистрация выполнялась внутрииндивидуально между картами FA и сегментами белого вещества (из T1-взвешенных изображений).Карты параллельного, перпендикулярного и среднего коэффициента диффузии (по сути, в том же естественном пространстве, что и карты FA) были впоследствии зарегистрированы для сегментов белого вещества с использованием параметров, оцененных на предыдущем этапе. Карты FA / MD / λ _‖ / λ _⊥ были линейно и нелинейно нормализованы с использованием полей деформации, оцененных на этапе регистрации конкретного T1-взвешенного изображения субъекта (из процедуры VBM, описанной выше). Кроме того, чтобы скорректировать данные FA / MD / λ _‖ / λ _⊥ с учетом линейных и нелинейных эффектов регистрации, мы выполнили процедуру масштабирования, позволяющую устранить смещение из-за изменений объема белого вещества (Lee et al., 2009), как показано в уравнении: где s — сглаженные данные, w — деформация, m — модуляция, WM — отдельный сегмент белого вещества из T1-взвешенного изображения, а DTI — индивидуальный FA, MD, λ _‖ или λ _⊥ фото. Сглаживание проводилось с помощью пространственного гауссова ядра с шириной полуширины 8 мм.

Подобно анализу GM, мы проверили изменения FA / MD от базового уровня (s1) до последующей фазы обучения (s2, s3, s4), используя ВРЕМЯ (s1, s2, s3, s4) в качестве фактора в полнофакторном дизайне. .Затем мы использовали параметрический корреляционный анализ всего мозга с фактором SUBJECT (1–14) для поиска областей белого вещества, которые показывают прямую линейную связь с улучшением двигательной активности и адаптацией мышечного дисбаланса в четырех временных точках сканирования (см. Выше). Кроме того, мы проверили прямую линейную зависимость между улучшением производительности и параллельными изменениями (λ ) и перпендикулярной диффузией (λ _⊥ ) в префронтальных областях, где мы наблюдали связанные с производительностью изменения GM и FA (см.рис.4 A , B ) с использованием подхода области интереса (ROI) (коррекция малого объема со сферой диаметром 20 мм с центром в пиковом вокселе из параметрического корреляционного анализа GM).

Мы исключили все воксели со значениями FA ниже 0,2, чтобы изолировать белое вещество от остальной части мозга. Размер кластера был скорректирован в соответствии со значениями локальной гладкости с использованием нестационарной коррекции протяженности кластера (Hayasaka et al., 2004). Сообщалось об эффектах для кластеров вокселей, превышающих пороговое значение размера кластера p <0.05, FWE скорректирован для множественных сравнений в контексте теории случайного поля Гаусса и порогового значения уровня вокселей p <0,001 (нескорректировано). Для анализа ROI мы использовали поправку FWE при p <0,05.

Идентификация первичного и вторичного направлений волокна.

Используя модель пересекающихся волокон, мы вычислили в каждом вокселе два скаляра, f1 и f2, что указывает на вклад каждого отсека волокна (f) в измеряемый сигнал (см. Ниже). Следуя Jbabdi et al.(2010) эти скалярные значения необходимо переназначить, чтобы получить единообразную маркировку для субъектов, не гарантируемую используемой моделью. По сравнению с Jbabdi et al. (2010) мы использовали несколько иную процедуру для вычисления этого переназначения, используя гладкое и устойчивое направление первичного волокна, обеспечиваемое простым тензором диффузии одиночного волокна. В каждом вокселе мы сравнивали направление обеих ориентаций пересекающихся волокон с ориентацией основного волокна, используя единую тензорную модель. Направление с меньшим углом наклона было определено как основное направление.Скалярные значения f1 и f2 были соответственно переназначены. Эта процедура привела к надежной идентификации отделов волокна у субъектов (рис. S10, доступный на www.jneurosci.org в качестве дополнительного материала).

Расчет среднего распределения пересекающихся волокон.

Распределение пересекающихся волокон оценивалось с помощью FMRIB’s Diffusion Toolbox, реализованного в FSL (Behrens et al., 2007; Jbabdi et al., 2010) [Группа анализа, Функциональная МРТ головного мозга (FMRIB), Оксфорд, Великобритания; http: // www.fmrib.ox.ac.uk/fsl/fdt/index.html). Программное обеспечение (bedpostx) позволило нам смоделировать и автоматически определить распределение пересекающихся волокон в каждом вокселе мозга. В частности, для всех полученных диффузионных МРТ были рассчитаны значения f для вероятности основного (f1) и вторичного (f2) направления волокна. Затем были рассчитаны средние значения f1 и f2 для трех областей интереса в левом вентральном и дорсальном префронтальном и правом теменном белом веществе, соответствующих значимым кластерам из параметрического анализа FA всего мозга (рис.4 B ; Рис. S9, доступен на www.jneurosci.org в качестве дополнительного материала). Воксель со значениями f <0,05 (отсутствие значительного вклада первого или второго отсека волокна) были отброшены на картах f1 или f2 соответственно.

Что делает клетки мозга человека уникальными?

Испанский нейробиолог Сантьяго Рамон-и-Кахаль произвел революцию в изучении мозга, впервые обнаружив нейроны. Его исследования, которым уже более 100 лет, выявили замысловатые детали нервных клеток у многих различных животных, в том числе человека — корнеобразные дендриты, прикрепленные к телам луковичных клеток, от которых отходят длинные тонкие аксоны.

Кахала также показали, что дендриты (через которые нервные клетки получают сигналы от других нейронов) у людей были намного длиннее, чем у грызунов и других животных, даже у других нечеловеческих приматов. Новое исследование, опубликованное на этой неделе в Cell , , показывает, что у людей эти антенноподобные проекции также обладают определенными электрическими свойствами, которые могут помочь объяснить, как мозг обрабатывает поступающую информацию.

Ученые тщательно изучали дендриты в течение десятилетий, прошедших после первых наблюдений Кахаля.Тем не менее, «единственное, что мы действительно знали о человеческих дендритах, — это их анатомия», — говорит нейробиолог из Массачусетского технологического института Марк Харнетт. «У человеческих дендритов был большой потенциал для чего-то другого из-за их длины, но, насколько мне известно, не было опубликованной работы по их действительным электрическим свойствам».

Итак, Харнетт и его коллеги решили исследовать, влияет ли длина дендритов на электрические сигналы, передаваемые через них.С помощью невролога из больницы Sydney Cash of Massachusetts General Hospital они смогли получить ткань головного мозга, которая была удалена у пациентов с эпилепсией, перенесших обычную операцию, чтобы облегчить судороги — процедура, при которой врачи обычно удаляют часть височной коры, чтобы получить в гиппокамп, структуру глубоко внутри мозга, где обычно возникают судороги. Как только исследовательская группа получила резецированную ткань, они поспешно перевезли ее обратно в лабораторию, где нарезали и протестировали образцы.Поскольку человеческая ткань могла оставаться живой только в течение нескольких дней, эксперименты обычно продолжались в течение 48 часов подряд. «Мы работали посменно, шли домой и спали, а потом возвращались и продолжали записывать», — говорит Харнетт.

Всего команда Харнета исследовала срезы мозга девяти пациентов и 30 крыс. Чтобы изучить электрические свойства нейронов в этих образцах, исследователи использовали запись с помощью патч-зажима, при которой к нервным клеткам прикрепляли маленькие стеклянные иглы для измерения их активности.Эти исследования показали, что, хотя дендриты человека и грызунов имеют общие основные черты, такие как способность производить потенциал действия, между этими двумя видами существуют некоторые ключевые различия. Когда исследователи вводили электрический ток в дендриты нейронов, они обнаружили, что в сомы (тела клеток) в человеческих клетках поступает гораздо меньше активности, чем в сомы грызунов. «Это сразу наводит на мысль, что [передача сигналов] гораздо более разделена [в человеческих дендритах]», — говорит Харнетт. «Это означает, что любая локальная обработка, происходящая в дендритах, может происходить независимо от того, что происходит в соме.”

Харнет сравнивает эти дендритные отсеки с тумблерами в замке: по мере усложнения замков у вас появляется больше тумблеров, и вам нужен более сложный ключ, чтобы разблокировать его. Точно так же дендритам человека могут потребоваться очень специфические сигналы, чтобы сильно повлиять на сому. В конечном итоге свойства человеческих дендритов могут наделить нейроны большей вычислительной мощностью, чем у грызунов. Поскольку сигналы у крыс легче передаются от одного конца клетки к другому, это предполагает, что обработка электрических сигналов в дендритах этих животных менее разделена на части, отмечает Харнетт.

Майкл Хауссер, нейробиолог из Университетского колледжа Лондона, который не участвовал в этой работе, говорит, что это новое исследование поддерживает десятилетия исследований на животных, в основном на грызунах, которые показали, что дендриты могут разделять сигналы таким образом. На основании этих наблюдений, по его словам, ученые ожидали, что дендриты нейронов человека будут иметь более высокую степень компартментализации, чем у многих других животных, потому что они намного длиннее. И последующая работа с вычислительными моделями показала, что наличие более независимых обрабатывающих секций внутри дендритов может обеспечить большую вычислительную мощность в одной ячейке.

Тем не менее, фактические вычисления, которые выполняют дендриты, и поведение, связанное с активностью этих нейрональных ветвей, все еще неясны. Но у ученых есть несколько идей: одна из возможностей, по словам Хауссера, заключается в том, что электрическая активность внутри дендритов может обнаруживать одновременное появление отдельных сигналов, например, поступающей информации о запахе и форме розы. Помимо идентификации различных входов в нейрон, дендриты также могут участвовать в связывании этой информации и ее хранении.

Конечно, эти идеи еще предстоит проверить экспериментально. Но исследование Харнетта «представляет собой первый шаг в новую эру изучения наших собственных дендритов», — говорит Хауссер. «И это невероятно важно для понимания того, как работает человеческий мозг».

Хавьер ДеФелипе, нейробиолог из Института Кахала в Мадриде, который не участвовал в работе, говорит, что это исследование указывает на важность изучения тканей человека. Многие исследования в области нейробиологии опираются на работу на грызунах, но мозг животных по-разному отличается от человеческого.Эта работа показывает, что помимо различий в размерах, существуют также различия в способах функционирования человеческих органов. «Наш мозг не больше, чем мозг мыши», — говорит ДеФелипе.

Биохимические свойства, потенциально влияющие на мозг человека …: Ишемическая болезнь сердца

Фон

Детерминанты предрасположенности к внутричерепным кровотечениям в ответ на введение тромболитических препаратов еще недостаточно изучены.

Цель

Определить вовлеченные факторы путем характеристики чувствительности эндотелия микрососудов головного мозга человека (HCME) к повреждениям, связанным с воспалительными цитокинами, уровни которых обычно повышены в крови у пациентов, перенесших инфаркт миокарда или инсульт и получавших тромболитические препараты.

Методы

Было охарактеризовано получение белков фибринолитической системы с помощью HCME, подвергнутого воздействию либо интерлейкина-1β, либо фактора некроза опухоли-α (TNF) в бессывороточной среде в течение 24 часов. Клеточно-кондиционированную среду анализировали на активатор плазминогена тканевого типа (t-PA), активатор плазминогена урокиназного типа (u-PA) и ингибитор активатора плазминогена типа 1- (PAI-1) с помощью иммуноферментного анализа. Чтобы определить, опосредована ли индукция u-PA кислород-центрированными радикалами, в среду были добавлены следующие вещества: супероксиддисмутаза (поглотитель O ₂ ^-.), каталаза (поглотитель O ₂ ^-. и H ₂ O ₂ ) и диметилтиомочевина (поглотитель OH ^· ).

Результаты

Интерлейкин-1β не влиял на выработку белков фибринолитической системы HCME. Напротив, TNF избирательно увеличивал выработку u-PA. Накопление t-PA и PAI-1 не изменилось. Накопление u-PA ингибировалось циклогексимидом, подразумевая, что существует потребность в синтезе белка.Диметилтиомочевина полностью отменяла усиление выработки u-PA, индуцированное TNF, каталаза — частично, а SOD — не делала этого вообще.

Заключение

Склонность HCME к выработке u-PA, а не PAI-1, по-видимому, делает микрососуды головного мозга особенно уязвимыми для протеолитической атаки в условиях, когда воспалительные цитокины вырабатываются локально или их концентрация в крови повышена.

границ | Раскрытие локальной взаимосвязи между составом тканей и механикой человеческого мозга с помощью машинного обучения

1 Введение

Человеческий мозг — удивительный орган, который интенсивно изучается исследователями из разных областей, но все еще остается не совсем понятным.Недавние исследования подчеркнули важную роль механических свойств и сил для определенных процессов во время развития мозга (Budday et al., 2015b; Koser et al., 2016; Thompson et al., 2019; травма Meaney et al., 2014; Hemphill et al., 2014; Hemphill et al. al., 2015; Keating and Cullen, 2021) и болезни (Murphy et al., 2016; Barnes et al., 2017; Gerischer et al., 2018; Park et al., 2018). Механическая нестабильность, по-видимому, лежит в основе складчатости коры во время развития мозга (Budday et al., 2015b; Garcia et al., 2018), а клетки мозга реагируют на свое механическое окружение, преобразовывая механические стимулы в нервные сигналы посредством механотрансдукции, что снова запускает клеточные или внеклеточные реакции (Moshayedi et al., 2010, 2014; Тайлер, 2012; Franze et al., 2013; Блюменталь и др., 2014; Хамфри и др., 2014; Ирианто и др., 2016; Koser et al., 2016; Урбанский и др., 2016; Barriga et al., 2018). Следовательно, человеческий мозг постоянно меняет свою микроструктуру, механические свойства и форму в течение своей жизни (Budday and Kuhl, 2020), что делает его одним из самых сложных органов человеческого тела. При многих патологических состояниях, таких как дегенеративные заболевания, микроструктурные изменения были исследованы невропатологами (Alafuzoff, 2018).Однако связь между изменениями микроструктурных компонентов, соответствующей тканевой механикой и эффектом, индуцируемым посредством механочувствительности клеток, еще предстоит выяснить (Begonia et al., 2010). Лучшее понимание того, вносят ли микроструктурные компоненты в макроскопическое механическое поведение ткани мозга и каким образом, является ключом к более глубокому пониманию механизмов, лежащих в основе травм и заболеваний, связанных с механикой. Кроме того, вычислительные модели, основанные на нелинейной механике сплошной среды, могут быть ценным инструментом для прогнозирования процессов в человеческом мозге (Goriely et al., 2015; Budday et al., 2020a). В конце концов, их можно было бы даже использовать для диагностики и лечения неврологических расстройств или подробного планирования хирургических процедур (Weickenmeier et al., 2017a; Zarzor et al., 2021). В этом отношении понимание связи между микроструктурой и механикой ткани головного мозга может помочь в разработке более реалистичных моделей материалов, которые отражают локальные вариации свойств ткани (Budday et al., 2020b; Reiter et al., 2021).

Одной из проблем при моделировании поведения ткани мозга является исключительная неоднородность механических свойств, возникающая в результате региональных различий в микроструктуре из-за местных функциональных требований.Хотя мы можем четко различать два типа тканей в макроскопическом масштабе, серое и белое вещество (см. Рис. 1), микроструктура локально будет значительно различаться — даже в пределах этих областей. Предыдущие исследования микроструктурного состава ткани мозга в основном были сосредоточены на клеточных компонентах мозга с упором на нейроны. Однако поддерживающие клетки, называемые нейроглией, а также внеклеточный матрикс вносят большой вклад в нормальное и ненормальное функционирование мозга (Lau et al., 2013).В целом нейроглию можно разделить на макроглию и микроглию. Макроглия происходит из нервной трубки, то есть имеет эктодермальное происхождение, микроглия происходит из мезодермы. Наиболее важными типами макроглии являются астроциты с механическими и метаболическими задачами, такими как поддержание гематоэнцефалического барьера, олигодендроциты, которые поддерживают трансдукцию через формирование миелиновой оболочки, и эпендимные клетки, выстилающие внутренние пространства спинномозговой жидкости (последние, однако, выполняют не играют роли для исследований, проведенных в данной работе).Клетки микроглии — это макрофаги центральной нервной системы. Все упомянутые глиальные клетки (кроме эпендима) имеют многочисленные клеточные отростки. В отличие от нервных клеток, глиальные клетки могут размножаться. Они поддерживают нейроны и способствуют гомеостазу тканей, тем самым влияя на механические свойства ткани. Большинство опухолей головного мозга происходит из глиальных клеток, что еще раз подчеркивает их важность для патологических процессов. Кроме того, клетки окружают компоненты внеклеточного матрикса, такие как протеогликаны, гиалуроновая кислота и нефибриллярные коллагены, как показано на рисунке 2 (Novak and Kaye, 2000; Lau et al., 2013; Budday et al., 2020b). Они составляют примерно 40% объема мозга во время развития (Rauch, 2004) и 20% в зрелом возрасте (Bellail et al., 2004; Rauch, 2004; Oohashi et al., 2015) и, таким образом, также могут играть важную роль в мозге. механика тканей.

РИСУНОК 1 . Образцы тканей головного мозга человека. (A) Места, где (C) образца были взяты из (B) полных головного мозга. Кружки, обозначающие место извлечения образца, были увеличены для лучшей видимости.

РИСУНОК 2 . Схематическое изображение клеточного и внеклеточного компонентов ткани головного мозга человека (выделенные серым цветом компоненты в данной работе далее не рассматриваются). Белое вещество содержит олигодендроциты, которые обертывают миелиновую оболочку вокруг аксонов, а также фиброзные астроциты и микроглию. Серое вещество состоит в основном из нейронов, протоплазматических астроцитов и микроглии. Внеклеточный матрикс состоит из трех основных частей: базальной мембраны (BM), выстилающей микрососуды головного мозга и пиальной поверхности, нейрального интерстициального матрикса (NIM), который диффузно распределен в интерстициальном пространстве мозга, и перинейрональных сетей (PNN), которые окружают тормозящие интернейроны в определенных областях серого вещества.В разных композициях эти компартменты содержат протеогликаны, гиалуроновую кислоту, связывающие белки, гликопротеины (например, тенасцин, ламинин, фибронектин) и нефибриллярные коллагены IV и VI типа (Lau et al., 2013). Это схематический рисунок только для целей идентификации без претензий на полноту и масштаб. Перепечатано из Budday et al. (2020b) с разрешения Elsevier.

Важной задачей, связанной с целью определения отношений между механикой и микроструктурой, является надежная и последовательная количественная оценка этих характеристик.С точки зрения механики, исключительно сложный механический отклик, характеризующийся нелинейностью, асимметрией сжатия-растяжения, кондиционирующими эффектами и релаксацией напряжений, делает невозможным описание механических свойств с помощью одного значения жесткости. Измеренный модуль сильно зависит от режима нагружения, режима деформации, скорости деформации, условий дренажа и масштаба длины (Chatelin et al., 2010; Budday et al., 2020a). Следовательно, для учета нелинейных и зависящих от времени эффектов важно, с одной стороны, выполнить биомеханические тесты с большими деформациями, сочетающими циклические эксперименты и эксперименты по релаксации напряжения, а с другой стороны, проанализировать соответствующие экспериментальные данные на основе теория нелинейной механики сплошной среды (Miller, Chinzei, 1997; Bilston et al., 2001; Миллер и Чинзей, 2002; Превост и др., 2011; Рашид и др., 2012; Budday et al., 2017a, 2020a).

Что касается микроструктуры, ранее используемые методы исследования компонентов ткани включают гистологические и иммуногистохимические окрашивания или вестерн-блоттинг (Yang and Mahmood, 2012; Alafuzoff, 2018), которые могут предоставить информацию о присутствии, морфологии, локальном распределении или молекулярной массе. некоторых компонентов ткани. В невропатологии их часто используют, чтобы отличить больного от здорового.Тем не менее, эти методы показывают только небольшой участок ткани и не дают достоверных количественных значений количества конкретных молекул (Taylor and Levenson, 2006; Yang and Mahmood, 2012; Dabbs, 2014). Альтернативой, обеспечивающей более надежную количественную оценку, является другой иммунологический метод, называемый иммуноферментным анализом (ИФА). Это чрезвычайно чувствительный колориметрический метод количественной оценки биологических молекул с использованием комплексов антитело-антиген (Gan and Patel, 2013). Поскольку ELISA является точным, экономичным и быстрым методом, он стал широко используемым методом качественного или количественного анализа молекул в самых разных областях.Тем не менее, насколько известно авторам, он еще не использовался в контексте взаимосвязи микроструктуры и механики в тканях мозга.

Предыдущие исследования микроструктуры и механики мозговой ткани показали, что жесткость ткани увеличивается с миелинизацией во время развития в белом веществе (Weickenmeier et al., 2016; Weickenmeier et al., 2017b), отрицательно коррелирует с фракционной анизотропией (структурным параметром). из магнитно-резонансной томографии и диффузионной тензорной визуализации) (Budday et al., 2017a) и отрицательно коррелирует с плотностью ядер клеток (Antonovaite et al., 2018; Budday et al., 2020b). Однако эти исследования были основаны на оценке данных визуализации, которые определяют состав ткани гораздо менее точно, чем ELISA. Кроме того, они оценивали только корреляцию между составом и отдельными механическими параметрами, такими как модуль сдвига, нелинейность или релаксация напряжений, но не учитывали всю историю нагружения.

В то время как первые исследования успешно включили различные микроструктурные параметры в аналитические конститутивные законы для ткани мозга (Budday et al., 2020b: Reiter et al., 2021), подходы, основанные на данных, такие как машинное обучение, могут открыть гораздо более полное представление. Первые попытки использовать машинное обучение для связи микроструктуры ткани с макроскопическими механическими свойствами использовали простые сквозные модели архитектуры (Liang et al., 2017). Чтобы преодолеть большой объем данных, необходимых для таких подходов, (Linka et al., 2021) недавно представили конститутивные искусственные нейронные сети (CANN) в качестве новой архитектуры машинного обучения, которая включает существенные предшествующие знания из теории материалов.Таким образом, он может научиться описывать и фактически предсказывать нелинейное поведение мягкой биологической ткани на основе информации о ее микроструктуре и составе на основе гораздо меньшего количества обучающих данных, чем предыдущие методы.

В этой статье мы обобщаем концепцию CANN на вязкоупругость и применяем ее к экспериментальным данным на тканях человеческого мозга. Эти данные включают результаты механических испытаний при больших деформациях и композиционного анализа с использованием ELISA. Используя распространение релевантности, концепция объяснимого искусственного интеллекта (Samek et al., 2021), мы определяем важность различных составляющих ткани для механической реакции ткани мозга человека, где квазиупругие и вязкие эффекты демонстрируют различные региональные тенденции.

2 Материалы и методы

2.1 Ткань человеческого мозга

Мы получили пять целых человеческих мозгов, включая головной мозг, мозжечок и ствол мозга (см. Рис. 1B), от одной женщины и четырех доноров мужского пола, которые дали свое письменное согласие на пожертвование своего тела. тело для исследования. Доноры были в возрасте от 62 до 92 лет, и никто из них не страдал каким-либо неврологическим заболеванием, которое, как известно, влияло на микроструктуру мозга (см. Таблицу 1).Отметим, что у испытуемых 3 и 5 нам не удалось обнаружить метастазов в головном мозге. Мозги 1-3 и 5 были погружены в суррогат спинномозговой жидкости (CSFS) во время транспортировки. Мозг 4 содержался в забуференном фосфатом физиологическом растворе (PBS). Мы получили мозг между 9 и 24 часами post mortem и непосредственно разрезали их на коронковые срезы толщиной 1 см. После этого мы хранили срезы охлажденными при 4 ° C в CSFS или PBS до механических испытаний. Мы завершили механические эксперименты в течение 72 ч. post mortem .Исследование было одобрено этическим комитетом Университета Фридриха-Александра в Эрлангене-Нюрнберге, Германия, с номером утверждения 405_18 B.

ТАБЛИЦА 1 . Человеческий мозг.

2.1.1 Подготовка образцов

Образцы для ELISA головного мозга 3–5 были извлечены непосредственно после разрезания мозга на срезы, чтобы минимизировать посмертное разложение белков перед замораживанием и хранением образцов при -20 ° C . На рисунке 1А показаны анатомические области мозга, которые мы включили в наше исследование.Для головного мозга 1 и 2 мы извлекали образцы ELISA одновременно с соответствующим механическим образцом. Следовательно, образцы ELISA этих двух мозгов были заморожены раз после вскрытия.

Образцы для механической характеристики были извлечены непосредственно рядом с местами расположения образцов ELISA и были подготовлены непосредственно перед тестированием. Мы использовали пробойник для биопсии для извлечения цилиндрических образцов диаметром 8 мм, как показано на рисунке 1C. Мы вырезали образцы из коронарных срезов, когда они были погружены в CSFS, чтобы цилиндрические образцы могли выскользнуть из пуансона для биопсии, не прилипая к нему.Таким образом, мы могли гарантировать, что наши образцы испытали лишь небольшие деформации перед механическим зондированием. Если маленькие цилиндры имели высоту более 6 мм, мы аккуратно укорачивали их хирургическим скальпелем. Высота образца составляла от 3,5 до 6 мм. Для большинства регионов удалось извлечь однородные образцы такого размера. Единственным исключением были глубокие ядра мозжечка: соответствующие образцы содержали определенное количество белого вещества мозжечка, что могло повлиять на результаты.

Мы включили общее количество n = 86 образцов для механических экспериментов и n = 78 образцов для ELISA, так как для восьми образцов ELISA мы смогли извлечь два соответствующих механических образца. В таблице 2 приведены образцы, взятые из каждой области мозга.

ТАБЛИЦА 2 . Образцы для механических испытаний и ИФА.

2.1.2 Механические испытания

Мы использовали реометр Discovery HR-3 от TA instruments (Нью-Касл, Делавэр, США) для измерения реакции ткани на сжатие и растяжение (см. Рисунок 3B).После калибровки мы закрепили образцы на верхнем и нижнем держателях образцов наждачной бумагой и суперклеем. Мы ждали 30–60 с, чтобы клей высох, прежде чем погрузить образец в PBS, чтобы он оставался гидратированным во время эксперимента. Все тесты мы проводили при 37 ° C. Сначала мы применили три цикла сжатия и растяжения со скоростью нагружения 40 μ м / с и минимальным и максимальным растяжениями λ = [ H + Δ z ] / H = 0,85 и λ = 1.15, где H обозначает начальную высоту образца, а Δ z — смещение в направлении нагружения. Впоследствии мы выполнили испытание на релаксацию сжатия при λ = 0,85 со скоростью нагружения 100 μ м / с и периодом выдержки 300 с, а также испытание на релаксацию растяжения при λ = 1,15 с той же нагрузкой. скорость и период выдержки. Мы записали соответствующую силу f _z и определили номинальное напряжение как P _exp = f _z / A , где A — площадь поперечного сечения образец в недеформированной конфигурации.

РИСУНОК 3 . 11 Параметры ELISA (11 E) и данные деформации из механических испытаний (в форме инвариантов I ₁ , I ₂ ,…) формируют входные данные расширенного типа конститутивной искусственной нейронной сети. Машинное обучение подстраивает свои выходные данные стресса до значений, измеренных экспериментально. Таким образом, нейронная сеть учится описывать механическое поведение ткани мозга и прогнозировать его на основе параметров ELISA. Расширенный CANN состоит из стандартного блока CANN и параллельной глубокой нейронной сети, вычисляющей параметры Прони вязкоупругого конститутивного поведения.Обратите внимание, что реакция на стресс P вычисляется путем рекурсивного обновления во времени t . Скрытые нейроны в сети показаны пустыми кружками, а соответствующие веса сети показаны черными стрелками.

2.1.3 ELISA

Мы использовали коммерчески доступные наборы для твердофазного иммуноферментного анализа (ELISA от Cloud-Clone и Cusabio, Ухань, Китай) для количественного определения количества GFAP, MBP, Iba1, Col I, Col IV, CS, LAM, FN, HA, Col VI и LUM (см. Таблицу 3) в образцах экстрактов белков из ткани мозга человека (см. Рисунок 3B).Мы выделили белок из образцов мозга, используя 300 мкл мкл Тритонового буфера, содержащего 0,2% протеазы и 0,2% ингибиторов фосфатазы. Растворы мозга инкубировали на льду в течение 30 мин. После центрифугирования при 13000 об / мин и 4 ° C в течение 5 минут мы разбавили растворы до 1 мл тритоновым буфером, чтобы убедиться, что мы могли выполнять все ELISA. Затем мы декантировали супернатант и измерили концентрацию белка с помощью анализа Брэдфорда. Анализ выполняли с использованием спектрофотометра для микропланшетов (ELISA-ридер) при длине волны 450 и 405 нм для измерения оптической плотности.Полученные результаты оптической плотности для стандартных разведений затем использовали для построения стандартных кривых с использованием программного обеспечения MARS Data Analysis от BMG Labtech и наилучшего соответствия по 4 или 5 параметрам. Сравнивая со стандартной серией и определенными значениями концентрации антигена (концентрации белка), мы рассчитали содержание белка в нг / общий белок в мг в каждом образце.

ТАБЛИЦА 3 . Белки исследовали методом ELISA.

2.2 Вязкоупругая конститутивная искусственная нейронная сеть

Конститутивные искусственные нейронные сети (CANN) недавно были представлены как новая архитектура машинного обучения и показали себя как мощный инструмент для использования машинного обучения для механического конститутивного моделирования (Linka et al., 2021). Чтобы дать им возможность работать с тканями мозга, мы используем здесь расширение, которое объединяет стандартный CANN для квазиупругого ответа на нагрузку (то есть в очень коротких временных масштабах) с дополнительной параллельной глубокой нейронной сетью, вычисляющей так называемые параметры Прони. учет временной релаксации напряжений, наблюдаемой в вязкоупругих материалах. Ниже мы обсудим технические детали этой архитектуры в предположении, что ткань мозга может быть смоделирована как квазилинейный вязкоупругий несжимаемый изотропный материал.

2.2.1 Конститутивные искусственные нейронные сети

Чтобы сократить объем обучающих данных, необходимых для изучения механического конститутивного поведения материалов, CANN используют роль симметрии в теории материалов. Для простого специального случая несжимаемых изотропных материалов, на котором мы сосредоточимся здесь, это означает, что CANN фиксируют конститутивное поведение материалов через глубокую нейронную сеть, отображающую первое ( I ₁ ) и второе ( I _2). ) главные инварианты

правого тензора деформации Коши-Грина C = F ^T F от энергии деформации

Здесь F обозначает градиент деформации.Первый и второй тензоры напряжений Пиолы-Кирхгофа P ₀ и S ₀ могут быть получены в этой настройке просто путем автоматического посимвольного дифференцирования выходного сигнала Ψ нейронной сети. Отметим, что первый тензор напряжений Пиолы-Кирхгофа P ₀ соответствует номинальному напряжению, зарегистрированному во время экспериментов, описанных в разделе 2.1.2. Важной особенностью CANN является то, что их вход формируется не только инвариантами состояния деформации, но и любыми дополнительными величинами, потенциально несущими информацию о конститутивном поведении интересующего материала.В нашем случае этими дополнительными величинами являются 11 параметров, измеряемых в наших экспериментах с помощью ELISA (см. Рисунок 3 и раздел 2.1.3). Эта архитектура позволяет CANN не только научиться тому, как напоминать кривые напряжение-деформация ткани мозга, но и предсказывать такие кривые с помощью ELISA, как более подробно обсуждается в Linka et al. (2021 г.).

2.2.2 Зависимость от истории

Реакция на нагружение вязкоупругих материалов, как правило, определяется не только текущей нагрузкой, но и историей нагружения.Пропуская здесь сложную теорию общих нелинейных вязкоупругих материалов, мы принимаем теорию квазилинейной вязкоупругости, введенную Я. К. Фунгом, в частности, для биологических тканей (Fung, 2013). Эта теория позволяет напряжению нелинейно зависеть как от деформации, так и от времени. Однако предполагается, что роль напряжения и времени может быть разделена мультипликативным разделением. Хотя это ограничивает общность теории, было обнаружено, что многие представляющие интерес биологические материалы могут быть смоделированы, по крайней мере, в очень хорошем приближении, как квазилинейные вязкоупругие материалы.В этой настройке напряжение, зависящее от предыстории, может быть выражено интегралом свертки

, где P ₀ обозначает квазиупругую реакцию на напряжение (т. Е. очень короткие временные масштабы) материала при деформации Хевисайда, как аппроксимировано CANN, и g — это функция ядра, характеризующая релаксацию напряжения во времени t . В этой работе мы предполагаем функцию ядра типа Прони (Taylor et al., 2009)

со скалярными весовыми коэффициентами g _i с разбиением свойство единства

и постоянные времени релаксации τ _i .Набор параметров Прони обозначен здесь как

Реакция на напряжение P может быть разделена на долговременный упругий и переходный вязкоупругий вклад как

с i-м интегралом истории h _i ( t ). Следуя Goh et al. (2004), эту формулу можно использовать для оценки текущего напряжения P с течением времени t эффективно в дискретной по времени настройке с моментами времени t ⁿ парой рекурсивных формул

В целом, расширенный тип CANN, используемый здесь, вычисляет квазиупругую реакцию на напряжение P ₀ материалов и ее параметры Прони с помощью двух отдельных параллельных глубоких нейронных сетей. Затем он вычисляет зависящее от времени текущее напряжение, используя уравнение. (8), как показано на рисунке 3. Обратите внимание, что зависимость реакции на стресс от 11 значений ELISA определяется вязкоупругим CANN. В соответствии с предыдущими исследованиями (Prange and Margulies, 2002; Budday et al., 2015а; Budday et al., 2017b), мы использовали p = 2 термина Прони в нашей архитектуре машинного обучения.

2.2.3 Обучение модели и настройка гиперпараметров

Для обучения наших вязкоупругих CANN мы использовали оптимизацию Адама Кинга и Адама (2015) для минимизации функции потерь среднеквадратичной ошибки (MSE)

Здесь Pzzi — это составляющая напряжения в направлении нагружения, вычисленная с помощью нашего вязкоупругого CANN, а Pexpi — соответствующее экспериментально наблюдаемое значение.Индекс i проходит через все экспериментально собранные кортежи растяжения-напряжения, включенные в тренировочный процесс. Вся наша структура была реализована с использованием Keras с серверной частью TensorFlow (Chollet, 2015; Abadi et al., 2020). Мы использовали инициализацию веса Glorot (Glorot and Bengio, 2010) в начале тренировки и зафиксировали скорость обучения на уровне 0,001 во время тренировки разных уровней. Обучение проводилось с использованием 250 пар данных в каждой итерации (также называемой размером партии), который был выбран в соответствии с количеством точек данных циклического напряжения-растяжения одного образца ткани.Перед началом фактического обучения мы выполнили настройку гиперпараметров для топологии сети, коэффициента отсева, L2-регуляризации и функций активации, используя байесовскую оптимизацию с гауссовой моделью процесса (Mockus, 1994; Chollet, 2015). Эта настройка была выполнена на основе данных циклической нагрузки одного репрезентативного образца ткани. Это привело к архитектуре CANN с тремя скрытыми слоями с (32, 32, 48) вычислительными блоками (нейронами) с функциями активации гиперболического тангенса, функцией активации элюирования (Clevert et al., 2015) для вывода и слой исключения после первого скрытого слоя со скоростью 0,5. Для сети, вычисляющей параметры Прони, настройка гиперпараметров привела к единственному скрытому слою с 12 вычислительными блоками и функцией активации сигмоида.

Перекрестная проверка без исключения (LOO-CV) использовалась для обучения модели на всем диапазоне доступных данных циклической загрузки. Здесь количество кратных оценок равно количеству выборок в наборе данных ( N = 86).Соответственно, каждая модель сначала была обучена на основе наборов данных N -1, а затем обученная модель была применена к единственной исключенной проверочной выборке, чтобы оценить способность обученной нейронной сети обобщать (прогнозировать). Таким образом, каждая отдельная выборка использовалась для обучения одной конкретной модели в качестве валидационной выборки. Каждый экземпляр модели был обучен для 4000 эпох, и для целей оценки была выбрана эпоха с наилучшей точностью набора проверки, чтобы предотвратить переобучение, которое могло произойти после слишком большого количества эпох.Более подробная информация об обучении и валидации представлена ​​в дополнительных материалах Model Training and Validation .

Для проверки нашей обученной модели машинного обучения мы вычислили для проверочной выборки коэффициент детерминации

где P̄exp — среднее значение экспериментальных точек данных.

2.2.4 Распространение релевантности по слоям

Основная цель этой работы — оценка влияния различных композиционных параметров, измеренных с помощью ELISA, на механические свойства.Для этого мы используем концепцию послойного распространения релевантности. Это метод из области объяснимого искусственного интеллекта, который особенно подходит для глубоких нейронных сетей, которые сопоставляют некоторые входные данные через ряд слоев с выходным слоем. Слой -1 состоит из вычислительных блоков (нейронов), передающих значения xil следующему слою, где i — это индекс нейрона в слое -1. Распространение значений от слоя l — 1 к слою l в общем можно описать как

Здесь wijl — вес, соединяющий нейрон i в слое l — 1 с нейроном j в слое l ; zjl — входной нейрон j в слое l получает от всех нейронов предыдущего слоя плюс смещение bjl этого нейрона; xjl — это выходной сигнал, который нейрон передает нейронам на последующем слое после применения его общей нелинейной функции активации njl.

В рамках этой общей настройки послойное распространение релевантности направлено на отслеживание заданного вывода до отдельных компонентов входного уровня глубокой нейронной сети.С этой целью он начинается с выходного слоя. Затем он рекурсивно вычисляет оценку релевантности Ril − 1 всех нейронов i в слое -1-1 из известных оценок релевантности Rjl нейронов j в слое -1, см. Также рисунок 4. В этой процедуре релевантность Rjl распространяется в обратном направлении от слоя l к слою l — 1 путем деления его на вклады релевантности Ri ← jl − 1, l для каждого нейрона i в слое l — 1, соблюдая свойство сохранения

Релевантность нейрона i в слое l -1 обычно вычисляется как

Ключом таких схем распространения релевантности является формула, по которой вычисляются релевантные вклады Ri ← jl − 1, l, распространенные от слоя l обратно к слою l — 1. Здесь мы следуем Bach et al. (2015) и определим

, где верхние индексы — и + обозначают отрицательную и положительную части zijl и bjl.Например, если zjl≥0, то zjl + = zjl и zjl− = 0. Напротив, если zjl <0, то zjl + = 0 и zjl− = zjl α и β являются коэффициентами, разделяющими единицу и взвешивающими положительную и отрицательную части.

РИСУНОК 4 . Иллюстрация послойного (обратного) распространения релевантности в CANN. В обученной нейронной сети рекурсивное применение этой схемы от выходного уровня к входному может количественно оценить релевантность отдельных входных параметров, таких как значения ELISA для выходных данных.Нейроны показаны пустыми кружками, веса — черными стрелками.

В наш анализ релевантности мы включили только обучающие выборки обучающих складок, где R ² ≥ 0,7 было достигнуто для валидационной выборки, чтобы гарантировать высокую точность модели и, таким образом, высокую надежность самого анализа релевантности. Наша архитектура машинного обучения состоит из стандартного блока CANN и дополнительного блока глубокой нейронной сети для вычисления параметров Прони. Мы провели анализ релевантности отдельно для обоих блоков.В обоих случаях мы количественно оценили релевантность 11 значений ELISA. Для всего анализа релевантности мы использовали α = 2 и β = −1 в (14).

3 Результаты

3.1 Региональные микроструктурные компоненты, определенные количественно с помощью ELISA

На рисунке 5 суммировано общее содержание белка (на миллиметр раствора) и результаты ELISA, представленные в нанограммах на микрограмм общего белка для различных областей мозга, указанных на рисунке 1A. Общее содержание белка определяет количество белков на миллилитр раствора.Он колеблется от 1 до 11,5 мг / мл раствора. Мы отмечаем, что эти абсолютные значения не обязательно относятся к тому, сколько белков присутствует в различных областях мозга, поскольку они представляют содержание белка на миллилитр раствора, но не содержание белка на миллиграмм ткани.

РИСУНОК 5 . Общее содержание белка (вверху слева) и массовые доли белка 11 видов (глиальный фибриллярный кислый белок (GFAP), белок Iba1 (Iba1), специфичный для микроглии и макрофагов, основной белок миелина (MBP), гиалуроновая кислота (HA), хондроитинсульфат (CS), люмикан (LUM), коллаген I (Col I), коллаген IV (Col IV), коллаген VI (Col VI), фибронектин (FN) и ламинин (LA)), оцениваемые с помощью ELISA в 9 различных областях мозга ( кора головного мозга (C), таламус (TH), базальные ганглии (BG), миндалевидное тело (AMY), белое вещество мозга (CR), мозолистое тело (CC), ствол мозга (BS), белое вещество мозжечка (cWM) и глубокие ядра мозжечка (cNC)).

Результаты ELISA значительно различаются для различных микроструктурных компонентов, представленных на рисунке 2, и варьируются от чрезвычайно малых значений порядка 10 ^–5 нг / мг общего белка для хондроитинсульфата до значений до 60 нг / мг. белок для коллагена IV и фибронектина. Интересно, что содержание клеточных белков (GFAP, MBP, Iba1) довольно мало по сравнению со специфическими внеклеточными белками (FN, Col IV).

Значения глиального фибриллярного кислого белка (GFAP), количественно определяющие количество характерного промежуточного белка филаментов в астроцитах, лежат в диапазоне 0.1–1,1 нг / мг общего белка. Концентрация GFAP наиболее высока в мозолистом теле, таламусе и белом веществе мозжечка, а наименьшая — в миндалине и глубоких ядрах мозжечка. Количество GFAP в стволе мозга относительно низкое по сравнению со всеми другими областями белого вещества. Значения для специфического для микроглии и макрофагов белка Iba1 варьируются от 0,04 до 0,35 нг / мг общего белка. Количество Iba1 обычно выше в белом веществе, чем в областях серого вещества. Ствол мозга показывает более низкое содержание, чем другие области белого вещества, в то время как мозолистое тело имеет самое высокое содержание Iba1.Концентрация основного белка миелина (MBP) находится в диапазоне 0,02–0,54 нг / мг общего белка. Он самый высокий в миндалевидном теле и самый низкий в стволе мозга. В большинстве регионов, включая серое и белое вещество, значение общего белка составляет примерно 0,2 нг / мг.

Содержание гиалуроновой кислоты (ГК) колеблется от 0,13 до 0,71 нг / мг общего белка. В головном мозге области серого вещества (TH, C, BG, AMY) имеют большее количество HA, чем области белого вещества (BS, CR, CC). В мозжечке мы наблюдаем противоположную тенденцию с более высоким значением HA для белого вещества мозжечка, чем для глубоких ядер мозжечка.Количество протеогликана хондроитинсульфата как минимум на два порядка меньше, чем для всех других белков. Несмотря на исключение таламуса с относительно низким значением, области серого вещества имеют более высокое содержание хондроитинсульфата, чем области белого вещества. Концентрация протеогликана люмикана в диапазоне от 0,002 до 0,032 нг / мг общего белка выше, чем для хондроитинсульфата, но все же остается низкой. Коллаген I был единственным фибриллярным коллагеном, который мы анализировали в данной работе.Его содержание колеблется от 0 до 0,015 нг / мг общего белка с самыми высокими значениями в белом веществе мозжечка и самыми низкими в мозолистом теле. Наши результаты показывают, что наиболее распространенным типом коллагена в ткани мозга является нефибриллярный коллаген IV с концентрациями от 0 до 62 нг / мг общего белка. Концентрация коллагена IV выше в глубоком сером веществе, стволе мозга и мозжечке, чем в коре, лучевой коронке и мозолистом теле. Коллаген VI, другой тип нефибриллярного коллагена, показывает концентрации от 0 до 4.3 нг / мг общего белка. Содержание коллагена VI в регионах белого цвета постоянно выше, чем в областях серого вещества. Содержание фибронектина колеблется от 1 до 58 нг / мг общего белка, аналогично коллагену IV. Он также показывает такое же региональное распределение, как коллаген IV, с самыми низкими значениями для коры головного мозга, лучевой коронки и мозолистого тела. Концентрация ламинина составляет от 0 до 2,7 нг / мг общего белка.

3.2 Производительность вязкоупругих CANN

В процессе обучения нейронные сети, использованные в нашем исследовании, научились напоминать кривые напряжение-растяжение, представленные в качестве данных обучения.Репрезентативные примеры изображены на рисунках 6A, B. Более того, обученные сети смогли предсказать стрессовую реакцию в экспериментах по релаксации, не включенных в обучающие данные, как показано на рисунках 6C-F. После обучения для каждой складки в схеме LOO-CV нейронные сети могли воспроизводить кривые напряжение-растяжение обучающих данных со средним коэффициентом детерминации R ² = 0,94 (стандартное отклонение 0,24) и предсказывать такие кривые для образцы проверки с R ² = 0.90 (стандартное отклонение ± 0,51), см. Рисунок 7.

РИСУНОК 6 . CANN расширены способностью учитывать вязкоупругие эффекты и могут научиться напоминать кривые напряжение-деформация, представленные в качестве обучающих данных (A, B) , и предсказывать реакцию на стресс также для сценариев нагрузки, не включенных в обучающие данные, таких как релаксационные эксперименты, показанные в (C – F) . Первый столбец (A, C, E) соответствует механическим данным одного репрезентативного образца из базальных ганглиев, а второй столбец (B, D, F) соответствует образцу из области белого вещества мозга мозжечка.

РИСУНОК 7 . Наши обученные вязкоупругие CANN могли воспроизводить кривые напряжения-деформации в данных обучения со средним коэффициентом детерминации R ² = 0,94 и предсказывать такие кривые для образцов для проверки со средним значением R ² = 0,90 в Схема LOO-CV.

3.3 Анализ релевантности, выявляющий связь между механикой и микроструктурой

На рисунке 8 показана релевантность (количественная оценка через обратный проход в вязкоупругом CANN) различных микроструктурных компонентов (количественная оценка с помощью ELISA) для квазиупругих (рисунок 8A) и вязкоупругих (Рисунок 8B) вклады сложной механической реакции ткани головного мозга.Фибронектин имеет наибольшее значение как для квазиупругого ответа, так и для вязкоупругих эффектов. Что касается квазиэластичного ответа, то за фибронектином — с определенным расстоянием — следует Iba1, связанный с микроглией, белки внеклеточного матрикса ламинин и гиалуроновая кислота, а также MBP, связанный с миелинизацией нервных волокон. Наши результаты также предполагают, что коллаген IV и GFAP незначительно влияют на квазиэластичный тканевый ответ, в то время как влияние коллагена VI, коллагена I, люмикана и хондроитинсульфата кажется незначительным.

РИСУНОК 8 . Релевантность значений ELISA для (A) квазиупругой реакции на напряжение в очень коротких временных масштабах (определяется Ψ) и (B) вязкоупругих эффектов (определяется параметрами ряда Прони, собранными в наборе v ) .

Что касается вязкоупругих эффектов, интересно, что все клеточные компоненты, количественно определяемые с помощью GFAP (астроциты), MBP (миелин, олигодендроциты) и Iba1 (микроглия), имеют наибольшее значение после фибронектина.Кроме того, компоненты внеклеточного матрикса коллаген VI и гиалуроновая кислота, по-видимому, влияют на вязкоупругое поведение ткани мозга. Мы отмечаем, что мы находим наименьшее значение для коллагена IV, который на самом деле является белком с наибольшим количеством на общий белок, как показано на рисунке 5. Но, похоже, это не имеет отношения к вязкоупругому ответу ткани.

3.3.1 Региональные тенденции квазиупругой реакции на стресс

На рисунке 9 показана релевантность различных значений ELISA для квазиупругой реакции на стресс в каждой области мозга.Кора и таламус показывают аналогичную последовательность. В базальных ганглиях ламинин имеет большее значение, чем во всех других областях серого вещества, но общие тенденции те же. В целом значение Iba1 выше для белого вещества, чем для областей серого вещества. Кроме того, во всех областях белого вещества (CR, CC, cWM), за исключением ствола мозга, GFAP показывает более высокую актуальность, чем в областях серого вещества. Мы наблюдаем, что ламинин имеет относительно высокую релевантность примерно 1,2 в лучевой коронке и белом веществе мозжечка.Актуальность гиалуроновой кислоты составляет порядка 1 для областей серого вещества головного мозга и белого вещества мозжечка и около 0,5 для областей белого вещества головного мозга и глубоких ядер мозжечка. Интересно, что единственная область, где фибронектин не имеет наибольшего значения, — это мозолистое тело; здесь Iba1, по-видимому, контролирует квазиэластичный тканевый ответ.

РИСУНОК 9 . Релевантность значений ELISA (см. Таблицу 3) для квазиупругого стрессового ответа (определяемого Ψ) различных областей мозга (см. Таблицу 2).

3.3.2 Региональные тенденции вязкоупругих эффектов

На рисунке 10 показана релевантность различных значений ELISA для вязкоупругого поведения в каждой области мозга. Региональные тенденции более разнообразны, чем для квазиупругой реакции на стресс на Рисунке 9. В разных порядках MBP, гиалуроновая кислота, GFAP, Iba1 и фибронектин являются наиболее значимыми для вязкоупругих эффектов в областях серого вещества. В областях белого вещества головного мозга (CR, CC, BS), особенно GFAP и Iba1, по-видимому, играют важную роль.Кроме того, определенное значение имеют MBP, гиалуроновая кислота и коллаген VI.

РИСУНОК 10 . Релевантность значений ELISA (см. Таблицу 3) для параметров серии Прони в различных областях мозга (см. Таблицу 2).

4 Обсуждение

CANN), который может учитывать вязкоупругие эффекты для определения связи между микроструктурным составом и сложной механической реакцией ткани головного мозга человека.

4.1 Представление о региональном микроструктурном составе ткани мозга

Для количественной оценки тканевого состава в различных областях человеческого мозга (см. Рисунок 1) мы использовали ELISA для выбранных клеток (GFAP — астроциты, Iba1 — микроглия, MBP — олигодендроциты / миелиновые оболочки) и внеклеточные (гиалуроновая кислота, хондроитинсульфат, люмикан, коллаген I / IV / VI, фибронектин, ламинин) белки. Количество клеточных белков было относительно низким по сравнению с некоторыми внеклеточными компонентами, что можно объяснить тем фактом, что исследованные белки представляют собой только часть клетки.Например, основной белок миелина (MBP) составляет 25–30% всех белков миелина (Deber and Reynolds, 1991) и количественно определяет только часть олигодендроцитов и миелиновых оболочек. Мы обнаружили, что MBP присутствует как в сером, так и в белом веществе. Интересно, что концентрация MBP была самой низкой в ​​стволе мозга. Белок Iba1, специфичный для микроглии и макрофагов, был более распространен в белом веществе, чем в областях серого вещества. Это хорошо согласуется с предыдущим исследованием, в котором сообщается о несколько более высокой плотности микроглии в тканях белого вещества различных млекопитающих (Dos Santos et al., 2020). Подобно Iba1, специфический для астроцитов белок GFAP был самым высоким в мозолистом теле и белом веществе мозжечка и самым низким в ядрах миндалины и мозжечка. Ствол мозга показал значительно более низкую концентрацию GFAP, чем во всех других областях белого вещества, но был в том же диапазоне, что и проанализированные области серого вещества. Это может быть связано с тем фактом, что наши образцы ствола мозга включали различные небольшие области серого вещества, такие как красное ядро ​​и черная субстанция в среднем мозге, ядра моста в мосту, а также ретикулярная формация мозгового вещества и нижняя олива в продолговатом мозге.

В целом, наиболее распространенными белками были фибронектин и коллаген IV — оба компонента внеклеточного матрикса. Фибронектин продуцируется эндотелиальными клетками, перицитами и макрофагами и преобладает в периневральных сетях (Wang et al., 2011), как схематически показано на рисунке 2. Высокое содержание коллагена IV согласуется с данными литературы, сообщающей, что коллаген IV занимает около 50% базальной мембраны (Kim et al., 2018). Интересно отметить, что различия в содержании фибронектина и коллагена IV между различными областями мозга были относительно низкими, и оба имели самые низкие концентрации для ткани мозолистого тела.Коллагена VI было больше в белом веществе, чем в областях серого вещества с самым высоким содержанием в белом веществе мозжечка, за которым следовали лучистая коронка и мозолистое тело. Для ткани головного мозга гиалуроновая кислота (ГК) показала противоположную тенденцию с более высокими концентрациями в сером веществе, чем в областях белого вещества. Это может быть связано с тем, что HA является важным компонентом перинейрональных сетей (см. Также Рисунок 2), которые помогают регулировать активность нейронов. В белом веществе ГК более диффузно распределена вокруг астроцитов и олигодендроцитов (Sherman et al., 2015).

Протеогликан-хондроитинсульфат оказался более распространенным в миндалевидном теле и ядрах мозжечка, чем во всех других областях мозга, хотя его содержание в целом было чрезвычайно низким. В миндалине хондроитинсульфат является важным компонентом периневральной сети (Pantazopoulos et al., 2008), а отклонения в содержании хондроитинсульфата связаны с такими расстройствами, как шизофрения (Pantazopoulos et al., 2015). Подобно протеогликанам, концентрация фибриллярного коллагена I особенно низка во всех областях мозга, что связано с ультрамягкой механической реакцией ткани мозга (Barnes et al., 2017).

4.2 Связь между микроструктурным составом и макромеханическими свойствами

Для количественной оценки механических свойств ткани человеческого мозга мы ввели расширенный тип CANN, который включает существенные предшествующие знания из теории материалов и вязкоупругих эффектов. Он смог с высокой точностью изучить сложную механическую реакцию ткани человеческого мозга в широком диапазоне состояний напряжения и растяжения. Более того, он научился предсказывать механическое поведение ткани мозга на основе 11 составляющих концентраций, измеренных с помощью ELISA.Послойный анализ распространения релевантности позволил нам количественно оценить важность 11 отдельных составляющих концентраций для сложного механического отклика.

Результаты этого анализа позволяют предположить, что содержание фибронектина на сегодняшний день является наиболее значимым из исследованных характеристик как для квазиупругой реакции напряжения на нагрузку, так и для вязкоупругих эффектов. Это может быть связано с тем, что фибронектин образует фибриллярные сети, которые обеспечивают механическую поддержку. Интересно, что в недавнем исследовании образования сомитов во время эмбриогенеза фибронектиновый матрикс был специально нарушен для настройки механики ткани (de Almeida et al., 2019). Кроме того, было показано, что количество фибронектина уменьшается в стареющем головном мозге (Syková et al., 1998; Wang et al., 2011), что, таким образом, может в решающей степени способствовать наблюдаемому смягчению ткани мозга с возрастом (Sack et al. , 2009). Наши результаты также показывают, что ответ эластической ткани особенно контролируется белками внеклеточного матрикса, которые являются частью базальной мембраны (Eriksdotter-Nilsson et al., 1986; Abhijit and Yao, 2019), то есть фибронектином, ламинином и коллагеном IV.Следовательно, мы предполагаем, что степень васкуляризации играет важную роль для жесткости мозга, не в последнюю очередь потому, что мы ожидаем более высокой жесткости для кровеносных сосудов по сравнению с паренхимой головного мозга. Было показано, что как фибронектин, так и ламинин активируются после черепно-мозговой травмы (George and Geller, 2018). Кроме того, во время ишемии наблюдались повышенные сигналы коллагена IV и фибронектина (Michalski et al., 2020). Это мотивирует гипотезу о том, что в будущем измененные механические свойства могут служить потенциальным биомаркером таких нарушений.Помимо белков базальной мембраны, гиалуроновая кислота (НА), по-видимому, имеет отношение к квазиэластичному ответу ткани. Это хорошо согласуется с общим представлением о том, что HA играет основную структурную роль в формировании внеклеточного матрикса головного мозга (Bignami et al., 1993). Интересно, что ГК оказался даже более релевантным для эластичного, чем для вязкоупругого ответа ткани мозга, что удивительно, учитывая его гидрофильную природу.

Наиболее важным клеточным белком для квазиэластичного ответа является Iba1, который специфичен для микроглии и макрофагов.Интересно, что микроглия, как было показано, предпочтительно мигрирует в более жесткие области (Bollmann et al., 2015). Это может объяснить, почему наличие микроглии коррелирует с местными механическими свойствами ткани. Дополнительная значимость клеточного белка MBP также хорошо согласуется с предыдущими выводами, показывающими, что жесткость ткани мозга коррелирует с содержанием миелина (Weickenmeier et al., 2016; Weickenmeier et al. 2017b).

Вязкоупругие эффекты, по-видимому, зависят, в частности, от всех клеточных белков, GFAP, MBP и Iba1, хотя абсолютные количества этих белков были довольно низкими во всех образцах.Это наблюдение также согласуется с нашими предыдущими выводами (Reiter et al., 2021), где мы могли показать, что сеть межклеточных связей ведет себя вязкоупруго. Интересно, что GFAP показал более высокую значимость для вязкоупругого материала, чем для квазиупругого ответа ткани, что дополнительно подтверждает важность клеточной сети для вязкоупругости мозга. Помимо фибронектина и клеточных белков, коллаген VI продемонстрировал определенную значимость, которую мы приписываем его способности взаимодействовать с фибриллами и клетками, предполагая, что он принимает участие в вязкоупругой сети.

Несмотря на относительно высокое содержание коллагена IV в ткани мозга, он имеет лишь умеренное значение для квазиупругого ответа и имеет наименьшее значение из всех исследованных белков для вязкоупругого ответа. Это демонстрирует эффективность выбранного подхода с использованием обратного прохода через вязкоупругий CANN для оценки значимости различных микроструктурных компонентов для сложной механики тканей мозга. Протеогликаны люмикан, хондроитинсульфат и фибриллярный коллаген I обычно очень слабо влияют на механические свойства ткани.У них также самые низкие концентрации.

4.3 Региональные различия в значимости компонентов для механики тканей

При сравнении взаимосвязи между составом и механической реакцией ткани в различных областях мозга мы наблюдаем, что релевантность квазиэластичной реакции ткани относительно нечувствительна к области мозга . Единственная область, которая отличается от наиболее значимого фибронектина, — это мозолистое тело. Здесь Iba1, по-видимому, в значительной степени контролирует квазиэластичный тканевый ответ.Это может быть связано с региональной гетерогенностью микроглии в головном мозге, где для мозолистого тела наблюдали другой паттерн экспрессии генов, чем для всех других областей мозга (Tan et al., 2020). Интересно, что GFAP особенно важен для радиальной короны и мозолистого тела — для вязкоупругой релаксации дополнительно в стволе мозга — указывая на то, что реактивные астроциты могут вносить значительный вклад в механический ответ в этих областях. Ламинин имел отношение только к квазиупругому ответу лучистой короны, белого вещества мозжечка, базальных ганглиев, миндалевидного тела и ствола мозга.В этих регионах он был также самым многочисленным. В то время как фибронектин имел большое значение для квазиупругого ответа во всех регионах, он также имел отношение к вязкоупругим эффектам в областях серого вещества. В целом мы обнаружили, что региональные тенденции для вязкоупругих эффектов были гораздо более разнообразными, чем для квазиупругого отклика. Например, MBP был идентифицирован как наиболее значимый в коре головного мозга, фибронектин в таламусе и ядрах мозжечка, HA в базальных ганглиях и миндалине, GFAP в белом веществе головного мозга и стволе мозга и Iba1 в белом веществе мозжечка.

4.4 Значение для конститутивного моделирования с учетом микроструктуры

Независимо от области мозга фибронектин, HA, MBP и Iba1 имеют заметное значение для квазиэластичного ответа ткани. Следовательно, эти составляющие следует учитывать при разработке в будущем уточненных моделей материалов на основе микроструктуры для ткани мозга. Тем не менее, мы отмечаем, что ELISA может быть выполнен только post mortem или при хирургической резекции ткани. Следовательно, можно рассмотреть другие методы, потенциально также in vivo визуализацию, для количественной оценки распределения компонентов, имеющих отношение к механике мозга.Несмотря на относительно высокое содержание коллагена IV, наши результаты показывают, что его значение для механики тканей незначительно. Это может быть связано с тем, что коллаген IV относится к нефибриллярному типу коллагена. Кроме того, фибриллярный коллаген I, который ранее был включен в материальные модели артерий (Gasser et al., 2006) или хрящей (Linka and Itskov, 2016), играет незначительную роль в механике тканей мозга, поскольку его концентрация очень мала.

Что касается вязкоупругих эффектов, наиболее важными составляющими ткани являются Iba1, HA, MBP и GFAP.Поскольку значимость различных белков заметно различается между различными областями мозга, может потребоваться введение структурных моделей для конкретных областей. Согласно нашим результатам, может быть даже целесообразно ввести разные региональные классификации для квазиупругого и вязкоупругого вкладов.

4.5 Ограничения

Поскольку образцы для анализа ELISA были извлечены между 12 и 72 (мозг 1 и 2) или 12 и 26 (мозг 3–5) часами post mortem , некоторые из исследованных белков могли уже разрушиться (Fountoulakis et al., 2001), а механический ответ ткани мог отличаться от ситуации in vivo . При сравнении образцов, взятых из пяти исследованных здесь человеческих мозгов, которые все попали в нашу лабораторию после различных вскрытий, раз, мы не обнаружили заметных различий в содержании белка или механической реакции. Поэтому мы ожидаем, что, по крайней мере, сравнение различных мозгов и областей мозга будет разумным. Здесь мы сосредоточились на значении различных компонентов механики тканей и сравнении различных областей мозга, а не только на определении содержания отдельных белков в человеческом мозге.

4.6 Будущие направления

В будущем мы продолжим оценивать прогностические возможности расширенной структуры CANN. Потенциально его можно использовать для прогнозирования изменений свойств ткани, связанных с заболеванием или травмой, на основе результатов ELISA, выполненных на ткани, извлеченной во время биопсии. Кроме того, будет интересно использовать аналогичный подход для прогнозирования сложной механической реакции ткани головного мозга человека на основе данных визуализации in vivo . С точки зрения взаимосвязи между микроструктурой и механикой человеческого мозга, следующим шагом будет рассмотрение не только общего количества микроструктурных компонентов, но также их морфологии и трехмерного расположения.Что касается клеточных компонентов, может быть более надежным количественно определить количество ядер, а не концентрацию GFAP и Iba1, которые представляют только часть клетки. Кроме того, мы рассмотрим вклад нейронов и их связность.

5 Заключение

В этом исследовании мы следовали новой парадигме, объединив механические испытания с большими деформациями, иммуноферментные анализы (ELISA), теорию механики континуума и методы машинного обучения, чтобы выявить взаимосвязь между составом ткани человеческого мозга и его механические свойства.Мы представили вязкоупругую конститутивную модель искусственной нейронной сети и смогли уловить механический отклик ткани во время экспериментов с циклическим сжатием-растяжением, а также предсказать реакцию во время релаксации напряжения при сжатии и растяжении. Путем включения результатов ELISA для конкретных образцов в сеть для моделирования механического ответа и последующей оценки обратного прохождения через вязкоупругий CANN, мы смогли выявить значимость локального тканевого состава для соответствующего нелинейного и вязкоупругого механического ответа.Мы оценили индивидуальный вклад нескольких клеточных (GFAP, Iba1, MBP) и внеклеточных (гиалуроновая кислота, хондроитинсульфат, люмикан, коллаген I / IV / VI, фибронектин, ламинин) белков и оценили регионально-зависимые тенденции. Наши результаты показывают, что белок внеклеточного матрикса фибронектин имеет наибольшее общее значение как для эластичного, так и для вязкого поведения ткани мозга человека. В то время как квазиэластичный ответ, по-видимому, в значительной степени контролируется белками внеклеточного матрикса из базальной мембраны, клеточные компоненты имеют более высокое значение для вязкоупругих эффектов.Компоненты ткани, отвечающие за квазиэластичный ответ (фибронектин, гиалуроновая кислота, MBP, Iba1), относительно нечувствительны к области мозга. Напротив, региональные тенденции вязкоупругих эффектов более разнообразны. GFAP имеет большое значение для областей белого вещества в головном мозге и стволе мозга, а гиалуроновая кислота — для большинства областей серого вещества. Наши результаты могут иметь важное значение для разработки основанных на микроструктуре конститутивных моделей для прогнозирования регионального поведения мозговой ткани при моделировании методом конечных элементов.Последние обещают стать полезным инструментом в диагностике и лечении заболеваний или предотвращении травм. Кроме того, взаимосвязь между составом ткани головного мозга человека и механическими свойствами облегчает разработку биоматериалов для инженерии нервной ткани и приложений 3D-печати, где исследованные внеклеточные компоненты могут быть ценными для улучшения биосовместимости и свойств матричных материалов.

Заявление о доступности данных

Результаты ELISA и механические данные, представленные в исследовании, включены в статью / дополнительные материалы, дальнейшие запросы можно направить соответствующему автору.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Комитетом по этике Университета Фридриха-Александра в Эрлангене-Нюрнберге, Германия, номер разрешения 405_18 B. Участники предоставили письменное информированное согласие на пожертвование своего тела для исследования.

Вклад авторов

KL и SB разработали концепцию исследования. FP, LB и MS предоставили ткань головного мозга человека, контролировали микроструктурные анализы и внесли свой вклад в интерпретацию результатов.JW вместе с MS выполнили ELISA и проанализировали соответствующие данные. NR выполнила механические измерения и проанализировала соответствующие данные. KL разработала, внедрила и проанализировала вязкоупругие CANN, используемые здесь. Компания CJC внесла свой вклад в их развитие. NR и SB интерпретировали результаты. KL и SB подготовили Рисунки. KL, NR и SB написали первый черновик. SB курировал проект и получил финансирование. Все авторы обсудили результаты и внесли свой вклад в окончательную рукопись.

Финансирование

Мы с благодарностью признаем финансирование Deutsche Forschungsgemeinschaft (DFG, Немецкий исследовательский фонд) в рамках гранта BU 3728 / 1-1 для SB и инициативы Emerging Fields Initiative Университета Фридриха-Александра в Эрлангене-Нюрнберге для SB и FP .

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно относятся к их аффилированным организациям или к претензиям издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

Благодарности

Мы сердечно благодарим Анке Фишер-Гессвайн и Майке Хеммерлейн за их ценную помощь с ELISA, а также Лизу Стах за подготовку человеческого мозга.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fbioe.2021.704738/full#supplementary-material

Ссылки

Abadi, M. , Агарвал, А., Бархам, П., Бревдо, Э., Чен, З., Ситро, К., и другие. (2020). TensorFlow: крупномасштабное машинное обучение в гетерогенных системах. Доступно на: tensorflow.org.

Google Scholar

Alafuzoff, I. (2018). «Методы невропатологии», в Справочник по клинической неврологии (Elsevier), 3–7. doi: 10.1016 / b978-0-12-802395-2.00001-8

CrossRef Полный текст | Google Scholar

Антоновайте, Н., Бикманс, С. В., Хол, Э. М., Вадман, В. Дж., И Яннуцци, Д. (2018). Региональные вариации жесткости в тканях мозга живых мышей, определяемые картированием углублений с контролируемой глубиной. Sci. Rep. 8, 12517. doi: 10.1038 / s41598-018-31035-y

PubMed Реферат | CrossRef Полный текст | Google Scholar

Бах, С., Биндер, А., Монтавон, Г., Клаушен, Ф., Мюллер, К.-Р. и Самек, В. (2015). О попиксельных объяснениях решений нелинейного классификатора путем послойного распространения релевантности. PloS one 10, e0130140. doi: 10.1371 / journal.pone.0130140

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Barriga, E.H., Franze, K., Чаррас, Г., и Майор, Р. (2018). Упрочнение тканей координирует морфогенез за счет запуска коллективной миграции клеток In vivo . Природа 554, 523–527. DOI: 10.1038 / nature25742

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Begonia, M. T., Prabhu, R., Liao, J., Horstemeyer, M. F., and Williams, L. N. (2010). Влияние зависимости скорости деформации на отношения структура-свойство головного мозга свиней. Ann. Биомед. Англ. 38, 3043–3057.doi: 10.1007 / s10439-010-0072-9

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Беллейл, А. К., Хантер, С. Б., Брат, Д. Дж., Тан, К., и Ван Мейр, Е. Г. (2004). Микрорегиональная неоднородность внеклеточного матрикса в мозге модулирует инвазию клеток глиомы. Внутр. J. Biochem. Cel Biol. 36, 1046–1069. doi: 10.1016 / j.biocel.2004.01.013

CrossRef Полный текст | Google Scholar

Bignami, A., Hosley, M., and Dahl, D. (1993). Гиалуроновая кислота и связывающие гиалуроновую кислоту белки во внеклеточном матриксе мозга. Анат. Эмбриол. 188, 419–433. doi: 10.1007 / bf001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Билстон, Л. Э., Лю, З., и Фан-Тхиен, Н. (2001). Большое деформационное поведение мозговой ткани при сдвиге: некоторые экспериментальные данные и дифференциальная конститутивная модель. Biorheol. 38, 335–345.

Google Scholar

Блюменталь, Н. Р., Хермансон, О., Хаймрих, Б., и Шастри, В. П. (2014). Стохастическая наношероховатость модулирует взаимодействия и функции нейронов с астроцитами посредством механочувствительных катионных каналов. Proc. Natl. Акад. Sci. США 111, 16124–16129. DOI: 10.1073 / pnas.1412740111

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Bollmann, L., Koser, D. E., Shahapure, R., Gautier, H.O. B., Holzapfel, G.A., Scarcelli, G., et al. (2015). Механика микроглии: активация иммунитета изменяет тяговые силы и дуротаксис. Фронт. Cel. Neurosci. 9, 363. doi: 10.3389 / fncel.2015.00363

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Budday, S., и Kuhl, E. (2020). Моделирование жизненного цикла человеческого мозга. Curr. Opin. Биомед. Англ. 15, 16–25. doi: 10.1016 / j.cobme.2019.12.009

CrossRef Полный текст | Google Scholar

Budday, S., Nay, R., de Rooij, R., Steinmann, P., Wyrobek, T., Ovaert, T. C., et al. (2015a). Механические свойства серого и белого вещества мозговой ткани путем вдавливания. J. Mech. Behav. Биомед. Матер. 46, 318–330. doi: 10.1016 / j.jmbbm.2015.02.024

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Budday, S., Ovaert, T.C., Holzapfel, G.A., Steinmann, P., and Kuhl, E. (2020a). Пятьдесят оттенков мозга: обзор механического тестирования и моделирования тканей мозга. Arch. Computat Methods Eng. 27, 1187–1230. doi: 10.1007 / s11831-019-09352-w

CrossRef Полный текст | Google Scholar

Budday, S., Sarem, M., Starck, L., Sommer, G., Pfefferle, J., Phunchago, N., et al. (2020b). К моделям материалов на основе микроструктуры для тканей мозга человека. Acta Biomater. 104, 53–65.doi: 10.1016 / j.actbio.2019.12.030

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Budday, S., Sommer, G., Birkl, C., Langkammer, C., Haybaeck, J., Kohnert, J., et al. (2017a). Механическая характеристика тканей мозга человека. Acta Biomater. 48, 319–340. doi: 10.1016 / j.actbio.2016.10.036

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Budday, S., Sommer, G., Haybaeck, J., Steinmann, P., Holzapfel, G.A., and Kuhl, E. (2017b).Реологическая характеристика ткани головного мозга человека. Acta Biomater. 60, 315–329. doi: 10.1016 / j.actbio.2017.06.024

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Chatelin, S., Constantinesco, A., and Willinger, R. (2010). Пятьдесят лет механических испытаний тканей мозга: от In vitro до In vivo Investigations. Biorheol. 47, 255–276. doi: 10.3233 / bir-2010-0576

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Clevert, D.-A., Unterthiner, T., и Hochreiter, S. (2015). Быстрое и точное глубокое обучение сети с помощью экспоненциальных линейных единиц (Elus). препринт arXiv , arXiv: 1511.07289.

Даббс Д. (2014). Диагностическая иммуногистохимия: тераностические и геномные приложения . Филадельфия, Пенсильвания: Эльзевьер / Сондерс.

Дос Сантос, С. Э., Медейрос, М., Порфирио, Дж., Таварес, В., Пессоа, Л., Гринберг, Л. и др. (2020). Сходные плотности микроглиальных клеток в структурах мозга и у видов млекопитающих: влияние на функцию тканей мозга. J. Neurosci. 40, 4622–4643. doi: 10.1523 / jneurosci.2339-19.2020

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Eriksdotter-Nilsson, M., Björklund, H., and Olson, L. (1986). Иммуногистохимия ламинина: простой метод визуализации и количественного определения сосудистых структур в мозге млекопитающих. J. Neurosci. Методы 17, 275–286. doi: 10.1016 / 0165-0270 (86)

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Fung, Y.С. (2013). Биомеханика: механические свойства живых тканей . Springer Science & Business Media.

Гарсия, К. Э., Кроенке, К. Д., и Бейли, П. В. (2018). Механика коркового складывания: стресс, рост и стабильность. Фил. Пер. R. Soc. B 373, 20170321. doi: 10.1098 / rstb.2017.0321

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гассер, Т. К., Огден, Р. В., и Хольцапфель, Г. А. (2006). Гиперупругое моделирование артериальных слоев с распределенными ориентациями коллагеновых волокон. J. R. Soc. Интерф. 3, 15–35. doi: 10.1098 / rsif.2005.0073

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Джордж Н. и Геллер Х. М. (2018). Внеклеточный матрикс и травматическое повреждение головного мозга. J. Neuro Res. 96, 573–588. doi: 10.1002 / jnr.24151

CrossRef Полный текст | Google Scholar

Gerischer, L. M., Fehlner, A., Köbe, T., Prehn, K., Antonenko, D., Grittner, U., et al. (2018). Комбинирование вязкоупругости, диффузии и объема гиппокампа для диагностики болезни Альцгеймера на основе магнитно-резонансной томографии. NeuroImage: Clin. 18, 485–493. doi: 10.1016 / j.nicl.2017.12.023

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Glorot, X., and Bengio, Y. (2010). «Понимание сложности обучения нейронных сетей с глубокой прямой связью», Труды Тринадцатой Международной конференции по искусственному интеллекту и статистике , 249–256.

Google Scholar

Го, С. М., Хараламбидес, М. Н., и Уильямс, Дж. Г. (2004). Определение определяющих констант нелинейных вязкоупругих материалов. мех. Материя, зависящая от времени. 8, 255–268. doi: 10.1023 / b: mtdm.0000046750.65395.fe

CrossRef Полный текст | Google Scholar

Gomes de Almeida, P., Rifes, P., Martins-Jesus, A. P., Pinheiro, G. G., Andrade, R. P., and Thorsteinsdóttir, S. (2019). Фибронектин-зависимая тканевая механика регулирует трансляцию колебаний часов сегментации в периодическое образование сомита 1790. Препринт bioRxiv . doi: 10.1101 / 808121

CrossRef Полный текст

Гориели, А., Geers, M.G.D., Holzapfel, G.A., Jayamohan, J., Jérusalem, A., Sivaloganathan, S., et al. (2015). Механика мозга: перспективы, вызовы и возможности. Biomech. Модель. Механобиол. 14, 931–965. doi: 10.1007 / s10237-015-0662-4

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хемфилл, М. А., Даут, С., Ю, К. Дж., Дабири, Б. Э. и Паркер, К. К. (2015). Травматическое повреждение головного мозга и нейрональная микросреда: потенциальная роль для нейропатологической механотрансдукции. Neuron 85, 1177–1192. doi: 10.1016 / j.neuron.2015.02.041

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Kihan Park, K., Lonsberry, G. E., Gearing, M., Levey, A. I., and Desai, J. P. (2018). Вязкоупругие свойства тканей мозга человека при аутопсии как биомаркеры болезни Альцгеймера. IEEE Trans. Биомед. Англ. 66, 1705–1713. doi: 10.1109 / TBME.2018.2878555

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Kim, Y., Мид, С. М., Чен, К., Фенг, Х., Райян, Дж., Хесс-Даннинг, А., и др. (2018). Наноархитектурные подходы к усовершенствованным технологиям интракортикального интерфейса. Фронт. Neurosci. 12, 456. doi: 10.3389 / fnins.2018.00456

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Kinga, D. P., and Ba, J. (2014). Адам: Метод стохастической оптимизации. препринт arXiv , arXiv: 1412.6980.

Google Scholar

Koser, D. E., Thompson, A.Дж., Фостер, С. К., Двиведи, А., Пиллаи, Э. К., Шеридан, Г. К. и др. (2016). Механосенсинг имеет решающее значение для роста аксонов в развивающемся мозге. Нац. Neurosci. 19, 1592–1598. doi: 10.1038 / nn.4394

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Lau, L. W., Cua, R., Keough, M. B., Haylock-Jacobs, S., and Yong, V. W. (2013). Патофизиология внеклеточного матрикса мозга: новая мишень для ремиелинизации. Нац. Rev. Neurosci. 14, 722–729.doi: 10.1038 / nrn3550

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Liang, L., Liu, M., and Sun, W. (2017). Подход с глубоким обучением для оценки нелинейных анизотропных анизотропных реакций стресс-деформация коллагеновой ткани на основе микроскопических изображений. Acta Biomater. 63, 227–235. doi: 10.1016 / j.actbio.2017.09.025

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Linka, K., Hillgärtner, M., Abdolazizi, K. P., Aydin, R.C., Ицков М. и Сайрон К. Дж. (2021). Конститутивные искусственные нейронные сети: быстрый и общий подход к прогнозируемому основанному на данных конститутивному моделированию с помощью глубокого обучения. J. Comput. Phys. 429, 110010. doi: 10.1016 / j.jcp.2020.110010

CrossRef Полный текст | Google Scholar

Мини, Д. Ф., Моррисон, Б., и Дейл Басс, К. (2014). Механика травматического повреждения головного мозга: обзор того, что мы знаем и что нам нужно знать, чтобы уменьшить его социальное бремя. J. Biomech.Англ. 136, 021008. doi: 10.1115 / 1.4026364

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Michalski, D., Spielvogel, E., Puchta, J., Reimann, W., Barthel, H., Nitzsche, B., et al. (2020). Повышенные иммуносигналы коллагена IV и фибронектина указывают на ишемические последствия для зоны адгезии нейроваскулярного матрикса в различных моделях животных и в тканях после инсульта человека. Фронт. Physiol. 11, 575598. doi: 10.3389 / fphys.2020.575598

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Mockus, J.(1994). Применение байесовского подхода к численным методам глобальной и стохастической оптимизации. J. Glob. Optim 4, 347–365. doi: 10.1007 / bf01099263

CrossRef Полный текст | Google Scholar

Moshayedi, P., da F Costa, L., Christ, A., Lacour, S. P., Fawcett, J., Guck, J., et al. (2010). Механочувствительность астроцитов на оптимизированных полиакриламидных гелях, проанализированная методом количественной морфометрии. J. Phys. Конденс. Matter 22, 194114. doi: 10.1088 / 0953-8984 / 22/19/194114

PubMed Abstract | CrossRef Полный текст | Google Scholar

Moshayedi, P., Ng, G., Kwok, J. C. F., Yeo, G. S. H., Bryant, C. E., Fawcett, J. W., et al. (2014). Связь между механочувствительностью глиальных клеток и реакциями на инородные тела в центральной нервной системе. Биоматериалы 35, 3919–3925. doi: 10.1016 / j.biomaterials.2014.01.038

PubMed Реферат | CrossRef Полный текст | Google Scholar

Мерфи М. К., Джонс Д. Т., Джек К. Р., Глейзер К. Дж., Сенджем М. Л., Мандука А. и др. (2016). Региональные изменения жесткости мозга в спектре болезни Альцгеймера. NeuroImage: Clin. 10, 283–290. doi: 10.1016 / j.nicl.2015.12.007

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Oohashi, T., Edamatsu, M., Bekku, Y., and Carulli, D. (2015). Гиалуроновые и протеогликановые связывающие белки: организаторы внеклеточного матрикса мозга и ключевые молекулы для функции и пластичности нейронов. Exp. Neurol. 274, 134–144. doi: 10.1016 / j.expneurol.2015.09.010

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пантазопулос, Х., Маркота, М., Жаке, Ф., Гош, Д., Валлин, А., Сантос, А., и др. (2015). Аггрекан и хондроитин-6-сульфатные аномалии при шизофрении и биполярном расстройстве: посмертное исследование миндалевидного тела. Пер. Психиатрия 5, e496. doi: 10.1038 / tp.2014.128

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Pantazopoulos, H., Murray, E.A., and Berretta, S. (2008). Общее количество, распределение и фенотип клеток, экспрессирующих хондроитинсульфатные протеогликаны в нормальной миндалине человека. Brain Res. 1207, 84–95. doi: 10.1016 / j.brainres.2008.02.036

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Прейндж, М. Т., и Маргулис, С. С. (2002). Региональные, направленные и возрастные свойства мозга, претерпевающего большую деформацию. J. Biomech. Англ. 124, 244–252. doi: 10.1115 / 1.1449907

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рашид Б., Дестрейд М. и Гилкрист М. Д. (2012). Механическая характеристика ткани мозга при сжатии при динамических скоростях деформации. J. Mech. Behav. Биомед. Матер. 10, 23–38. doi: 10.1016 / j.jmbbm.2012.01.022

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рейтер, Н., Рой, Б., Полсен, Ф. и Баддей, С. (2021). Понимание микроструктурного происхождения вязкоупругости мозга. J. Elasticity 2021, 979. doi: 10.1007 / s10659-021-09814-y

CrossRef Полный текст | Google Scholar

Sack, I., Beierbach, B., Wuerfel, J., Klatt, D., Hamhaber, U., Papazoglou, S., и другие. (2009). Влияние старения и пола на вязкоупругость мозга. Neuroimage 46, 652–657. doi: 10.1016 / j.neuroimage.2009.02.040

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Samek, W., Montavon, G., Lapuschkin, S., Anders, C.J., и Müller, K.-R. (2021 г.). Объяснение глубоких нейронных сетей и не только: обзор методов и приложений. Proc. IEEE 109, 247–278. doi: 10.1109 / JPROC.2021.3060483

CrossRef Полный текст | Google Scholar

Шерман, Л.С., Мацумото, С., Су, В., Шривастава, Т., и Бэк, С. А. (2015). Синтез, катаболизм и передача сигналов гиалуронана при нейродегенеративных заболеваниях. Внутр. J. Cel Biol. 2015, 1–10. doi: 10.1155 / 2015/368584

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Тейлор, К. Р. и Левенсон, Р. М. (2006). Количественная оценка иммуногистохимии — вопросы, касающиеся методов, полезности и полуколичественной оценки II. Histopathol. 49, 411–424. DOI: 10.1111 / j.1365-2559.2006.02513.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Taylor, Z. A., Comas, O., Cheng, M., Passenger, J., Hawkes, D. J., Atkinson, D., et al. (2009). О моделировании анизотропной вязкоупругости для моделирования мягких тканей: численное решение и выполнение Gpu. Med. изображение Анал. 13, 234–244. doi: 10.1016 / j.media.2008.10.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Thompson, A. J., Pillai, E. K., Dimov, I.Б., Фостер, С. К., Холт, К. Э., и Франце, К. (2019). Быстрые изменения в механике тканей регулируют поведение клеток в развивающемся эмбриональном мозге. eLife 8, e39356. doi: 10.7554 / eLife.39356

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Urbanski, M. M., Kingsbury, L., Moussouros, D., Kassim, I., Mehjabeen, S., Paknejad, N., et al. (2016). Дифференциация миелинизирующей глии регулируется эластичностью внеклеточного матрикса. Sci. Реп. 6, 33751.doi: 10.1038 / srep33751

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ван, Дж., Инь, Л., и Чен, З. (2011). Новые взгляды на измененную матрицу фибронектина и внесинаптическую передачу в стареющем мозге. J. Clin. Геронтол. Гериатр. 2, 35–41. doi: 10.1016 / j.jcgg.2010.12.002

CrossRef Полный текст | Google Scholar

Вайкенмайер, Дж., Батлер, К. А. М., Янг, П. Г., Гориели, А., и Кул, Э. (2017a). Механика декомпрессивной краниэктомии: персонализированные симуляции. Сост. Методы Прил. Мех. Англ. 314, 180–195. doi: 10.1016 / j.cma.2016.08.011

CrossRef Полный текст | Google Scholar

Weickenmeier, J., de Rooij, R., Budday, S., Ovaert, T.C., and Kuhl, E. (2017b). Механическое значение миелинизации в центральной нервной системе. J. Mech. Behav. Биомед. Матер. 76, 119–124. doi: 10.1016 / j.jmbbm.2017.04.017

CrossRef Полный текст | Google Scholar

Weickenmeier, J., de Rooij, R., Budday, S., Steinmann, P., Ovaert, T.C., и Kuhl, E. (2016). Жесткость мозга увеличивается с содержанием миелина. Acta Biomater. 42, 265–272. doi: 10.1016 / j.actbio.2016.07.040

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zarzor, M. S., Kaessmair, S., Steinmann, P., Blümcke, I., and Budday, S. (2021). Двухполевая вычислительная модель связывает развитие клеточного мозга с кортикальной складкой. Brain Multiphysics 2, 100025. doi: 10.1016 / j.brain.2021.100025

CrossRef Полный текст | Google Scholar

О мозге — CogniFit

Мозг — это сложный орган , расположенный внутри черепа, и он управляет деятельностью нашей нервной системы.Это часть центральной нервной системы (ЦНС). Он расположен в передней и верхней области полости черепа и присутствует во всех позвонках. Он плавает в черепе в прозрачной жидкости, называемой спинномозговой жидкостью, которая защищает его как физически, так и иммунологически.

Мозг — это мышца? Хотя обычно говорят, что его следует тренировать и тренировать как мышцу, чтобы предотвратить атрофию, на самом деле мы должны четко понимать, мозг — это не мышца .Он состоит не из миоцитов, как наши мышцы, а, скорее, из миллионов нейронов , которые связаны между собой аксонами и дендритами. Они регулируют все функции нашего мозга и тела. От дыхания, еды или бега до способности рассуждать, влюбляться, спорить и т. Д.

Что делает наш мозг? Функции мозга

Как фундаментальная часть ЦНС, мозг можно определить как «менеджер», который контролирует и регулирует большинство функций мозга и тела .От жизненно важных функций мозга, таких как дыхание, до других функций, таких как голод или жажда, и, наконец, до высших функций, таких как рассуждение, внимание и память (Corbetta & Shulman, 2002). Он отвечает за выполнение всех этих сознательных и подсознательных функций.

Все, что происходит в нашей жизни, когда мы бодрствуем или спим, будь то дыхание, глотание, зрение, слух, прикосновение, чтение или письмо, пение или танцы, молчаливое мышление или разговор вслух, любовь или ненависть, планирование или действовать спонтанно и т. д. благодаря нашему мозгу.Перечислим некоторые функции:

• Управление жизненно важными функциями: Например, контроль температуры тела, артериального давления, частоты сердечных сокращений, дыхания, сна, еды и т. Д.
• Получение, обработка, интеграция, и интерпретируя всю информацию, которую мы получаем через наши органы чувств: зрение, слух, вкус, осязание, обоняние.
• Управление движениями и наша осанка: ходьба, бег, разговор, стояние.
• Он отвечает за наши эмоции и поведение .
• Это позволяет нам думать, , рассуждать, чувствовать, быть и т. Д.
• Контроль превосходных когнитивных навыков : Память, обучение, восприятие, исполнительные функции и т. Д. (Miller, 2000; Miller & Cohen, 2001 )

«Люди должны знать, что ни из чего другого, кроме мозга, происходят радости, восторги, смех и развлечения, а также печали, печали, уныние и причитания. И этим особым образом мы приобретаем мудрость и знания. , и видеть, и слышать, и знать, что мерзко и что справедливо, что плохо и что хорошо, что сладко, а что неприятно…. И одним и тем же органом мы сходим с ума и бредим, и страхи и ужасы атакуют нас … Все эти вещи мы терпим из-за мозга, когда он нездоров … Я считаю, что мозг выполняет самые большие функции. сила в человеке » Гиппократ (IV в. до н. э.) О священной болезни.

Гиппократ знал это тогда, человеческий мозг — одно из самых сложных, загадочных и в то же время совершенных творений во Вселенной . Спасибо. Благодаря технологическим достижениям в области нейровизуализации, медицины, биологии, психологии и нейробиологии мы смогли раскрыть великие загадки анатомии и того, как мы функционируем.Однако остается еще много вопросов, оставшихся без ответа.

У всех позвоночных (животных с костями) есть мозг, хотя их размер, форма и некоторые характеристики могут сильно различаться от одного вида к другому. Ниже представлен человеческий мозг, который состоит из следующих частей:

• Мозг , состоящий из коры головного мозга (полушарий и доли головного мозга). Кора головного мозга разделена на различные области: лобная доля (A), теменная доля (B), поясная извилина (C), затылочная доля (D), височная доля и островковая кора (эти две части скрыты на изображении).Кроме того, эти доли делятся пополам на два полушария: правое и левое. Подкорковые структуры относятся к структурам под корой головного мозга, таким как мозолистое тело (1), которое соединяет два полушария, таламус (2), базальные ганглии, миндалевидное тело, гиппокамп и маммиллярное тело (6). Он отвечает за интеграцию всей информации, собранной нашими органами чувств, и за организацию реакции. Он контролирует моторные, эмоциональные и все высшие когнитивные функции: рассуждение, эмоциональное выражение, память (Squire, 1992), обучение и т. Д.
• Мозжечок (10): это второй по величине орган головного мозга, который в основном участвует в управлении позой и движениями.
• Гипоталамус (4), гипофиз (5) и шишковидная железа (11), отвечающие за висцеральные функции, такие как регулирование температуры тела и основные поведения, такие как прием пищи, сексуальная реакция, удовольствие, агрессия и т. Д. Шишковидная железа играет важную роль в синхронизации высвобождения гормона мелатонина, участвующего в регуляции циклов сна / бодрствования, который координируется с перекрестом зрительных нервов (3).
• Ствол мозга : состоит из спинного мозга (9), моста (8) и среднего мозга (7). Ствол мозга контролирует автоматические функции, такие как артериальное давление и сердцебиение, лимбические движения и висцеральные функции, такие как пищеварение или мочеиспускание.

Характеристики человеческого мозга

Сколько весит человеческий мозг? Насколько это велико? Сколько у нас нейронов?

• Кора головного мозга человека — одна из наиболее развитых и сложных среди всех видов животных.Он не только больше, но и скручен и загнут, образуя бороздки и складки, которые придают ему характерный морщинистый вид.
• Головной мозг человека весит около 1,4–1,5 кг (3,3 фунта) и имеет объем около 1130 куб. См (69 куб. Дюйм) у женщин и 1260 куб. См (77 куб. Дюймов) у мужчин.
• Он покрыт мембранами, называемыми мозговыми оболочками, которые защищают череп при ударе.
• Для большей защиты мозг «плавает» в спинномозговой жидкости.
• По оценкам, он состоит из более чем 100 миллиардов нервных клеток, в основном глиальных клеток и нейронов.

НЕЙРОНЫ: — это клетки, которые специализируются на приеме, обработке и передаче информации на межклеточном и внутриклеточном уровнях. Это осуществляется с помощью электрохимических сигналов (нервных импульсов), называемых потенциалом действия. Структурно нейроны имеют те же цитоплазматические элементы и ту же генетическую информацию, что и остальные клетки организма. Нейроны состоят из трех частей:

• Тело клетки или сома : это основная часть клетки, которая содержит ядро ​​(с ДНК), эндоплазматический ретикулум и рибосомы (производят белки) и митохондрии (генерируют энергию). .Сома — это место, где происходит большинство метаболических функций клетки. Если сома умирает, умирает клетка.
• Аксоны : это расширение, которое происходит от клеточной сомы. Это своего рода «кабель», на конце которого есть концевые кнопки (варикозное расширение вен), которые являются точками синаптического контакта, через которые передаются нервные импульсы (пресинаптический элемент). Длина аксонов может варьироваться от нейрона к нейрону: одни очень короткие (менее 1 мм), а другие очень длинные (более ярда, обычно это периферические нервы, такие как мотонейроны).Некоторые аксоны (особенно моторные и сенсорные нейроны) покрыты слоем миелина, который ускоряет его и облегчает передачу информации. Чем больше миелина в аксоне, тем сильнее он попадет в импульсный нерв. Нейроны с наибольшим количеством миелина — это периферийные нейроны (сенсорные и моторные), по которым информация должна распространяться дальше всего.
• Дендриты : это некоторые нервные окончания, которые отходят от клеточной сомы и разветвляются в форме дерева.Дендриты составляют основной компонент для приема информации (постсинаптический элемент), и именно они позволяют взаимодействовать между двумя нейронами.

ГЛИАЛЬНЫЕ КЛЕТКИ: Наиболее распространенный тип клеток в ЦНС. Они обладают способностью делиться во взрослом мозге (нейрогенез), и их присутствие необходимо для правильного функционирования мозга. Эти клетки составляют структурную опору для нейронов, покрывают аксоны миелином для лучшей синаптической передачи (клетки Шванна), они играют роль в питании клетки, они участвуют в механизмах регенерации и репарации нервов, в механизмах иммунизации, поддерживая гематологический барьер и др.Существуют различные типы глиальных клеток, среди которых астроциты, олигодендроциты и микроглия. В периферической нервной системе шванновские клетки, сателлитные клетки и макрофаги.

Он работает путем передачи информации между нейронами (или другими рецепторными или эффекторными клетками) с помощью электрохимических импульсов. Эта передача информации производится во время синапсиса. Во время синапсиса нейроны и клетки соединяются и посредством химических зарядов, электрических импульсов и нейротрансмиттеров обмениваются, которые отвечают за активацию или подавление действия другой клетки.Кнопки терминала аксона являются пресинаптическими элементами нейронной коммуникации, через которую нейрон устанавливает связь с дендритами, сомой или даже другим аксоном.

Вся эта передача информации нейронами происходит за считанные миллисекунды. Координируются сотни связей, которые позволяют нам воспринимать, понимать и соответствующим образом реагировать. Мы получаем тысячи входных данных и генерируем тысячи выходных данных за считанные секунды, и все работает с точностью швейцарских часов.

Как развивается человеческий мозг?

Развитие человеческого мозга начинается на эмбриональной стадии и заканчивается в юности . Спустя всего 4 недели после зачатия он начинает формировать нервную трубку, которая играет ключевую роль в развитии нервной системы. Головокружительный процесс начинается после того, как начинаются процессы пролиферации, миграции и дифференцировки клеток, где происходит формирование и развитие мозга. Нейроны производятся в нервной трубке, а затем мигрируют, образуя ее важные части.Наконец, они дифференцированы и специализируются на выполняемых функциях.

Было подсчитано, что на внутриутробной стадии до 250 000 клеток может быть произведено в минуту. Фактически, головной мозг ребенка при рождении уже имеет все нервные клетки, которые ему понадобятся, но они еще не подключены. В течение первых двух лет эти связи начинают формироваться посредством генетического компонента, но в основном за счет взаимодействия с окружающей средой и полученными стимулами.Процессы миленизации (процесс, при котором нервные волокна покрыты изолирующим слоем жира, который передает информацию) позволяют сделать это быстрее, и они несут ответственность за увеличение размера головного мозга.

От 0 до 12 месяцев : у младенцев не развит спинной мозг, поэтому они реагируют только на рефлекторные стимулы и основные функции выживания, такие как сон, еда или плач. По мере того, как они связаны со своей средой, будут создаваться новые связи, и они быстро научатся тому, как направлять глаза, повторять звуки, понимать язык и т. Д.

В 3 года : он уже почти 80% взрослого размера, а лимбическая система и кора головного мозга достаточно развиты. Это позволяет детям выражать себя и распознавать эмоции, играть, а также начинать считать и говорить. Вот почему считается, что в этом возрасте он имеет максимальную пластичность или нейропластичность, когда даже при повреждении какой-либо области она восстанавливает функции (потому что еще не полностью специализирована).

Он не перестает развиваться до тех пор, пока не станет молодым : Больше всего времени требуется для созревания лобных долей, которые специализируются на поведении, рассуждении, решении проблем и т. Д.

Однако, даже когда его созревание заканчивается в молодости, он продолжает свои процессы нейрогенеза (создание новых нейронов), и они могут создавать новые связи посредством обучения и подкрепления. Это основа нейропластичности.

Можно ли тренировать и совершенствовать мозг? Как CogniFit помогает

Благодаря нейропластичности и способности нашего мозга создавать новые связи и укреплять старые, мы можем улучшить наши когнитивные способности.

Корбетта, М.и Шульман, Г. Л. (2002). Контроль целенаправленного и стимулированного внимания в мозгу. Nat Rev Neurosci, 3 (3), 201-215.

Миллер, Э. К. (2000). Префронтальная кора и когнитивный контроль. Nat Rev Neurosci, 1 (1), 59-65.

Миллер, Э. К. и Коэн, Дж. Д. (2001). Интегративная теория функции префронтальной коры. Анну Рев Neurosci, 24, 167-202.

Squire, L.R. (1992) Память и гиппокамп: синтез результатов, полученных на крысах, обезьянах и людях. Psychol Rev, 99, стр.195-231.

Локальное определение оптических свойств тканей in vivo: приложения к человеческому мозгу.

Локальная и поверхностная характеристика оптических свойств мутных биологических тканей в ближней инфракрасной области (NIR) может быть достигнута путем измерения пространственно разрешенного диффузного отражения при малых расстояниях между источником и детектором (<1,4 мм). Однако в этих условиях обратная задача - расчет локализованного поглощения и приведенных коэффициентов рассеяния - обязательно чувствительна к фазовой функции рассеяния.Этот эффект можно минимизировать, если известен новый параметр гамма фазовой функции, который зависит от первого и второго моментов фазовой функции. Если гамма неизвестна, оценка этого параметра может быть получена путем измерения, но неопределенность коэффициента поглощения увеличивается. Описывается датчик отражательной способности с пространственным разрешением, использующий несколько детекторных волокон (0,3–1,4 мм от источника). Моделирование методом Монте-Карло используется для определения гамма-излучения, коэффициентов приведенного рассеяния и поглощения на основе данных по отражательной способности.Характеристики зонда оцениваются измерениями на фантомах, оптические свойства которых были измерены другими методами [миграция фотонов в частотной области (FDPM) и коэффициент пропускания с пространственным разрешением]. Наши результаты показывают, что изменения коэффициента поглощения, приведенного коэффициента рассеяния и гаммы можно измерить с точностью до +/- 0,005 мм (-1), +/- 0,05 мм (-1) и +/- 0,2, соответственно. Измерения in vivo, выполненные во время операции на черепе и головном мозге человека, сообщаются для четырех длин волн NIR (674, 811, 849, 956 нм) при использовании зонда с пространственным разрешением и FDPM.Зонд с пространственным разрешением показывает оптимальную чувствительность измерения в измерительном объеме непосредственно под зондом (обычно 1 мм (3) в тканях), тогда как FDPM обычно отбирает более крупные области тканей. Сообщается, что значения оптических свойств человеческого черепа, белого вещества, рубцовой ткани, зрительного нерва и опухолей демонстрируют отчетливые различия в поглощении и рассеянии между структурами и зависимость от параметра фазовой функции гамма.

Многие научные публикации, созданные UC, находятся в свободном доступе на этом сайте из-за политики открытого доступа UC.Сообщите нам, насколько этот доступ важен для вас.

Загрузить PDF для просмотраПросмотреть больше

Больше информации Меньше информации

Закрывать

Введите пароль, чтобы открыть этот PDF-файл:

Отмена Ok

Подготовка документа к печати…

Отмена