El cervell en funcionament. Les xarxes estadístiques i els models de connectivitat com exemple.

Es podria dir que aquesta aportació és la menys habitual, la menys normativa si es vol. De fet, tampoc es podria dir que es del tot intangible, doncs tocar, al que es diu tocar, podríem. Diguem-ne que avui correspon presentar una d’aquelles parts de les tècniques estadístiques que, a vegades per complexes i a vegades per que no ens sabem explicar gaire, passen per fosques i llunyanes. En els darrers anys l’estudi de les senyals cerebrals s’ha convertit en un dels reptes més interessants que hi ha i és tant aixi que tothom parla obertament de la Neurociència Computacional com a lloc de trobada de multitud d’investigadors, bàsics i aplicats; clínics i teòrics, matemàtics i no matemàtics. En efecte, biòlegs, neuròlegs, neuroradiòlegs, físics, enginyers de diversos àmbits, psicòlegs, matemàtics i un llarg etcètera compatim problemes. Molt fàcil de dir, gens de resoldre. Es tracta del següent: Comprendre, conèixer, reconèixer patrons, fer prediccions i caracteritzar el comportament estadístics dels senyals cerebrals. Per senyal cerebral entenem les dades que s’analitzen com a conseqüència de l’activitat cerebral. Series de dades com les registrades en paradigmes de EEG, PET, MEG, EEG invasiu i altres registres fins els ara de moda IRM (imatge ressonància magnètica) i IRMf (imatge ressonància magnètica funcional). Cadascuna d’aquest tipus de senyal i en funció del disseny en que es reculli implica un abordatge estadístic diferent i, òbviament, complexa. Cada senyal és un món i la seva modelització estadóstica un altre i ara no és el lloc per desenvolupar-ho però si de recordar-ho doncs si ben be es tangible, hi ha un component d’intangibilitat que rau en el fet que els senyals els carreguem de contingut en registrar-los a partir de les tasques cognitives o perceptives que un subjecte fa durant l’assaig. Per exemple, l’increment de senyal BOLD (Blood Oxygen Level Dependent) que es dona quan fem una tasca de memòria de treball suposem que indica activitat cerebral. Aixi doncs, assumim que l’activació que mesurem és un indicador de la veritable activitat del cervell en funcionament, doncs de fet el cervell mai descansa. Hi ha res més intangible?.

Afegim coses. De fet, la manera que tenim de modelitzar el funcionament del cervell es estrictament estadístic, encara més del que ja era habitual. Recordem els models dels umbrals diferencials i dels potencials d’acció i els models derivats amb l’ús dels models de Poisson o els models de la teoria de Detecció de Senyals de Green y Sweet (1966) fonamentat en distribucions Gaussianes. El cervell funciona, be d’acord, el model que assumim com a representant del cervell en funcionament es un cervell probabilístic en que la nul·litat implica el cervell en estat de repòs. Curiós oi la forma de definir-ho? Si Fisher, Pearson y Neyman tornessin … Sigui com sigui, apliquem models estadístics fonamentat en la linealitat de processos i, afortunadament cada cop més, en postulats bayesians per avaluar quan es dona activitat, en quines àrees del cervell i associat a quin tipus de tasca. Mireu aquest gràfic que intenta mostrar això:

Poder determinar que amb un determinat p-value i fixant determinats supòsit en referència a thresholds i àrees neuroanatòmiques podem entendre el funcionament del cervell. El model de base és el de sempre, cap problema en això, i aqui el teniu, en la següent figura.

Com veieu, es tracta d’estudiar senyals, com us deia, estadísticament parlant. Tant és així que quan hem pogut conèixer una mica millor el tema hem començat a fer prediccions i a “conèixer” al que diu la senyal del cervell en funcionament. Mireu aquest vídeo d’en Ferran Galan explicant el tema:

Seguim. Més a més si podem analitzar el senyal del cervell com funciona, la qüestió següent sembla clara. Podem analitzar les possibles connexions entre àrees ? I, fet i fet, això fem. Analitzem com es connecten diverses àrees en funcionament i intentem fer-ho de manera que puguem saber com es el model que ho representa millor, estadísticament parlant clar. L’esquema següent ho intenta representar en el cas de IRMf:

Un model de regressió ens permet estimar els efectes de connectivitat del cervell en funcionament. Seguim mesurant l’intangible. De fet els models estadístics derivants en aquest tipus de senyal per estimar connectivitat es basen en els pressupostos bayesians i en detalls pròpies dels models complexos. Un següent esquema per mostrar les dues aproximacions més habituals:

I si voleu de forma gràfica ho podem representar per tal de que es vegi més clar del que parlem. Un altre petit resum ho mostra:

Vist així es poc espectacular, certament. Això de la connectivitat en el cervell davant d’una tasca cognitiva o en estat de repòs no sembla molt engrescador. A vegades passa amb els resultats estadístics que si no els posem atractius no ho semblen. Be doncs potser millor així:

Ara sembla més interessant oi???. Seguim mesurant l’intangible, segur, quin remei oi?. Us deixo un parell de problemes que encara resten pendents de treball. Primer, com afecta el suavitzat del senyal original? I segon, com millorem els filtres del separar la famosa d’ entre senyal i soroll?. Per si de cas algú vol dedicar-hi temps i esforç.