تشنج های اپیلکتیک نشان دهنده برخی از دراماتیک ترین و ناتوان کننده ترین رویدادهای عصبی است که میلیون ها نفر در سراسر جهان را تحت تاثیر قرار می دهد، علی رغم دهه های تحقیق، مکانیسم های دقیق که باعث و انتشار این طوفان های الکتریکی می شوند به طور کامل درک می کنند که چگونه یک سطح واحد از سازمان مغز - مولکولی، سلول های سلولی یا شبکه - در انزوا، تشنج ها به این مرزها مصنوعی احترام نمی گذارد.

مدل های چند مقیاسی چیست؟

مدل های چند مقیاسی چارچوب های محاسباتی هستند که فرایندهای پیوند در مقیاس های مختلف فضایی و زمانی کار می کنند.در علوم اعصاب، این مقیاس ها از مولکولی (کانال هایion، گیرنده ها، انتقال دهنده های عصبی) از طریق سلول (یک سیستم انتقال نورونی، انتقال سیناپسی) و شبکه (سلول های محلی، مناطق مغز) به سطح سیستم (که دینامیک مغز) را ترکیب می کنند، یک مدل چند گانه می تواند یک تغییر ظریف در یک سیستم را شبیه سازی کند، که در نهایت می گوید.

قدرت کلیدی مدل سازی چند مقیاس در توانایی خود برای تولید پدیده های نوظهور است (رفتارهایی که از تعاملات اجزاء در مقیاس های مختلف بوجود می آیند و نمی توان آن را با مطالعه هر سطح منفرد به تنهایی پیش بینی کرد، این باعث می شود رویکرد به ویژه به خوبی مناسب برای صرع: یک وضعیت مشخص شده توسط انتقال ناگهانی و محدود کننده بین حالت های نرمال و فوق العاده برای یک مرور کلی در علوم اعصاب چند مقیاسی (F این بررسی های طبیعت).

مدل سازی چند مقیاس در اپیولپسی: یک نگاه عمیق تر

تحقیقات اپیدمیولوژیک مدتهاست که تجزیه شده است: زیست شناسان مولکولی بررسی جهش کانال یون، الکتروفیزیولوژیست ها تک نورون ها را ضبط می کنند و دانشمندان تصویربرداری فعالیت شبکه را ردیابی می کنند، مدل های چند مقیاسی این دامنه ها را تجزیه و تحلیل می کنند، به محققان اجازه می دهد تا سؤالاتی مانند: چگونه یک جهش ژنتیکی خاص بر آستانه انتشار تشنج تأثیر می گذارد؟ چه توپولوژی شبکه آسیب پذیر است؟ آیا می توانیم پیش بینی کنیم که تشنج بر اساس خواص آزمایشگاهی محلی شروع می شود و یا فرضیه های دارویی را آزمایش کند؟

یک مثال بتنی ادغام مدل های نورونی نوع Hodgkin-Huxley با مدل های مبتنی بر انتشار انتقال دهنده عصبی و بازیابی است، سپس این را به مدل سازی های واقع گرایانه ای که از MRI و داده های اتصال یافته اند، جاسازی می کند: این مدل ها برای شبیه سازی انتقال از بین تشنج (بین تشنج) به حالت های ic (tal0) استفاده شده اند که حتی تغییرات محاسباتی اضافی را در یک ماده تشنج اضافی را نشان می دهد.

سطح مولکولی و سلولی

در بنیادی ترین سطح، مدل های چند مقیاس شامل توصیف دقیق کانال های یون، حمل کنندگان، گیرنده ها و سیستم های پیام رسان دوم است.به عنوان مثال، جهش در SCN1A ، پیش بینی های حساس به نوروپاتی v .1] کانال سدیم یک عامل شایع از سندرم Dravet است که اغلب شبیه سازی یک مدل چند منظوره است.

مدل سازی سطح سلولی گسترش می یابد به ادغام هیدروتراتیک، شروع بالقوه عمل، و پلاستیسی سیناپسی (با ترکیب مورفولوژی واقعی و توزیع کانال یون، محققان می توانند شبیه سازی کنند که چگونه نوسانات زیرکانه را حفظ می کنند یا شلیک در سلول های چند لایه ای را به وجود می آورند: این مدل های سلولی سپس به مدل های شبکه بزرگتر از طریق اتصالات سیناپسی تغذیه می کنند، اجازه می دهد مطالعه ای کوچک از سلول های چند منظوره را مطالعه کنند.

شبکه و سطح سیستم

در مقیاس شبکه، مدل های چند مقیاسی تعاملات بین هزاران یا میلیون ها نورون را نشان می دهند، اغلب با استفاده از تقریبی های میدان یا شبکه های عصبی متخلخل، این مدل ها می توانند گسترش فعالیت تشنج را از طریق ستون های cortical، دستگاه های ماده سفید و ساختارهای فرعی مانند تالاموس ضبط کنند.یک روش رایج برای استفاده از یک مدل عصبی برای هر منطقه مغز است که با پارامترهای تنظیم شده و انتشار آن ها (از طریق تصویر برداری های خارجی) و یا تصاویر خارجی (از طریق تصاویر غیر فعال شده توسط چند مورد استفاده از طریق تصاویر).

چنین مدل های مغز کامل با موفقیت الگوهای فضایی شروع تشنج را بازتولید کرده و گسترش یافته اند (در ضبط EEG درونگرای مشاهده شده اند) آنها همچنین برای آزمایش بخش های مجازی یا پروتکل های تحریک استفاده شده اند، به پزشکان کمک می کند تا عمل جراحی صرع را برنامه ریزی کنند؛ به عنوان مثال، یک مدل ممکن است پیش بینی کند که حذف یک گره خاص در یک شبکه تشنج جلوگیری از انتشار، حتی اگر گره که خود جذب نیست.

مزایای مدل سازی چند مقیاس

مزایای مدل های چند مقیاس در تحقیقات صرع متعدد و قابل توجه است:

  • درک یکپارچه: با مقیاس لینک، مدل ها یک تصویر منسجم از چگونگی نقص مولکولی منجر به اختلال در شبکه، حرکت فراتر از مشاهدات آگاهانه است.
  • شناسایی تعرفه: مدل ها می توانند مشخص کنند که کدام تغییرات مولکولی یا سلولی برای شروع تشنج، هدایت تلاش های تجربی و دارویی برای اهداف با آرامش بالا ضروری است.
  • ] قدرت پیش بینی: شبیه سازی های چند مقیاس می توانند شروع تشنج، الگوهای انتشار و پاسخ به مداخلات، امکان درمان های پیشگیرانه و برنامه ریزی جراحی را پیش بینی کنند.
  • طب شخصی: با داده های خاص بیمار (نسل، تصویربرداری، الکتروفیزیولوژی)، مدل ها می توانند به مغز فرد، بهینه سازی انتخاب درمانی و انجام دادن کالیبره شوند.
  • آزمایش حیوانات را بازسازی کنید: آزمایش های مجازی می توانند به سرعت بسیاری از شرایط را نمایش دهند، فضای فرضیه را قبل از هزینه در مطالعات گوشتی محدود کنند.

چالش ها و محدودیت ها

علی رغم وعده های آنها، مدل های چند مقیاسی با چالش های مختلف مواجه می شوند.اول، آنها نیاز به مقادیر زیادی از داده ها در مقیاس ها دارند و چنین داده ها اغلب در شرایط مختلف ناقص یا اندازه گیری می شوند. دوم، مدل های مختلف را جفت می کنند (به عنوان مثال، شبیه سازی مولکولی دقیق با یک شبکه ضخیم) عدم اطمینان پارامتر و نیازهای محاسباتی را معرفی می کند.

با این وجود، پیشرفت های مداوم در محاسبات با عملکرد بالا، ادغام داده ها (به عنوان مثال، از طرح BRAIN)، و یادگیری ماشین در حال توسعه چارچوب های ماژولار است که در آن اجزای فردی (مدل های کانال، مدل های نورون، مدل های شبکه) می توانند به طور مستقل بهبود یابند و جایگزین شوند بدون بازسازی کل سیستم.

مسیر های آینده

مرز بعدی برای مدل سازی چند مقیاس در صرع شامل چندین پیشرفت هیجان انگیز است.یکی ترکیب بازخوردهای زمان واقعی، حلقه بسته است: مدل هایی که می توانند ورودی را از دستگاه های ایمپلنت شده دریافت کنند و پارامترهای تحریک را در پرواز تنظیم کنند، یکی دیگر ادغام داده های ژنتیکی و اپی ژنتیک است تا پیش بینی کنند که چگونه یک جهش خاص در یک بیمار مشخص، حسابداری برای اصلاح کنندگان و عوامل محیطی، که در حال حرکت سلول های عصبی (مانند نقش های حیاتی) و نقش های عصبی (مانند نقش های عصبی) هستند.

پیشرفت در هوش مصنوعی احتمالا سرعت رشد مدل را با کشف پارامترهای مربوطه و ترکیب قوانین از مجموعه داده های بزرگ، در نهایت، سیستم عامل های منبع باز مانند NEURON، NEST و مغز مجازی ساخت مدل سازی چند مقیاس بیشتر در دسترس جامعه تحقیقات گسترده تر، تقویت همکاری و بازتولید قابلیت به عنوان این ابزار بالغ، آنها تبدیل به جدایی ناپذیر به تشخیص صرع، درمان و در نهایت جلوگیری از پیشگیری، تبدیل خواهد شد.

نتیجه گیری

مدل سازی چند مقیاسی یک لنز تحول پذیر را ارائه می دهد که از طریق آن تشنج های اپیپلتیک را مشاهده می کند - نه به عنوان سلول های مجزا و یا رویدادهای شبکه، بلکه به عنوان پدیده هایی که از ترکیب پیچیده فرآیندهایی که شامل بسیاری از سفارشات اندازه در فضا و زمان هستند، با پر کردن روش های مولکولی، سلول، شبکه و سطوح سیستم، این مدل ها یک چارچوب یکپارچه برای درک مسیر شناسایی اهداف، شناسایی و امید به بیماران چند مرحله ای از روش های انطباق شناختی، ارائه می دهند و روش های مختلف، و روش های انطباق شناختی، و روش های چند گانه، و روش های انطباق شناختی، و روش های چند گانه، نشان دادن اطلاعات، و روش های مختلف، نشان دهنده روش های فنی، ارائه می دهند.