NeuroSyntax

اکتبر سال ۲۰۲۲ مقاله زیر در ساینس چاپ شد و سر و صدای زیادی به پا کرد چون این تیم کره‌ای نشون داده بودن که با روشی به نام DIANA (direct imaging of neuronal activity) میتونن با استفاده از دستگاه MRI به طور مستقیم از خود فعالیت نورونی ثبت بگیرن. چرا این مهمه؟ چون در روش‌های مرسوم fMRI، از فعالیت عصبی به صورت مستقیم ثبت گرفته نمیشه بلکه سیگنال به دست اومده میزان اکسیژن خون رو نشون میده که به عنوان نوعی پروکسی برای فعالیت عصبی در نظر گرفته میشه. بنابراین اینکه روشی بتونه با دستگاه MRI از فعالیت عصبی به صورت مستقیم ثبت بگیره میتونه نوروساینس رو واقعاً دگرگون کنه چون اجازه میده تا بتونیم به‌صورت غیرتهاجمی و با دقت مکانی و زمانی بالا (در حد چند میلی‌ثانیه) از همه مغز ثبت بگیریم. این دقیقاً ادعایی بود که مقاله زیر داشت و برای همین هم خیلی توجه‌ها رو به خودش جلب کرد:

https://www.science.org/doi/10.1126/science.abh4340

طبیعتاً وقتی یک همچین مقاله‌ای در ژورنالی مثل ساینس چاپ میشه، آدما مشتاق میشن که در اسرع وقت این روش رو خودشون پیاده کنن. اما همه تیم‌هایی که سعی میکنن تا این روش رو پیاده کنن شکست میخورن. مقاله زیر که یکی از همین تلاش‌های شکست خورده بود عملاً میگه چیزی که تو مقاله بالا گزارش شده یک آرتیفکته که در اثر انتخاب گزینشی ترایال‌ها به وجود اومده:

https://www.science.org/doi/10.1126/sciadv.adl0999

فقط هم این مقاله نبود و کارهای دیگه‌ای هم عدم تکرارپذیری DIANA رو گزارش کردن که در مقاله زیر به خوبی جمع شده:

https://doi.org/10.53053/KINZ6963

این‌ها همه باعث شد که خود ادیتورهای مقاله اصلی نگرانی‌هاشون رو ابراز کنن و بگن که نویسنده‌ها به اندازه کافی متود رو توضیح ندادن و برای همین آدمای دیگه نتونستن تکرارش کنن. خوندن این کامنت کوتاه جالبه:

https://www.science.org/doi/10.1126/science.adk4448

و درنهایت پس از بالا و پایین‌های فراوان، سه روز پیش خود تیم کره‌ای مقاله رو Retract کردن! خلاصه‌ای از این ماجرا رو در نوشته زیر میتونید بخونید:

https://www.thetransmitter.org/retraction/authors-retract-science-paper-on-controversial-fmri-method/?utm_source=bluesky&utm_medium=org-social&utm_campaign=20250925-news-authors-retract-science-paper-on-fMRI-method

این داستان بنظرم نکات مهمی رو درباره پژوهش علمی بهمون یادآوری میکنه.
اولاً علی‌رغم اهمیت فرآیند داوری مقالات، نباید فراموش کنیم که درنهایت این جامعه علمی هستش که با تکرار و تکوین اون کار، داوریش میکنه. وگرنه شکی نیست که داوری ژورنالی مثل ساینس دقیق و سختگیرانه بوده اما خب داورها نرفتن این متود رو خودشون پیاده کنن! بنابراین وقتی کاری در یک ژورنال معتبر منتشر میشه نباید بهش به عنوان وحی منزل نگاه کنیم. نمونه‌های مشابه هم بسیار زیاده.
ثانیاً این مورد نشون میده که چرا فهمیدن دقیق روش آنالیز دیتای یک مقاله انقدر مهمه. حالا این مقاله که خود متودش هم مشکل داشته اما یکی از مشکلات مربوط به روش آنالیز بوده. کلاً ما در نوروساینس دچار یک بحران بزرگ هستیم! اونم اینه که روش‌های مختلف آنالیزی بهمون جواب‌های بسیار متفاوتی میدن. یکی از کارهای درخشانی که این مشکل رو به زیبایی نشون میده مقاله زیره که حتماً پیشنهاد میدم بخونید:

https://www.nature.com/articles/s41586-020-2314-9

اما در نهایت، با مطالعه سیر اتفاقات این داستان متوجه میشید که آدم‌ها در علم گاهی زیادی به یافته‌هاشون میچسبن، خصوصاً اگر اون یافته منجر به یک نتیجه زیبا شده باشه! حتی اگر غلط باشه! نقل قول زیر از Alan Jasanoff نشون‌دهنده همین مسئله هست:

I think it’s a sad fact about science that we make mistakes, and when the mistakes lead us in interesting directions, sometimes it’s difficult to completely let go.

@bahramani_ch

ماهی ها چگونه تصمیم میگیرند؟ مکانیزم های نورونی رفتار را چگونه پیدا میکنیم؟

بخش بزرگی از جلسه به شکل یک تمرین سعی کردیم مکانیزم های نورونی تصمیم گیری در ماهی را پیدا کنیم. در انتهای جلسه درباره رویکردهای unsupervised به فهم محاسبات مغزی پرداختیم.


قسمت نخست فهمیدن مغز را از این لینک تماشا کنید.

• فهمیدن به چه معناست؟ چگونه مغز را میفهمیم؟

تلگرام نوروسینتکس:

https://t.me/Neuro_Syntax

درود دوستان، من این آخر هفته درگیر جابجایی خونه هستم و نمیتونم جلسه رو برگزار کنم. با توجه به اینکه امیررضا هم درگیر مهاجرت تحصیلی هست فکر میکنم برای بازه زمانی ای جلسات آگورا رو متوقف کنیم. در این بین هفته هایی که من فرصت کنم مجموعه جلسات Generalized Linear Model ها رو ادامه میدم.

سپاس

درود، از اعضای نوروسینتکس کسی هست که تابحال با کتابخانه SSM یا مدل های Recurrent switching linear dynamical systems کار کرده باشه؟ چند سوال دارم.


کتابخانه SSM

https://github.com/lindermanlab/ssm/tree/master

مقاله:

https://arxiv.org/abs/1610.08466

امروز بحث های اساسی داریم. جلسه رو از دست ندید. ساعت پنج و نیم

دیاگرام مباحثی که در این نشست آگورا مطرح شد. فردا روی نمونه عملکرد های این مفاهیم در علوم اعصاب بیشتر کار میکنیم.

فهمیدن به چه معناست؟ چگونه مغز را میفهمیم؟

در این نشست آگورا، بحث کردیم که "فهمیدن" به چه معناست؟ به این رسیدیم که زمانی میتوانیم بگوییم که یک پدیده را میفهمیم که بتوانیم آن را توضیح بدهیم و معمولا منظور ما از توضیح ارائه یک ساختار علی است که بتواند آن پدیده را منجر شود/تولید کند. درباره انواع ساختار های علی صحبت کردیم و درباره رویکردهای پیدا کردن این ساختار ها. بررسی کردیم که هر کدام از این رویکردها چه محدودیت هایی دارند و چگونه بر شناخت ما از سیستم های زیستی (بخصوص مغز) اثر میگذارند.

قسمت دوم این نشست به زودی منتشر خواهد شد.

آکادمی نوروسینتکس را دنبال کنید:

https://t.me/Neuro_Syntax

درود بر همگی دوستانی که در جلسه امروز شرکت کردن. فردا جلسه رو ساعت پنج و نیم آغاز میکنیم. در جلسه به کمک مفاهیمی که امروز از فهمیدن، توضیح، ساختار های علی، مکانیزم و ... بحث کردیم به سراغ مغز میریم و بحث میکنیم چطور این مفاهیم روی رویکردهای ما در مطالعه مغز اثر میذارن. امیدوارم پر انرژی در جلسه شرکت کنید.

جلسه ساعت پنج بعد از ظهر آغاز خواهد شد. لینک زوم شرکت در جلسه دقایقی پیش از جلسه در همین کانال ارسال میشود. برای ورود به جلسه ممکن است نیاز به وی پی ان داشته باشید ولی بعد از ورود میتوانید وی پی ان را خاموش کنید.

در جلسات شنبه و یکشنبه، مجموعه ای از مباحث فلسفی رو مطرح خواهم کرد و بحث میکنیم که چطور تعریف ما از مسائلی مانند علیت، انواع ساختار های علی، توضیح و فهمیدن، در بررسی سیستم ها اثر میذاره. بخصوص درباره علوم اعصاب بحث میکنیم نگاه های گوناگون چطور ممکنه ما رو به نتایج مختلف سوق بده. پیشنهاد میکنم شرکت کنید.

درود بر همراهان نوروسینتکس

برای هفته پیش رو تصمیم گرفتم شنبه و یکشنبه کارگاه‌هایی برگزار کنیم تا کمی عمیق‌تر درباره مطالعه مغز (به‌ویژه در گستره علوم اعصاب سیستمی) بحث کنیم. موضوعات مورد گفت‌وگو:

1. مدل‌ها و توضیح مغز
مدل‌های گوناگونی برای فهم عملکرد مغز پیشنهاد شده‌اند: مبتنی بر ساختار، محاسبات، دینامیک و ... پرسش اصلی این است: آیا هرکدام از این‌ها به‌تنهایی کافی‌اند؟ اصلاً «توضیح» یعنی چه؟ اگر بخواهیم مکانیزم‌های نورونی حافظه (یا توجه، تصمیم‌گیری و …) را توضیح دهیم، باید به چه نوع پاسخی برسیم تا بگوییم توضیح ما کافی است؟

2. بازی اول
فرض کنید قرار است عملکرد یک ناحیه ناشناخته از مغز یک جانور را کشف کنیم. اما بر خلاف رویکردهای معمول، اجازه نداریم به صورت مستقیم همبستگی فعالیت این ناحیه را با رفتار یا محرک‌های خارجی محاسبه کنیم. در عوض، دسترسی کامل به ثبت دقیق از همه نورون‌ها، ساختار آناتومیکی و حتی مولکولی آن داریم. آیا تنها با داده‌های ساختاری و دینامیکی می‌توانیم عملکرد شناختی/رفتاری این ناحیه را حدس بزنیم؟

3. بازی دوم
رفتار مشخصی مثل فرار در یک ماهی ( یا انتخاب هدف بینایی ) را بررسی می‌کنیم. با انواع مدل‌های ممکن سعی می‌کنیم ارتباط بین ساختار و عملکرد نورونی با این رفتار را توضیح دهیم. پرسش کلیدی این است: آیا یک لایه توضیح (مثلاً فقط دینامیک یا فقط ساختار) کافی است؟ هر مدل چه نقص ها و مزایایی دارد؟

4. نقش دینامیک سیستم‌ها
بررسی می‌کنیم چطور شناخت دینامیک سیستم می‌تواند دامنه‌ی فرضیات ما درباره محاسبات آن را محدودتر و دقیق‌تر کند حتی بدون ایجاد همبستگی مستقیم به رفتار (نوعی Unsupervised Discovery)

5. منیفلد نورونی
رابطه‌ی رویکرد منیفلد نورونی با پرسش‌های بالا را هم مرور خواهیم کرد.

از شما میخوام به این پرسش‌ها فکر کنید و با سوالات بیشتر یا پاسخ‌ وارد جلسه بشید. قطعاً بعد از این بحث‌ها پرسش‌های تازه‌ای هم به وجود خواهد آمد، اما همین مسیر فرصتی برای تفکر نقادانه درباره رویکردهای امروز علوم زیستی (به‌ویژه علوم اعصاب) خواهد بود.


جلسه شنبه و یکشنبه ساعت پنج آغاز خواهد شد و هر جلسه ممکن است بین دو تا سه ساعت باشد.

فهم عمیق رویکرد منیفلد های نورونی نیازمند دانش پایه در حوزه حساب، جبرخطی و سیستم های پویاست. در نوروسینتکس دو پلی لیست بسیار میتونن به ایجاد چنین دانش پایه ای کمک کنن:

Matrix Decomposition

Complex Systems, Dynamics, Control

اگر چیزی حدود صد ساعت سرمایه گذاری کنید و ویدیوهای بالا رو به دقت تماشا کنید، دانش کافی پایه ای بدست میارید تا رویکردهای جدید علوم اعصاب سیستمی رو عمیق تر درک کنید. فهم سیستم های پیچیده، از جمله مغز، نیازمند بکارگیری رویکردهای ریاضیاتی کمی انتزاعی هستن که با تمرین میشه به شهود کافی دربارشون رسید. نیازی نیست بتونید معادله بنویسید و دستی حل کنید. باید یاد بگیرید این فضاهای خطی و غیرخطی چی هستن و چطور بررسی میشن. یاد بگیرید که مفهوم پشت هر پیش فرض چیه.

#neurosyntax