オレゴン健康科学大学のリサーチ アソシエイト兼ラボ マネージャーである Michaela Cordova は、まず「脱金属」から始めます。指輪、時計、ガジェット、その他の金属源を取り除き、見落としている可能性のある物がないかポケットを再確認します。 、 "飛ぶ。"それから彼女はスキャニング ルームに入り、ベッドを上げ下げし、このバーチャル ラボ ツアーを可能にする iPad カメラ (私はマサチューセッツ州から何千マイルも離れたところから見ています) を観察するウィンドウと iPad カメラの一般的な方向にヘッド コイルを振ります。彼女の声は MRI スキャナーに埋め込まれたマイクによってわずかに歪んでおり、私の少しぼやけた視点から見ると、産業用のカンノーリというよりも、口が青く光る獣のように見えます。不気味な描写は、彼女の常連客の心に響くのではないかと思わずにはいられません。
Cordova は子供たちと協力して、子供たちの恐怖を和らげ、スキャナーに出入りするのを和らげ、穏やかな言葉、ピクサー映画、スナックの約束で子供たちをなだめ、揺れを最小限に抑えます。これらの子供たちは、脳の神経接続をマッピングすることを目的とした研究に登録されています。
「コネクトーム」として総称される脳領域間の物理的リンクは、人間を他の種と認識的に区別するものの一部です。しかし、それらは私たちを互いに差別化します。科学者は現在、遺伝的および環境的影響により、特定の脳が時間の経過とともにどのように変化するかを予測することを目標として、個人間の脳の構造と機能の共通点と相違点を理解するために、神経画像アプローチと機械学習を組み合わせています。
ダミアン・フェア准教授が率いるコルドバが働く研究室は、特定のタスクを実行し、行動に影響を与えるために協調する脳領域のマップである機能的コネクトームに関係しています。 Fair には、人の固有の神経接続の特別な名前があります:機能指紋です。指先の指紋と同様に、機能的な指紋は私たち一人一人に固有のものであり、一意の識別子として機能します。
「5 歳の子供から指紋を採取することはできますが、彼女が 25 歳になっても指紋が彼女のものであることを知ることができます」と Fair 氏は言います。彼女の指は、年齢や経験によって大きくなり、他の変化を経るかもしれませんが、「それでもコア機能はすべてそこにあります」.同じように、Fair の研究室や他の研究者の研究は、誰かの機能的なコネクトームの本質が識別可能に修正される可能性があり、生涯にわたる通常の変化はほとんど予測可能であることを示唆しています。
機能的なコネクトームを特定、追跡、モデリングすることで、脳のサインが行動の変化にどのようにつながるかが明らかになり、場合によっては、特定の精神神経疾患を発症するリスクが高くなる可能性があります。この目的のために、Fair と彼のチームは、スキャン、研究、そして最終的には臨床集団にわたる脳の接続のパターンについてデータを体系的に検索します。
コネクトームの特徴付け
機能的なコネクトームをマッピングする従来の手法では、一度に 2 つの脳領域のみに焦点を当て、MRI データを使用して、それぞれの活動が他の領域とどのように変化するかを関連付けていました。一斉に変化する信号を持つ脳領域には、スコア 1 が割り当てられます。一方が増加し、他方が減少する場合、それは -1 に値します。両者の間に観察可能な関係がない場合、それは 0 です。
ただし、このアプローチには制限があります。たとえば、これらの領域のペアは、隣接する領域からの入力によっても影響を受ける可能性が高く、これらの余分な入力により、ペアの真の機能的接続が隠される可能性がありますが、これらの領域のペアは脳の残りの部分から独立していると見なされます。このような仮定を克服するには、脳のサブセットだけでなく、脳全体のクロストークを調べて、他の方法では見過ごされていた可能性のある接続のより広範な有益なパターンを明らかにする必要がありました.
2010 年、Fair は Science で論文を共同執筆しました。 これは、特定の脳の成熟度 (または「年齢」) を推定するために、機械学習と MRI スキャンを使用して相関関係のすべてのペアを同時に考慮に入れることを説明しています。複数の接続にまたがるパターンを一度に分析したのはこのコラボレーションだけではありませんが、これらのパターンを使用して特定の個人の脳年齢を予測したのは初めてだったため、研究コミュニティ全体で話題になりました。
4年後、「機能的フィンガープリンティング」という言葉を生み出した論文で、フェアのチームは、機能的なコネクトームをマッピングし、1つではなくすべての領域からの信号に基づいて単一の脳領域の活動を予測する独自の方法を考案しました。
彼らの単純な線形モデルでは、単一の地域の活動は、他のすべての地域の貢献度の合計に等しく、それぞれが重み付けされています。各領域の相対的な寄与により、機能的な指紋が一意になります。研究者は、線形モデルを生成するために、参加者 1 人あたりわずか 2.5 分の高品質 MRI データを必要としました。
彼らの計算によると、コネクトームの約 30% は個人に固有のものです。これらの領域の大部分は、感覚、運動、視覚処理などのより基本的な機能と比較して、学習、記憶、注意などのより多くの認知処理を必要とする「高次」タスクを管理する傾向があります。
それらの領域が非常に特徴的であることは理にかなっている、とフェアは説明した。実際、前頭葉や頭頂葉などの脳領域は、進化の過程で後期に発達し、現生人類が出現するにつれて拡大しました。
「人々の間で何が最も似ているかを考えると、それはより単純なものになるでしょう」とフェアは言いました。これらの領域は、人口全体であまり変化しません。
特徴的な領域での固有の活動パターンを考慮することで、モデルは事後 2 週間で撮影された新しいスキャンに基づいて個人を識別することができました。しかし、一生のうちの数週間は何ですか?フェアと彼のチームは、誰かの機能的な指紋が何年も、あるいは何世代にもわたって存続する可能性があるかどうか疑問に思い始めました.
研究者が 1 人の機能的な指紋を近親者の指紋と比較できれば、神経回路を形成する遺伝的力と環境力を区別できる可能性があります。
神経系統の追跡
遺伝子を脳組織に結び付ける最初のステップは、コネクトームのどの側面が家族間で共有されているかを判断することです。このタスクは微妙な違いがあります。近親者は、体積、形状、白質の完全性に関して類似した脳構造を持つことが知られていますが、必ずしもそれらの構造をつなぐ同じ接続があることを意味するわけではありません.特定の精神状態は家族内でも発生する傾向があるため、遺伝性のつながりを検出するという Fair の使命は、特定の障害を発症するリスクを高める脳の部分と遺伝子を特定するのに最終的に役立つ可能性があります。
彼らが 6 月に投稿された論文で説明したように、ラボは機械学習フレームワークの作成に着手し、脳領域間のクロストークが見知らぬ人よりも親類の方が似ているかどうかを調べました。
研究者たちは、思春期初期を通じてコネクトームが比較的安定していることを確認するために、今回は子供を含む一連の新しい脳スキャンで線形モデルを再テストしました。実際、このモデルは、数年にわたる神経接続の発達上の変化にもかかわらず、個人を識別するのに十分な感度を備えていました.
脳回路における遺伝学と環境の役割を調査するには、最初に分類子として知られる分類アルゴリズムを使用して、テストされた個人を機能指紋に基づいて「関連」と「非関連」の 2 つのグループに分けました。モデルはオレゴン州の子供たちでトレーニングされ、新しい子供たちのセットと、ヒューマン コネクトーム プロジェクトの大人を含む別のサンプルでテストされました。
人間の観察者が目の色、髪の色、身長などの身体的特徴に基づいて人々の間の関係を推測するのと同じように、分類器は神経接続を使用して同じことを行いました。機能的な指紋は、一卵性双生児間で最も類似しているように見え、次に二卵性双生児、双子ではない兄弟、そして血縁関係のない参加者が続きました.
Fair の研究室のメンバーであり、研究の筆頭著者である研究助教 Oscar Miranda-Dominguez は、子供で訓練されたモデルを使用して大人の兄弟姉妹を特定できたことに驚いた。成人でトレーニングされたモデルはこれを行うことができませんでした。これはおそらく、成人の高次システムがすでに完全に成熟しており、その機能が若い発達中の脳に一般化できなくなったためです。 「より大きなサンプルと年齢スパンによるさらなる研究は、成熟の側面を明らかにするかもしれません」とミランダは言いました.
家族間の微妙な違いを区別するこのモデルの能力は驚くべきものである、と彼は付け加えた。なぜなら、研究者は、関連性の程度ではなく、「関連性」と「非関連性」のみを描写するように分類子を訓練したからである. (2014 年の線形モデルはこれらの微妙な違いを検出できましたが、従来の相関アプローチは検出できませんでした。)
彼らの双子のサンプルは、環境からの遺伝的影響を詳細に分析するには十分ではありませんでしたが、フェアの心には、後者が機能的な指紋の形成に大きな役割を果たしていることに「疑いの余地はありません」.彼らの補足資料は、共有された環境と共有された遺伝学を区別するモデルを説明しましたが、チームはより大きなデータセットなしで確固たる結論を導き出さないように注意しています. 「私たちがここで見ていることのほとんどは遺伝学に関するもので、環境に関するものではありません」と Fair は言いました。「環境がコネクトームにも大きな影響を与えていないわけではありません。」
共有環境の寄与を共有遺伝学の寄与から切り離すために、ミランダは次のように述べています。双子は同じ遺伝的寄与を共有しています。」
彼らが調べたすべての神経回路は、兄弟間のある程度の共通性を示していましたが、高次のシステムは最も遺伝性が高かった.これらは、4 年前の研究で個人間で最もばらつきが大きかったのと同じ領域でした。ミランダが指摘したように、これらの領域は、社会的相互作用と遺伝学の関連性に起因する行動を仲介し、おそらく「家族のアイデンティティ」を予測します.高血圧、関節炎、近視の直後に、家族に見られる特徴のリストに「分散型脳活動」を追加します。
脳が予測する年齢の兆候を探す
オレゴン州の Fair と Miranda が機能的なコネクトームの遺伝的基盤を特徴付けているのに対し、King's College London のリサーチ フェローである James Cole は神経画像と機械学習を使用して、脳年齢の遺伝性を解明しようと懸命に取り組んでいます。フェアのチームは、脳年齢を領域間の機能的接続という観点から定義していますが、コールはそれを時間の経過に伴う萎縮 (脳の収縮) の指標として採用しています。細胞は何年にもわたって縮んだり死んだりするため、神経の体積は減少しますが、頭蓋骨は同じサイズのままで、余分なスペースは脳脊髄液で満たされます.ある意味では、発達のある時点を過ぎると、脳は枯れて老化します。
2010 年、Fair が影響力のある Science を共著したのと同じ年に 機能的 MRI データを利用して脳年齢を割り当てることに興奮を巻き起こした論文で、Cole の同僚の 1 人が関連する取り組みを主導し、NeuroImage に掲載されました。 、解剖学的データを使用して、推測された脳年齢と実年齢の差 (「脳年齢ギャップ」) が生物学的に有益である可能性があるためです。
Cole によると、加齢は、人それぞれ、脳、さらには細胞の種類ごとにわずかに異なる影響を与えます。そのような「老化のモザイク」が存在する正確な理由は謎ですが、コールは、あるレベルでは、老化とは何かがまだわかっていないことを教えてくれます.遺伝子発現は、代謝、細胞機能、細胞ターンオーバーと同様に、時間とともに変化します。しかし、器官と細胞は独立して変化する可能性があります。老化プロセス全体を駆動する単一の遺伝子やホルモンはありません。
人によって老化の速度が異なることは広く受け入れられていますが、同じ人のさまざまな側面が別々に成熟する可能性があるという考えには、やや議論の余地があります。コールが説明したように、老化を測定する方法はたくさんありますが、組み合わせたり比較したりする方法はまだ多くありません。個人の体内の多くの組織を測定することで、研究者が老化のより包括的な評価を考案できるようになることが期待されています。 Cole の研究は、脳組織の画像を使ってこれを行うための出発点です。
Cole のアプローチの背後にある理論的フレームワークは比較的単純です。健康な個人からのデータを、解剖学的データから脳年齢を予測することを学習するアルゴリズムにフィードし、新しいサンプルでモデルをテストして、参加者の暦年齢を脳年齢から差し引きます。彼らの脳年齢が実年齢よりも大きい場合、これはおそらくアルツハイマー病などの病気が原因で、加齢に伴う変化が蓄積していることを示しています。
2017 年、Cole はガウス過程回帰 (GPR) と呼ばれるアルゴリズムを使用して、各参加者の脳年齢を生成しました。これにより、彼は自分の年齢の評価を、さまざまな年齢でのメチル基の付加によってゲノムのどの領域がオンまたはオフになるかなど、他の既存の尺度と比較することができました。メチル化年齢などのバイオマーカーは以前に死亡率を予測するために使用されていましたが、Cole は脳年齢も同様に使用できるのではないかと疑っていました.
実際、実年齢よりも老けて見える脳を持つ個人は、身体的および認知的健康状態が悪化し、最終的には死亡するリスクが高くなる傾向がありました.コールは、神経画像由来の脳年齢が高いことが必ずしもメチル化年齢と相関していないことを知って驚いた.ただし、参加者が両方を持っていた場合、死亡リスクは増加しました。
その同じ年の後半、Cole と彼の同僚は、デジタル ニューラル ネットワークを使用してこの研究を拡張し、一卵性双生児の脳予測年齢が二卵性双生児より類似しているかどうかを評価しました。データは MRI スキャナーから直接取得され、鼻、耳、舌、脊髄、場合によっては首の周りの脂肪を含む頭全体の画像が含まれていました。最小限の前処理で、それらはニューラル ネットワークに供給され、トレーニングとテストの後、脳年齢の最良の推定値が生成されました。遺伝的影響仮説に沿って、一卵性双生児の脳年齢は二卵性双生児よりも類似していました.
彼の結果は、脳年齢が遺伝学に一部起因する可能性が高いことを示していますが、Cole は環境の影響を無視しないように警告しました. 「脳が老けて見える遺伝的素因を持っていたとしても、環境を変えることができれば、遺伝子が引き起こしているかもしれないダメージを上回る可能性があります。」
ニューラル ネットワークが脳年齢を読み取ろうとする試みを支援することには、少なくとも現時点ではトレードオフがあります。 MRI データをふるいにかけて、研究者がどの特徴が関連しているかわからない場合でも、個人間の違いを見つけることができます。しかし、ディープ ラーニングの一般的な注意点は、ニューラル ネットワークが識別しているデータ セットの特徴を誰も知らないということです。彼が使用している未処理の MRI 画像には頭部全体が含まれていたため、脳年齢ではなく「全頭年齢」と呼ぶべきであるとコールは認めています。ある人が彼に指摘したように、彼は、人の鼻は時間の経過とともに変化するので、代わりにアルゴリズムがそれを追跡していなかったとはどういうことでしょうか?
ただし、Cole は、これが当てはまらないと確信しています。なぜなら、Cole のニューラル ネットワークは、生データと脳外の頭部構造を除去するために処理されたデータの両方で同様に機能したからです。ニューラル ネットワークが何に注意を払っているかを最終的に理解することで得られる本当の見返りは、脳のどの特定の部分が年齢評価で最も重要なのかについての手がかりになると彼は期待しています。
オスロ大学のノルウェー精神障害研究センターの研究者であるトビアス・カウフマンは、モデルが適切に訓練され、調整されていれば、脳年齢の予測に使用される機械学習技術はほとんど問題にならないことを示唆しています。 Cole が GPR をニューラル ネットワークと比較したときに発見したように、異なるアルゴリズムの結果は通常収束します。
カウフマン氏によると、違いは、Cole の深層学習手法では、退屈で時間のかかる MRI データの前処理の必要性が減ることです。このステップを短縮することで、いつか診療所での診断がスピードアップする可能性がありますが、現時点では、科学者が誤って生データに偏りを与えることを防ぐことにもなります.
より豊富なデータ セットは、メンタルヘルスを示すパターンの特定など、より複雑な予測も可能にする可能性があります。したがって、データセット内のすべての情報を変換または縮小せずに保持することは、科学に役立つ可能性があると Kaufmann 氏は述べています。 「それがディープラーニング手法の大きな利点だと思います。」
カウフマンは、現在審査中の論文の筆頭著者であり、これまでで最大の脳年齢に関する脳画像研究を構成しています。研究者は、構造 MRI データに機械学習を使用して、精神障害を持つ人々の老化パターンが最も強いのはどの脳領域かを明らかにしました。次に、彼らは調査をさらに一歩進め、健康な人の脳の老化パターンの根底にある遺伝子を調べました。彼らは、脳年齢に影響を与えた同じ遺伝子の多くが一般的な脳障害にも関与していることに注目し、おそらく同様の生物学的経路を示していることに興味をそそられました.
次の目標は、遺伝率を超えて、脳の解剖学とシグナル伝達に関与する特定の経路と遺伝子を解明することです.
コールのように脳年齢を解読するカウフマンのアプローチは解剖学に焦点を当てていますが、彼は接続性の観点からも脳年齢を測定することの重要性を強調しました. 「これらのアプローチはどちらも非常に重要だと思います」と彼は言いました。 「遺伝率と、脳の構造と機能の根底にある遺伝的構造を理解する必要があります。」
たとえば、Cole はさらなる研究を念頭に置いています。人工知能が私たち自身のものを理解する必要性については、説得力のある何かがあります。これは、遺伝子、脳、行動、および祖先の間の関係を明らかにする進歩によって強調されています。もちろん、彼がずっと鼻の年齢を研究していることに気付いた場合を除きます.
この記事は Wired.com に転載されたものです。
