NeuroPath: نموذج مسار عصبي مُحَوِّل لربط خيوط الخرائط العصبية البشرية

على الرغم من أن التقنيات الحديثة للتصوير تتيح لنا دراسة الاتصال بين منطقتين عصبيتين متميزتين داخل الجسم الحي، إلا أن الفهم العميق لكيفية دعم البنية الهيكلية للوظائف العصبية، وكيفية ظهور التقلبات الوظيفية الطارئة التي تؤدي إلى إدراك مميز، ما زال مغيبًا. في الوقت نفسه، بذلت جهود هائلة في مجال التعلم الآلي لتأسيس خريطة غير خطية بين بيانات التصوير العصبي والسمات الفسيولوجية. لكن غياب الرؤى العصبية في النماذج الحالية يشكل تحديات كبيرة في فهم السلوك المعرفي من خلال الأنشطة العصبية العابرة. ولحل هذه التحديات، ركّزنا على آلية الارتباط بين الاتصال الهيكلي (SC) والاتصال الوظيفي (FC)، من خلال صياغة هذا السؤال في علم الشبكات العصبية كمشكلة تعلم تمثيل رسومي تعبيري يُمكّن من استكشاف البنية عالية الرتبة. وبشكل خاص، قمنا بطرح مفهوم "الانعطافة الهيكلية" (topological detour) لوصف كيفية دعم المسارات العصبية (الانعطافة) التي تُشكّل بشكل مادي بواسطة الاتصال الهيكلي (SC) لحالة شائعة من الاتصال الوظيفي (الاتصال المباشر)، مما يُشكّل دورة دائرية تتفاعل بين البنية والوظيفة العصبية. وباستخدام صيغة التعلم الآلي التقليدية، تتيح لنا المسارات المتعددة الخطوات (multi-hop detour) الكامنة وراء ارتباط SC-FC تصميم آلية انتباه ذات عناصر متعددة (multi-head self-attention) داخل نموذج Transformer، بهدف استخلاص تمثيلات ميزات متعددة الأشكال من الرسوم البيانية المرتبطة بـ SC وFC. وبشكل متكامل، نقترح نموذجًا عميقًا مستوحى من الطبيعة، يُسمى NeuroPath، لاكتشاف تمثيلات وظيفية اتصالية محتملة من كميات غير مسبوقة من الصور العصبية، ويمكن دمجه في تطبيقات متعددة في المراحل التالية مثل التعرف على المهام وتشخيص الأمراض. وقد قُمنا بتجريب NeuroPath على مجموعات بيانات عامة كبيرة الحجم، تشمل HCP وUK Biobank، ضمن بيئة التعلم المراقب والتعلم الصفر (zero-shot)، حيث أظهرت نتائج NeuroPath أداءً متقدمًا مقارنة بأفضل النماذج الحالية، ما يُشير إلى إمكانات كبيرة لهذا النموذج في مجال علم الشبكات العصبية.