Fare Beyninde Tek Hücre Verilerinden Sinirsel Bağlantıların Keşfi

Bilim insanları, bir memeli beyninde tek bir nöronun genetik kimliği, fiziksel yapısı ve konumundan yola çıkarak bu hücrenin beynin hangi uzak bölgelerine sinyal gönderdiğini yüksek doğrulukla tahmin edebilen modeller geliştirdi. Nature dergisinde yayımlanan çalışma, farenin birincil görme korteksindeki (VISp) nöronların projeksiyom adı verilen hedef haritalarını ortaya çıkarmak için çok modlu veri entegrasyonunun gücünü gösteriyor.

Canlı beyni anlamanın en büyük zorluklarından biri, milyarlarca nöronun oluşturduğu devasa ağda her bir hücrenin bilgiyi nereye ilettiğini çözmektir. Görme korteksi, dış dünyadan gelen ışık desenlerini işleyerek anlamlı algılara dönüştüren, oldukça düzenli ve topografik bir yapıdır. Bu bölgedeki piramidal nöronlar, beynin karşı tarafındaki korteks alanlarından talamusa, striatumdan superior kollikulusa kadar onlarca farklı hedefe uzanan aksonlar oluşturur. Ancak bir nöronun hangi hedefi seçeceğini belirleyen moleküler ve yapısal kurallar şimdiye kadar büyük ölçüde gizemini koruyordu.

Daha önceki araştırmalar, belirli gen ifadesi profillerinin nöronların genel akson şekilleriyle ilişkili olduğunu göstermişti. Örneğin, bazı transkriptomik sınıflar kalın, uzağa uzanan projeksiyonlar yaparken diğerleri daha yerel bağlantılar kuruyordu. Fakat bu kaba korelasyonlar, belirli bir nöronun aksonunun lateral genikulat çekirdeğe mi yoksa posterior parietal kortekse mi gideceğini kesin olarak söyleyemiyordu. Yeni çalışma işte tam bu noktada çığır açıyor; tek hücre transkriptomları, morfolojik özellikler ve hücrenin korteks yüzeyindeki konumunu bir araya getirerek projeksiyon hedeflerini tekil hücre düzeyinde tahmin eden lojistik regresyon modelleri kuruyor.

Araştırma ekibi, VISp bölgesinden elde edilmiş kapsamlı bir tüm-nöron morfolojisi (WNM) veri setini kullandı. Her bir nöron için akson ve dendrit ağacını nicelendiren yüzlerce parametre, seyrek İndirgenmiş Sıra Regresyonu (RRR) yöntemiyle anlamlı gizil faktörlere indirgendi. Bu faktörler, dallanma karmaşıklığını, akson uzunluğunu, dallanma açılarını ve diğer geometrik özellikleri birkaç boyutta özetleyerek modelin işleyebileceği sağlam değişkenler haline geldi. Kritik biçimde, modellere her nöronun kortikal yüzey üzerindeki tam koordinatları da eklendi; çünkü görme korteksinde uzaydaki konum, hücrenin hangi görsel alanı temsil ettiğini ve dolayısıyla muhtemel hedeflerini etkileyen yerleşik bir visüotopik haritaya işaret ediyor.

Modeller, VISp içindeki iyi tanımlanmış nöron alt sınıflarına göre katmanlandırıldı. Bunlar arasında Katman 2/3 İntratelensefalik (L2/3 IT), Katman 4 ve Katman 5 İntratelensefalik (L4 ve L5 IT), Katman 5 Ekstratelenkefalik (L5 ET), Katman 5/6 Yakın-projeksiyon (L5/6 NP) ile Katman 6 Kortikotalamik (L6 CT) nöronlar yer aldı. Her alt sınıf için ayrı ayrı eğitilen lojistik regresyon sınıflandırıcıları, bir nöronun belirli bir hedef bölgeye projeksiyon yapıp yapmadığını yüksek doğrulukla ayırt edebildi. Bu, aynı genel hücre sınıfı içinde bile hedef seçiminin, morfolojik ve uzamsal ipuçlarına dayanarak tahmin edilebildiğini gösteriyor.

Bulgular, nöronal kimliğin çok katmanlı doğasına ışık tutuyor. Bir hücrenin gen ifade programı onun genel “kişiliğini” belirlerken, somanın kortikal yüzeydeki konumu ve buna bağlı olarak şekillenen dendritik-aksonal ağaç yapısı, o hücrenin uzun mesafeli bağlantı haritasını kesinleştiriyor. Araştırmacılar özellikle, projeksiyon hedeflerini tahmin etmede konum bilgisinin en az transkriptomik imzalar kadar belirleyici olduğunu vurguluyor. Bu, görme sisteminin işleyişinde uzamsal organizasyonun ne denli merkezi bir rol oynadığını bir kez daha kanıtlıyor.

Çalışmanın bir diğer dikkat çekici yönü, kullanılan istatistiksel çerçevenin esnekliği. Seyrek RRR ile boyut indirgeme, yorumlanabilirliği korurken aşırı öğrenmeyi engelliyor. Ayrıca lojistik regresyonun doğrusal doğası, hangi morfolojik faktörlerin hangi hedeflerle ilişkili olduğunun açıkça görülebilmesini sağlıyor. Örneğin, L5 ET nöronlarında talamik hedeflere yönelen projeksiyonlar belirli bir bazal dendrit kompleksliği ile ilişkiliyken, kortikal hedefler için apikal dendrit uzunluğunun daha kritik olduğu ortaya çıktı. Bu tür ayrıntılı yapı-fonksiyon eşleşmeleri, devre düzeyinde modelleme çalışmaları için yeni kapılar aralıyor.

Keşif aynı zamanda tek hücre omik verilerinin bağlantısallık (konnektomik) çalışmalarıyla nasıl bütünleştirilebileceğine dair bir yol haritası sunuyor. Günümüzde devasa ölçekli elektron mikroskobu rekonstrüksiyonları veya viral izleme yöntemleri ile konnektom haritaları çıkarılabiliyor; ancak bu yöntemler her bir nöronun moleküler profili hakkında bilgi vermiyor. Tersine, tek hücre dizileme yöntemleriyle gen ifade atlasları oluşturulabiliyor ama bu hücrelerin bağlantıları kayboluyor. Sorensen ve arkadaşlarının yaklaşımı, bu iki veri türünü aynı hücrede birleştirmenin mümkün olduğunu ve projeksiyom tahmini için güçlü bir temel oluşturduğunu gösteriyor. Bu, gelecekte multimodal nöronal atlasların inşasını hızlandırabilir.

Çalışmanın sınırlılıkları da not edilmeli. Modeller şimdilik yalnızca fare görme korteksinde, belirli genetik ve morfolojik olarak tanımlanmış alt sınıflar için geçerli. İnsan beyni gibi daha karmaşık sistemlere doğrudan genelleme yapmak şimdilik mümkün değil. Ayrıca tahminler, hedef bölgelerin tamamına projeksiyon olasılığını veriyor; ancak bir nöronun birden fazla hedefe dallanma yapıp yapmadığını ya da sinaps yoğunluğunu henüz modellemiyor. Bununla birlikte, araştırmacılar yöntemin diğer kortikal alanlara ve hatta diğer türlere uyarlanabileceğini öngörüyor.

Sonuç olarak bu çalışma, sinirbilimde uzun süredir peşinde koşulan bir hedefe ulaşma yolunda önemli bir adım: Bir nöronun moleküler kimliğinden bağlantı haritasına giden yolu sistematik olarak okumak. Görme korteksindeki her bir hücrenin nereye mesaj göndereceğini şifreleyen kuralların deşifre edilmesi, yalnızca algının biyolojik temellerini anlamamıza değil, aynı zamanda nörolojik hastalıklarda bozulan devrelerin onarımına yönelik stratejilere de katkı sağlayabilir. Beynin donanımını hücre hücre okuma çabası, bu tür bütünleştirici yaklaşımlarla ivme kazanıyor.