Stel je voor dat je een enorme, bruisende stad probeert te begrijpen door alleen te luisteren naar het geluid van de straatverlichting buiten. Je hoort het gezoem van het verkeer, het geklets van menigten en het gerommel van metro's, maar je kunt niet zien wie met wie praat, waar de gesprekken plaatsvinden, of of het geluid slechts één grote echo is die weerkaatst tegen de gebouwen. Dit is de uitdaging waar neurowetenschappers voor staan wanneer ze proberen de menselijke hersenen in kaart te brengen. De hersenen zijn een complex netwerk van miljarden neuronen die synchroon vuren, wat een symfonie van elektrische en magnetische signalen creëert. Om deze muziek te horen zonder de schedel te openen, gebruiken wetenschappers twee speciale hulpmiddelen: EEG (elektro-encefalografie), dat luistert naar de elektrische spanning van de hersenen via sensoren op de hoofdhuid, en MEG (magneto-encefalografie), dat de minuscule magnetische velden detecteert die diezelfde stromen veroorzaken. Hoewel beide instrumenten als snelle microfoons werken die de gedachten van de hersenen in milliseconden kunnen opvangen, hebben ze een lastig gebrek: de signalen raken uitgesmeerd en vermengd terwijl ze door de schedel en de huid reizen, waardoor het moeilijk is om te bepalen of twee sensoren een gesprek opvangen tussen twee verschillende hersengebieden of slechts één harde stem die op twee plaatsen weerkaatst.

Dit artikel, geschreven door Richard Leahy en Takfarinas Medani van de University of Southernly California, is in essentie een gids om dat rommelige geluid op straatniveau om te zetten in een heldere kaart van de wijken van de stad en hun verbindingen. De auteurs leggen uit hoe je de ruwe gegevens van EEG- en MEG-sensoren kunt nemen en geavanceerde wiskunde kunt gebruiken om de activiteit van de hersenen te "reverse-engineeren", om precies uit te rekenen waar binnen de hersenen de signalen vandaan komen. Ze laten zien dat door gedetailleerde 3D-modellen van iemands hoofd te bouwen (met behulp van MRI-scans) en complexe natuurkundige puzzels op te lossen, onderzoekers kunnen overgaan van gissen aan het oppervlak naar het aanwijzen van de werkelijke betrokken hersengebieden. Het artikel stopt niet bij het vinden van de bronnen; het leert hoe je kunt meten hoe deze gebieden met elkaar communiceren, waarbij onderscheid wordt gemaakt tussen echte, betekenisvolle verbindingen en valse verbindingen veroorzaakt door het "echo"-effect. Het belicht een specifieke softwaretoolkit genaamd Brainstorm, die wetenschappers helpt dit alles op een stapsgewijze, reproduceerbare manier te doen, zodat de kaarten die ze maken van het netwerk van de hersenen nauwkeurig en betrouwbaar zijn.

Van de straatverlichting naar de bron: Het netwerk van de hersenen in kaart brengen

Beschouw de hersenen als een groot, onzichtbaar orkest. Wanneer de muzikanten (neuronen) samen spelen, creëren ze een geluid dat door de lucht (het hoofd) reist naar het publiek (de sensoren op de hoofdhuid). Het probleem is dat de lucht dik en hobbelig is, en het geluid weerkaatst, waardoor het moeilijk is om te horen welke instrument welke noot speelt. Dit is wat wetenschappers het "forward problem" noemen: als we weten waar de muzikanten zijn, kunnen we dan voorspellen wat het publiek hoort? Het artikel legt uit dat we om dit nauwkeurig te doen, een perfecte kaart van de concertzaal nodig hebben. In het verleden gebruikten wetenschappers eenvoudige, ronde modellen van het hoofd, zoals een perfecte sfeer. Maar echte hoofden zijn bobbelig en hebben verschillende lagen — huid, schedel, hersenweefsel — die elk elektriciteit of magnetisme anders geleiden.

De auteurs beschrijven hoe moderne hulpmiddelen MRI-scans gebruiken om een aangepaste "concertzaal" voor elk persoon te bouwen. Ze gebruiken twee hoofdmethoden om te berekenen hoe de signalen reizen: één methode (BEM) behandelt de lagen als afzonderlijke schillen, terwijl een andere (FEM) het hele hoofd opbreekt in kleine 3D-puzzelstukjes, wat zelfs meer detail mogelijk maakt, zoals hoe elektriciteit anders stroomt langs de vezels van het witte stof van de hersenen. Door deze gedetailleerde kaarten te gebruiken, kunnen wetenschappers precies berekenen hoe een signaal vanuit een specifieke plek in de hersenen eruit zou zien wanneer het uiteindelijk de sensoren bereikt.

Het grote detectivewerk: Het oplossen van het inverse probleem

Nu komt het moeilijke deel, dat het artikel het "inverse problem" noemt. Als we alleen de opname van het publiek hebben (de sensoren), kunnen we dan achterhalen welke muzikanten hebben gespeeld? Dit is als proberen te raden wie in het orkest een specifieke noot speelde door alleen te luisteren naar het vermengde geluid aan de achterkant van de zaal. Het is een lastige puzzel omdat er miljoenen mogelijke combinaties van muzikanten zijn die hetzelfde geluid kunnen produceren. Om dit op te lossen, legt het artikel uit dat wetenschappers slimme aannames, of "constraints", moeten doen.

Sommige methoden, zoals "dipole fitting", gaan ervan uit dat er slechts een paar belangrijke muzikanten een solo spelen. Anderen, zoals "distributed source imaging", gaan ervan uit dat het hele orkest speelt en proberen de volumina van elk instrument te bepalen. Het artikel belicht verschillende technieken hiervoor, zoals Minimum Norm Estimation (MNE), die zoekt naar de eenvoudigste oplossing met de minste totale energie, en dSPM, die het volume aanpast om ervoor te zorgen dat diepe, zachte instrumenten niet worden genegeerd omdat ze ver van de sensoren liggen. Het doel is om een heldere tijdreeks te krijgen van wat elk deel van de hersenen doet, waardoor de rommelige sensordata wordt omgezet in een heldere kaart van hersenactiviteit.

De echokamer: Omgaan met volumegeleiding

Hier is de grootste valstrik waar het artikel voor waarschuwt: het "volume conduction" effect. Stel je één luide trompettist in het orkest voor. Omdat het geluid zo snel door de lucht reist, kunnen twee microfoons aan tegenovergestelde kanten van de kamer datzelfde trompetgeluid op exact hetzelfde moment oppikken. Als je alleen naar de microfoons kijkt, zou je kunnen denken dat de twee microfoons met elkaar praten, of dat twee verschillende secties van het orkest perfect gesynchroniseerd zijn. Maar eigenlijk is het gewoon één bron die weerkaatst.

In de hersenen betekent dit dat twee sensoren een sterke verbinding kunnen vertonen, simpelweg omdat ze allebei hetzelfde signaal van één hersengebied horen, en niet omdat twee hersengebieden daadwerkelijk met elkaar communiceren. Het artikel legt uit dat dit "zero-lag" effect (waarbij het signaal zonder vertraging aankomt) een belangrijke bron van valse verbindingen is. Om dit op te lossen, suggereren de auteurs verschillende trucs. Eén is het gebruik van speciale wiskundige tools die signalen negeren die op exact hetzelfde moment plaatsvinden, en zich alleen richten op signalen die een kleine vertraging hebben (een faseverschuiving/phase lag), wat suggereert dat er een echt gesprek gaande is. Een andere truc is om de analyse uit te voeren in de "source space" — nadat we al hebben uitgezocht waar de signalen vandaan komen — in plaats van naar de ruwe sensordata te kijken. Dit is alsof je de microfoons van de achterkant van de zaal direct naast de muzikanten plaatst; het maakt het veel gemakkelijker om te zien wie met wie praat.

Het bouwen van de netwerkkaart

Zodra de wetenschappers de gegevens hebben opgeschoond en de ware bronnen van de hersenactiviteit hebben gevonden, kunnen ze beginnen met het tekenen van de kaart van het netwerk van de hersenen. Het artikel beschrijft dit als het creëren van een "connectoom", wat lijkt op een metromap van de hersenen. In deze kaart zijn de stations verschillende hersengebieden, en de lijnen die hen verbinden laten zien hoe sterk de communicatie is.

De auteurs leggen twee hoofdwegen uit om deze verbindingen te meten:

1. Functionele connectiviteit: Dit vraagt: "Bewegen deze twee stations in sync?" Het maakt niet uit wie de trein bestuurt; het gaat er alleen om dat ze samen aankomen en vertrekken. Het artikel somt veel manieren op om dit te meten, zoals controleren of de golven van elektriciteit op één lijn liggen (fasesynchronisatie) of of het volume van het signaal samen omhoog en omlaag gaat (amplitude correlatie).
2. Effectieve connectiviteit: Dit vraagt: "Wie bestuurt de trein?" Het probeert de richting van de invloed te bepalen. Vertelt de prefrontale cortex (de baas van de hersenen) de amygdala (het angstcentrum) om te kalmeren, of is het andersom? Het artikel noemt tools zoals Granger Causality en Dynamic Causal Modeling die proberen deze vraag te beantwoorden: "wie beïnvloedt wie".

De Toolkit: Brainstorm en vrienden

Ten slotte introduceert het artikel de tools die dit allemaal mogelijk maken voor reguliere onderzoekers. Het belicht een softwarepakket genaamd Brainstorm, dat fungeert als een Zwitsers zakmes voor hersendata. Het is een gratis, open-source programma waarmee wetenschappers alles kunnen doen, van het opschonen van de ruizige opnames tot het bouwen van de 3D-hoofdmodellen en het tekenen van de netwerkkaarten. De auteurs benadrukken dat Brainstorm geweldig is omdat het je in staat stelt om bij elke stap te zien wat je doet, zodat je kunt controleren of je kaart klopt. Het werkt ook samen met een andere tool genaamd BrainSuite, die helpt om MRI-scans om te zetten in de gedetailleerde hoofdmodellen die nodig zijn voor de wiskunde.

Het artikel concludeert door onderzoekers eraan te herinneren dat hoewel deze tools krachtig zijn, we voorzichtig moeten zijn. Er is geen enkel "magisch middel" dat elk probleem oplost, en de beste resultaten komen voort uit het combineren van verschillende methoden en het eerlijk zijn over de beperkingen. Door deze stappen te volgen en deze tools te gebruiken, kunnen wetenschappers een veel duidelijker beeld schetsen van hoe het netwerk van de hersenen werkt, wat ons helpt te begrijpen hoe we denken en hoe we ons voelen, zonder ooit de schedel te hoeven opensnijden.