Trial-level Representational Similarity Analysis

Het menselijk brein is een uitgestrekt, stil landschap van elektrische activiteit, dat voortdurend verschuift terwijl we denken, voelen en de wereld waarnemen. Decennialang hebben wetenschappers geprobeerd deze activiteit in kaart te brengen om te begrijpen hoe de geest werkt, waarbij ze het brein behandelen als een complexe machine waarin specifieke patronen van vurende neuronen staan voor onze interne ervaringen. Om deze patronen betekenis te geven, ontwikkelden onderzoekers een methode genaamd representational similarity analysis (representatieve gelijkenis-analyse). Stel je voor dat je naar een menigte mensen kijkt en hun relaties probeert te begrijpen, niet door te luisteren naar wat ze zeggen, maar door te meten hoe sterk hun gezichten op elkaar lijken. In het brein doen wetenschappers iets soortgelijks: ze meten hoe gelijk de hersenactiviteit is wanneer een persoon verschillende dingen ziet, zoals een kat versus een hond, of een rode cirkel versus een blauw vierkant. Door deze patronen te vergelijken, kunnen ze een kaart bous van hoe het brein informatie organiseert, wat onthult of het gelijkaardige items bij elkaar groepeert of ze juist gescheiden houdt. Deze benadering is een standaardinstrument geworden voor het verkennen van de architectuur van het menselijk denken, maar ondanks al zijn nut heeft de traditionele manier van gebruik een blinde vlek die belangrijke details van de menselijke ervaring ononderzocht laat.

Jarenlang heeft de standaardmethode een verzameling hersenscans behandeld als één enkel, gemiddeld blok aan data. Wanneer onderzoekers deze klassieke benadering gebruikten, keken ze naar de algemene gelijkenis tussen veel verschillende items tegelijkertijd, waardoor ze een breed beeld kregen van hoe het brein de wereld representeert. Deze methode had echter een significante beperking: het kon de bijdragen van individuele momenten in de tijd niet wegen. Het was alsof een fotograaf honderd foto's maakte van een bewegende scène, ze allemaal gemiddeld tot één wazig beeld, en vervolgens probeerde de details van een enkele gezichtsuitdrukking te analyseren. Omdat de oude methode de verschillen tussen individuele proeven uitvlakte, had het moeite met het verklaren van de natuurlijke variaties die optreden van persoon tot persoon, van de ene specifieke stimulus naar de andere, of zelfs van het ene moment naar het andere binnen hetzelfde experiment. Deze variaties zijn niet slechts ruis; ze zijn het weefsel van hoe onze hersenen functioneren, beïnvloed door onze unieke geschiedenissen en de specifieke context van elk splinseling van een ervaring. De klassieke benadering, door deze individuele schommelingen te negeren, miste vaak de subtiele maar reële effecten die ons cognitieve leven aansturen.

Om dit aan te pakken, hebben onderzoekers een nieuw kader geïntroduceerd genaamd trial-level representational similarity analysis. In plaats van alles te middelen, kijkt deze nieuwe methode naar de sterkte van de hersenrepresentatie voor elke afzonderlijke experimentele proef (trial). Het behandelt elk enkel moment van data als een afzonderlijke gebeurtenis die op zichzelf gewogen en geanalyseerd kan worden. De onderzoekers controleerden eerst of deze nieuwe manier van kijken naar de data overeenkwam met de oude methode bij het meten van de algehele sterkte van een representatie over alle proeven heen, waarmee werd bevestigd dat het nieuwe instrument geen resultaten uitvond maar ze verfijnde. Vervolgens testten ze beide benaderingen met gesimuleerde data die een breed scala aan mogelijke scenario's nabootsten, van eenvoudige patronen tot complexe, ruizige condities. In deze simulaties bleek de nieuwe methode aanzienlijk gevoeliger voor ware effecten dan de traditionele benadering. Het was beter in het opsporen van het signaal wanneer dat aanwezig was, en deed dit op een manier die theoretisch meer solide was, waarbij het respect toonde voor de natuurlijke hiërarchie van hoe experimenten daadwerkelijk worden uitgevoerd.

De onderzoekers stopten niet bij simulaties; ze namen de nieuwe methode mee naar de echte wereld door deze toe te passen op werkelijke functionele MRI-data verzameld van menselijke participanten. Hier ontdekten ze verschillende problemen met de klassieke benadering die eerder onopgemerkt waren gebleven. De traditionele methode leidde soms tot misleidende conclusies omdat het niet de specifieke manieren kon hanteren waarop echte wereld-data varieert. Het nieuwe framework op proefniveau was robuuster en sneed door de ruis om patronen te onthullen die de oude methode had vertroebeld. Het belangrijkste was dat deze nieuwe benadering het team in staat stelde om nieuwe inzichten te vinden over neurale representaties die simpelweg onmogelijk te zien waren met de vorige instrumenten. Ze ontdekten specifieke details over hoe het brein informatie codeert die afhankelijk waren van de unieke kenmerken van individuele proeven, bevindingen die verloren zouden zijn gegaan in de waas van een gemiddelde. Door de focus te verleggen van de groep naar het individuele moment, biedt dit werk een preciezere en veelzijdiger manier om het brein te begrijpen, wat bewijst dat soms de sleutel tot het zien van het hele plaatje ligt in het nauwgezet aandacht schenken aan de kleinste details.