A shared neural architecture underlies finger movement encoding in the human sensorimotor cortex

Met behulp van 7-Tesla fMRI en Procrustese transformatie tonen onderzoekers aan dat er een gedeelde, latente neurale architectuur bestaat voor het coderen van vingerbewegingen in de sensorimotorische cortex van verschillende mensen, wat de basis vormt voor schaalbare, kalibratievrije hersen-computerinterfaces.

De kern

De Kernvraag: Is ons brein een uniek meesterwerk of een standaardmodel?

Stel je voor dat je brein een enorme, ingewikkelde stad is. Als je je vingers beweegt (bijvoorbeeld een piano spelen of typen), branden er lichten op in die stad. De onderzoekers vroegen zich af: Zien die lichtjes er voor iedereen precies hetzelfde uit, of is elke stad uniek?

Vroeger dachten wetenschappers dat elk menselijk brein zo verschillend is als een vingerafdruk. Ze dachten dat de "kaart" van waar je vingers worden bestuurd, voor iedereen anders ligt. Als je iemand anders wilde helpen met een hersen-computerinterface (een apparaat dat gedachten in beweging zet), moest je die persoon maandenlang trainen om hun unieke kaart te leren lezen.

Het nieuwe idee:
De onderzoekers van deze studie (uit Oostenrijk, de VS en Brazilië) dachten: "Misschien is de stad wel uniek in zijn straten, maar is het verkeerssysteem eronder precies hetzelfde voor iedereen." Ze wilden bewijzen dat er een gedeelde, verborgen structuur bestaat die we allemaal delen, ongeacht hoe onze hersenen er van buitenaf uitzien.

Hoe hebben ze dit ontdekt? (Het Experiment)

1. De Oefening:
   Ze vroegen 12 mensen om met hun rechterhand 12 verschillende vinger-oefeningen te doen (zoals een code intoetsen) terwijl ze in een superkrachtige MRI-scan lagen (een 7-Tesla scanner, dat is als een gigantische magneet die heel diep in het brein kan kijken).

2. De Uitdaging:
   Als je de hersenactiviteit van persoon A vergelijkt met persoon B, lijkt het alsof ze totaal verschillende talen spreken. De signalen zijn verward en onleesbaar.

3. De Oplossing: De "Vertaal-app" (Hyperalignment)
   Hier komt de slimme truc van het onderzoek. Ze gebruikten een wiskundige methode genaamd hyperalignment.

   • De Analogie: Stel je voor dat persoon A en persoon B elk een eigen landkaart hebben. De wegen lopen anders, de huizen staan op andere plekken. Maar als je de kaart van persoon A in een speciale machine stopt, kan die machine de kaart "draaien, rekken en verdraaien" tot hij perfect overeenkomt met de kaart van persoon B.
   • In dit geval pasten ze de hersenkaarten van alle deelnemers aan elkaar aan, zodat ze in één gemeenschappelijke ruimte kwamen.

Wat vonden ze?

Toen ze deze "vertaalde" hersenkaarten gebruikten, gebeurde er iets wonderlijks:

• Het werkt voor iedereen: Ze konden een computerprogramma trainen op de hersenen van 11 mensen en dat programma direct gebruiken om de vingerbewegingen van de 12e persoon te voorspellen.
• Het is niet toeval: De computer kon precies zeggen welke vinger-oefening iemand deed, zelfs zonder die persoon ooit eerder te hebben gezien.
• De locatie: Deze gedeelde code zit vooral in het gebied rondom het midden van de hersenen (de centrale sulcus), wat logisch is omdat dat het commandocentrum voor beweging is.

Waarom is dit belangrijk? (De Toekomst)

Stel je voor dat je een standaardbedieningspaneel voor een auto hebt.

• Vroeger: Als je een nieuwe auto kocht, moest je eerst urenlang oefenen om te leren waar de rem, het gas en de versnelling zaten, want elke auto was anders.
• Nu: Dankzij dit onderzoek weten we dat alle auto's (hersenen) eigenlijk hetzelfde bedieningspaneel hebben, alleen staat het paneel soms een beetje scheef of is het anders verlicht. Als we de hoek van het paneel even aanpassen (hyperalignment), kunnen we direct rijden zonder te hoeven oefenen.

Dit betekent voor de toekomst:

1. Snellere hulpmiddelen: Mensen met verlamming die een hersen-computerinterface nodig hebben, hoeven niet meer maandenlang te kalibreren. Het apparaat kan al vooraf worden ingesteld op "standaard hersenen" en direct werken.
2. Revalidatie: Artsen kunnen beter begrijpen hoe motorische revalidatie werkt, omdat ze weten dat de onderliggende code voor beweging bij iedereen hetzelfde is.

Conclusie

Hoewel onze hersenen er van buitenaf allemaal anders uitzien (net als verschillende huizen), blijkt dat de informatie over hoe we onze vingers bewegen, in een gedeelde, universele taal is geschreven. De onderzoekers hebben bewezen dat we allemaal dezelfde "neuronale architectuur" delen, en dat we deze nu eindelijk kunnen lezen en gebruiken voor iedereen.

Technische samenvatting

Probleemstelling

Menselijk gedrag, zoals het uitvoeren van complexe vingerbewegingen, activeert corticale responsen die sterk variëren tussen individuen. Dit wordt voornamelijk toegeschreven aan de grote variatie in de topografische structuur van de hersenen (de "folding pattern") tussen personen. Hoewel dierstudies suggereren dat er een gedeelde neurale representatieruimte voor vrijwillige bewegingen bestaat binnen een soort, is het bij mensen onduidelijk of individuele hersenen bewegingen op een idiosyncratische (unieke) manier coderen of dat er een gedeelde, evolutionair behouden neurale architectuur bestaat.

Eerdere menselijke studies die probeerden deze gedeelde informatie te vinden, liepen vaak tegen methodologische valkuilen aan, zoals:

• Onvoldoende controle voor gestructureerde variantie (bijv. variatie in bewegingstijd).
• Schendingen van ruisaannames die vals-positieven kunnen veroorzaken.
• Het gebrek aan adequate correcties voor meervoudige vergelijkingen.

Het centrale vraagstuk is of er een betrouwbare, gedeelde neurale code voor sequentiële vingerbewegingen bestaat die overdraagbaar is tussen individuen, ondanks de anatomische verschillen.

Methodologie

De auteurs gebruikten een geavanceerde fMRI-approach met de volgende kerncomponenten:

1. Data en Experimenteel Ontwerp:

   • Data: Een openbaar beschikbare dataset (OpenNeuro) met 7-Tesla fMRI-data van 12 rechtshandige proefpersonen.
   • Taak: Proefpersonen voerden 12 unieke vinger-tap-sequenties uit met hun rechterhand. Elke sequentie bestond uit twee herhalingen van negen bewegingen.
   • Selectie: Alleen de eerste paar perfect uitgevoerde bewegingen per run werden geselecteerd om uitvoeringsfouten te minimaliseren.

2. Preprocessing:

   • Data werden verwerkt met fMRIPrep (versie 23.2.1).
   • Geen ruimtelijke smoothing werd toegepast.
   • De data werden geprojecteerd op het fsaverage5 corticale oppervlak.
   • Een General Linear Model (GLM) werd gebruikt om z-scores te genereren voor elke sequentie-paar conditie.

3. Hyperalignment (Procrustean Transformation):

   • Om de anatomische variatie te overbruggen, werd een oppervlak-gebaseerde searchlight-hyperalignment toegepast.
   • Proces: Voor elk searchlight (een schijf met een straal van 20 mm op het oppervlak) werden de neurale responspatronen van de trainingsproefpersonen (N-1) uitgelijnd naar een gemeenschappelijke, hoog-dimensionale ruimte met behulp van Procrustean-transformatie.
   • Cross-validatie: Een "leave-one-subject-out" strategie werd gebruikt. De testdata van één proefpersoon werden in de gemeenschappelijke ruimte geprojecteerd en getest met een model dat uitsluitend op de andere proefpersonen was getraind.

4. Decoding en Statistiek:

   • Classificatie: Een lineaire Support Vector Machine (SVM) met L2-regulering werd getraind om de 12 sequenties te decoderen binnen searchlights van 10 mm straal.
   • Significantie: Niet-parametrische permutatietesten (100 iteraties) werden uitgevoerd om de kans op boven-kansprestaties te bepalen. P-waarden werden gecorrigeerd met de Benjamini-Hochberg False Discovery Rate (FDR).
   • Controle-analyse: Een lineair gemengd-effectenmodel werd gebruikt om te controleren of variatie in bewegingstijd (motorische uitvoering) de decodeerresultaten beïnvloedde.

Belangrijkste Bijdragen

• Validatie van een gedeelde architectuur: Het artikel biedt sterk bewijs dat er een gedeelde, hoog-dimensionale neurale architectuur bestaat voor het coderen van complexe vingerbewegingen in de menselijke sensorimotorische cortex, ondanks anatomische verschillen.
• Methodologische striktheid: Door gebruik te maken van 7-Tesla data, hyperalignment en strikte controle voor bewegingstijd-variabiliteit, weerlegt het artikel de hypothese dat eerdere bevindingen puur het gevolg waren van methodologische artefacten of gedragsvariatie.
• Klinische relevantie: Het toont aan dat decoderingsmodellen getraind op gezonde proefpersonen kunnen worden overgebracht naar andere individuen zonder langdurige, persoonlijke kalibratie.

Resultaten

• Boven-kansprestaties: Na hyperalignment werd significant boven-kansprestatie (p < 0.05, FDR-correctie) waargenomen in de sensorimotorische cortex van beide hemisferen.
• Anatomische Lokalisatie:
  • De centrale sulcus toonde de hoogste decodeeraccuraatheid, wat consistent is met de rol van dit gebied in het coderen van bewegingskenmerken.
  • Er werd een linkerhemisferische lateraliteit gevonden (contralateraal aan de bewegende hand), met significant hogere scores in de linkerhemisfeer.
• Hyperalignment vs. Anatomische Alignering:
  • Bij puur anatomische alignering (geen hyperalignment) lag de accuratie dicht bij de kans (ca. 8,5%).
  • Met hyperalignment steeg de gemiddelde accuratie naar ongeveer 53% in beide hemisferen.
• Controle voor Bewegingstijd: Hoewel variatie in bewegingstijd een klein effect had op de accuratie, bleven de regionale verschillen (bijv. centrale sulcus vs. andere gebieden) robuust na controle voor deze variabele. Dit bevestigt dat de gevonden patronen neurale representaties weerspiegelen en niet slechts gedragsvariatie.

Betekenis en Toekomstperspectief

De bevindingen hebben grote implicaties voor zowel de theoretische neurowetenschap als de toegepaste technologie:

1. Neurotechnologie: Het bewijs van een gedeelde neurale code vormt de basis voor schaalbare, kalibratie-vrije Brain-Computer Interfaces (BCI's). Dit betekent dat BCI-systemen voor klinische populaties (bijv. patiënten met verlamming) kunnen worden voorgeprogrammeerd op gezonde vrijwilligers en direct toepasbaar zijn, zonder de huidige noodzaak aan tijdrovende, individuele training.
2. Revalidatie: Het opent de deur voor cross-subject modellen voor motorisch leren en revalidatie, waarbij kennis over neurale dynamiek direct kan worden overgedragen tussen patiënten.
3. Theoretisch Inzicht: Het bevestigt dat evolutionaire druk de neurale circuits zo heeft gevormd dat de informatiestructuur behouden blijft, zelfs als de fysieke topografie van de hersenen varieert.

Kortom, dit onderzoek toont aan dat de menselijke motorische cortex een universele "taal" voor beweging heeft die we kunnen ontcijferen en gebruiken voor geavanceerde neurotechnologische toepassingen.