Integruotų neuromokslų ir neuroinformatikos metodų taikymas tiriant ir gydant nervų sistemos ligas

Sakalauskaitė, Laura

Use this url to cite ETD: https://hdl.handle.net/20.500.12512/111301

Integrated Neuroscience and Neuroinformatics Approach for Understanding and Treating Brain Disorders

Type of publication

type::text::thesis::master thesis

Title

Integrated Neuroscience and Neuroinformatics Approach for Understanding and Treating Brain Disorders

Other Title

Integruotų neuromokslų ir neuroinformatikos metodų taikymas tiriant ir gydant nervų sistemos ligas

Author

Sakalauskaitė, Laura

Advisor

Saudargienė, Aušra

Other(s)

Petrolis, Robertas	Recenzentas / Reviewer
Kriščiukaitis, Algimantas	Komisijos pirmininkas / Committee Chairman
Kazlauskas, Arūnas	Komisijos narys / Committee Member
Svirskis, Gytis	Komisijos narys / Committee Member

Extent

58 p.

Thesis Defence Date

2021-06-14

Keywords (lt)

Abstract (lt)

Aim: To review the neuroinformatic methods used in the clinical domain of brain sciences and investigate the impact of deep brain stimulation on pathological brain activity in Parkinson’s disease using a computational modeling approach. Objectives of Study:

To review the main concepts and methods in the field of neuroinformatics: aspects of neural data analysis and multiscale modeling in computational neuroscience.
To review the advances of the integrated neuroscience and neuroinformatics approach in understanding and treating complex neurological and psychiatric disorders.
To investigate the influence of different deep brain stimulation (DBS) targets and parameters on pathological brain oscillations in Parkinson’s disease by utilizing a computational modeling approach. Methodology: A literature review of machine learning methods and computational modeling approaches in the clinical domain of neuroscience was conducted. Furthermore, a computational modeling study was performed to investigate deep brain stimulation effects on pathological beta band oscillations of a simulated parkinsonian network using a neural mass model that represents basal ganglia and thalamocortical connections. Results: Machine learning and computational modeling applications in Parkinson ‘s disease, epilepsy, Alzheimer ‘s disease, stroke and psychiatric disorders were identified. A chosen computational model showed that connections to the thalamus and cortex were essential for driving pathological oscillations, increasing STN (subthalamic nucleus) and GPe (globus pallidus externus) connection strength led to higher frequency activity and applying DBS stimulation to selected targets with effective parameters drove parkinsonian oscillations to higher frequency bands. Conclusions: Computational and machine-learning approaches contribute to understanding the neuronal mechanisms and dynamical processes of brain diseases, offering individualized virtual brain models for early diagnosis, treatment selection and outcome prediction. The computational model of Parkinson’s disease revealed the principal network connections for driving pathological oscillatory activity. Modeling deep brain stimulation effects on the network allowed to investigate the effects of DBS parameters and multitarget stimulation. Recommendations: Multidisciplinary collaboration of neuroscience research fields, clinical medicine and neuroinformatics is needed for developing theoretical and computational models that integrate patient data and create individualized brain models that lead to novel clinical applications and hypothesis testing frameworks.

Abstract (en)

Tikslas: Apžvelgti neuroinformatikos metodų taikymą klinikinėje neuromokslų srityje ir panaudojant kompiuterinį modelį ištirti giliosios smegenų stimuliacijos efektus Parkinsono ligos sukeltai patologinei smegenų veiklai. Uždaviniai:

Apžvelgti pagrindinius neuroinformatikos aspektus: duomenų analizės metodus ir daugiaskalinius modeliavimo lygmenis kompiuterinių neuromokslų srityje.
Apžvelgti integruotų neuromokslų ir neuroinformatikos metodų panaudojimo galimybes tiriant ir gydant nervų sistemos ligas ir psichikos sutrikimus.
Ištirti skirtingų giliosios smegenų stimuliacijos taikinių ir parametrų įtaką Parkinsono ligai būdingiems patologiniams smegenų signalams taikant kompiuterinio modeliavimo metodus. Metodologija: Apžvelgta literatūra apie kompiuterinio modeliavimo ir mašininio mokymo metodus klinikinėje neuromokslų srityje. Kompiuterinis modelis, aprašantis smegenų pamato branduolių, gumburo ir smegenų žievės neuroninius tinklus, buvo naudojamas tiriant giliosios smegenų stimuliacijos poveikį beta bangų dažnio pokyčiams Parkinsono ligos atveju. Rezultatai: Mašininio mokymo ir kompiuterinio modeliavimo metodai yra plačiai taikomi Parkinsono ligos, epilepsijos, Alzheimerio ligos, insulto ir psichikos sutrikimų tyrimuose. Pasirinktas Parkinsono ligos kompiuterinis modelis parodė, kad jungtys į gumburą ir smegenų žievę buvo pagrindiniai komponentai, skatinantys patologinius smegenų signalus, didėjantis STN (subtalaminio branduolio) ir GPe (išorinio globus pallidus) ryšio stiprumas lėmė didesnio dažnio bangų aktyvumą ir taikant GSS su efektyviais parametrais į pasirinktas zonas buvo panaikinti patologinio dažnio smegenų signalai. Išvados: Kompiuteriniai modeliai padeda suprasti sudėtingus ligų mechanizmus ir skatina naujų terapinių galimybių ir personalizuoto gydymo atsiradimą neurologijos, neurochirurgijos ir psichiatrijos srityse. Pasirinktas Parkinsono ligos neuroninio tinklo kompiuterinis modelis parodė, kurie neuroninio tinklo ryšiai skatino patologinę smegenų veiklą. Giliosios smegenų stimuliacijos modeliavimas leido ištirti optimalius stimuliacijos parametrus ir skirtingų smegenų branduolių stimuliacijos poveikį. Rekomendacijos: Norint sukurti teorinius ir kompiuterinius smegenų modelius, kurie integruoja individualius pacientų duomenis, ir pritaikyti šiuos modelius klinikinėje praktikoje paciento gydymo plano parinkimui bei hipotezių tikrinimui, būtinas tarpdisciplininis neuromokslinių tyrimų sričių, klinikinės medicinos ir neuroinformatikos specialistų bendradarbiavimas.