NI Biofizikos ir bioinformatikos laboratorija (11.03)

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:

1. To review the main concepts and methods in the field of neuroinformatics: aspects of neural data analysis and multiscale modeling in computational neuroscience.
2. To review the advances of the integrated neuroscience and neuroinformatics approach in understanding and treating complex neurological and psychiatric disorders.
3. 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.

[...]. Darbo tikslas ir uždaviniai. Šio darbo tikslas buvo sukurti biofizikiniais modeliais grįstus metodus, tinkančius diagnostikai svarbių požymių išskyrimui iš biomedicininių vaizdų ir signalų, bei ištirti daugiamatės analizės metodų galimybes apibendrintam šių požymių vertinimui, kiekybiškai atspindint tiriamus biologinių objektų virsmus. Šiam tikslui pasiekti reikėjo išspręsti šiuos uždavinius: 1. Ištirti daugiamatės analizės metodų tinkamumą, biomedicininių vaizdų ir signalų nešamos reikšmingos informacijos kiekybiniams vertinimui. 2. Sukurti daugiamate analize ir biofikiniais modeliais grįstą metodiką, tinkančią kvaziperiodinių biomedicininių signalų charakteristikų kiekybiniam vertinimui. 3. Sukurti daugiamatės analizės metodiką, tinkančią biomedicininių vaizdų diagnostikai svarbių savyybių vertinimui. Mokslinis darbo naujumas ir jo rezultatų praktinė reikšmė. Sukurtos metodikos, grįstos biofizikiniais modeliais ir daugiamatės nalizės principais, padeda atskleisti analizuojamų biologinių sistemų veikimo mechanizmus, jų sutrikimų patogenezę bei tai atspindinčių biomedicininių signalų ir vaizdų savybių pokyčių kilmę. [...].