Serbestçe Hareket Eden Farelerde Davranışsal Durum Çözümlemesi İçin Çok Bölgeli Esnek Bir Sinirsel Arayüz

Beynin Günlük Rutinine Kulak Vermek

Dinlenme, etrafta gezinme veya bir atıştırmalık alma gibi günlük etkinlikler zahmetsiz görünür, ancak bunlar beynin derinliklerinde birlikte ateşlenen milyonlarca sinir hücresinden ortaya çıkar. Bu çalışma, yeni bir esnek sensör sisteminin modern yapay zekâ ile birleştirildiğinde, serbestçe hareket eden farelerde aynı anda birçok beyin bölgesini “dinleyebildiğini” ve hayvanın ne yaptığını güvenilir şekilde söyleyebildiğini gösteriyor. Uzun vadede bu tür teknoloji, bilim insanlarının beyin bozukluklarını anlamasına ve laboratuvar dışındaki koşullarda çalışan daha iyi beyin‑bilgisayar arayüzleri geliştirilmesine yardımcı olabilir.

Yoğun Bir Beyne Yumuşak Bir Pencere

Geleneksel beyin probları serttir ve genellikle tek bir bölgeyi dinler; bu dokuya tahriş verebilir ve farklı bölgelerin nasıl işbirliği yaptığını görmede bütünü kaçırabilir. Araştırma ekibi bu iki sorunu çözen çok‑bölgeli, esnek bir prob tasarladı. Her prob sekiz ince kola (shank) sahiptir ve bu kollarda küçük altın kayıt pedleri sıralanmıştır. Her shank’e entegre edilen omega şeklindeki akıllı kıvrımlar, yapının yumuşak beyinle birlikte esnemesini ve esnek kalmasını sağlayarak uzak bölgelerine kopmadan veya dokuya çekme uygulamadan ulaşmasına olanak tanır. Jel “fantom” beyinlerde ve canlı farelerde yapılan testler, cihazın bir santimetreden fazla beyni kapsayabildiğini ve hayvanlar doğal şekilde hareket ederken bile haftalar boyunca elektriksel özelliklerini sabit tutabildiğini gösterdi.

Fareleri Dinlenirken, Gezerken ve Beslenirken İzlemek

Beyin etkinliğini gerçek davranışla ilişkilendirmek için araştırmacılar, farelerin özgürce hareket edebildiği, zeminde yataklık olan, belirli bir köşede yiyecek bulunan ve kısa flaşlar verebilen bir ışık içeren şeffaf bir kutu kurdular. Üstten kameralar kafa ve kuyruk pozisyonlarını izlerken, yeni prob hareket, dokunma, hafıza ve görme merkezleri dahil olmak üzere sekize kadar bölgeden düşük frekanslı beyin sinyallerini kaydetti. Ekip, dinlenme, kutuda gezinme, yiyecek noktasında beslenme ve ritmik bir ışık flaşına yanıt verme olmak üzere kolayca tanınabilen dört duruma odaklandı. Videolardan davranışı dikkatle etiketleyip beyin kayıtlarıyla eşleştirerek, dört fare arasında yaklaşık bir haftalık aktif zamanı kapsayan zengin bir veri seti derlediler.

Beyin Desenlerini Okuması İçin Bir Yapay Zekâ Eğitmek

Beyin sinyalleri zaman içinde ve bölgeler arasında hızla değişir; bu yüzden ekip, insanların kolayca göremediği desenleri bulmak için bir derin öğrenme modeline başvurdu. Özel “L‑Conformer” modelleri iki fikri birleştiriyor: bir bölüm sinyaldeki kısa menzilli şekilleri ararken, diğer “dikkat” bölümü desenlerin daha uzun zaman aralıklarında nasıl ilişkilendiğini izliyor. Kayıtlara zaman penceresi kaydırarak model, her dört saniyelik beyin etkinliği parçasını dört davranışsal durumdan birine bağlamayı öğreniyor. Araştırmacılar birçok pencere uzunluğunu test etti ve dört saniyenin sürdürülen davranışı yakalamak ile farklı durumların karışmasını önlemek arasında en iyi dengeyi sağladığını buldu; doğruluk neredeyse %89’e ulaştı. Son dönemdeki beyin‑bilgisayar arayüzü çalışmalarından seçilen rakip modeller, bu zorlu, doğalcı veri setinde aynı performansı gösteremedi.

Birden Fazla Bölge Tek Bir Bölgeyi Yener

Ana sorulardan biri, çok sayıda elektrodu tek bir “favori” bölgeye sıkıştırmanın mı yoksa bunları beyin boyunca yaymanın mı daha iyi olduğuydu. Model her seferinde tek bir bölgeden gelen sinyallerle eğitildiğinde performans geniş ölçüde değişti ve sıklıkla ılımlı kaldı. Tüm sekiz bölgenin birleştirilmesi ortalama doğruluğu neredeyse %88’e yükseltti. Ekip daha sonra, kanal sayısını sabit tutup yerleşimi değiştirerek adil karşılaştırmalar yaptı. Sadece birkaç kanal olduğunda, bunları tek bir bölgeye yoğunlaştırmak biraz daha iyi çalıştı. Ancak beş veya daha fazla bölgeden sinyaller dahil edilince, dağıtık düzen belirgin şekilde öne geçti ve gelişmeye devam etti; tek‑bölge düzeni ise bir tavan noktasına ulaştı. Bu, dinlenme, gezinme ve beslenme gibi günlük durumların tek bir “merkez”in ürünü değil, gerçek anlamda tüm beyin çapında yayılan olgular olduğunu düşündürüyor.

Günler ve Farklı Fareler Arasında Kararlı Çözümleme

Gelecekteki klinik veya yardımcı kullanımlar için bir çözücü, tek bir kayıt oturumu veya bireyle sınırlı kalmadan çalışmayı sürdürebilmelidir. Bu nedenle araştırmacılar modellerinin sürekli yeniden eğitme olmadan yeni günleri ve yeni hayvanları ele alıp alamayacağını sordular. Bir farenin birkaç günlük verisiyle eğitilip sonraki günlerde test edildiğinde, doğruluk yeniden ayar yapılmaksızın aynı gün performansına yakın şekilde yaklaşık %85’e çıktı. Daha zor bir sınamada, sistemi üç fare üzerinde eğitip dördüncü fare üzerinde değerlendirdiler. Dikkat çekici biçimde model, kutudan çıktığı anda bu hayvanın davranışsal durumunu yaklaşık %70 doğrulukla tahmin edebildi ve yeni farenin bazı verileriyle basit bir ince ayar doğruluğu %80’in üzerine taşıdı.

Geleceğin Beyin Arayüzleri İçin Bunun Anlamı

Özetle, çalışma gösteriyor ki yumuşak, çok‑bölgeli bir “dinleme ağı” ile güçlü bir öğrenme algoritmasının birleştirilmesi, serbestçe hareket eden bir farenin ne yaptığını haftalar boyunca ve farklı hayvanlar arasında yüksek güvenilirlikle çözümleyebilir. Uzman olmayanlar için ana fikir, dinlenme, keşfetme ve yeme gibi beyin durumlarının beynin geniş ölçekte yayılmış desenlerinde yazılı olduğu ve esnek elektronikler ile yapay zekânın bu dağıtık kodu dokuya zarar vermeden veya her gün baştan başlamadan okuyabileceğidir. Uzun vadede benzer yaklaşımlar, beyin bozukluklarındaki içsel durumları izlemeye, tedavileri yönlendirmeye ve daha doğal, günlük ortamlarda çalışan beyin‑bilgisayar arayüzlerini desteklemeye yardımcı olabilir.

Atıf: Tian, Y., Li, G., Su, H. et al. A multi-region flexible neural interface for behavioral state decoding in freely moving mice. Microsyst Nanoeng 12, 154 (2026). https://doi.org/10.1038/s41378-026-01258-5

Anahtar kelimeler: beyin‑bilgisayar arayüzü, nöral çözümleme, esnek elektrotlar, davranışsal durum, derin öğrenme