Nat Commun：新研究有助于治疗瘫痪帕金森患者

当喝杯咖啡或接球或扔球时，我们的大脑设法协调手臂和手指中不少于27个关节角度的运动。究竟大脑如何做到这一点，是研究人员争论的话题。

现在，在USC维特比大学电气和计算机工程助理教授Maryam Shanechi以及Andrew和Erna Viterbi早期职业主席的带领下，研究人员发现了一种签名性的动态大脑模式。该发现现已发表在《Nature Communications》杂志上，可以成为开发更好的脑机接口并改善瘫痪患者治疗的催化剂。

这项研究目标是比较大脑活动的时空规模。小规模活动是指单个神经元或脑细胞的尖峰。大规模活动是指局部场电位（LFP）脑电波，它代替的是测量数千个相互作用的单个神经元的聚合活动。两者都可能有助于进行伸手可及的动作，但它们是如何做到的呢？

为了回答这个问题，Shanechi和Hamidreza Abbaspourazad博士电气工程专业的学生创建了一种新的机器学习算法，以提取动态神经模式，这些动态神经模式同时存在于尖峰和LFP活动中，并确定这些模式之间的相互关系以及与运动的关系。这项研究是与纽约大学神经科学教授Bijan Pesaran合作完成的，他进行了一些实验，以收集自然界范围内的尖峰和LFP脑部活动，并使用该领域的神经生理学技术来掌握运动。

通过将新算法应用于收集的数据，他们确定了峰值和LFP活动之间的共性和差异。他们最终发现了的共同模式，可以高度预测运动。

Shanechi说：“近距离观察时，我们发现，与所有其他现有模式相比，这种常见的多尺度模式实际上主要是在预测运动。”换句话说，研究小组确定了以前无法检测到的与伸手和抓地动作有关的大脑活动模式，这为他们提供了可能的神经信号。有趣的是，我们发现这种神经特征模式不仅在尖峰信号和LFP信号之间共享，而且在我们进行运动的不同对象之间共享。”

这意味着共享的模式可以帮助研究人员了解个人的大脑控制如何达到并掌握运动。更重要的是，它还表明，不同的人在伸手抓住动作时可能具有相似的神经特征。当然，了解大脑在做什么只是成功的一半。将大脑活动转化为行动完全是另一回事。但是Shanechi的模型可以做到这一点。她和她的团队能够将大脑活动转化为运动。

Abbaspourazad补充说：“我们的模型不仅发现了神经活动中的特征模式，而且还从这些模式中非常准确地预测了手臂和手指的运动。”这在发展脑机接口以恢复瘫痪患者的运动方面特别有希望。除了帮助瘫痪的病人，Shanechi希望这项研究还可以帮助更好地了解运动障碍（如帕金森氏病）的神经机制，以指导未来的治疗方法。“我们希望我们对大脑如何产生日常运动的更好理解可以帮助我们设计更好的脑机界面，从而可以帮助数百万患有神经损伤和疾病的残疾患者。”（生物谷 Bioon.com）

资讯出处：Newly discovered brain pattern has implications for treating paralyzed， Parkinson's patients

原始出处：Hamidreza Abbaspourazad et al. Multiscale low-dimensional motor cortical state dynamics predict naturalistic reach-and-grasp behavior， Nature Communications (2021). DOI： 10.1038/s41467-020-20197-x