في خطوة رائدة نحو فهم أعمق للعلاقات السببية في الدماغ، يعالج الباحثون مشكلة التعقيدات التي تواجهها ملاحظات التصوير العصبي (Neuroimaging) أثناء محاولة استنتاج المتغيرات السببية. حيث إن الإشارات المتلقاة غالبًا ما تتعرض لتشويهات نابعة من المؤثرات الرياضية مثل ديناميكا الدم (hemodynamics) وفقدان الإشارة (volume conduction). ولكي نستطيع تقدير الرسوم البيانية (graphs)، يجب تحديد الافتراضات التي يمكن من خلالها دراسة البنية العكسية الموجهة (delayed directed structure) انطلاقًا من هذه الملاحظات غير المباشرة.

تظهر هذه الدراسة إطارًا جديدًا يُعرف بـ "الاستعادة القابلة" (recoverable inversion) تحت فيزياء الوضعية (modality physics) جنبًا إلى جنب مع ديناميات كامنة غير ثابتة (nonstationary latent dynamics). ومن خلال هذا الإطار، تم اقتراح نموذج جديد يُسمى INCAMA (INdirect CAusal MAmba)، الذي يوفر استعادة واعية للفيزياء مرتبطة بمشفّر موجه (Mamba encoder) يأخذ بعين الاعتبار التأخيرات في الآليات. يتيح هذا النموذج استخدام تحولات الآلية كتنوع معلوماتي لتحسين تسجيل الرسوم البيانية الموجهة.

لإثبات فعالية INCAMA، تم إجراء تجارب محكومة (controlled simulations) مع التحقق الخارجي باستخدام مسح دماغي للمشاركة في مهام حركية باستخدام أيقونة HCP، حيث أظهر الدراسة أن النموذج الجديد يُحسن من استعادة البنية الموجهة بتحقيق نتائج تفوق 2-3 مرات في دقة F1 مقارنةً بالطرق التقليدية ذات مرحلتين. وتتسم التقديرات المتجهة الناتجة بكونها تُركّز في المسارات البصرية الحركية الكلاسيكية، مما يؤكد فعالية النموذج في توفير رؤى جديدة حول العمل العصبي المعقد.

ما رأيكم في هذه الابتكارات في مجال فهم الدماغ؟ هل تعتقد أن التقنيات الحالية ستؤدي إلى المزيد من الاكتشافات الرائعة؟ شاركونا في التعليقات!