Informasi

15.10: Studi Kasus- Otak - Biologi

15.10: Studi Kasus- Otak - Biologi


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

15.10: Studi Kasus- Otak

15.10: Studi Kasus- Hadiah Microsoft untuk Blogger

Pemberian hadiah dalam bisnis adalah hal yang biasa dan sekaligus kontroversial. Hadiah bisnis biasanya dilihat sebagai media periklanan, promosi penjualan, dan komunikasi pemasaran. Pemberian semacam itu biasanya dilakukan karena alasan berikut:

  1. Sebagai penghargaan atas hubungan klien sebelumnya, menempatkan pesanan baru, rujukan ke klien lain, dll.
  2. Dengan harapan menciptakan kesan pertama yang positif yang dapat membantu membangun hubungan bisnis awal
  3. Sebagai quid pro quo&mdash membalas budi atau mengharapkan bantuan sebagai imbalan atas sesuatu

Membuat keputusan yang baik tentang kapan hadiah bisnis yang tepat sangat rumit di Amerika Serikat. Dalam lingkungan bisnis global, ini menjadi salah satu masalah etika yang paling menantang, karena norma budaya di negara lain dapat bertentangan dengan praktik etika standar di Amerika Serikat. Untuk alasan ini, hadiah dan suap memerlukan diskusi yang lebih dalam.

Mari kita periksa salah satu promosi Microsoft yang menyertakan hadiah.


Bagian 2: Menghubungkan Gerakan & Aktivitas Saraf Selama Pengambilan Keputusan

00:00:14.28 Hai.
00:00:15.28 Saya Anne Churchland dari Cold Spring Harbor Laboratory di New York,
00:00:18.08 dan lab saya tertarik untuk memahami pengambilan keputusan.
00:00:21.08 Dan hari ini, saya akan memberi tahu Anda tentang menghubungkan gerakan dan aktivitas saraf selama pengambilan keputusan.
00:00:27.00 Jadi, kita akan mulai dengan definisi yang mungkin Anda ingat dari pembicaraan saya sebelumnya,
00:00:30.17 bahwa bagi kami suatu keputusan adalah komitmen terhadap satu dari sejumlah alternatif.
00:00:35.00 Dan kebanyakan, di lab saya, kami mempelajari keputusan yang pada akhirnya mengarah pada tindakan.
00:00:39.11 Dan ada beberapa alasan untuk ini.
00:00:41.10 Dan yang pertama adalah bahwa banyak keputusan secara alami mengarah pada tindakan.
00:00:45.16 Jadi, pertimbangkan mouse ini.
00:00:47.04 Ini memutuskan apakah akan membesarkan dan memakan blueberry ini atau tidak.
00:00:51.15 Dan jika itu memutuskan bahwa itulah yang ingin dilakukannya, keputusan itu secara alami akan mengarah
00:00:55.27 ke respons motorik yang sesuai, atau respons gerakan, sehingga hewan itu dapat memperoleh blueberry.
00:01:01.08 Dan itu benar dari banyak keputusan yang kami buat.
00:01:03.20 Terkadang keputusan sama dengan keputusan untuk bertindak.
00:01:07.08 Tidak semua keputusan benar, tetapi tentu saja kelas besar keputusan yang kita dan hewan buat.
00:01:13.01 Alasan kedua kami mempelajari pengambilan keputusan dengan cara ini adalah keputusan yang menginformasikan tindakan
00:01:18.20 sangat cocok untuk penelitian hewan.
00:01:21.07 Anda mungkin ingat dalam pembicaraan sebelumnya bahwa saya menjelaskan beberapa cara kita
00:01:25.09 mempelajari perilaku pengambilan keputusan di laboratorium,
00:01:29.00 seperti meminta monyet melaporkan keputusan dengan membuat gerakan mata sakral,
00:01:31.25 atau dengan meminta tikus melaporkan keputusan dengan berpindah ke port pilihan tempat mereka menyodok moncongnya
00:01:38.05 untuk menyampaikan kepada kami apa yang telah mereka putuskan.
00:01:40.17 Dan ini sangat penting pada hewan, dan bahkan dalam mempelajari pengambilan keputusan manusia juga,
00:01:45.19 karena memungkinkan kita sebagai eksperimen memiliki cara yang sistematis dan efisien
00:01:50.00 mengetahui apa yang telah diputuskan oleh manusia atau hewan,
00:01:54.17 lalu kita dapat merekamnya dan menganalisisnya, menghubungkannya dengan aktivitas saraf, dan seterusnya.
00:01:59.12 Namun, ada beberapa tantangan dalam pendekatan ini.
00:02:04.01 Dan salah satu tantangannya adalah ketika kita mempelajari keputusan yang mengarah pada tindakan, jika kita melakukan ini
00:02:08.16 saat mengukur aktivitas saraf di otak, kita harus dapat memisahkan aktivitas terkait keputusan
00:02:15.06 dari kegiatan terkait gerakan.
00:02:17.19 Dan ini adalah masalah yang sudah lama diketahui.
00:02:20.14 Dan memang, orang-orang dalam studi pengambilan keputusan sebelumnya telah memikirkan, dalam area tertentu
00:02:25.16 dan untuk gerakan tertentu seperti gerakan mata, apa akibatnya?
00:02:31.27 untuk otak dalam hal gerakan yang sedang direncanakan.
00:02:35.12 Namun terlepas dari apresiasi ini di lapangan, gerakan itu dapat dimodifikasi.
00:02:39.17 memodulasi aktivitas saraf selama pengambilan keputusan, ada banyak pertanyaan terbuka tentang alam
00:02:45.24 dari aktivitas saraf itu.
00:02:47.09 Dan pertanyaan pertama adalah, seberapa luas penyebarannya?
00:02:50.26 Apakah aktivitas saraf terkait dengan gerakan hanya beberapa area tertentu di otak,
00:02:55.27 mungkin terbatas pada korteks motorik, misalnya?
00:02:58.16 Atau apakah aktivitas terkait gerakan menjangkau banyak, banyak struktur saraf di seluruh korteks,
00:03:04.05 dan bahkan mungkin area subkortikal juga?
00:03:07.08 Pertanyaan kedua adalah, apakah kegiatan ini terkait dengan gerakan. apakah itu hanya didorong oleh gerakan yang diinstruksikan?
00:03:13.22 Jadi, gerakan yang diinstruksikan adalah hal-hal seperti kantung yang digunakan monyet untuk melaporkan pilihan,
00:03:18.01 atau gerakan orientasi yang digunakan tikus untuk melaporkan suatu pilihan.
00:03:22.22 Dan tentu saja kami berharap itu akan mendorong aktivitas saraf.
00:03:25.28 Tapi mungkinkah ada gerakan lain juga?
00:03:28.27 Mungkinkah hewan melakukan banyak gerakan tanpa instruksi yang belum pernah kita lakukan?
00:03:33.04 benar-benar memikirkannya, tetapi apakah itu berdampak besar pada aktivitas saraf?
00:03:36.24 Yah, tidak ada yang benar-benar tahu.
00:03:39.13 Dan terakhir, apakah tugas aktivitas terkait gerakan ini selaras atau independen?
00:03:45.13 Biarkan saya memberi tahu Anda apa yang saya maksud dengan itu.
00:03:47.05 Kami berharap bahwa jenis gerakan tertentu mungkin ada hubungannya dengan peristiwa tertentu di.
00:03:52.11 dalam tugas yang dilakukan hewan itu.
00:03:55.09 Misalnya, jika keputusan menyebabkan hewan diberi hadiah di akhir percobaan,
00:04:00.10 kita mungkin berharap akan ada pergerakan yang mengantisipasi hadiah itu.
00:04:04.20 Salah satu contohnya mungkin pupil menjadi lebih melebar di akhir percobaan,
00:04:08.28 ketika hewan itu berpikir akan mendapatkan hadiahnya.
00:04:11.23 Kami akan menyebut tugas itu selaras, karena itu selalu terjadi pada saat yang sama dalam tugas,
00:04:17.06 yaitu, tepat sebelum hadiah.
00:04:18.24 Tapi mungkin ada jenis gerakan lain yang juga penting untuk aktivitas saraf.
00:04:23.28 Dan saya akan menyebutnya sebagai tugas independen.
00:04:26.15 Dan itu adalah gerakan spontan tanpa instruksi yang terjadi secara acak selama percobaan.
00:04:32.02 Dan Anda mungkin ingin menganggapnya lebih seperti gelisah
00:04:34.14 -- gerakan yang tidak ada hubungannya dengan mengantisipasi hadiah atau melihat rangsangan secara khusus, itu tidak.
00:04:40.10 dan mereka tidak benar-benar menjadi prioritas utama bagi peneliti, tetapi mungkin menjadi prioritas utama bagi hewan.
00:04:46.02 Dan kami sebagian bertanya-tanya tentang gerakan independen tugas ini hanya karena melihat apa yang dilakukan manusia
00:04:50.24 -- bahkan melihat ruang kelas yang penuh dengan anak-anak, atau melihat orang-orang di kereta bawah tanah --
00:04:54.15 mereka benar-benar membuat banyak tugas spontan menjadi mandiri.
00:04:58.19 tampaknya tugas gerakan independen sepanjang waktu.
00:05:01.00 Jadi, tiga pertanyaan ini. apakah aktivitasnya meluas?, didorong oleh gerakan?,
00:05:04.26 tugas selaras atau tugas independen. kami tidak tahu jawaban untuk ini.
00:05:08.05 Jadi kami memulai paradigma eksperimental yang memungkinkan kami menjawab pertanyaan ini,
00:05:12.15 dan lebih memahami bagaimana aktivitas terkait gerakan dan pengambilan keputusan.
00:05:16.16 Aktivitas terkait keputusan berinteraksi di otak.
00:05:20.16 Jadi, pekerjaan ini dipimpin oleh dua postdoc di lab saya, Simon Musall dan juga Matt Kaufman,
00:05:25.28 yang kini memiliki lab sendiri di University of Chicago.
00:05:28.23 Jadi, mereka menemukan paradigma perilaku untuk mempelajari pengambilan keputusan pada tikus.
00:05:33.22 Dan tikus disajikan dengan isyarat pendengaran atau visual
00:05:37.14 -- jadi lampu berkedip atau serangkaian klik --
00:05:39.22 dan bisa di satu sisi mouse atau sisi lain mouse.
00:05:43.01 Dan tugas mouse adalah mencari tahu di sisi mana, dan membuat gerakan menjilat
00:05:46.21 ke sisi itu untuk melaporkan bahwa di sanalah stimulus itu berada.
00:05:50.10 Jadi, saya akan menunjukkan sebuah film, seperti apa ini.
00:05:53.20 Dan ini adalah kamera yang melihat mouse dari bawah.
00:05:57.17 Anda mungkin belum pernah melihat tikus seperti ini sebelumnya.
00:06:00.19 Anda dapat melihat mulut mouse di bagian atas bingkai.
00:06:03.18 Dan di sebelahnya ada dua kotak kecil.
00:06:06.22 Itu adalah cerat jilat, dan itu, nanti, akan masuk dan membiarkan hewan itu
00:06:10.09 untuk membuat pilihan.
00:06:11.16 Dan di bagian bawah, di sana, Anda bisa melihat dua. dua lingkaran, yang akan bergerak masuk.
00:06:15.10 Itu pegangan kecil.
00:06:16.10 Dan hewan itu akan memegang salah satu atau kedua pegangannya saat dia siap untuk memulai percobaan.
00:06:20.28 Ini adalah cara kami untuk memberi tahu dia kapan dia siap untuk memulai percobaan.
00:06:25.05 Dan ini adalah komponen penting dari desain penelitian kami karena beberapa alasan.
00:06:29.04 Jadi, pertama, Anda mungkin ingat dari pembicaraan sebelumnya bahwa keadaan internal hewan
00:06:34.12 memiliki efek besar pada aktivitas saraf.
00:06:36.17 Dan harapan kami adalah dengan membiarkan hewan itu memulai percobaan sendiri, kami dapat
00:06:40.16 mulai mengontrol keadaan internal itu sedikit lebih baik.
00:06:43.09 Setidaknya dia akan berpikiran sama jika dia memutuskan sendiri untuk memulai percobaan,
00:06:48.02 bukannya tertangkap basah.
00:06:50.01 Alasan kedua kami meminta hewan memulai percobaan adalah karena kami ingin mereka bertanggung jawab
00:06:54.14 berapa lama sesi berlangsung.
00:06:56.05 Ini memberi kita pembacaan perilaku yang sangat bagus dari jumlah keseluruhan keterlibatan mereka
00:07:00.05 dan kenyamanan keseluruhan jika merekalah yang memulai. memulai setiap percobaan.
00:07:05.10 Jadi, saya akan memutar filmnya sekarang, dan Anda akan melihat hewan itu cukup bertunangan dan
00:07:10.02 ambil dua pegangan kecil.
00:07:13.15 Jadi, mereka pindah, dan Anda dapat melihat bahwa dia melakukan kontak dengan mereka.
00:07:17.28 Jadi, setelah itu, saatnya hewan melihat rangsangan.
00:07:21.10 Jadi sekarang, ini lagi-lagi film dari mouse yang sama, tapi kali ini diambil
00:07:25.03 dari sudut pandang yang berlawanan.
00:07:26.13 Ini adalah kamera yang ada di belakang mouse, dan Anda dapat melihat ekor panjangnya yang bagus di sana
00:07:29.16 di bagian bawah bingkai.
00:07:30.24 Jadi, akan ada stimulus visual yang akan muncul di sebelah kanan.
00:07:34.20 Dan hewan itu bisa melihat ini, seperti yang Anda bisa.
00:07:37.02 Itu dia.
00:07:38.15 Kemudian hewan itu harus menunggu selama satu detik, yang merupakan waktu yang cukup lama bagi seekor tikus untuk menunggu,
00:07:42.05 tapi memang begitu. mereka setidaknya cukup sabar.
00:07:45.11 Dan setelah itu, dua semburan jilatan di atas akan masuk, lalu hewan itu
00:07:49.12 memiliki kesempatan untuk melaporkan pilihannya.
00:07:52.03 Jadi, ini dia.
00:07:53.08 Dia membuat laporan. pilihan untuk satu cerat, dan cerat lainnya pindah.
00:07:57.01 Kami melakukannya agar hewan itu tidak berubah pikiran.
00:07:59.11 Tikus, seperti manusia, terkadang suka memutuskan, lalu kembali dan berubah pikiran.
00:08:03.02 Jadi, setelah mereka berkomitmen, opsi lainnya adalah. adalah dari meja.
00:08:06.06 Jadi, seperti inilah tampilan tikus.
00:08:08.22 Dan kami memasang kamera video ini, mungkin, karena beberapa alasan.
00:08:11.19 Tapi seperti yang akan Anda lihat sebentar lagi, memiliki video resolusi tinggi tentang hewan ini
00:08:16.02 melakukan setiap saat ternyata sangat penting untuk menafsirkan
00:08:21.06 aktivitas saraf yang kami ukur.
00:08:23.03 Tapi saya terlalu cepat.
00:08:24.26 Jadi, saya perlu memberi tahu Anda komponen penting dari desain eksperimental kami, yaitu
00:08:29.11 semua hewan melakukan percobaan pendengaran dan visual, tetapi ada dua kelompok hewan.
00:08:34.27 Salah satunya kami sebut ahli penglihatan.
00:08:37.10 Dan itu berarti mereka memiliki banyak pengalaman dengan stimulus visual
00:08:40.10 -- itu lampu berkedip yang Anda lihat beberapa saat yang lalu --
00:08:43.06 dan sangat sedikit pengalaman dengan stimulus pendengaran.
00:08:46.04 Dan hewan-hewan ini ditunjukkan oleh garis biru yang Anda lihat di sana.
00:08:49.17 Pada sumbu vertikal, itulah persentase waktu mereka membuat respons yang benar.
00:08:54.00 Dan Anda dapat melihat bahwa untuk garis biru, ketika mereka diberi rangsangan visual, itulah mereka.
00:08:58.03 memiliki akurasi yang tinggi, biasanya akurasi di atas 80%.
00:09:02.22 Tapi ketika mereka diberi stimulus pendengaran, penampilan mereka kebetulan.
00:09:06.16 Itu nilai yang sesuai dengan 0,5 yang tepat di garis putus-putus putih.
00:09:11.14 Pakar pendengaran yang bisa Anda lihat dalam warna hijau.
00:09:13.25 Dan ahli pendengaran justru sebaliknya.
00:09:16.01 Mereka hebat dalam tugas versi pendengaran, di mana mereka mendengar bunyi klik, dan mereka memiliki kesempatan untuk melihat.
00:09:21.17 Dan ini ternyata menjadi komponen yang sangat berguna dari desain eksperimental kami.
00:09:26.01 Karena jika Anda berpikir tentang ahli penglihatan versus ahli pendengaran yang melakukan, katakanlah, tugas visual,
00:09:30.13 mereka berdua mendapat rangsangan yang sama, mereka berdua membuat tanggapan yang sama,
00:09:35.17 tetapi mereka berbeda dalam menafsirkan sinyal yang masuk itu.
00:09:38.23 Jadi, bagi para ahli penglihatan, mereka tahu apa artinya.
00:09:41.13 Mereka tahu bahwa ketika Anda mendapatkan rangsangan visual di sebelah kanan, Anda perlu merencanakan gerakan menjilat
00:09:45.00.
00:09:46.00 Tapi jika mereka ahli pendengaran, dan mereka mendapat rangsangan visual,
00:09:48.24 mereka pada dasarnya membuat tebakan sensorik motorik.
00:09:51.01 Mereka belum mengetahui apa arti dari stimulus visual, jadi mereka membuat semacam tebakan,
00:09:54.23 dan sebagian besar waktu mereka benar.
00:09:55.26 Jadi, stimulus sensorik yang masuk dan respons motorik yang keluar adalah sama.
00:10:01.03 Tapi apa yang mereka lakukan secara internal berbeda di antara kedua kelompok itu.
00:10:05.14 Jadi, kami terbuka dengan gagasan bahwa mungkin ada aktivitas pengambilan keputusan
00:10:11.06 dan aktivitas terkait gerakan di banyak tempat berbeda di seluruh korteks punggung.
00:10:17.20 Dan karena sejumlah bidang pengambilan keputusan telah terlibat dalam banyak penelitian
00:10:23.04 selama beberapa tahun terakhir, terutama sekitar lima tahun untuk tikus,
00:10:26.13 kami ingin melihat aktivitas saraf dengan sangat luas
00:10:30.00 untuk memberi diri kita kesempatan terbaik untuk melihat di mana
00:10:32.00 pengambilan keputusan dan aktivitas terkait gerakan berinteraksi.
00:10:35.16 Jadi, untuk melakukan ini, kami mengembangkan pengaturan pencitraan bidang lebar, dan ini dipimpin oleh postdoc,
00:10:41.01 Simon Musall, yang saya sebutkan beberapa saat yang lalu.
00:10:43.12 Dan yang kami lakukan adalah kami memiliki dua saluran.
00:10:46.13 Dalam satu saluran, kita dapat mengukur aktivitas saraf, dan saya akan memberi tahu Anda lebih banyak sebentar lagi
00:10:50.03 tentang dari mana aktivitas itu berasal.
00:10:52.14 Kemudian di saluran lain, kita bisa melihat respons hemodinamik hewan, yaitu,
00:10:56.01 aliran darah yang mengalir di antara otak. yang melintasi otak untuk mengisi bahan bakar
00:11:00.14 semua neuron.
00:11:01.14 Dan kami memiliki teknik yang kami gunakan untuk memisahkan keduanya sehingga kami bisa mendapatkan perkiraan yang sangat tepat
00:11:05.24 aktivitas saraf.
00:11:08.03 Keuntungan besar dari pendekatan ini adalah kita dapat melihat aktivitas saraf melalui tengkorak yang utuh.
00:11:14.17 Mouse. tengkorak mouse sangat tipis, dan sinyal yang kami miliki cukup terang,
00:11:18.13 jadi kita bisa melihat aktivitas saraf di seluruh tengkorak.
00:11:21.05 Kita tidak perlu melakukan operasi apapun untuk menghilangkan tengkorak atau semacamnya.
00:11:24.23 Jadi, ini adalah cara yang cukup non-invasif untuk mengukur aktivitas saraf.
00:11:27.24 Tapi Anda mungkin bertanya-tanya, tunggu dulu.
00:11:31.00 Bagaimana Anda bisa melihat neuron menembak?
00:11:33.11 Anda mungkin tahu atau ingat dari pembicaraan saya sebelumnya bahwa cara mereka berkomunikasi satu sama lain
00:11:36.21 secara elektrik.
00:11:37.23 Jadi, misalnya, jika kita memiliki neuron ini, di sini, dan ia ingin mengirim pesan ke neuron tetangga,
00:11:42.09 di sana, maka neuron tetangga akan melonjak, dan secara tradisional orang memiliki
00:11:46.20 mencatat bahwa aktivitas listrik menggunakan elektroda tajam,
00:11:49.26 seperti yang saya buat skema di sini.
00:11:52.20 Dan ini adalah pendekatan yang bagus, tapi itu tidak akan benar-benar seperti yang kita inginkan jika kita mau
00:11:57.00 mengukur aktivitas saraf di seluruh korteks punggung,
00:12:00.09 karena itu akan membutuhkan elektroda di seluruh korteks punggung.
00:12:04.07 Dan dalam hal jaringan biologis, itu bukanlah hal yang baik untuk dilakukan.
00:12:07.16 Terlalu banyak elektroda di otak, dan itu akan sangat merusak otak.
00:12:11.01 Jadi, teknik itu agak aneh.
00:12:13.13 Jadi, kami memutuskan untuk memanfaatkan teknik yang berbeda, yang memanfaatkan fakta bahwa
00:12:17.27 saat neuron melonjak, seperti yang baru saja saya jelaskan. bahwa ada masuk dan keluarnya kalsium
00:12:23.23 masuk dan keluar dari neuron.
00:12:25.15 Dan kita dapat menempelkan fluorofor, sesuatu yang memancarkan cahaya, pada kalsium ini, sehingga,
00:12:30.21 ketika kalsium keluar masuk, kita bisa melihat kalsiumnya.
00:12:34.14 Dan ini memberi kita perkiraan respons neuron.
00:12:38.21 Jadi, untuk membuatnya sangat sederhana, ketika sebuah neuron menyala, ia berubah menjadi hijau.
00:12:42.22 Jadi, jika kita menggunakan alat transgenik untuk memiliki indikator kalsium di semua neuron
00:12:48.10 di mouse, lalu apa yang memungkinkan kita lakukan adalah ini.
00:12:51.00 Jadi, kami mengambil kamera yang saya jelaskan kepada Anda beberapa saat yang lalu.
00:12:53.28 Dan di bagian bawah, di sana, Anda dapat melihat enam neuron skematik yang semuanya sunyi.
00:12:57.25 Mereka tidak menanggapi.
00:12:59.06 Dan kemudian, saat area tersebut menjadi aktif dan neuron mulai menembak, lalu berubah menjadi hijau,
00:13:03.21 dan kami dapat menangkap foton itu dengan mikroskop bidang lebar kami. makroskop,
00:13:08.26 dan kita bisa melakukan ini di seluruh otak.
00:13:10.27 Jadi, ini memungkinkan kita melihat neuron menyala, yang merupakan alat yang sangat membantu saat kita
00:13:17.04 ingin melihat aktivitas saraf di petak otak yang sangat luas.
00:13:21.03 Jadi, struktur seperti apa yang bisa kita lihat.
00:13:23.24 Maksud saya, Anda mungkin sedikit skeptis tentang teknik ini.
00:13:26.15 Dan memang, banyak di lapangan, karena itu semacam teknik baru yang kami
00:13:29.24 dan hanya beberapa lab lain yang menggunakan.
00:13:31.11 Nah, kami memiliki satu jenis tes pembuktian prinsip yang memberi tahu kami teknik itu
00:13:36.04 mengukur sinyal yang masuk akal.
00:13:38.09 Dan kami menggunakan teknik yang disebut pemetaan visual, atau analisis Fourier, di mana kami menunjukkan hewan
00:13:43.15 palang vertikal dan palang horizontal yang bergerak.
00:13:47.27 Dan kemudian, dengan melihat momen dalam waktu yang kita lihat aktivitas saraf untuk piksel yang berbeda,
00:13:52.00 kita dapat menghasilkan peta ruang visual.
00:13:56.02 Dan satu hal yang dapat kami rekapitulasi yang telah diamati oleh orang lain adalah bahwa setiap tikus
00:14:02.03 memiliki banyak peta ruang visual.
00:14:04.22 Jadi, di korteks visual primer, ada peta ruang visual.
00:14:08.16 Dan kemudian di sekitar enam atau tujuh daerah sekitarnya, ada peta ruang visual yang sama
00:14:14.06 diulang beberapa kali.
00:14:15.24 Jadi, ini adalah teknik yang awalnya dikembangkan oleh lab Michael Stryker di UCSF,
00:14:21.03 dan ini sangat berguna bagi kami dalam menunjukkan bahwa pencitraan bidang lebar memberi kami
00:14:25.18 sinyal yang masuk akal.
00:14:26.21 Tapi juga, menurut saya, sangat keren untuk direnungkan.
00:14:28.15 Jadi, tikus mirip dengan mamalia lain, manusia, dan primata non-manusia di dunia visual itu
00:14:33.11 diwakili beberapa kali di setiap otak.
00:14:37.28 Dan menarik untuk memikirkan mengapa demikian.
00:14:40.13 Perhitungan apa yang membedakan satu peta ruang visual dari peta ruang visual yang berdekatan?
00:14:45.02 Mengapa kita memiliki begitu banyak?
00:14:47.09 Jawabannya tidak sepenuhnya diketahui, tetapi ini menyoroti bahwa bagi banyak mamalia, termasuk tikus,
00:14:52.08 yang memiliki sistem visual yang tidak sebagus primata, bahkan pada tikus
00:14:57.08 visi cukup penting sehingga mereka bersedia mengulangi dunia visual itu
00:15:01.02 enam kali di setiap belahan otak.
00:15:05.01 Jadi, setelah mengkonfirmasi bahwa kita dapat melihat peta ruang visual yang diharapkan
00:15:12.10 di korteks visual mouse, kita kemudian berada di posisi di mana kita bisa mengukur aktivitas saraf
00:15:16.20 selama pengambilan keputusan.
00:15:18.09 Jadi, ini adalah tugas perilaku yang sama yang saya tunjukkan beberapa saat yang lalu,
00:15:21.20 yang dimulai dengan periode baseline,
00:15:24.07 lalu ketika stimulus visual muncul, Anda bisa melihatnya.
00:15:27.24 Anda akan dapat melihat bagian belakang otak, korteks visual utama.
00:15:31.02 Itu dia, menyala.
00:15:35.09 Lalu ada periode penundaan.
00:15:38.05 Dan akhirnya, ketika hewan membuat keputusan, ada cukup banyak aktivitas
00:15:42.07 di seluruh otak.
00:15:43.07 Jadi, dalam video ini, jelas bahwa banyak area terlibat selama pengambilan keputusan.
00:15:47.22 Dan hal pertama yang kami lakukan saat mendapatkan pengukuran ini adalah melakukan beberapa
00:15:51.00 yang kami sebut pemeriksaan kewarasan.
00:15:52.19 Dan ini adalah hal yang sangat penting untuk dilakukan, sungguh, dalam eksperimen apa pun, terutama
00:15:56.15 jika Anda menggunakan teknik baru.
00:15:57.22 Jadi, hal pertama yang kami lakukan adalah bertanya, apakah kami melihat hal yang benar di tempat yang tepat
00:16:01.28 di waktu yang tepat?
00:16:03.06 Jadi, ini contohnya.
00:16:05.01 Ini hanya menunjukkan sinyal fluoresensi mentah.
00:16:07.21 Ini pada dasarnya hanyalah bingkai dari film yang baru saja Anda lihat beberapa saat yang lalu.
00:16:11.07 Dan hal pertama yang kami lakukan adalah mempertimbangkan beberapa area yang memiliki properti respons
00:16:15.04 yang terkenal.
00:16:16.13 Jadi, itu termasuk korteks visual primer.
00:16:20.07 Dan hal pertama yang kami tanyakan adalah, apakah kami melihat perbedaan di korteks visual primer
00:16:24.12 untuk uji coba pendengaran versus visual?
00:16:26.06 Lebih baik kita lihat perbedaannya, kan?
00:16:27.24 Jika kita tidak melihat perbedaan, berarti ada yang salah dengan pengukuran kita.
00:16:30.08 Jadi, itulah yang Anda lihat di sini.
00:16:31.23 Garis putih untuk percobaan visual, dan garis merah untuk percobaan pendengaran.
00:16:36.02 Dan dua persegi panjang abu-abu itu memberi tahu Anda saat stimulusnya aktif.
00:16:39.05 Dan sangat melegakan kami, kami melihat respons yang lebih tinggi pada uji coba visual daripada uji coba pendengaran
00:16:43.22 di korteks visual primer.
00:16:45.18 Bagus -- pemeriksaan kewarasan berhasil.
00:16:46.22 Oke.
00:16:47.22 Lain kali. kita melihat area RS, yang merupakan singkatan dari retrosplenial cortex.
00:16:51.27 Ini adalah area yang sedikit lebih medial.
00:16:53.24 Ini memiliki beberapa tanggapan visual yang diketahui.
00:16:56.21 Dan sekali lagi, kita melihat bahwa pendengaran dan visual sedikit berbeda --
00:16:59.15 tanggapan visual lainnya.
00:17:01.12 Sekali lagi, dikonfirmasi.
00:17:02.20 Di area yang terlibat dalam perencanaan pergerakan, kami tidak akan mengharapkan perbedaan yang jauh
00:17:06.11 untuk rangsangan pendengaran versus penglihatan, karena gerakannya selalu sama.
00:17:10.00 Dan memang, untuk daerah tungkai belakang, dan untuk korteks motorik sekunder,
00:17:13.13 kami menemukan itu sama.
00:17:15.15 Jadi ini, dikombinasikan dengan peta visual, memberi kami kepastian bahwa teknik kami berhasil,
00:17:19.11 dan kami melihat aktivitas yang tepat di tempat yang tepat pada waktu yang tepat.
00:17:22.23 Jadi, kami memutuskan untuk membuat perbandingan mata pelajaran pemula versus ahli.
00:17:27.26 Dan itulah yang Anda lihat di sini.
00:17:29.05 Jadi, dimulai dengan V1, itu di atas.
00:17:31.09 Ingat, korteks visual primer.
00:17:33.09 Garis merah adalah mata pelajaran yang tidak terlatih, dan garis putih adalah mata pelajaran yang terlatih.
00:17:37.04 Dan Anda dapat melihat mereka sangat mirip.
00:17:40.28 Dan kami melihat betapa miripnya mereka, dan kami pikir, ya, mereka memang mirip.
00:17:44.08 mereka melakukan sesuatu yang agak berbeda.
00:17:45.20 Ingat, perilaku mereka sangat berbeda.
00:17:47.12 Tetapi respons saraf tampaknya cukup sederhana. cukup mirip.
00:17:50.09 Oke, mari kita lihat korteks retrosplenial.
00:17:52.18 Mungkin, Anda tahu, di situlah kita akan melihat perbedaan antara pembuat keputusan pemula dan ahli.
00:17:55.26 Tapi sekali lagi, kami pikir. apa?
00:17:58.28 Aktivitasnya juga sangat mirip di sini.
00:18:01.11 Dan ke mana pun kami melihat, sepertinya pembuat keputusan pemula dan ahli,
00:18:05.25 meskipun perilaku mereka sangat berbeda, aktivitas saraf mereka ternyata sangat mirip.
00:18:10.18 Jadi, ini membuat kami berkata, wah. baik, jika sinyal pengambilan keputusan tidak mendorong aktivitas saraf ini
00:18:16.18 -- karena, ingat, pengambilan keputusan di kedua kelompok sangat berbeda --
00:18:20.12 apa yang mendorong aktivitas saraf?
00:18:22.28 Kami tidak tahu.
00:18:23.28 Jadi kami memutuskan bahwa kami perlu bekerja sedikit lebih keras untuk menghubungkan aktivitas saraf dengan perilaku.
00:18:29.03 Dan cara kami melakukannya adalah dengan membangun model linier.
00:18:31.18 Dan tujuan dari model ini adalah ini.
00:18:32.25 Jadi, Anda dapat membayangkan piksel tertentu yang kami rekam -- ini hanya satu titik di otak --
00:18:37.00 bahwa pada percobaan pertama sinyal fluoresen dalam piksel itu mungkin naik dan turun
00:18:41.21 sedikit, terlihat seperti ini.
00:18:43.17 Ini mungkin dua percobaan lainnya.
00:18:45.06 Jadi, bagian otak yang sama, tetapi dua percobaan yang berbeda.
00:18:47.28 Sinyal fluoresensi naik dan turun.
00:18:49.19 Dan tujuan kami dengan model kami adalah kami ingin memodelkan sinyal fluoresensi uji coba
00:18:55.22 menggunakan semua parameter perilaku yang kami miliki.
00:18:59.04 Jadi, kami katakan. kami ingin mengatakan, apa yang mendorong fluktuasi ini?
00:19:02.17 Apakah ini keputusannya?
00:19:03.17 Apakah itu gerakan gelisah?
00:19:04.23 Benarkah. apakah itu pelebaran pupil?
00:19:06.11 Apa itu?
00:19:07.11 Dan kami beruntung memiliki banyak parameter perilaku yang kami miliki.
00:19:11.00 Jadi, yang kami lakukan adalah mengambil semua kemungkinan kejadian yang mungkin memodulasi neuron.
00:19:16.07 Kami tidak tahu mana yang penting.
00:19:17.28 Kami mulai dengan hal-hal seperti saat stimulus muncul.
00:19:21.00 Kami menyebutnya pasca-acara.
00:19:23.05 Peri-event, ini seperti gerakan menjilat.
00:19:27.09 Peristiwa uji coba yang berkaitan dengan pengambilan keputusan, seperti apakah uji coba masa lalu atau saat ini
00:19:31.19 adalah sukses atau gagal.
00:19:33.24 Dan akhirnya, banyak parameter analog juga.
00:19:36.24 Dan ini adalah hal-hal seperti diameter pupil hewan, yang berfluktuasi
00:19:40.20 selama percobaan, dan juga gerakan mengocok, dan sejumlah gerakan lainnya juga.
00:19:45.00 Dan saya harus mengatakan bahwa kami sebagian terinspirasi oleh karya Marius Pachitariu dan Carsen Stringer
00:19:50.00 yang sebelumnya dikembangkan dari rekaman listrik di V1.
00:19:55.02 tidak selama pengambilan keputusan, tetapi tetap sangat relevan.
00:19:57.19 bahwa neuron-neuron itu sangat peduli dengan gerakan wajah.
00:20:01.00 Jadi kami pikir, kami akan melakukannya. kami akan memasukkannya ke dalam model juga,
00:20:04.01 dan lihat apa yang keluar.
00:20:05.17 Jadi, inilah keseluruhan modelnya.
00:20:07.25 Dan bagi Anda yang pecinta, tentu saja kami harus memikirkannya secara mendalam.
00:20:10.27 bagaimana menyesuaikan model ini, karena kita memiliki banyak, banyak, banyak, banyak, banyak parameter.
00:20:14.16 Kami ingin mencegah overfitting.
00:20:16.23 Tapi ada teknik matematika yang bagus untuk melakukan itu yang kami manfaatkan.
00:20:20.04 Dan pada akhirnya, kami menggabungkan semua ini dalam matriks desain, dan kemudian kami menyesuaikan modelnya,
00:20:24.07 yang berarti kita memberikan bobot untuk masing-masing variabel ini, katakan saja,
00:20:29.09 seberapa penting variabel ini untuk menyesuaikan respons saraf?
00:20:33.24 Dan sekarang saya akan menunjukkan kepada Anda perkiraan model tentang sinyal fluoresensi yang seharusnya
00:20:38.16 lakukan pada setiap percobaan dengan overlay, warna merah, prediksi model ke data aktual, dengan warna putih.
00:20:43.23 Jadi, Anda dapat melihat bahwa modelnya cukup bagus.
00:20:46.03 Jadi, kami dapat menangkap banyak fluktuasi percobaan demi percobaan dalam fluoresensi,
00:20:49.24 sekitar 42% dari fluktuasi tersebut, yang cukup menggembirakan.
00:20:54.08 Jadi, ini memberitahu kita bahwa modelnya bekerja.
00:20:56.17 Dan sekarang kita dapat mengajukan pertanyaan yang sangat menarik, yaitu, mengapa model ini bekerja?
00:21:00.07 Parameter apa yang benar-benar penting untuk membuat model ini sangat baik dalam memprediksi
00:21:04.18 apa yang akan dilakukan aktivitas saraf?
00:21:07.12 Jadi, kami memisahkan variabel menjadi dua kelompok.
00:21:10.11 Dan salah satunya akan saya jelaskan sekarang sebagai variabel terkait tugas.
00:21:13.25 Dan ini adalah hal-hal seperti pilihan hewan, keberhasilan atau kegagalan dari percobaan sebelumnya,
00:21:19.16 adanya stimulus pendengaran atau visual, hal-hal seperti ini.
00:21:23.03 Dan kami menemukan bahwa, seperti yang kami harapkan, ini penting untuk model.
00:21:26.25 Jika Anda. mereka memiliki bobot yang bukan nol, itu. itu bagus.
00:21:29.28 Namun yang mengejutkan, ketika kami kemudian melihat kelas variabel yang berbeda, variabel terkait gerakan,
00:21:34.21 kami menemukan bahwa mereka menyumbang lebih banyak varians.
00:21:39.06 Pergerakan hidung, misalnya, yang sebenarnya tidak kita duga, dua parameter ini
00:21:44.19 disebut Video and Video ME, yang merupakan singkatan dari energi gerak video.
00:21:48.10 Ini hanyalah semua piksel yang tersisa dalam video yang tidak kami harapkan menjadi masalah sama sekali.
00:21:54.02 Mereka ternyata sangat penting untuk menjelaskan sinyal fluoresensi.
00:21:58.09 Tapi pada titik ini, Anda harus skeptis.
00:22:00.05 Jadi, inilah sudut skeptis kami, yang saya sebut.
00:22:02.26 Dan seorang skeptis akan berkata, oh, ayolah.
00:22:05.12 Ini sebenarnya bukan cara yang tepat untuk melakukan analisis ini, karena banyak variabel
00:22:09.11 yang Anda miliki di sini terkait satu sama lain.
00:22:12.02 Misalnya, pilihan hewan, apakah itu ke kanan atau ke kiri, terkait erat
00:22:16.19 ke binatang yang menjilat karena menggunakan menjilat untuk melaporkan pilihannya.
00:22:21.05 Dan ini tentu saja kritik yang sangat valid.
00:22:23.00 Jadi, untuk mengatasinya, kami kembali ke model, dan kami mengeluarkan parameter dari model
00:22:27.10 satu per satu, dan melihat betapa buruknya model itu sebagai hasilnya.
00:22:32.11 Dan ini adalah cara penilaian yang jauh lebih konservatif
00:22:35.20 seberapa penting setiap fitur perilaku ini bagi otak.
00:22:38.19 Jadi, misalnya, saya akan sangat konkret di sini.
00:22:41.05 Misalkan kita mengeluarkan stimulus visual yang tepat.
00:22:44.01 Lalu kita akan bertanya, seberapa buruk model itu?
00:22:48.17 Atau dengan cara lain, seberapa besar penderitaan model itu?
00:22:52.02 Dan di mana model menderita?
00:22:54.02 Jadi, inilah cara untuk memvisualisasikannya.
00:22:55.19 Jadi, sekarang, warna di sini memberi tahu Anda seberapa besar kemampuan model untuk menyesuaikan data.
00:23:00.21 seberapa baik kerjanya. betapa lebih buruknya ketika kita menendang keluar parameter yang sesuai
00:23:05.21 ke stimulus visual yang tepat.
00:23:07.00 Yah, bagus.
00:23:08.00 Kami menemukan, saat kami mengeluarkan stimulus visual yang tepat dari model,
00:23:11.13 kita tidak bisa lagi memprediksi aktivitas saraf di V1 kiri.
00:23:15.07 And remember, that activity. that visual signals from the right
00:23:17.27 go to the opposite side of the brain -- they cross in the brain.
00:23:21.20 So, this tells us that when we eliminate that model we can no longer fit the data as well
00:23:26.16 in primary visual cortex, which is exactly what we would expect.
00:23:30.01 And similarly, when we kick the right handle grab out of the model, we're no longer able
00:23:34.07 to predict activity in the part of the brain that corresponds to the paw motor cortex.
00:23:41.17 So, this tells us that our more conservative approach is doing what it's supposed to do.
00:23:46.06 And we were then able to reanalyze the data and say, well, how much of each.
00:23:50.02 how much do each of these parameters matter when we use a much more conservative method?
00:23:54.17 And we found that a lot of them in the task. you can see here. well, you can't actually see.
00:23:59.27 These dark green bars tell you how much these parameters matter.
00:24:02.08 They're almost invisible, because when we kicked out most of the decision-making parameters,
00:24:07.01 we could still fit the model really well.
00:24:09.21 And that's because what really mattered for the neural activity was the movement model.
00:24:14.09 So, the dark green bars corresponding to the movement parameters are still much larger,
00:24:19.25 especially compared to the task, telling us that we really need to include those
00:24:24.16 in our model if we want to understand the neural activity.
00:24:27.20 But not so much the task parameters.
00:24:30.06 I have movies here that you how much each model matters at each location and space in the brain.
00:24:37.26 and also each moment in time.
00:24:38.26 So, the full model means the model including all of the parameters.
00:24:42.22 The movement model is the one including all of the movements in the plot I just
00:24:46.02 showedyou before.
00:24:47.05 And the one labeled task, these are all the decision-related parameters.
00:24:51.01 So, when you see that one of the. the values on these plots are yellow, that means that
00:24:56.24 that particular parameter really mattered for the model.
00:25:00.25 And blue means that it mattered less.
00:25:02.17 So, you can already see that at the beginning of the trial,
00:25:05.04 the task parameters don't really matter very much at all.
00:25:08.02 And let's see what happens over time.
00:25:11.08 So, the movement model really matters.
00:25:14.08 Again, really the movement model.
00:25:16.22 Okay, stimulus comes on.
00:25:17.24 You can see the task model starts to matter.
00:25:19.21 We need to have the task model to understand visual cortex responses.
00:25:27.23 So, really throughout the entire trial, the main things that we needed to explain
00:25:32.17 the neural activity really had to do with the movements that the animal was making,
00:25:37.00 and much less so the decision-making parameters that we had built into the behavior.
00:25:43.01 And just to be really concrete about what I mean, think about a licking, which is a movement variable,
00:25:47.27 versus the animal's choice, which is a task variable.
00:25:50.26 So, the choice. the choice parameter is a binary variable, which can be 1 at any moment in the trial,
00:25:56.25 so it can influence the neural activity at any moment in the trial.
00:26:00.26 And so that means if there's any particular moment where a choice is made,
00:26:04.14 that parameter will be a really good one to have.
00:26:06.09 But with licking, what actually happens is the animal makes
00:26:09.04 a few kind of idiosyncratic licking movements at the end of the trial.
00:26:12.22 And if, for example, there's a fluorescence spike every time the animal makes a licking movement,
00:26:16.10 then the licking parameter is what captures the neural activity, and not the choice parameter.
00:26:22.07 And that's. it's dissociations like that which allowed us to uncover that it was
00:26:27.12 really the movements that mattered much more than the abstract decision-related quantities
00:26:31.25 that we had included in the model as well.
00:26:33.28 Okay.
00:26:34.28 So, I've told you so far that movement-related variables are really the most important
00:26:40.09 for understanding neural activity.
00:26:42.02 And there are really two kinds of movement-related activity.
00:26:46.20 Some of them are instructed movements, like handles and licks.
00:26:49.27 And remember, early in the talk we wondered whether instructed movements were
00:26:53.07 the only ones that mattered.
00:26:54.15 But there are many uninstructed movements as well.
00:26:56.18 We don't tell the animal to dilate its pupil.
00:26:58.17 We don't tell it to move its hindpaw or move its nose.
00:27:01.04 But you can see that many of these uninstructed movements were really important
00:27:06.05 for fitting the neural activity.
00:27:07.26 And there's kind of a lesson here, I think, that we really learned, which is that
00:27:11.01 those movements aren't important to us, right?
00:27:12.27 We care about the licking and the handle grab,
00:27:15.09 because those are what we built into the experimental design.
00:27:17.23 But apparently these other movements are important to the animal,
00:27:20.06 because it makes a lot of those movements.
00:27:22.04 And apparently they're a high priority for the brain, because we really need to know what,
00:27:26.04 for example, the nose is doing if we want to understand the neural activity.
00:27:31.05 So, these spontaneous movements really were quite important.
00:27:35.13 Just to summarize across all of the different movements, we've grouped them into the task variables
00:27:40.13 -- those are the decision-related ones --
00:27:43.02 and then instructed versus spontaneous. spontaneous movements.
00:27:47.15 And you can see that the spontaneous movements, the green bar. both dark and green bar,
00:27:51.20 are larger than the instructed movements.
00:27:53.22 So, those spontaneous movements were even more important than the ones that we had
00:27:58.17 built into the decision-making task.
00:28:01.05 So, what does this mean for understanding average neural activity?
00:28:05.13 One thing we often do as scientists is that we average together the responses of
00:28:09.08 many repetitions of the same trial.
00:28:11.14 And you might. you might feel reassured, thinking that once you've averaged responses together,
00:28:15.28 that a lot of these spontaneous movements that I'm talking about
00:28:19.06 won't really matter anymore.
00:28:21.12 The extent to that's true. to which that's true kind of depended a bit on the area under study.
00:28:26.17 So, here at the top, this is the fluorescence response and also the model fit
00:28:30.22 to average data from primary visual cortex, V1.
00:28:33.13 And there are two lines there, but you can't really see that there are two lines,
00:28:36.12 because the model fits the data really well.
00:28:38.10 So, now I'm gonna break up the model into just the task variables, the decision-making ones.
00:28:44.08 And you can see that we mostly fit the fluorescence activity pretty well,
00:28:47.26 except at the beginning of the trial there's a little bump that we couldn't really fit with the task model.
00:28:52.23 When we included instructed movements, we did better at fitting that bump,
00:28:56.09 because it turned out that that bump was related to the animal grabbing the handle.
00:28:59.16 And this was surprising, because this is in primary visual cortex,
00:29:01.26 where we wouldn't think a handle grab would matter so much, but it did matter.
00:29:05.10 And then, when we looked at the spontaneous movements, again, we found we were able to
00:29:10.02 understand the bump a little bit better when we included those spontaneous movements.
00:29:14.18 So, to summarize, in primary visual cortex, the decision-making parameters in the task category
00:29:20.22 are, really, pretty important, and we only need the movement model for
00:29:24.22 certain kinds of fluctuations in activity.
00:29:27.14 Here, in secondary motor cortex, this is kind of a different story.
00:29:30.26 Here, the task variables were not very helpful in understanding the neural activity at all.
00:29:36.00 The instructed movements were definitely more helpful.
00:29:39.10 And the spontaneous movements were really critical.
00:29:42.02 We really needed all three of these mod. these model components together
00:29:47.03 to be able to predict what the neurons were going to do.
00:29:49.26 So, as a result of this analysis so far, we developed what we call a task modulation index,
00:29:56.19 which tells us how much particular brain areas are modulated by these task variables.
00:30:01.28 And part of the reason we did this is that I'm hoping people might be skeptical
00:30:05.14 for a second reason.
00:30:06.14 So, back to skeptics’ corner again.
00:30:08.03 A skeptic here would say, okay, it's clear that neural activity is driv.
00:30:13.21 is dominated by movements when you measure activity using wide-field imaging.
00:30:18.13 But what is wide-field imaging really measuring?
00:30:21.00 It's a new technique.
00:30:22.00 Who knows?
00:30:23.00 What do you think the single neurons are doing?
00:30:24.00 That's what we've been measuring in the field of neuroscience for decades.
00:30:27.14 And that's of course a valid concern, because wide-field imaging is pooling signals
00:30:31.01 from probably a lot of different kinds of neural activity.
00:30:34.10 So, to address this point, we picked an area called ALM, anterior lateral motor cortex,
00:30:40.00 which is indicated by the dotted white line at the front of the brain.
00:30:44.15 And we decided to zoom in there with our two-photon microscope to see whether the dominance
00:30:49.15 of movement-related activity was evident when we looked at single neurons,
00:30:52.25 the more traditional approach, as well.
00:30:54.25 So, that's a ALM, there.
00:30:57.09 And this shows you where we imaged.
00:30:59.00 It's a. an area.
00:31:00.09 ALM is known to be active during decision-making, and especially when an animal is experiencing
00:31:05.22 a delay -- waiting to execute a motor response to report a decision.
00:31:09.17 There's been a lot of work on this from Karel Svoboda's lab as well as a number of others.
00:31:14.04 So, we imaged there, and used an automated segmentation method to identify
00:31:19.02 where all the individual neurons are.
00:31:20.24 And in the image with the yellow box around it, each one of those little colored dots
00:31:25.05 is a single neuron.
00:31:26.05 So, you can see we can measure the activity from lots of neurons at the same time.
00:31:30.15 And now we're measuring them one at a time.
00:31:32.15 So, it's the zoom-in view, as opposed to the bird's eye view I told you about previously.
00:31:37.21 We can see what these neurons do at every moment in time during the decision-making behavior.
00:31:42.13 And without going into too much detail, the measured responses that we observed in these neurons
00:31:47.15 were very similar to the responses that people had reported previously.
00:31:52.04 So, this confirms that we're recording neural activity in an area with known response properties,
00:31:57.25 and that we see what others see.
00:31:59.27 So, many neurons have clear task tuning.
00:32:02.22 So now, we're able to do exactly the same approach I told you before.
00:32:07.00 We take the same model -- same movement parameters, behavior parameters --
00:32:11.02 except instead of trying to model the trial-by-trial fluctuations in fluorescence activity of pixels,
00:32:17.27 we do it for individual neurons.
00:32:19.15 But other than that, the math is all the same, and we can ask all the same questions
00:32:23.17 about whether movement-related activity dominates during decision-making.
00:32:28.15 And this is the outcome of that analysis.
00:32:30.19 You can see that for the two-photon single neuron analysis, we see really a very similar picture
00:32:35.13 to what we saw in the wide-field.
00:32:37.16 Which is, again, movements really dominate neural activity.
00:32:43.02 And here's just a couple of single-cell examples.
00:32:45.07 And I like these, because, for us, they tell us that our intuitions
00:32:48.27 about what kind of computations are reflected in neurons can be kind of misleading.
00:32:53.01 So, this first cell. it's a cell in area ALM, and its fluorescence response is shown in white.
00:32:58.24 And the predicted response from the movement model and task model are shown in green.
00:33:03.15 And this is a neuron that's pretty similar to. or, has a message similar to the message
00:33:07.17 that I've been telling you throughout, which is that the movement model is way better.
00:33:11.12 And that's even true when you look at the response within those gray rectangles,
00:33:16.10 which is the time that the animal is making its decision.
00:33:18.20 There's a really interesting time-varying increase during that period,
00:33:22.12 which we might have thought was related to a decision-making parameter, but in fact,
00:33:26.27 really, it just has to do with the movements that the animal is making.
00:33:30.16 For this cell, it's the opposite story.
00:33:32.02 So, for this cell, again, the real response is in gray, and the model predictions
00:33:35.25 are in blue and green.
00:33:37.01 For this cell, the movement model is really terrible, and the task model is much better.
00:33:41.10 And if I had seen this neuron without having done this analysis, I would have thought,
00:33:45.28 oh yeah, that's a movement neuron.
00:33:47.15 It's building up right before the time of the movement.
00:33:50.00 But that really turned out not to be true.
00:33:51.26 And I think one lesson that we've learned, having analyzed the data in this way,
00:33:57.01 is that sometimes the intuitions we have about what kinds of computations are being reflected
00:34:00.13 in neural activity just really aren't right.
00:34:03.02 And we need to test the hypothesis to distin. explicitly, and distinguish movement-related activity
00:34:08.28 from other kinds of cognitive functions like decision-making.
00:34:12.05 So, I started off by asking the questions about. is this activity.
00:34:17.12 about movement-related activity during decision-making.
00:34:20.19 And you might remember that we had three questions.
00:34:22.18 So, the first question is, is it quite localized to just a few areas, or is it very widespread?
00:34:27.28 And yes, it's very widespread.
00:34:29.22 We saw movement-related activity all across the dorsal cortex, even in primary visual cortex.
00:34:35.28 And for anyone who is a skeptic, the dominance of movement in visual cortex
00:34:39.12 has also been observed by other labs as well, Marius Pachitariu's and Carsen Stringer's specifically.
00:34:45.02 Secondly, is the activity only driven by instructed movements?
00:34:50.17 The ones that we taught the animal to do, like grabbing a handle.
00:34:54.13 Both instructed and spontaneous movements matter.
00:34:56.26 So, the instructed ones matter for us, but apparently for the animals,
00:35:00.13 spontaneous movements also matter, and they're clearly a priority for the brain.
00:35:04.26 Task aligned or task independent?
00:35:06.18 Again, both really matter.
00:35:08.10 So, some of the movements are aligned to events in the trial,
00:35:12.05 and other ones happen at idiosyncratic moments in the trial,
00:35:14.27 and are really more like fidgets, perhaps of the sort that we see humans making a lot as well.
00:35:19.26 So, you might wonder at this point, well, what's really going on?
00:35:23.22 So, this analysis demonstrates that movement-related activity really dominates the cortex
00:35:29.08 even during decision-making.
00:35:30.25 But we know that can't be the whole story, because I showed you at the beginning
00:35:35.26 that the behavior of novices and experts are really different.
00:35:39.06 So, if that's true, there must be places in the brain, or ways of measuring neural activity,
00:35:43.28 that uncovers a difference between novice decision-makers, or guessers, and true decision-makers.
00:35:49.22 And we are still trying to uncover that.
00:35:51.26 We think if we have. use a different kind of analysis in area ALM that we do see a signature
00:35:57.10 of true decision-making.
00:35:59.09 But the main message that I hope you'll remember is that this needs to be very carefully
00:36:04.20 teased apart from signals that are related to the animal's movements.
00:36:09.08 The decision-making signals are there.
00:36:11.10 But they're hard to see.
00:36:12.12 And they interact very intimately with signals related to movements.
00:36:18.00 So, these are the people in my lab who are part of a team that's worked together to do this work.
00:36:24.28 We collaborate a lot within our group, and also with groups outside.
00:36:28.15 And we're also really grateful to our funders for providing the resources that make it possible
00:36:33.17 for us to do that work.
00:36:34.26 So, thank you very much.

  • Part 1: How Do Brains Decide?

9 Bernard Heginbotham

By 2004, Bernard and Ida Heginbotham had been married 67 happy years. Together, the couple had six sons. Bernard, who was 100 years old, had been taking care of his 87-year-old ailing wife for some time. After several falls, Ida was transferred to a series of nursing homes as her health worsened. All the while, Bernard supported his wife as much as he could and visited her every day.

In April 2004, Bernard got a call from his eldest son, saying that Ida would have to be moved to yet another home. So on April 14, 2004, Bernard, who was a devoted church attendee and retired butcher, took a knife from the couple&rsquos bungalow. He walked to the home. As the elderly couple sat alone in Ida&rsquos room, he slit her throat. He then left the home and tried to kill himself. He was stopped and arrested.

Bernard was charged with murder, making him the oldest person to be charged with murder in England&rsquos history. He pleaded guilty to manslaughter on the grounds of diminished responsibility and received a year of probation.


CBSE Class 10 Maths Case Study Questions 2021 (Published by CBSE)

Check case study questions with answers for all chapters of CBSE Class 10 Maths. All the questions (with answers) are published by the CBSE Board itself.

The Central Board of Secondary Education (CBSE) published the case study questions for Class 10 Maths. We have provided below the chapter-wise questions for CBSE Class 10 Maths. Students must solve these case study questions as soon as they finish a chapter in the class. All these questions are published by the CBSE board hence carry certain importance for the exam. Students must start practicing with these questions to avoid extra burden at the time of the annual board examination.

Chapter-wise links for CBSE Class10 Maths Case Study questions are given below:

Case Study Questions for CBSE Class 10 Maths Chapter 8

Case Study Questions for CBSE Class 10 Maths Chapter 11

All the CBSE Class 10 Maths Case Study Questions are provided with answers. Most of the questions are given in the form of Multiple Choice Type Questions (MCQs). You will find the correct option (answer) written at the end of each question.

You may also download the complete question bank as is published by the board in the form of a PDF from the following link:

For CBSE Class 10, the board has decided to introduce a minimum of 30 per cent competency-based questions in form of case study questions, MCQs, source-based integrated questions, etc. in the new exam pattern 2021-2022. Therefore, students should make themselves familiar with the case study questions to learn the right process for approaching these new type of questions.

Besides practicing with these questions, you must learn the right technique to solve the case study questions with ease and perfection. We have summed up a few effective tips that will help you understand the right way to approach the given problem and come up with the right answer. Check the link given below:

Do not miss to explore our CBSE Class 10 Complete Study Package that comes online in this pandemic hit period and is best for self-study in 2021-2022:


Validation of a Case Definition for Pediatric Brain Injury Using Administrative Data

Background: Health administrative data are a common population-based data source for traumatic brain injury (TBI) surveillance and research however, before using these data for surveillance, it is important to develop a validated case definition. The objective of this study was to identify the optimal International Classification of Disease , edition 10 (ICD-10), case definition to ascertain children with TBI in emergency room (ER) or hospital administrative data. We tested multiple case definitions.

Metode: Children who visited the ER were identified from the Regional Emergency Department Information System at Alberta Children's Hospital. Secondary data were collected for children with trauma, musculoskeletal, or central nervous system complaints who visited the ER between October 5, 2005, and June 6, 2007. TBI status was determined based on chart review. Sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV) were calculated for each case definition.

Hasil: Of 6639 patients, 1343 had a TBI. The best case definition was, "1 hospital or 1 ER encounter coded with an ICD-10 code for TBI in 1 year" (sensitivity 69.8% [95% confidence interval (CI), 67.3-72.2], specificity 96.7% [95% CI, 96.2-97.2], PPV 84.2% [95% CI 82.0-86.3], NPV 92.7% [95% CI, 92.0-93.3]). The nonspecific code S09.9 identified >80% of TBI cases in our study.

Kesimpulan: The optimal ICD-10-based case definition for pediatric TBI in this study is valid and should be considered for future pediatric TBI surveillance studies. However, external validation is recommended before use in other jurisdictions, particularly because it is plausible that a larger proportion of patients in our cohort had milder injuries.

Kata kunci: Brain Injury – Pediatric Health Services Health Services Research.


Tonton videonya: 1 Anatomi Sistem Saraf: Otak part 1 #anfis #IDK #perawat #otak (November 2022).