Statisztika a neurobiológiában

STATISZTIKA A NEUROBIOLÓGIÁBAN

DR. SZILÁGYI NÓRA

Az élő anyag kutatása egyre inkább interdiszciplináris jellegű, a legjelentősebb társtu- dományok egyike a matematikai statisztika. A cikk az idegtudományok (neurobiológia) terü- letéről választott példán keresztül mutatja be a statisztikának a biológiai problémák sajátos- ságaiból adódó speciális szerepét a biológiai kutatásban. Az emberi agy információtovábbító és -feldolgozó működésének jellegzetességei olyan neurotranszmitter és neuromodulátor tu- lajdonságokkal rendelkező kémiai anyagok aktivitásából állnak össze, mint a nukleozidok.

Hatásuk megértéséhez annak tisztázása szükséges, hogyan oszlik meg ezek koncentrációja az egyes agyi régiókban. A nukleozidtérképnek egy 404×7 adatmátrixból történő felderítése sta- tisztikai interpretációban a mintázatfelismerés és osztálybasorolás modelljeihez vezet.

TÁRGYSZÓ: Neurobiológia. Klaszterelemzés.

A

matematikai statisztika tudományának fejlődését Quetelet-től (1796–1874) napja- inkig minden korban ösztönözte az, ha biológiai problémák megoldását kihívásnak tekin- tette. Karl Pearson (1857–1936), a természetes szelekció egyik első kutatója, az állati és emberi fejlődés tanulmányozása közben fejlesztette ki a lineáris regresszió és korreláció elméletét, módszerei szülők és gyermekeik testmagasság-adatainak tanulmányozása so- rán születtek. Ezzel Galton (1822–1911) nyomdokaiba lépett, aki az ember genetikai vál- tozékonyságának tanulmányozásával kereste azt a statisztikai összefüggést, amely meg- ragadja hogyan adódnak át biológiai jellemzők egyik generációról a másikra. R. A. Fisher (1890–1962) a matematikai statisztika történetébe többek között az ANOVA-modell (va- rianciaanalízis) kifejlesztésével írta be a nevét, a biológia történetírói viszont fejlődésbio- lógusként tartják számon. A biológusok figyelmét ő hívta fel a többváltozós mérések ér- tékére az egyváltozós kísérletekkel szemben és a kísérleti elrendezés (experimental de- sign) fontosságára.

Ez a két társtudomány tehát azóta kölcsönhatásban fonódik össze, és a kölcsönösen elő- nyös „társas vállalkozás” létrejöttét Pearson munkásságának kezdetén a Biometrika című folyóirat megalakítása szentesítette. A „cégtáblán” a Biostatisztika szó hirdeti hogy gyöke- rei a valószínűségelmélet, lombjai a biológia kertjében tenyésznek. Salk vakcinájának ki- dolgozása vezetett az első nagy társadalmi méretű statisztikai hipotézisvizsgálathoz, amely- lyel 1952-ben arról akart bizonyosságot szerezni, az anyák aggódó figyelmétől kísérve, hogy sikerült megtalálnia a poliomyelitis (gyermekbénulás) ellenszerét. Azóta a statisztika sokszor világította meg az epidemiológia útját az AIDS-, a SARS- az anthrax- vagy az inf- luenzajárványok dinamikájának felderítésében és mégsem csak a fertőző betegségek elleni

Statisztikai Szemle, 83. évfolyam, 2005. 10–11. szám

küzdelem fegyvere. A nagy népbetegségek (például a szív- és érrendszeri, az agyi degeneratív, a daganatos betegségek és az epilepszia) rizikófaktorainak felderítése, mint például a kardiovaszkuláris klinikumban 1965-ben indított nagy Framingham-vizsgálat (egy prospektív longitudinális kohorsz) azonban a küzdelemnek csak az egyik helyszíne. A másik a sejt- és molekuláris biológiai kutatólaboratóriumokban van, mióta ismertté vált hogy a makroszkópikus patológiás elváltozások, a betegségek, a sejt szintjén kezdődnek.

Prion-betegségben (szivacsos agyvelőgyulladás, más néven kergemarhakór) például nem is találni kórokozót, a rendellenes fehérje „csak” térszerkezetében különbözik a rendestől. A kérdés, hogy mi indukálja a változást és főleg, hogy mi módon lehetne azt kontrollálni, a genomikához (a géntudományhoz) és a proteomikához, a sejt fehérjekészletének törvény- szerűségeit kutató diszciplínákhoz vezetett. Ezzel a kutatás szintje, szemben az eddigi kli- nikai vizsgálatokkal, a makroszkopikus szintről vagyis a magatartás szintjéről a sejt szintjé- re és az alá, szubcelluláris szintre helyeződött át. Egy gén-array (DNS-csip) vagy egy prote- inkészlet kétdimenziós elektroforézis térképe által hordozott biológiai információ „kibányá- szása” azonban teljesen reménytelen vállalkozás volna statisztikai elemzések nélkül. A mo- lekuláris biológiának ebben az új korszakában tanúi lehetünk egyrészt új diszciplinák szüle- tésének mint például a bioinformatika, amelynek egyre terebélyesedő ágai (neve ellenére) csak részben az informatikából (adatbázisok létrehozása és kezelése), nagyrészt inkább a statisztika (többváltozós módszerek) nőttek ki. Másrészt a proteomikai kutatás „felértékel”

klasszikus statisztikai paradigmákat, így került előtérbe a „bayesi” szemlélet és szorult hát- térbe a „frekvencialista” megközelítés.

Az interdiszciplináris kutatás sohasem egyszerű, csoda-e, ha művelésére időnként ár- nyékot vetnek igénytelen, egyszerűsítő próbálkozások. A két tudomány kölcsönhatásának jellemzése egyoldalú maradna, ha nem említenénk meg ezt a káros gyakorlatot. A mes- terséges ideghálózatokat (neural network – NN) már évtizedek óta javában működtették a biológia legkülönbözőbb területein, amikor a McGill University internetes statisztikai lis- tájának egyik biológus résztvevőjében felvetődött az igény ezen automaták statisztikai modelljének identifikálására, és a listára érkező megjegyzésekből kiderült mennyire elter- jedt gyakorlat a „black boxként” történő alkalmazás. Az igényt adott esetben az szülte, hogy empirikusan, a „layerek” számának változtatásával sehogy sem sikerült eltalálni az optimális tanulási hatékonyságot.¹ A NN-eset jól demonstrálja, hogy a biostatisztikában sincs királyi út, nem kerülhető meg a modellalkotás folyamata. Ha előbb nem is, akkor a statisztikai eredmények biológiai interpretálásának fázisában mindenképpen visszaüt a rossz értelemben vett pragmatizmus. A probléma egyébként a statisztikai programcsoma- gok születése óta ismeretes, hiszen ezeket ugyancsak lehet gépezetként használni, és tö- meges méretű számításokat futtatni a statisztikai modell tudatos megválasztása nélkül. A biostatisztikát azonban mint minden élő és fejlődő tudományt a negatív hatások épp úgy, mint a pozitívak csak előre viszik és kiteljesítik.

A biológiai rendszer komplexitása

A gyógyítás, a gyógyszerkutatás, a mezőgazdaság – hogy csak a legfontosabbakat említsem a biológia alkalmazásai közül – és maga a biológiai alapkutatás által felvetett 1 A NN input, output és úgynevezett „rejtett”, belső „layerekből” áll, a layereket kölcsönös kapcsolatban levő csomópontok alkotják valamilyen „aktiválási függvénnyel” felruházva. A rendszer tanulásra képes a csomópontok kapcsolódási koefficienseinek módosításával (tanulási szabály) a bejövő mintázatnak megfelelően.

DR. SZILÁGYI NÓRA 1012

biostatisztikai problémák közös jellegzetessége, hogy a magasan fejlett, ennek megfele- lően bonyolult élő anyag sajátosságaival foglalkozik. Az élő anyagot élővé varázsló tu- lajdonság mikéntje a mai napig rejtély, kiváltképp mióta Wöhler szerves anyagot előállító vegyészete lerombolta a vis vitalis (életerő) elmélet talapzatát. Jelenlegi tudásunk szerint az élő anyag legfontosabb adottsága a összetettsége, ezt az önszervezés (belső kauzali- tás), többszörös visszacsatolásból eredő nemlinearitás és hierarchikus szerveződés (al- rendszerek beágyazódása nagyobb rendszerekbe) okozza. A bonyolultan összetett belső struktúra külső megnyilvánulása az adaptivitás (alkalmazkodó-, túlélő- és fejlődőképes- ség), az egyidejű zártság és nyitottság (a környezeti változások között megőrzött állandó- ság) és a „vitalitási ablak”, azaz optimális komplexitásból eredő optimális energiafel- használás, amit a rendszer úgy ér el, hogy nincs egyensúlyban csak annak a határán („edge of chaos”), sőt nem is mono-, hanem multistabil, vagyis több stabil állapot között vándorol. Ilyen rendszerek viselkedésében rendes és nem rendkívüli esemény a hirtelen változás, még a körülmények állandósága vagy lassú változása esetén is. Ami még ennél is meglepőbbnek tűnhet, az élő rendszer stimulus (ingerlés) nélkül is változtatja viselke- dését: az emberi agy például egyetlen éjszaka alatt 4–6 alkalommal járja be a könnyű al- vás – mélyalvás – REM-alvás (Rapid Eye Movement – gyors szemmozgásos, álomlátá- sos alvás) átlagosan 90 perces periodicitású váltakozását.

A viselkedési készlet rendkívüli gazdagsága a kísérletezőtől holisztikus megközelítést igényel, ugyanis a redukcionista felaprózás közben elveszne a bergson-i élan vital, azaz hogy amint azóta nevezzük, a komplexitás által éltetett dinamika, maga az élő jelleg. A rendszer egészének megnyilvánulásához természetesen minimálisan alapkövetelmény a többváltozós kísérletek tervezése (amint Sir Ronald Fisher már a múlt század 30-as évei- ben intette a biológus kísérletezőt), annak érdekében, hogy a belső struktúra kölcsönha- tásai kivetülhessenek az adatok valamilyen mintázatába. Mintázatfelismerésre és adatexplorációra a kísérlet végeztével így persze még azelőtt szükség van hogy hipotézist állítanánk fel. A biostatisztika ezért igen hamar adoptálta az exploratív adatelemzés (Exploratory Data Analysis – EDA) új szemléletmódját – vagy amint a proteomikában nevezik az adatbányászás (Data Mining) technikákat – de a statisztikai döntés klasszikus folyamatát (még akkor is ha újkeletű eljárással, például bootstrap-becsléssel előállított mintaeloszlást használ), természetesen nem kerülheti meg. Ezeknek a speciális problé- máknak a biostatisztikai megközelítését a következőkben a jelen rövid tanulmány egy neurobiológiai (idegtudományok) példán mutatja be.

A biológiai probléma

Az agyban működő átlag 100 billió idegsejt (neuron) hálózata a kommunikáció fel- adatára specializálódott és azt igen nagy sebességgel látja el, informatikai nyelven szólva másodpercenként több millió üzenetet forgalmaz. A digitális technikából vett hasonlat azonban határozottan megkérdőjelezhető, hiszen már maga Neumann János, a digitális elvet megtestesítő számítási architektúra egyik megalkotója is úgy vélekedett, hogy az agy működési elve inkább analóg kell legyen, mint digitális. Az agyban valóban a számí- tógéptől eltérő, sajátságos mechanizmussal történik az információ átvitele a sejtek között a szinapszisokon keresztül kémiai anyagok, neurotranszmitterek segítségével. Ráadásul az idegsejtek ingerelhetőségét, valamint készségüket a többi sejttel való együttműködésre

más anyagok, neuromodulátorok is befolyásolják. Ilyen neuromodulátor és egyben neurotranszmitter (pontosabban co-transmitter) funkcióval egyaránt rendelkeznek a nukleozidok, amelyekről érdemes megemlíteni, hogy foszforilálással nukleotidokká, a DNS építőköveivé alakulnak át. Némely nukleozidnak további speciális szerepe szintén ismert, mint például az adenozinnak az alvásra, a memóriára és az idegsejt védelmére gyakorolt hatása. Jórészt azonban egyelőre felderítetlen nemcsak a neuronális működés- ben betöltött funkciójuk, hanem az agyi eloszlásuk is, vagyis az sem ismert, hogy az egyes agyterületek milyen koncentrációban tartalmaznak nukleozidokat.

A nukleozid-eloszlás megismerésére tervezett kísérlethez az emberi agyminták gyűj- tése közlekedési balesetek áldozatainak körében az „Emberi szöveteknek a magyarorszá- gi orvosi kutatásban történő felhasználására vonatkozó etikai szabályok” figyelembevéte- lével történt. A minták az emberi agy 13 különböző struktúrájából származtak: a nagy- agykéregben a frontális, prefrontális, szomatomotoros, szomatoszenzoros, occipitális, temporális, és inzuláris kéregből, a kisagynak a fehérállományából, a kéregállományából, a flocculonoduláris lebenyéből, és a vermisből, valamint a nagyagy fehérállományából.

(Lásd az 1. ábrát.)

1. ábra. A nukleozid adatbázis mintavételi helyei az agyi struktúrákban

Inzurális kéreg

Szomato- szenzoros kéreg

Occipitális kéreg Kisagy Prefrontális

kéreg Frontális

kéreg Temporális kéreg Szomato-

motoros kéreg

A 404 mintában hét nukleozid, a hypoxantin, xantin, inozin, guanozin és adenozin, il- letve uracil és uridin mérése történt meg. Az első négy nuklozid a purinok, az utolsó ket- tő a primidinek családjába tartozik. Az alkalmazott kísérleti technológia (erősen leegy- szerűsítve) a következő lépésekből állt. Az agyból mikrodisszekcióval kiemelt minták

DR. SZILÁGYI NÓRA 1014

előfeldolgozásaként, homogenizálás után mikrohullámmal történő kezelés (a nukleozidokra ható enzimek aktivitásának leállítása érdekében), majd centrifugálás tör- tént. A tényleges kémiai analízist ezután HPLC-készülék (High Performance Liquid Chromatography) szolgáltatta, amely végül az agyszövetet fiziko-kémiai módszerrel al- kotórészeire bontja, a mintában található nukleozidokat detektálja és azok koncentrációját nagy pontossággal megméri.² Ennek a módszertani körülménynek, nevezetesen hogy az egy meglehetősen sok kritikus lépésből álló folyamat volt, a későbbiekben részletezendő, nem elhanyagolható következménye lesz a statisztikai analízisekre.

Előzetes biokémiai ismereteink alapján elfogadható az a feltételezés, hogy a közös biokémiai háttér következtében a nukleozidkoncentráció agyterülettől független, tehát a nukleozidok homogén eloszlást mutatnak az egész agyban. Ezzel egyidejűleg azonban épp ennyire reális az a hipotézis, hogy helyileg ható mechanizmusok miatt az agyi struk- túrára jellemzően alakul a nukleozidok koncentrációja, tehát inhomogén eloszlást mutató nukleozidtérkép tárul majd a szemünk elé. A kísérlet célja – és a statisztikai elemzés számára a valódi kihívás – éppen ennek a kérdésnek az eldöntésében állt.

A statisztikai modell

Az agyi régióspecifikus nukleozideloszlás felismerésére, amennyiben létezik, illetve nemlétezésének igazolására statisztikai osztályozási módszerek alkalmasak.

2. ábra. Standardizált változók agyi struktúránként

A 13 agyterületből származó 404 minta mindegyikét egy hételemű nukleozid vektor reprezentálja a 404×7-es adatmátrixban. Az individuális nukleozidok koncentrációi nem 2 Az agyminták gyűjtése és mirodisszekciója dr. Palkovits Miklós (Semmelweis Egyetem, Anatómiai Intézet) vezetésével történt. A kísérletek az MTA TKI Neurobiológiai Kutatócsoportjában (vezeti: dr. Juhász Gábor) folytak Kékesi Katalin, Dobolyi Árpád, valamint Kovács Zsolt ( Berzsenyi Dániel Főiskola, Állattani Tanszék, Szombathely) közreműködésével.

mutatnak szignifikáns különbséget az anatómiai struktúrák között, amint az várható is volt. (Lásd a 2. ábrát.) Sőt, a biológiai méréseknek éppen ebben a jellegzetességében nyilvánul meg a komplexitás. A nukleozidok egyike sem viseli tehát magán a különböző agyterületek „lenyomatát”. A [hypoxantin, xantin, inozin, guanozin, adenozin, uracil, uridin] nukleozidvektor mintázata azonban hordozza azt az információt, amellyel különb- ségek és hasonlóságok állapíthatóak meg a minták között. A probléma tehát első lépés- ben valójában egy mintázatfelismerési probléma.

A nukleozidok 7-dimenziós terében nyilvánvalóan mintázatnak kell megjelennie ab- ban az esetben, ha az agyban a nukleozidkoncentráció a struktúra függvénye, azaz ha in- homogén a nukleozidok megoszlása. Igy tehát az agyi nukleozidtérkép megfejtése ekvi- valens a többdimenziós ponthalmaz geometriájának vizsgálatával. Mintázatfelismerés céljára csak a „tanulás tanító nélkül” (unsupervised learning) módszer jöhet szóba, mivel nemhogy a klaszterhez tartozás, de még az esetleges klaszterek száma sem ismeretes. A klaszter analízissel megvalósított exploratív szakaszt második lépésben az osztályba so- rolás követi. Ebben a fázisban, a diszkriminancia analízis során, megtörténik a klaszterek verifikálása és a felismert proximitási viszonyokon alapuló klasszifikáló függvények ki- fejlesztése. Az egyes nukleozidok részarányát a diszkriminálásban a legjobban diszkri- mináló, kanonikus függvényekben kapott standardizált koefficiensei jellemzik.

A biológiai minta jellegzetességei

Komplex rendszer kétféleképpen valósulhat meg a természetben: vagy nagy szabad- sági fokú, sztochasztikus, vagy kis szabadsági fokú, úgynevezett „kaotikus” (determinisz- tikus) rendszerként. Ez utóbbiban az alacsony szabadsági fokokkal nem magyarázható bonyolultságért a belső nemlinearitás, a többszörös visszacsatolások felelősek. Érdekes módon, az ilyen rendszerek determináltságuk ellenére sztochasztikusnak mutatkoznak, különösen ha nem sikerül a kísérletben a kanonikus változókat megragadni, amire való- ságos rendszereknél sajnálatos módon jelentős az esély. Ilyenkor ugyanis az eredetileg N- dimenziós rendszert K < N változóval mérve annak dinamikája egy altérre vetülve jelenik meg az adatokban. A biológiai rendszerek közelebb állnak az utóbbi komplexitási formá- hoz, és erre a nukleozidok különlegesen szép példával szolgálnak, amint ezt a metabolikus (anyagcsere) „útvonalaik” ékesszólóan illusztrálják. (Lásd a 3. ábrát.)

A véletlenszerűség másik forrása a mérési hiba. Mivel ez a kísérleti berendezés és a kísérlet alanya közötti interakció eredménye, természetesen nem szorítható nem szorítható egy adott korlát alá. A kísérletezőnek csak a szisztematikus torzítás kiküsz- öbölése áll hatalmában a mérőműszerek megfelelő beállításával. Különösen olyan több- fázisú kísérleti metódusban van esély különböző forrású mérési hibák halmozódására, mint a nukleozidkísérlet során, igaz, ekkor annak is megnövekszik az esélye, hogy a hiba normális eloszlást kövessen.

Az előfeldolgozási lépés tehát biológiai minták esetén általában nem triviális. Az outlier-ek kíszűrésére köztudottan több eljárás van forgalomban, többváltozós adatokra is, jó részük empírikus eredetű. Az egyik legjobban algoritmizálható és hatékony eljárás a P. R. Rousseeuw-féle MVE- (Minimum Volume Ellipsoid) módszer. Ez azzal a feltétele- zéssel találja meg a „kiugró” adatokat, hogy azok drasztikusan megnövelik az adatokat reprezentáló ellipszoid térfogatát. Az approximációs kereséssel kiválasztott részhalmaz-

DR. SZILÁGYI NÓRA 1016

ban számított Mahalanobis-távolságra alkalmazott küszöbszint érték segítségével megta- lálhatóak a megbízható mintaelemek. (Lásd az 4. ábrát.) A nukleozid adatbázisban adó- dott 96 outlier a 308 „tiszta” adat mellett magas hibaszázalékot mutat, ezt azonban a kö- rülmények teljes mértékben megmagyarázzák. Ebben az esetben ugyanis nem volt mód randomizálásra, amellyel megtervezett biológiai kísérlet esetén a zavaró faktoroknak az adatokra gyakorolt hatását (például kísérleti személyek különböző fiziológiai állapota, életkora, stb.) hatékonyan csökkenteni lehet.

3. ábra. A purinok idegrendszeri metabolizmusa

4. ábra. A mérési adatok a kiugró értékekkel többdimenziós skálázással kapott kétdimenziós konfigurációban

Lényeges és sokat vitatott adat-előkészítési lépés a klaszteranalízisben a standardizá- lás. Amikor a mérési skálák egysége nem kevesebb, mint egy nagyságrenddel különbö- zik, elkerülhetetlen azok valamilyen módszerrel történő összeigazítása. Jelen esetben, mivel a hypoxantin koncentrációjának középértéke 108,56 pmol/mg volt, míg az uracilé 8,44 pmol/mg (a többi nukleozidé pedig e két limit közötti érték) volt, a szórással volt ér- demes normálni a (zérus középértékre transzformált) adatokat.

Mit mutat az emberi agy nukleozidtérképe?

A mintázat megtanulásához, a 7-dimenziós nukleozidtér felderítéséhez egy amalgamációs típusú klaszterezés felel meg, hiszen így a természetes módon aggregálódó alcsoportok hierarchiája is kirajzolódik. Hasonlósági mértékként az euklideszi távolság, egyesítési (amalgamation) szabályként a Ward-módszer volt az optimális választás. Bár a hierarchikus klaszteranalízis inherensen egy szubjektív lépést tartalmaz a klaszterhatárokat kijelölő kapcsolódási távolság megválasztásában, ez esetben az analízis által felépített klaszterstruktúra első ránézésre azonosítható. (Lásd az 5. ábrát.) Az egyesítési távolság ér- tékét 2-nek választva három klaszter bontakozik ki: az egyikbe a nagyagy és a kisagy fe- hérállományának mintái kerültek, ez tehát triviálisan a „fehérállomány-klaszter”. Egy má- sik, szintén homogén klaszterben csoportosultak a kisagy flocculonoduláris lebenyéből és a vermisből, valamint a cerebelláris kortexből (a kisagy kéregállományából) származó agy- szövetek, ezért ez a klaszter „kisagy” klaszterként azonosítható. A harmadik, az előző ket- tőnél heterogénebb klaszterben a cerebrális kortex, a nagyagy kéregállományának különbö- ző területeiből vett sejtek képviseltetik magukat, ez a klaszter tehát „nagyagykéreg”

klaszternek nevezhető.

5. ábra. Klaszteranalízissel kapott fadiagram

A klaszteranalízis mintázatfelismerő képessége feltárta a nagy agyi struktúrák kü- lönbözőségét a nukleozidkoncentrációk alakulása szempontjából. Az inhomogén agyi

DR. SZILÁGYI NÓRA 1018

nukleozideloszlás megértéséhez közelebb jutunk ha megkeressük a klasztereket maxi- málisan szeparáló nukleozidkombinációkat (lásd a 6. ábrát), vagyis a diszkrimináló függvényeket (lineáris függvények számítása megfelelőnek bizonyult). A kapott két kanonikus függvény egyike a kis- és nagyagyat választja szét, ebben az uracil (r =

= –0,36), az inozin (r = 0,27) és az adenozin (r = –0,31) szerepel (zárójelben az adott nukleozid és a kanonikus függvény korrelációs együtthatója). Ezt a két nagy régiót a fehérállomány-klasztertől a másik kanonikus tengely, azaz az uracil (r = –0,46), uridin (r = 0,48) és guanozin (r = 0,28) függvénye szeparálja. A fehérállomány különbözősé- ge tehát, összehasonlítva a kéregállomány régióival, főleg a pirimidin-anyagcserén mú- lik (uracil, uridin), míg a cerebrumnak a cerebellumtól való eltérését inkább a purinoké magyarázza meg.

6. ábra. A mérési adatok klaszterei a kanonikus függvények terében

Ezeknek az eredményeknek a biológiai interpretációja egy sor gondolati láncolatot indíthat meg a nukleozidok dinamikájával kapcsolatban. Az például, hogy a pirimidinek családjába tartozó uracil mindkét diszkrimináló függvényben a purinok családjába tarto- zó más nukleozidokkal együtt szerepel, arra utal, hogy a két nagy család nem elkülönül- ten működik. A kölcsönhatás természetének pontosabb megismerésére újabb kísérleteket szükséges tervezni, melyeknek elvégzése ezek után meg is éri a fáradságot.

A nukleozideloszlás regionális különbségeinek magyarázatául illusztrációként két le- hetséges okot érdemes megemlíteni: az agyi kapilláris denzitást és a neuron/glia arányt.

A kapillárisok (hajszálerek) sűrűsége azáltal befolyásolhatja eltérően az egyes agyterüle- tek nukleozid koncentrációját, hogy oxigénhiány indukálta változásokat hozhat létre. A neuron/glia arány pedig amiatt jelentős szempont, mivel az idegsejtekben és a gliasejtekben különbözik a nukleozid anyagcsere az eltérő purin metabolikus enzimelosz- lás következtében. Az adenozin lebomlása például gyorsabb a gliában mint a neuronban.

A nukleozidvizsgálatunkhoz kiválasztott agyi régiók a neuron/glia arány tekintetében erősen különbözők. Ez az arány igen magas a kortexben (agykéreg) és alacsony a fehárállományban. Továbbá speciálisan a kisagyi kortexre egészen más arányszám jel- lemző, mint a nagyagykéregre, és az ez utóbbin belüli egyes kortikális struktúráknak is rájuk jellemző neuron/glia arányaik vannak.

*

Összefoglalásként érdemes kiemelni, hogy a biológia (és minden természettudomány) problémamegoldó tevékenysége a kísérleti és elemző fázisok összefonódása által alkotott gondolati spirálison halad egyre magasabb szintre. Ebben a folyamatban egymást feltéte- lezi a két szakasz: csakis a kísérleti adatokban rejlő információ birtokában állítható fel re- leváns hipotézis és csak a statisztikai elemzés biztos talaján válaszolhatunk a kísérlet által feltett kérdésre. A válasz azonban újabb kérdést, azaz újabb kísérletet indukál, és így ha- lad a megismerés útján, jelen esetben a neurobiológia, célja, az agyműködés rejtélyeinek felderítése felé.

SUMMARY

Life science research has become increasingly interdisciplinary and its most important co-science is mathe- matical statistics. The special role of statistics in biological research has been emerged from the special features of biological problems which is demonstrated in the present paper through a neurobiological example. Charac- teristics of the information transmission and processing of the human brain originate from the dynamics of neu- rotransmitter and neuromodulator chemical substances like nucleosides. In order to understand the effects of nucleosides in the human brain their regional distribution has to be disclosed. The exploration of the nucleo- side-map based on a 404 by 7 data matrix in statistical interpretation leads to pattern recognition and classifica- tion models.