İnsanoğlu, varoluşundan itibaren dinamik bir kendini anlama sürecinden geçmiştir. Bilinen diğer canlılardan farklı olarak insan, kompleks sosyal ilişkileriyle birçok araştırmaya konu olmuş ancak beynin anlaşılması güç mimarisi nedeniyle bu araştırmalar nörobiyolojik olarak temellendirilememiştir. Son zamanlarda araştırmacılar bu sır perdesini aralayabilmek adına yapay zekâyı kullanmaya başlamıştır. 

İnsanoğlunun toplum içindeki davranışları nörobiyolojik ve psikolojik mekanizmaların kontrolündedir. Kompleks sosyal etkileşimlerin gerçekleştirilebilmesi, ahlak algısının oluşumu, empati duygusunun gelişimi ve sosyal ortama uyum için gerekli olan diğer tüm faktörler sosyal zekâ adı altında incelenmektedir. Sosyal zekâ, beynin limbik sistem, amigdala ve ventromedial prefrontal korteks gibi bölgelerinde aktif olarak kontrol edilmektedir.

Beynimizde sosyal zekâyı kontrol eden bölgeler bütününe “sosyal beyin” adı verilmiştir. Bu bölgeler işlevsel olarak birbirleri ile bağlantılıdır ve bu bağlantı “beyin ağı” olarak tanımlanmaktadır. Beyin ağı, beyindeki farklı bölgelerin, sinir sistemi ile birbirine bağlanması sonucu oluşur.

Sosyal beyin yapısı; insanoğlunun, onu diğer canlılardan ayıran kompleks iletişim becerilerini keşfedebilmesi için anlaşılması gereken bir oluşumdur. Ne yazık ki 1990’lı yıllara kadar sosyal beyin mekanizması çok az ilgi görmüştür. Buna rağmen son 30 yıl içerisinde çalışmalar büyük bir ivme kazanmış ve günümüzdeki seviyeye ulaşmıştır.

Hannah Kiesow ve arkadaşları, sosyal beyin mekanizmasını anlamak için önemli bir adım atmıştır. Çalışmalarında 30 yıl içerisinde daha önce hiç denenmemiş bir yöntem kullanılmıştır: AutoEncoder Neural Network. Ekip, yapay zekâ aracılığıyla beynin alt ağları arasındaki bağlantıları bularak işleyişini anlamayı hedeflemiştir. Araştırmacılar, katılımcıların demografik olarak homojen dağılım göstermesi ve çalışmanın ön yargılardan uzak olmasını sağlamak adına  yaklaşık 10000 UK Biobank (dünyanın en büyük, tek tip olarak elde edilmiş insan beyni görüntüleme veri kümesi) katılımcısı ile bu çalışmayı gerçekleştirmiştir. Autoencoder Neural Network ile bütün katılımcıların beyin morfolojisi yeniden yapılandırılmıştır. Elde edilen verilerden topografik beyin haritası oluşturulmuştur.

Çalışma sonucunda numaralandırılan alt ağlardan en çok dikkat çeken 7, 9 ve 15 numaralı alt ağlar olmuştur. Bu gizli alt ağlar beynin birçok bölgesi ile bağlantılı oldukları için çalışma sırasında üzerlerinde çokça durulmuştur. Bu ağlar beyinde bulunan limbik sistem (NAC), temporoparyetal bağlantı (TPJ) ve orta prefrontal korteks (mPFC) bölgelerinin neredeyse hepsine erişebilmektedirler (figür 1). Bu da bir bölgeye birden çok ağın gittiğini göstermektedir.

 Bu çalışmada diğerlerinden farklı olarak yapay zekâdan yararlanılmasının ise iki nedeni vardır:

Öncelikle beynin bölgeleri arasında bulunan ağ sistemi oldukça kompleks bir yapıya sahiptir. Bu sistemde, bölgeler arasında istenilen alt ağlara ulaşabilmek, yapay zekâdan yararlanılmadığı sürece oldukça zordur. Ayrıca bu çalışmada hedeflenen 10000 katılımcının beyin bölgelerini ayrı ayrı incelemek yapay zekâ olmadan uzun zaman alacaktır. Burada Autoencoder Neural Network devreye girmiştir. Autoencoder Neural Network, gerekli olmayan bilgileri azaltarak istenilen verilere ulaşılmayı sağlayan bir yapay zekâ modelidir. Encoder (kodlayıcı) ve decoder (kod çözücü) olarak iki bölümden oluşur ve bu iki bölüm, verileri sıkıştırıp ve geri açarak istenilen verilere ulaşabilmeyi sağlar (figür 2). Autoencoder Neural Network’ün bu özelliği, çalışmanın gereksiz interpolasyonlardan arınması ve tek bir interpolasyon adımı ile uygulanmasını sağlamıştır.

Bilgi Kutusu: İnterpolasyon Nedir? Elde bulunan değer noktalarından yola çıkarak bu noktalar arasında, farklı bir yerde ve değeri bilinmeyen bir noktanın olası değerini tahmin etmemize yarayan çizgiler çizmemizi sağlayan yöntemdir.

Autoencoder Neural Network’ün gereksiz interpolasyonlardan arındırma özelliği, alt ağlar arasındaki farklılıkların yaşam tarzında ne gibi değişiklikler yaratacağını belirlerken kullanılmıştır. Katılımcılardan bir form doldurmaları istenmiştir. Formu dolduran katılımcılar sosyal olan/sosyal olmayan erkekler ile sosyal olan/sosyal olmayan kadınlar olmak üzere dört gruba ayrılmıştır. Gruplandırma sırasında ortaya çıkan yaş farkı da ayrıca değerlendirilmeye alınmıştır. Amaç, sosyal yaşam tarzındaki farklılıklarda sosyal alt ağların rolünü gözlemlemektir. Gerçekten de dört gruba ayrılan katılımcıların sosyal beyin bölgelerine yerleştirilen otomatik kodlayıcılar, encoder- decoder çalışma mekanizması ile pek çok veri arasından gerekli olanları ayrıştırmış, katılımcıları daha çok ve daha az sosyal davranışlarına göre ayırmıştır.

 Autoencoder Neural Network’ün kullanılmasının ikinci sebebi ise bilgiyi sıkıştırıp yeniden açma ve yapılandırma işlemini minimum hata ile gerçekleştirmesidir.  Hata payının az olması da yapılan çalışmaya deneysel geçerlilik kazandırmaktadır. Örneğin AutoEncoder Neural Network sisteminden geçtikten sonra 36 beyin bölümünün orijinal beyin hacmi ve yeniden inşa edilmiş beyin hacmi karşılaştırılmış, gerçekten de hata payı 0.22 (SD<0.1 veri bölünmeleri arasında) gibi çok az bir değişiklik göstermiştir.

Çalışma sırasında şaşırtıcı bir sonuca daha ulaşılmıştır. 3 ve 13 numaralı alt ağların, beynimizde sosyal izolasyondan etkilenen yerler arasında oldukları gözlemlenmiştir. Katılımcılar arasında kendisini yalnız olarak nitelendirenlerde, TPJ’nin hacim olarak küçüldüğü tespit edilmiştir. Yalnız kalmanın insanlarda fiziksel ve mental sağlığı etkilediği, Alzheimer hastalığı ile ilişkili demansa karşı insanları daha savunmasız hale getirdiği bilinen bir gerçektir. Elde edilen veriler, Covid-19 sebebiyle geçirmekte olduğumuz izolasyon sürecinde beynimizde hangi bölgelerin ve alt ağların bu süreçten etkilendiğini görebilmemize yardımcı olacak niteliktedir. Ayrıca bu alt ağların süreçten ne kadar etkilendiğini gözlemeyebilmek, sosyal izolasyonun fiziksel ve mental sağlığımızda ne miktarda hasar yaratabileceğini anlayabilmemiz için aydınlatıcı olacaktır. 

Gizli alt ağların keşfedilmesi ile gelecekte sosyal beyin yapısı yeniden inşa edilebilir ve olabilecek en iyi şekilde çözümlenebilir. Eğer çalışmalar başarılı olursa sosyal etkileşimlerimizi anlayabilmemiz ve bu alanda gerçekleşen hastalıklara (sosyal davranış eksiklikleri, demans vb.) çözüm bulabilmemiz için çok büyük bir adım atılmış olacak.

Kaynaklar:

  1. Wu, Kai et al. “The overlapping community structure of structural brain network in young healthy individuals.” PloS one vol. 6,5 e19608. 6 May. 2011, doi:10.1371/journal.pone.0019608
  2. Kiesow, Hannah et al. “Deep learning identifies partially overlapping subnetworks in the human social brain.” Communications biology vol. 4,1 65. 14 Jan. 2021, doi:10.1038/s42003-020-01559-z
  3. Oldham, Stuart, and Alex Fornito. “The development of brain network hubs.” Developmental cognitive neuroscience vol. 36 (2019): 100607. doi:10.1016/j.dcn.2018.12.005
  4. “Structural Subnetwork Analysis”. www.med.upenn.edu web adresinden elde edildi. 8 Mart 2021 tarihinde erişim sağlandı
  5. Spreng, R Nathan et al. “The default network of the human brain is associated with perceived social isolation.” Nature communications vol. 11,1 6393. 15 Dec. 2020, doi:10.1038/s41467-020-20039-w
  6. Alcalá-López, Daniel et al. “Computing the Social Brain Connectome Across Systems and States.” Cerebral cortex (New York, N.Y. : 1991) vol. 28,7 (2018): 2207-2232. doi:10.1093/cercor/bhx121
  7. Nisan 21, 2020. “Autoencoder (Otokodlayıcı) nedir? Ne için kullanılır?”. cihanongun.medium.com web adresinden elde edildi.
  8. Görsel: Face to Phases (2013). CC-BY Guillaume Dumas

Yanıt yok

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir