È risaputo che il cervello è composto da neuroni collegati tra loro in modo tale da renderlo l'organo più complesso nel regno animale. Meno conosciuta, invece, è la relazione tra la Neuroscienza, che si occupa dello studio del sistema nervoso, e la Network Science, focalizzata sull'analisi delle reti. Per mettere in evidenza questa relazione, i ricercatori Daniel L. Barabasi e Ginestra Bianconi, insieme ad altri colleghi, hanno redatto l'articolo scientifico intitolato Neuroscience needs Network Science. Questo articolo approfondisce l'applicazione della network science nello studio del cervello, consentendo una comprensione più approfondita di questo organo ancora in gran parte sconosciuto.
Per comprendere fenomeni come il movimento, la memoria o le emozioni, non è sufficiente studiare singolarmente i neuroni; è necessario esaminare il cervello nella sua interezza, comprendere come i neuroni si collegano e comunicano tra di loro, come formano le diverse regioni e come queste scambiano informazioni. Modellando i neuroni come nodi e le sinapsi che li collegano come archi, è possibile rappresentare queste cellule nervose con un grafo, oggetto di studio della network science.
Figura 1. Il cervello è un insieme di cellule nervose collegate tra di loro che possono essere modellate con un grafo.
In realtà, la complessità del cervello va ben oltre i 'semplici' neuroni e sinapsi. È necessario considerare tutte le altre modalità di scambio di informazioni, come le gap junctions e i neuromodulatori, nonché l'influenza delle cellule non neuronali sui segnali scambiati attraverso le sinapsi. In questo ambiente estremamente complicato, la network science offre innanzitutto un linguaggio formale per descrivere e analizzare l'organizzazione degli elementi che compongono il cervello. Questo, ad esempio, consente di comprendere lo sviluppo e le cause dei disordini neurologici.
Il cervello è diviso in regioni, ognuna coinvolta in diversi compiti. Ciascuna di queste regioni contiene miliardi di neuroni che, tra le varie funzioni, permettono la comunicazione con regioni diverse. Grazie alla network science, è possibile studiare come il grafo che modella una specifica regione interagisce con un altro grafo che rappresenta un'altra regione. Ad esempio, analizzando grafi con proprietà automorfe (cioè un grafo in cui è possibile mappare il grafo in se stesso preservandone la struttura), si è riusciti a identificare le componenti di base che contribuiscono al sincronismo neurale del cervello, un fenomeno associato alla percezione, all'apprendimento e al pensiero.
Figura 2. Esempi di grafi con proprietà automorfe.
Troviamo la network science e le neuroscienze anche quando gli esperti di machine learning progettano le reti neurali. Cioè reti ispirate ai neuroni e alle sinapsi, ma al posto dei neuroni utilizzano delle funzioni matematiche, e al posto delle sinapsi ci sono i passaggi di dati da una funzione a un'altra. In particolare, nell’articolo scientifico vengono citati alcuni lavori in cui vengono analizzati i dati e gli stati di una rete neurale (ad esempio quali funzioni matematiche vengono attivati maggiormente, i pesi delle connessioni…) durante lo svolgimento di un'attività. Questo approccio mira a sollevare nuove ipotesi sui processi di apprendimento del cervello.