امیررضا بهرامنی

سلام بچه‌ها دوره جدید (چهارم) زیستیار به‌زودی برگزار می‌شه. اگر کنجکاوی تا یک پدیده در دنیای علوم زیستی را عمیق تر بفهمی یا با یک زمینه که برایت همیشه جالب بوده عمیق ترآشنا بشوی، این طرح برای توست. در طی این دوره سه‌ماهه، هر دانشجو زیر نظر یک راهنما (یکی…

سلام بچه‌ها دوره جدید (چهارم) زیستیار به‌زودی برگزار می‌شه. اگر کنجکاوی تا یک پدیده در دنیای علوم زیستی را عمیق تر بفهمی یا با یک زمینه که برایت همیشه جالب بوده عمیق ترآشنا بشوی، این طرح برای توست. در طی این دوره سه‌ماهه، هر دانشجو زیر نظر یک راهنما (یکی از ما!) به مطالعه در حوزه مورد علاقه خود میپردازد. درباره ما: ما جمعی از زیست شناسان ایرانی داخل و خارج از ایران هستیم. هدف ما از برگزاری این دوره این است که به دانشجویان ایرانی که به علوم زیستی علاقه دارند کمک کنیم تا علاقه خود را پرورش بدهند. وبسایت زیستیار: https://zistyaar.ir/ فیلم ارائه پایانی دانشجویانی که در دوره های قبلی طرح شرکت کردند: https://www.aparat.com/zistyaar فرم ثبت نام به همراه اطلاعات بیشتر در مورد طرح زیستیار: می‌تونید داخل وب‌سایت یک حساب کاربری بسازید و فرم مربوط به دوره چهارم رو پر کنید.

Unlocking spontaneous cognition in the age of data science: the under-estimated utility of resting state neuroimaging data, given exciting new methods to analyse it. @theNeurologue 🧠

خیلی دیتاست جالبی بنظر میرسه. خصوصا برای کسایی که fMRI هم کار میکنن. https://www.nature.com/articles/s41597-026-07955-0 @bahramani_ch

نوروکانکت مدرسه‌ی تابستانه‌ی علوم اعصاب محاسباتی آزاد و مستقل، با الهام از نورومچ 📆 ۱۷ مرداد تا ۴ شهریور 🌐 تماماً آنلاین 👨‍🏫 یادگیری در گروه‌های کوچک، به همراه TA و منتور 💻 جلسات Professional Development 📖 مشاهده سرفصل‌ها و اطلاعات بیشتر ◀️ برای پیش‌ثبت‌نام [رایگان] کلیک کنید 🧠 CONNECT (Community for Neuroscience and Cognitive Techs) Telegram | Instagram | LinkedIn | lets-connect.org

اوایل جنگ عموم تحلیلگرها از طیف‌های مختلف سیاسی میگفتن اگر تنگه هرمز برای فلان مدت بسته بمونه اقتصاد جهانی نابود میشه. هرمز برای مدت بیشتری هم بسته موند اما اتفاق خاصی نیفتاد. چرا؟ چین! بعضی اطلاعات ی ساید جدیدی از داستان رو به آدم نشون میدن که اصلاً چیزی راجع بهش نمیدونسته و بنظرم اینم از هموناست. https://www.youtube.com/watch?v=BkA0bkb6ZO0 @bahramani_ch

Replay of procedural memory is independent of the hippocampus Stephenson-Jones Lab Nature Neuroscience, 2026 Video of a mouse doing the task @bahramani_ch #paper

کلا هم اگر ایده‌ای دارید برای اینکه چیا بذارم بهم بگید.

این مقاله که چند روزیه آدما زیاد راجعش صحبت میکنن با استفاده از دیتای IBL، فعالیت بیشتر از ۱۴ هزار نورون (درواقع ۴ هزار!) در ۴۳ ناحیه‌ی کرتکس موش رو موقع انجام یه task تصمیم‌گیری بررسی کرده. سؤال اصلی‌شون اینه که آیا نورون‌های هر ناحیه به چند گروه مشخص با کارکردهای جدا تقسیم می‌شن، یا هر نورون ترکیب متفاوتی از اطلاعات حسی، شناختی و حرکتی رو represent می‌کنه. نتیجه‌ی اصلی اینه که در بیشتر نواحی کرتکس، نورون‌ها به دسته‌های عملکردی تمیز و جدا از هم تقسیم نمی‌شن. در عوض، هر نورون ترکیب متفاوتی از متغیرهایی مثل stimulus، choice، حرکت wheel، licking و whisking رو نشون می‌ده. این درواقع موید ایده معروف نویسنده مقاله یعنی Fusi هستش که به اسم mixed selectivity مشهوره. این تنوع باعث می‌شه representation جمعیت نورونی high-dimensional باشه؛ یعنی حتی یه linear decoder ساده هم بتونه تعداد زیادی از conditionهای مختلف رو از هم جدا کنه. هرچی هم در hierarchy کرتکس بالاتر می‌ریم، این تنوع و dimensionality بیشتر می‌شه. که خب این هم یکی از پروژه‌های مهم Fusiعه، اینکه مغز خطی کار می‌کنه و اساساً high-dimensional بودنش برای همینه. به‌نظرم این مقاله یه نمونه‌ی خیلی خوب از کاربردیه که دیتاست‌های open-access می‌تونن داشته باشن: بدون جمع‌کردن دیتای جدید هم می‌شه از یه دیتاست عمومی نتیجه‌های مفهومی مهمی گرفت. از طرف دیگه، برای یادگرفتن آنالیز دیتای نورونی و خیلی از مفاهیم مهم computational neuroscience هم مقاله‌ی خیلی خوبیه، چون کلی روش مهم رو کنار هم استفاده کرده. خلاصه اگر واقعاً به نوروساینس علاقمندید ارزششو داره تهشو دربیارید چون خیلی چیزا یاد می‌گیرید! (البته که طول میکشه) درضمن فیگرهاش هم واقعاً مسترکلاس ساخت فیگر برای آنالیزهای پیچیدست. تازه خیلی خوب هایپوتزها رو ساده‌سازی می‌کنه. بااین‌حال، من حداقل سه تا نقد بهش دارم: ۱. مقاله توی خیلی از فیگرهاش نشون میده که بین نحوه بازنمایی و هندسه فعالیت نواحی مختلف با میزان شناختی بودنشون رابطه هست. من میدیدم بعضی‌ها این برداشت رو کرده بودن که پس این مقاله داره brain-wide بودن سیگنال‌ها (که چند سالیه تو نوروساینس برجسته شده و قبلا دربارش نوشتم) رو نقش می‌کنه، درحالی که اصلا اینطور نیست و دقیقاً برعکسشه! «ماژول‌هایی» که مقاله درباره‌شون حرف می‌زنه، بیشتر درباره‌ی اینن که نواحی مختلف اطلاعات رو چطور represent می‌کنن، نه اینکه چه اطلاعاتی رو represent می‌کنن. همه متغیرها همچنان در بخش بزرگی از کرتکس پخش هستن و تفاوت نواحی بیشتر در ترکیب نسبی selectivityها و geometry اون‌هاست. بنظرم این مقاله هم از brain-wide بودن عموم متغیرها حمایت میکنه اما نشون میده که نحوه بازنمایی در نواحی محتلف متفاوته. ۲. خیلی از متغیرهای تسک در دیتاست IBL از نظر رفتاری و زمانی شدیداً به هم وابسته‌ان: block، stimulus، choice، outcome، wheel، whisking و licking. مدل RRR با وجود این همبستگی‌ها می‌تونه فعالیت نورونی رو خوب predict کنه، ولی coefficientهای مدل لزوماً سهم زیستی منحصربه‌فرد هر متغیر رو از بقیه جدا نمی‌کنن. البته این درواقع مشکل طراحی تسک IBLعه که من خودم حسابی سر آنالیزش اذیت شدم چندین ماه! ولی خب میتونستن با استفاده از همین آنالیزها روی بخش sponteneous دیتاست بعضی سوالات رو جواب بدن. ۳. تقریبا همه آنالیزهای مقاله روی ۴۶۱۷ نورون از بیشتر از ۱۴ هزار نورون انجام شده؛ یعنی نورون‌هایی که فعالیتشون به‌اندازه‌ی کافی با هشت متغیر انتخاب‌شده predict می‌شده. بنابراین سوال بزرگ اینه که اون حدود ۱۰ هزار نورون دیگه دارن چی‌کار می‌کنن و اضافه‌کردنشون چه اثری روی dimensionality و separability داره. در مجموع، برداشت من اینه که مقاله شواهد خوبی برای brain-wide representation اطلاعات ارائه می‌ده، ولی هم‌زمان نشون می‌ده که نواحی مختلف این اطلاعات رو به شکل‌های متفاوتی با هم ترکیب می‌کنن. مقاله geometry این representationها رو خیلی خوب توصیف می‌کنه، و بشدت هم مقاله آموزنده‌ای هستش. https://doi.org/10.1038/s41586-026-10668-4 @bahramani_ch

نوروکانکت مدرسه‌ی تابستانه‌ی علوم اعصاب محاسباتی آزاد و مستقل، با الهام از نورومچ 📆 ۱۷ مرداد تا ۴ شهریور 🌐 تماماً آنلاین 👨‍🏫 یادگیری در گروه‌های کوچک، به همراه TA و منتور 💻 جلسات Professional Development ◀️ مشاهده سرفصل‌ها و اطلاعات بیشتر ثبت‌نام [رایگان] به‌زودی 🧠 CONNECT (Community for Neuroscience and Cognitive Techs) Telegram | Instagram | LinkedIn | lets-connect.org

این مقاله‌ رو Kenneth Harris درباره‌ی آینده‌ی علم در دوران AI نوشته؛ دورانی که شاید بخش زیادی از تولید مقاله، تحلیل داده، نوشتن کد، مرور ادبیات و حتی طراحی بعضی آزمایش‌ها خیلی راحت با AI انجام بشه و به قول خود Kenneth هرکسی بشه ی PI. راستش ذهن منم خیلی درگیر این موضوعه در چند وقت اخیر، خصوصا تو PhD آدم از خودش می‌پرسه اگر AI بتونه بخش بزرگی از کار علمی رو انجام بده، نقش ما چی می‌شه؟ ولی به نظرم هنوز چیزهایی هست که AI واقعاً جایگزینش نمی‌شه. یکی از مهم‌ترین‌ها تعریف مفاهیم جدیده. خیلی از پیشرفت‌های بزرگ علمی فقط از جمع‌کردن داده‌ی بیشتر نیومدن، بلکه از ساختن یک مفهوم تازه اومدن که داده‌های قبلی رو هم جور دیگه‌ای قابل فهم کرده. مثلاً مفهوم «میدان» در فیزیک باعث شد اثرگذاری نیروها در فضا جور تازه‌ای فهمیده بشه. به نظرم این جور مفهوم‌سازی، یعنی اینکه اصلاً بفهمیم چه چیزی را باید دید و چه زبانی برای دیدنش بسازیم، هنوز عمیقاً انسانی باقی می‌مونه چون AI زبانش محدود به داده‌ای هستش که روش آموزش دیده. https://doi.org/10.53053/MVLT4623 @bahramani_ch

در سال‌های اخیر، ثبت نورونی از مغز انسان با ابزارهایی مثل نوروپیکسل خیلی داره بیشتر می‌شه و به‌نظر می‌رسه دو جور پژوهش روی انسان درحال پررنگ شدنه. دسته‌ی اول، به‌نوعی تکرار همون یافته‌هایی هستش که قبلا در حیوانات دیده بودیم؛ این کار جذابه و ارزش خودش رو داره، چون نشون می‌ده اون سازوکارها در مغز انسان هم وجود دارن. اما دسته‌ی دوم که خیلی مهم‌تر و هیجان‌انگیزتره استفاده از این فرصت برای بررسی ویژگی‌هایی که واقعا انسانی‌ان؛ و در رأس اون‌ها زبان قرار داره. این مقاله‌ی جدید در Cell دقیقا از همین جنسه. پژوهشگرها فعالیت نورون‌های هیپوکمپ چند فرد دوزبانه‌ی انگلیسی/اسپانیایی رو هنگام شنیدن، بلندخواندن، و گفت‌وگوی طبیعی ثبت کردن. سؤال اصلی این بوده که مغز چطور می‌تونه یک معنا رو در دو زبان مختلف بفهمه، بدون اینکه این دو زبان با هم قاطی بشن. نتیجه‌ی جالب اینه که بعضی نورون‌ها به ترجمه‌های مشابه، پاسخ‌های مشابهی نشون می‌دن؛ مثلا به دو واژه‌ی هم‌معنا در انگلیسی و اسپانیایی. اما بخش کمی از نورون‌ها اینطورین. یافته‌ی مهم‌تر اینه که معنای واژه‌ها در سطح جمعیت نورونی، یک هندسه‌ی مشابه داره: یعنی رابطه‌ی معنایی بین کلمه‌ها در هر دو زبان حفظ می‌شه. مثلاً اگر در فضای فعالیت نورونی، «گربه» و «سگ» به هم نزدیک‌تر از «گربه» و «در» باشن، همین رابطه در زبان دیگه هم تقریبا حفظ می‌شه. اما هر زبان انگار از محورهای متفاوتی برای خوندن این فضای معنایی مشترک استفاده می‌کنه (محور رو می‌تونید به نوعی میزان مشارکت نورون‌(ها) در اون بازنمایی در نظر بگیرید). به بیان ساده‌تر، مغز می‌تونه معنا رو تا حدی مستقل از زبان نگه داره، ولی برای هر زبان مسیر (مجموعه نورونی) متفاوتی برای دسترسی به همون معنا داشته باشه؛ سازوکاری که شاید کمک می‌کنه زبان‌ها هم به هم ترجمه‌ و تعمیم‌پذیر باشن و هم با هم تداخل پیدا نکنن. سال‌های پیش‌رو برای مطالعات تک‌نورونی روی انسان واقعا هیجان انگیزه! https://www.cell.com/cell/abstract/S0092-8674(26)00579-9 @bahramani_ch

انصافاً تیم Transmitter عالی دارن کار میکنن. بخش جدید سایتشون سرچ بین انواع و اقسام موقعیت‌های گرنت هستش. احتمال زیاد خیلی به درد اپلای هم بخوره. https://www.thetransmitter.org/neuroscience-grants-funding-finder/?utm_source=linkedin&utm_medium=org-social&utm_campaign=20260702-neuro-funding-finder-2 @bahramani_ch

یک دیتاست جدید و بدردبخور برای کسانی که visual neuroscience کار میکنن. تو این دیتا از ۱۰۰۰ تصویر طبیعی رو به میمون‌ها نشون دادن و نواحی مختلف بینایی (از نواحی ابتدایی گرفته تا IT) با نوروپیکسل ثبت گرفتن. نکته مثبت دیگه هم اینه که قبلاً دیتاست‌های دیگه‌ای هم جمع‌آوری شده بودن که همین تصاویر رو به انسان‌ها نشون داده بودن و ثبت fMRI گرفتن. بنابراین میشه با این دیتا کارهای بین‌گونه‌ای هم کرد. https://www.nature.com/articles/s41593-026-02322-z #open_dataset @bahramani_ch

پژوهش‌های فقط-رفتاری همچنان میتونن در Science هم چاپ بشن به شرط قشنگ بودن! https://www.science.org/doi/10.1126/science.adl0984 @bahramani_ch

صلی الله علیک یا اباعبدالله

ایده‌ خیلی جذاب مقاله‌ی پرسپکتیو Lisa Feldman Barrett و Earl K. Miller اینه که categorization یا همون دسته‌بندی، فقط مرحله‌ی آخر ادراک نیست. نگاه سنتی معمولاً اینه که مغز اول featureها رو از جهان می‌گیره، بعد اون‌ها رو ترکیب می‌کنه، بعد با یک prototype یا exemplar در حافظه مقایسه می‌کنه و در نهایت می‌گه: «این گربه است»، «این تهدیده»، «این پاداشه». اما نویسنده‌ها می‌گن این تصویر زیادی ساده و feedforwardمحوره. از نگاه اون‌ها، دسته‌بندی از همان ابتدا داخل پردازش مغز حضور داره؛ انگار مغز قبل از اینکه جهان کامل بهش وارد بشه، از قبل یک سری حدس درباره‌ی اون زده. مقاله از یک نکته‌ی آناتومیک شروع می‌کنه: در کورتکس یک گرادیان cytoarchitectonic وجود داره که از نواحی حسی اولیه مثل visual, auditory و somatosensory cortex به سمت نواحی limbic و heteromodal مثل entorhinal cortex، subgenual cingulate، orbitofrontal cortex و anterior insula میره. در سمت حسی این گرادیان، نورون‌های pyramidal زیادتر، کوچک‌تر و دقیق‌ترند؛ یعنی سیگنال‌ها high-dimensional و پر از جزئیات‌اند. اما هرچه به سمت limbic edge می‌ریم، نورون‌ها کمتر، بزرگ‌تر و متصل‌تر می‌شن، و سیگنال‌ها به summaryهای کم‌بعدتر، abstractتر و multimodalتر تبدیل می‌شن. مغز، به زبان ساده، از جزئیات زیاد حسی، چند معنای عملی و قابل‌استفاده می‌سازه. اینجا compression فقط یک تکنیک برای کم کردن حجم داده نیست؛ خودش یکی از پایه‌های categorization است. چون category یعنی مغز تفاوت‌ها را برای یک هدف خاص، معادل فرض کنه. مثلاً ده‌ها وضعیت بدنی، چهره، صدا، خاطره یا حس درونی ممکنه در یک لحظه زیر categoryای مثل «تهدید»، «ارزش»، «پاداش» یا «درد» قرار بگیرن. یعنی چیزهایی که از نظر sensory متفاوت‌اند، از نظر action و تنظیم بدن می‌تونن معادل بشن. مغز ظاهراً از جهان یک فایل خام نمی‌سازه و بیشتر شبیه اینه که جهان رو فشرده می‌کنه تا بفهمه باهاش چه غلطی باید بکنه :)) اما بخش مهم‌تر مقاله اینه که نویسنده‌ها فقط به feedforward compression اکتفا نمی‌کنن. اون‌ها می‌گن feedback predictionها نقش خیلی بنیادی‌تری دارن. سیگنال‌های feedback از نواحی limbic و hippocampal شروع می‌شن، از تجربه‌های گذشته ساخته شده‌اند، و به سمت نواحی حسی حرکت می‌کنن. این مسیر در واقع برعکس compression هست: یک سیگنال low-dimensional و abstract در مسیر برگشتی decompress می‌شه و به predictionهای خاص‌تر حسی و حرکتی تبدیل می‌شه. یعنی یک قصد کلی یا action plan انتزاعی، کم‌کم تبدیل می‌شه به اینکه «اگر این کار را بکنم، چه باید ببینم، بشنوم، حس کنم یا در بدنم تجربه کنم؟» در نهایت، مقاله categorization را به allostasis وصل می‌کنه؛ یعنی تنظیم پیش‌بینانه‌ی بدن و انرژی. در این نگاه، category ساختن فقط برای شناختن جهان نیست، بلکه برای آماده کردن بدن برای عمله: نزدیک شدن، دور شدن، خوردن، فرار کردن، ذخیره انرژی، یا تنظیم وضعیت داخلی بدن. به همین دلیل، معنی یک سیگنال فقط در خودش نیست؛ معنی در interaction اون سیگنال با predictionهاییه که visceromotor و skeletomotor action رو تنظیم می‌کنن. شاید ریشه‌ی biasها هم همین‌جا باشه: ما فقط جهان رو اشتباه نمی‌بینیم، گاهی با categoryهای اشتباه به استقبال جهان می‌ریم. مغز انگار همیشه یک شرط‌بندی روی جهان کرده، و sensory input فقط میاد تا ببینه این شرط چقدر افتضاح یا چقدر هوشمندانه بوده. و خب نگم که چقدر این ایده منو یاد ایده‌ی فری انرژی کارل فریستون می‌اندازه.. 🙂 https://www.nature.com/articles/s41583-026-01036-2 @theNeurologue 🧠

طبق مدل کلاسیک «هومونکولوس حرکتی» موتور کرتکس یه جور نقشه‌ای از بدن برای کنترلش داره: یه قسمت برای پا، یه قسمت برای دست، یه قسمت برای صورت و همین‌طور الی آخر. اگر در شکلی که گذاشتم دقت کنید می‌بینید که ناحیه مربوط به دست و صورت خیلی بزرگتره و این یکی از دلایل قابلیت ما برای کنترل دقیق‌تر این نواحیه. این مقاله‌ی جدید اما میگه این تصویر تمیز و خط‌کشی‌شده نیست. با ثبت فعالیت نورون‌ها از precentral gyrus انسان، نشون دادن تقریبا تو هر نقطه، اثری از کل بدن هست؛ فقط بعضی ناحیه‌ها به بعضی حرکت‌ها bias بیشتری دارن، مثلا بالاترها بیشتر دست/بازو و پایین‌ترها بیشتر صورت/گفتار. یعنی هومونکولوس کاملا غلط نبود، ولی زیادی ساده و کارتونی بود: موتور کرتکس بیشتر شبیه یه موزاییک درهم‌تنیده از حرکت‌های کل بدنه تا یه نقشه‌ی جدا جدا. https://www.nature.com/articles/s41586-026-10653-x @bahramani_ch