Mismatch Negativity

Apa Itu Mismatch Negativity?

Mismatch negativity (MMN) adalah komponen event-related potential yang direkam melalui elektroensefalogram (EEG) yang mencerminkan deteksi otomatis pra-atentif otak terhadap perubahan pendengaran. Respons otomatis ini biasanya ditimbulkan dengan menyajikan urutan nada standar yang identik, diikuti oleh nada 'devian' jarang yang berbeda dalam frekuensi, durasi, atau fitur akustik lainnya.

Otak mendeteksi deviasi ini, menghasilkan defleksi tegangan negatif yang memuncak sekitar 100 hingga 200 milidetik setelah perubahan terjadi. Direkam paling menonjol di atas elektroda kulit kepala frontal dan sentral, bentuk gelombang karakteristik ini berfungsi sebagai indikator utama dari mismatch negativity.

Dua sifat membedakan MMN dari respons otak lainnya:

1. Pertama, ia bersifat otomatis. Seseorang bisa saja sedang membaca buku, menonton film bisu, atau secara aktif mengabaikan suara-suara tersebut sepenuhnya, dan MMN akan tetap muncul.

2. Kedua, ia bersifat pra-atentif. Otak melakukan perbandingan antara suara devian dan jejak memori dari suara standar sebelum perhatian mulai terlibat.

Karakteristik ini membuat MMN menjadi indeks dari kapasitas fundamental otak untuk mendeteksi perubahan, tidak bergantung pada proses kognitif yang lebih tinggi yang mungkin terganggu atau bervariasi pada setiap individu.

Mitra magnetik dari MMN, yang direkam dengan magnetoensefalografi dan disingkat MMNm, mewakili proses deteksi perubahan pendengaran mendasar yang sama. Karena MEG menawarkan sensitivitas spasial yang berbeda dari EEG, menggabungkan kedua modalitas perekaman ini membantu para peneliti memisahkan kontribusi dari berbagai wilayah otak yang berbeda. MMNm terlokalisasi pada korteks pendengaran dan struktur lobus temporal di sekitarnya, menegaskan bahwa respons tersebut berasal dari area pemrosesan sensorik dan bukan dari wilayah asosiatif yang lebih tinggi.

Bagaimana Otak Menghasilkan Mismatch Negativity

Generasi MMN didorong oleh mekanisme neuronal yang kompleks dan dinamis di korteks pendengaran, yang secara aktif dieksplorasi oleh para peneliti melalui model neurokomputasi yang canggih. Meskipun belum ada konsensus tunggal tingkat sel tentang apa yang sebenarnya terjadi ketika suara devian memicu respons ini, dua hipotesis utama telah membentuk dekade penelitian ilmiah: hipotesis adaptasi dan hipotesis penyesuaian model.

Hipotesis adaptasi menunjukkan bahwa neuron di korteks pendengaran merespons suara standar yang berulang dengan secara bertahap mengurangi laju pembakarannya—sebuah proses yang dikenal sebagai adaptasi spesifik-stimulus. Ketika suara devian yang langka diperkenalkan, ia mengaktifkan populasi neuron non-adaptasi yang terpisah dan masih segar. Berdasarkan pandangan ini, MMN pada dasarnya adalah respons diferensial antara populasi saraf yang beradaptasi dan yang tidak beradaptasi.

Sebaliknya, hipotesis penyesuaian model mengusulkan mekanisme kognitif aktif daripada kelelahan saraf pasif. Hipotesis ini menyatakan bahwa otak terus-menerus membangun model internal prediktif dari lingkungan pendengarannya. Ketika suara standar berulang, mereka memperkuat ekspektasi ini; ketika suara devian terjadi, hal itu melanggar ekspektasi dan memaksa otak untuk memperbarui representasi internalnya. Oleh karena itu, bentuk gelombang MMN mencerminkan proses pembaruan model aktif ini.

Kerangka Kerja Predictive Coding dan Model Spiking-Neuron

Untuk mendamaikan penjelasan yang saling bersaing ini, para peneliti semakin beralih ke predictive coding sebagai kerangka kerja pemersatu. Predictive coding memandang otak sebagai mesin prediksi aktif yang mengantisipasi masukan sensorik untuk memproses informasi secara lebih efisien.

Korteks pendengaran mempelajari keteraturan statistik dari suara-suara sebelumnya untuk menghasilkan prediksi. Ketika stimulus yang masuk cocok dengan ekspektasi ini, pemrosesan berjalan lancar; ketika suatu suara menyimpang, kesalahan prediksi merambat melalui hierarki kortikal. Akibatnya, MMN adalah tanda elektrofisiologis dari sinyal kesalahan prediksi.

Model spiking-neuron korteks pendengaran yang mendetail dan masuk akal secara biologis mendukung kerangka kerja ini. Model ini menyusun neuron eksitatorik dan inhibitorik ke dalam arsitektur kortikal berlapis yang berisi unit pemrosesan fungsional yang berbeda:

1. Unit input yang menerima data sensorik mentah.

2. Unit prediksi yang mewakili ekspektasi lingkungan yang dipelajari.

3. Unit kesalahan prediksi (prediction-error) yang memberi sinyal ketidakcocokan ketika input dan prediksi bertentangan.

Dengan menggabungkan aturan pembelajaran sinaptik yang bergantung pada transmisi reseptor NMDA, jaringan ini secara dinamis menyesuaikan prediksinya berdasarkan statistik transisi dari suara-suara baru-baru ini.

Model komputasi ini berhasil menjelaskan beberapa karakteristik utama MMN yang diamati secara empiris:

4. Penskalaan bergantung frekuensi: Amplitudo MMN meningkat secara proporsional dengan seberapa besar perbedaan suara devian dari nada standar.

5. Sensitivitas terhadap pola lokal: Model ini mereproduksi respons terhadap pengulangan yang tidak terduga dalam urutan bergantian (misalnya, mencatat kesalahan prediksi ketika urutan bergantian ABABAB tiba-tiba berubah menjadi ABABAA), mencerminkan ketergantungan pada probabilitas transisi lokal daripada aturan statistik global.

6. Respons kelalaian (omission): Model menghasilkan kesalahan prediksi bahkan ketika suara yang diharapkan dihilangkan sama sekali.

7. Sensitivitas farmakologis: Model ini sangat sensitif terhadap antagonis reseptor NMDA, selaras dengan studi klinis yang menunjukkan bahwa memblokir reseptor ini mengurangi atau menghilangkan amplitudo MMN.

Selain itu, eksperimen magnetoensefalografi (MEG) pelengkap memvalidasi klaim model ini, menunjukkan bahwa respons MMN berasal dari prediksi kortikal aktif dan bukan dari habituasi sinaptik sederhana, memberikan dukungan empiris yang kuat untuk penjelasan predictive coding.

Model Generatif dan Inferensi Bayesian dalam Pemrosesan Pendengaran

Model neurokomputasi terkemuka lainnya mendekati korteks pendengaran melalui sudut pandang inferensi Bayesian. Kerangka kerja neurosains ini memodelkan otak sebagai organ yang terus-menerus memperbarui representasi generatif probabilistik dari dunia sensorik menggunakan penyaringan Bayesian umum.

Dalam sistem ini, MMN mewakili aktivitas listrik kolektif yang dihasilkan oleh neuron kesalahan prediksi saat mereka melakukan inferensi pada kondisi tersembunyi dari dinamika hierarkis. Pendekatan Bayesian ini menghasilkan bentuk gelombang MMN yang sangat realistis yang mencerminkan data empiris, secara akurat menangkap bagaimana probabilitas dan besaran devian membentuk respons:

8. Ketika suara devian menjadi lebih mungkin terjadi, pelanggaran ekspektasi berkurang, sehingga menurunkan amplitudo MMN.

9. Ketika suara devian menjadi kurang berbeda secara akustik dari standar, latensi respons MMN meningkat sementara amplitudonya menurun.

Secara kolektif, model predictive coding dan Bayesian mengerucut pada kebenaran mendasar yang sama: MMN adalah tanda listrik dari otak yang secara aktif memprediksi lingkungan pendengarannya dan memberikan sinyal ketika realitas sensorik bertentangan dengan ekspektasi internal.

MMN sebagai Biomarker pada Skizofrenia

Sejak awal tahun 1990-an, berbagai penelitian telah mendokumentasikan penurunan amplitudo MMN pada pasien skizofrenia dibandingkan dengan individu sehat. Atenuasi ini tampaknya kuat dan sistematis, muncul di berbagai laboratorium, protokol perekaman, dan populasi pasien.

Sebuah paradigma oddball pendengaran konvensional mengungkapkan defisit signifikan pada MMN devian-durasi dan devian-frekuensi pada pasien skizofrenia. Gangguan ini sangat andal sehingga MMN diusulkan secara luas sebagai biomarker klinis—suatu ukuran fisiologis objektif yang mampu mengindeks perkembangan penyakit dan menguji efikasi terapeutik.

Devian akustik yang berbeda melacak dimensi patologi yang berbeda pula:

1. MMN Devian-Frekuensi: Pengurangan amplitudo memburuk seiring perkembangan penyakit, berkorelasi erat dengan durasi penyakit serta penurunan kognitif dan fungsional. Ini membuat MMN devian-frekuensi menjadi penanda berharga untuk perkembangan penyakit.

2. MMN Devian-Durasi: Defisit di area ini mengikuti lintasan yang berbeda dan lebih kuat terkait dengan kerentanan genetik, berfungsi sebagai penanda sifat (trait marker) yang relatif stabil dari waktu ke waktu.

3. Selain itu, generator saraf berbeda yang berkontribusi pada MMN dipengaruhi secara berbeda pada skizofrenia:

4. Generator Lobus Temporal: Gangguan di sini terkait dengan defisit dalam persepsi dan diskriminasi pendengaran dasar, yang dapat berkontribusi pada gejala positif seperti halusinasi pendengaran.

5. Generator Lobus Frontal: Penurunan aktivitas di korteks frontal terikat dengan gangguan pengalihan perhatian, berkorelasi dengan gejala negatif seperti penarikan diri dari lingkungan sosial dan afek datar.

Adaptasi Neuronal vs. Deteksi Deviasi pada Skizofrenia

Pertanyaan kritisnya adalah apakah defisit MMN pada skizofrenia berasal dari kegagalan adaptasi sensorik atau kegagalan deteksi deviasi aktif. Dalam paradigma oddball standar, kedua proses ini rancu karena respons otak terhadap nada devian bergantung pada bagaimana otak beradaptasi dengan standar yang berulang dan bagaimana otak mendeteksi perubahan baru tersebut.

Untuk mengisolasi mekanisme ini, Koshiyama et al. menggunakan paradigma kontrol banyak-standar (many-standards control paradigm). Dalam desain ini, beberapa nada dengan frekuensi bervariasi disajikan dengan probabilitas yang sama sehingga tidak ada satu pun nada yang cukup berulang untuk memicu adaptasi. Nada devian kemudian dibandingkan dengan latar belakang yang bervariasi ini, mengisolasi deteksi deviasi dari efek adaptasi.

Ketika pasien dengan skizofrenia dievaluasi menggunakan kedua paradigma tersebut, hasilnya menunjukkan gangguan selektif dalam deteksi deviasi. Meskipun adaptasi saraf mereka terhadap nada yang berulang tetap utuh sepenuhnya, kemampuan mereka untuk mendeteksi perubahan akustik dan menghasilkan kesalahan prediksi sebagai respons terhadap lingkungan yang berubah sangat terganggu.

Praktik Terbaik Metodologis untuk Memunculkan Mismatch Negativity

Prinsip inti dari perekaman MMN yang bersih dan dapat diinterpretasikan adalah menyajikan keteraturan pendengaran (suara standar yang berulang) dan sesekali melanggar keteraturan tersebut dengan suara devian yang jarang. Bagaimana pelanggaran ini dikonstruksi menentukan aspek pemrosesan saraf mana yang dapat dievaluasi.

1. Prinsip Inti: Paradigma Oddball Standar

Paradigma oddball standar bergantung pada tiga parameter stimulus utama yang secara sistematis membentuk respons MMN yang dihasilkan:

1. Tipe Devian: Devian dapat berbeda dari standar di berbagai dimensi akustik, seperti frekuensi atau durasi. Menyertakan devian frekuensi dan durasi sering kali diperlukan dalam penelitian klinis karena keduanya mencerminkan dimensi patologi saraf dan perkembangan penyakit yang berbeda.

2. Probabilitas Devian: Devian dengan probabilitas lebih rendah menghasilkan amplitudo MMN yang lebih besar karena mewakili kejutan yang lebih tidak terduga dalam keteraturan lingkungan.

3. Besaran Devian: Perbedaan akustik yang lebih besar antara suara standar dan devian memicu amplitudo MMN yang lebih besar dan latensi respons yang lebih pendek.

2. Membedakan Proses: Paradigma Oddball vs. Banyak-Standar

Paradigma oddball standar tunggal secara inheren merancukan dua proses saraf yang terpisah: adaptasi pasif terhadap standar yang berulang dan deteksi aktif terhadap devian.

Untuk mengisolasi deteksi deviasi, para peneliti menggunakan paradigma banyak-standar. Dengan menyajikan berbagai macam frekuensi nada pada probabilitas yang sama, adaptasi didistribusikan secara merata di seluruh rangkaian stimulus.

Membandingkan paradigma oddball dan banyak-standar dalam eksperimen yang sama membantu peneliti menentukan apakah abnormalitas MMN berasal dari gangguan adaptasi, gangguan deteksi deviasi, atau kombinasi keduanya.

3. Menguji Prediksi Aktif: Melampaui Oddball Standar

Mengevaluasi penjelasan predictive coding memerlukan desain yang melampaui perubahan fitur fisik sederhana:

1. Pelanggaran Pola: Menyajikan pola berulang (misalnya, ABABAB) menetapkan prediksi pergantian. Pengulangan yang tidak terduga (misalnya, ABABAA) memicu MMN, menunjukkan deteksi aturan struktural yang kompleks.

2. Paradigma Omission (Kelalaian): Ketika suara yang dapat diprediksi dalam urutan ritmis dihilangkan sepenuhnya, otak tetap menghasilkan sinyal kesalahan prediksi, membuktikan bahwa MMN mencerminkan ekspektasi aktif dan bukan sekadar habituasi sensorik biasa.

4. Lokalisasi Sumber: EEG vs. MEG

Meskipun EEG standar memberikan perekaman permukaan yang kuat, untuk menunjukkan dengan tepat generator saraf spesifik dari MMN sering kali memerlukan MEG. MEG merekam mitra magnetik (MMNm) dan menawarkan resolusi spasial yang unggul untuk mengurai kontribusi dari generator lobus temporal (diskriminasi sensorik) dan generator lobus frontal (pengalihan perhatian).

Kesimpulan

Mismatch negativity adalah respons otak otomatis dan pra-atentif terhadap perubahan pendengaran. Ini muncul ketika sebuah suara melanggar keteraturan yang ditetapkan oleh stimulus sebelumnya, mengindeks kapasitas otak untuk memori sensorik dan keakuratan persepsi. Penelitian selama puluhan tahun telah menetapkannya sebagai fenomena elektrofisiologis yang andal dengan karakteristik yang terdokumentasi dengan baik.

Dua hipotesis utama telah bersaing untuk menjelaskan mekanisme saraf yang mendasari MMN. Hipotesis adaptasi mengatribusikannya pada kelelahan saraf diferensial, sementara hipotesis penyesuaian model mengajukan pembaruan aktif dari representasi internal. Predictive coding telah muncul sebagai kerangka kerja pemersatu yang menjelaskan berbagai macam fitur empiris. Model komputasi terperinci yang dibangun di atas prinsip predictive coding mereproduksi sensitivitas MMN terhadap probabilitas devian, besaran devian, pengulangan yang tidak terduga, penghilangan suara, dan antagonis reseptor NMDA. Eksperimen MEG juga mendukung klaim inti bahwa MMN mencerminkan prediksi kortikal aktif daripada habituasi pasif.

Pada skizofrenia, penurunan amplitudo MMN adalah temuan yang kuat dan sistematis. MMN devian-frekuensi melacak perkembangan penyakit dan penurunan kognitif, sedangkan MMN devian-durasi dapat mengindeks kerentanan genetik. Defisit tersebut tampaknya spesifik pada deteksi deviasi, dengan adaptasi neuronal tetap utuh. Spesifisitas ini bertujuan untuk mengidentifikasi target yang jelas bagi pengembangan pengobatan, dan kemampuan translasional lintas spesies dari MMN bertujuan untuk menjadikannya biomarker praktis untuk pengujian obat praklinis.

Merekam data MMN yang bermakna memerlukan metodologi yang cermat. Jenis, probabilitas, dan besaran devian harus dipilih dengan referensi sengaja pada prinsip-prinsip komputasi yang mengatur respons tersebut. Paradigma banyak-standar harus menyertai oddball konvensional ketika pemisahan adaptasi dari deteksi deviasi diperlukan. Desain tidak konvensional yang menggunakan pengulangan tidak terduga atau penghilangan suara dapat menguji prediksi spesifik dari kerangka kerja predictive coding. Ketika lokalisasi sumber penting, perekaman MMNm dengan MEG melengkapi EEG. Pertimbangan metodologis ini memastikan bahwa MMN terus berfungsi sebagai alat yang presisi baik untuk neurosains dasar maupun translasi klinis.

Referensi

1. Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029

2. Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012

3. Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288

4. Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322

5. Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006

Pertanyaan yang Sering Diajukan

Apa itu mismatch negativity (MMN)?

Mismatch negativity, atau MMN, adalah sinyal listrik otak yang direkam dengan EEG yang terjadi ketika suara "devian" yang jarang merusak pola suara "standar" yang berulang. Ini mencerminkan kemampuan otomatis otak untuk mendeteksi perubahan dan dihasilkan bahkan ketika seseorang tidak memperhatikan suara tersebut.

Mengapa MMN dianggap otomatis dan pra-atentif?

MMN bersifat otomatis karena muncul bahkan ketika seseorang sedang membaca, menonton film, atau secara aktif mengabaikan suara tersebut. Ia bersifat pra-atentif karena otak membandingkan suara devian dengan jejak memori suara standar sebelum perhatian sadar sempat terlibat.

Apa dua hipotesis utama tentang bagaimana otak menghasilkan MMN?

Hipotesis adaptasi mengusulkan bahwa suara standar yang berulang menyebabkan neuron mengurangi laju pembakarannya, sehingga suara devian yang langka mengaktifkan neuron "segar" yang menghasilkan respons lebih besar. Hipotesis penyesuaian model mengusulkan bahwa otak secara aktif membangun model internal dari lingkungan pendengaran, dan MMN mencerminkan proses memperbarui model tersebut ketika devian melanggar ekspektasi.

Bagaimana predictive coding menjelaskan MMN?

Predictive coding adalah kerangka kerja pemersatu yang memandang otak secara aktif memprediksi suara yang akan datang berdasarkan keteraturan yang dipelajari. Ketika input aktual menyimpang dari prediksi, sinyal kesalahan prediksi dihasilkan, dan MMN dipahami sebagai manifestasi elektrofisiologis dari kesalahan prediksi tersebut.

Apa itu paradigma banyak-standar dan mengapa digunakan?

Paradigma banyak-standar menyajikan banyak nada berbeda dengan probabilitas yang sama sehingga tidak ada satu nada pun yang cukup berulang untuk menyebabkan adaptasi saraf. Hal ini memungkinkan peneliti mengisolasi deteksi deviasi dari efek adaptasi, yang saling merancu dalam paradigma oddball konvensional.

Apa itu MMNm dan apa bedanya dengan MMN?

MMNm adalah mitra magnetik dari MMN, yang direkam dengan magnetoensefalografi (MEG) alih-alih EEG. Ini menawarkan resolusi spasial yang lebih baik untuk memisahkan kontribusi dari berbagai wilayah otak yang berbeda, seperti generator lobus temporal dan lobus frontal.

Faktor apa saja yang harus dipertimbangkan saat merancang eksperimen MMN?

Peneliti harus secara sengaja memilih jenis, probabilitas, dan besaran devian karena parameter ini secara sistematis membentuk respons MMN. Devian dengan probabilitas lebih rendah dan besaran lebih besar menghasilkan amplitudo yang lebih besar, dan menggunakan devian frekuensi serta durasi sangat penting untuk studi klinis. Paradigma banyak-standar harus menyertai oddball konvensional ketika pemisahan adaptasi dari deteksi deviasi diperlukan.