Биологически точная модель мозга повторила обучение животных и выявила неожиданную активность нейронов
Новая вычислительная модель мозга, тесно основанная на его биологии и физиологии, не только научилась простой задаче категоризации визуальных образов так же хорошо, как лабораторные животные, но и позволила обнаружить неинтуитивную активность группы нейронов, которую ранее не замечали исследователи, работавшие с животными. Об этом сообщает команда учёных из Дартмутского колледжа, MIT и Университета штата Нью-Йорк в Стоуни-Брук.
Ключевой момент: модель достигла этих результатов, никогда не обучаясь на данных экспериментов с животными. Вместо этого она была построена с нуля, чтобы достоверно отражать, как нейроны соединяются в цепи и взаимодействуют электрически и химически в масштабах целых областей мозга, порождая когнитивные функции и поведение.
Когда команда поставила перед моделью ту же задачу, что и перед животными (анализ паттернов точек и отнесение их к одной из двух категорий), она продемонстрировала высокосхожую нейронную активность и поведенческие результаты, осваивая навык почти с такой же неравномерной динамикой прогресса.
Исследование опубликовано в журнале Nature Communications.
"Она просто генерирует новые симулированные графики мозговой активности, которые затем сравниваются с данными лабораторных животных. Тот факт, что они совпадают настолько поразительно, — это шок", — заявил Ричард Грейнджер, профессор психологических и мозговых наук в Дартмуте и старший автор исследования.
Одна из целей создания модели и её новых итераций — не только понять, как работает мозг, но и как он может работать иначе при заболеваниях, и какие вмешательства могут скорректировать эти отклонения. Соавтор Эрл К. Миллер, профессор Института обучения и памяти Пикауэра в MIT, и другие члены команды основали компанию Neuroblox.ai для разработки биотехнологических приложений моделей.
"Идея в создании платформы для биомиметического моделирования мозга, чтобы сделать процесс открытия, разработки и улучшения нейротерапевтиков более эффективным. Например, разработка и тестирование эффективности лекарств могут происходить раньше, на нашей платфоме, до рисков и затрат клинических испытаний", — сказал Миллер.
Создание биомиметической модели
Модель, созданную постдоком из Дартмута Анандом Патхаком, отличает то, что она включает как мелкие детали (например, как отдельные пары нейронов соединяются друг с другом), так и архитектуру крупного масштаба (включая влияние на обработку информации нейромодуляторных химических веществ, таких как ацетилхолин).
Команда итеративно дорабатывала дизайн, чтобы он соответствовал различным ограничениям, наблюдаемым в реальном мозге, таким как синхронизация нейронов более широкими ритмами.
Метафорические "деревья" (в исследовании названы "примитивами") — это небольшие цепи из нескольких нейронов, которые соединяются на основе электрических и химических принципов реальных клеток для выполнения фундаментальных вычислительных функций.
Например, в версии коры мозга модели один примитив содержит возбуждающие нейроны, получающие вход от зрительной системы через синапсы, на которые влияет нейромедиатор глутамат. Эти возбуждающие нейроны плотно связаны с тормозными нейронами в конкуренции за сигнал к подавлению других возбуждающих нейронов — архитектура "победитель получает всё", обнаруженная в реальном мозге для регуляции обработки информации.
В более крупном масштабе модель охватывает четыре области мозга, необходимые для базовых задач обучения и памяти: кору, ствол мозга, стриатум и структуру тонически активных нейронов (TAN), которая может вносить "шум" в систему через выбросы ацетилхолина. Например, во время задачи категоризации паттернов точек TAN сначала обеспечивал вариативность реакции модели на визуальный вход, позволяя ей обучаться через исследование различных действий и их результатов.
По мере обучения модели, цепи коры и стриатума усиливали связи, подавляющие TAN, что позволяло модели действовать на основе усвоенного с возрастающей последовательностью.
В процессе обучения проявились свойства реального мира, включая динамику, которую Миллер часто наблюдал в своих исследованиях на животных. По мере прогресса в обучении кора и стриатум становились более синхронизированными в бета-диапазоне мозговых ритмов, и эта повышенная синхронность коррелировала с моментами, когда модель (и животные) правильно определяли категорию увиденного.
Выявление "неконгруэнтных" нейронов
Однако модель также показала исследователям группу нейронов (около 20%), чья активность оказалась высокопредсказательной для ошибки. Когда эти так называемые "неконгруэнтные" нейроны влияли на цепи, модель делала неверное категориальное суждение. Сначала команда решила, что это особенность модели. Но затем они изучили реальные данные мозга, накопленные в лаборатории Миллера, когда животные выполняли ту же задачу.
"Только тогда мы вернулись к уже имевшимся данным, уверенные, что этого там быть не может, потому что кто-то уже заметил бы это. Но это было там, и это просто никогда не замечали и не анализировали", — сказал Грейнджер.
Миллер предположил, что эти неинтуитивные клетки могут служить цели: хорошо выучить правила задачи, но что, если правила изменятся? Периодическая проверка альтернатив может позволить мозгу наткнуться на новые условия. Другая лаборатория Института Пикауэра недавно опубликовала доказательства того, что люди и животные иногда так и поступают.
Хотя модель, описанная в статье, превзошла ожидания команды, они продолжают её расширять, чтобы сделать достаточно сложной для решения большего разнообразия задач и обстоятельств. Например, они добавили больше областей и новых нейромодуляторных химических веществ. Они также начали тестировать, как на её динамику влияют вмешательства, такие как лекарственные препараты.