Исследование показывает, что на методы определения связности нейронных цепей влияют систематические ошибки.

By Вадим Вайтишин No comments

Исследование показывает, что на методы определения связности нейронных цепей влияют систематические ошибки Nature Neuroscie. nce (2020) «. width=»543″ width=»543» height=»480″/>
A) Слева: рисунок, представляющий схему из трех нейронов с двумя связями. В центре: все нейроны коррелированы. Справа: алгоритмы логического вывода должны «объяснять» корреляции между верхними нейронами на основе их общего входа, исключая прямую связь. Б) Нейроны (черные точки) в кольцевой сети. Серая кривая, веса в форме мексиканской шляпы от примерного узла (серая точка) до остальных; все остальные нейроны имеют такой же весовой профиль. C) Результирующая матрица весов W (вверху) является циркулирующей, содержащей повороты одной и той же строки (внизу). D) Скалярный параметр r модулирует силу всех повторяющихся весов. Спайковые растровые графики (вверху) и снимки синаптической активности (внизу) сети при слабом (красный) и сильном (синий) весах (маленький и большой r). Предоставлено: Дас и Фите, Nature Neuroscience (2020).

В последние годы все большее число специалистов по информатике пытается разработать вычислительные методы, вдохновленные структурой, функциями и пластичностью нейронных цепей в человеческом мозге. Достижение всестороннего понимания биологических нейронных цепей имеет жизненно важное значение для создания этих компьютерных систем, вдохновленных нейро.

Чтобы полностью понять механизмы, которые позволяют биологическим нейронным цепям вычислять информацию и адаптироваться с течением времени, нейробиологи должны иметь возможность исследовать связи между отдельными нейронами. Несмотря на то, что недавние достижения в методах трассировки цепей открыли новые возможности для изучения этих соединений, сбор данных с использованием этих методов все еще может быть очень сложным и дорогостоящим.

Некоторые ученые разработали статистические методы оценки нейронной связи на основе записей нейронной активности нескольких ячеек. Хотя эти методы широко используются, они могут не дать надежного представления о нейронных связях.

Исследователи из Техасского университета в Остине недавно провели исследование эффективности существующих методов алгоритмической оценки разводки нейронных сетей. Их результаты, опубликованные в Nature Neuroscience, предполагают, что даже самые изощренные из этих методов предвзяты и склонны выявлять связи между нейронами, которые на самом деле не связаны, а довольно сильно коррелированы.

«Поскольку сложно напрямую измерить электрические схемы нейронных цепей, уже давно существует интерес к их алгоритмической оценке по записям активности нескольких ячеек», — объясняют исследователи в своей статье. «Мы показываем, что даже сложные методы, применяемые к неограниченному количеству данных из каждой ячейки в цепи, склонны к выводу о связях между несвязанными, но сильно коррелированными нейронами. Эта неспособность» объяснить, почему «связи возникают, когда есть несоответствие между истинной динамикой сети и модель, используемая для вывода, который неизбежен при моделировании реального мира «

Чтобы оценить эффективность статистических методов определения нейронной связности, исследователи построили серию повторяющихся сетей с разной абсолютной силой повторяющегося веса, но с той же сетевой архитектурой. Различные значения силы повторяющегося веса, которые они использовали, перемещали нейронную цепь между разными режимами, а именно слабым (то есть сенсорным), средним (усиление сенсорного) и сильным (память) рекуррентными режимами.

В последнем из этих режимов, когда повторяющиеся веса были сильными, они наблюдали появление большого количества паттернов нейронной активности, а алгоритмические методы находили корреляции между нейронами, которые фактически не были связаны между собой. Интересно, что исследователи обнаружили, что тот же тип ошибки возникает при использовании широкого спектра алгоритмических методов для оценки нейронной связи на основе записей активности многоклеточного мозга. Таким образом, в своей статье они подчеркивают необходимость проявлять особую осторожность при попытке вывести случайные связи между переменными на основе статистических моделей, которые вычисляют корреляции.

Хотя собранные ими результаты подтверждают проблемы, связанные с изучением и оценкой нейронных связей, исследователи также подчеркивают потенциал нескольких новых методов, в том числе последних достижений в области коннектомики и методов, которые включают возмущение и последующий мониторинг нейронов. Наконец, они представляют новый подход, основанный на далеко неравновесной выборке, который может быть дополнением к этим двум новым методам, поскольку сочетает в себе их сильные стороны и преимущества.

«Наши результаты показывают, что при наличии достаточного количества данных, выходящих из равновесия, выполнение даже простого корреляционного вывода может обеспечить гораздо лучшие оценки истинного соединения в рекуррентных сетях, чем использование сложных алгоритмов вывода на основе данных равновесия», — пишут исследователи. их бумага.

Это исследование может вскоре вдохновить на новые исследования, изучающие потенциал методов оценки структуры и связности нейронных архитектур. Кроме того, подход к отбору, который далек от равновесия, потенциально может оказаться полезным для изучения нейронных механизмов, отличных от нейронных соединений, таких как нейронная и синаптическая адаптация.

Добавить комментарий