Комп’ютерна неврологія

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до: навігація, пошук

Комп'ютерна неврологія (комп'ютерна нейронаука) — наука що вивчає функції мозку за допомогою методів обробки інформації фізіологічних структур, з яких складається нервова система. Це міждисциплінарна наука, яка зв'язує різні області нейронауки: когнітивну науку і психологію з електротехнікою, інформатикою,математикою та фізикою.

Обчислювальна нейронаука відрізняється від психологічного конекціонізму і машинного навчання тим, що бере до уваги дослідження функціональних і справжніх біологічних нейронів (і нейронних систем) та їх фізіологію і динаміку. Її моделі враховують суттєві властивості біологічної системи в різних просторово-часових масштабах, від мембранних струмів, білків і хімічного зв'язування до вивчення коливань активності, галузевої і топографічної архітектури, а також навчання і запам'ятовування. Ці обчислювальні моделі використовуються в якості гіпотез, які можуть бути безпосередньо перевірені в теперішніх або майбутніх біологічних і/або психологічних експериментах.

Предмет дослідження[ред.ред. код]

Дослідження в обчислювальної неврології можна умовно розділити на декілька напрямів. Основна робота при дослідженнях відбувається в тісній співпраці з експериментаторами і являє собою аналіз нових даних і синтез нових моделей біологічних явищ.

Моделювання окремого нейрона[ред.ред. код]

Навіть окремі нейрони мають складні біофізичні характеристики. Модель Годжкіна-Гакслі реалізує лише два процесси проходження струму чутливого до зміни напруги, при проходженні швидкодіючого натрію і зворотньо-направленого калію. Хоча дана модель успішно передбачає час і якісні особливості потенціалу дії, вона не в змозі передбачити ряд важливих функцій, таких як адаптація і шунтування. Вчені тепер вважають, що є велика різноманітність струмів, чутливих до змін напруги, з різною динамікою, модуляцією і чутливістю цих струмів, що стало важливою темою дослідження обчислювальної нейронауки. [1]

Обчислювальні функції комплексних дендритів також є предметом інтенсивних досліджень. Існує великий обсяг літератури про те, як відбувається взаємодія струмів з геометричними властивостями нейронів. [2]

Деякі моделі імітують біохімічні процесси при дуже великій деталізації, наприклад таких, що відбуваються на рівні дендритних шипів або синаптичних щілин.

Є багато програмних пакетів, таких як GENESIS і NEURON, які дозволяють швидко і систематично in silico (за допомогою комп'ютера) моделювати реалістичні нейрони. Blue Brain, проект заснований Генрі Маркрамом, вирішує задачу побудуви детальної біофізичної моделі кортикальної колонки на суперкомп'ютері Blue Gene.

Сенсорне сприйняття[ред.ред. код]

Перші моделі сенсорного сприйняття спираються на теоретичну базу створеною здебільшого Хорасом Барлоу. Створюючі перші сенсорні системи, Барлоу зрозумів, що вони мають мати таку форму, щоб забеспечити ефективне кодування, при якому нейрони кодують інфомацію таким чином, щоб мінімізувати кількість спайків (з’єднань). Експериментальні та розрахункові роботи з тих пір підтвердили цю гіпотезу в тій чи іншій мірі.

Сучасні дослідження в сенсорній обробки мають два основних напрямки: біофізичне моделювання різних підсистем і більш теоретичне моделювання процессів сприйняття. В сучасних моделях сприйняття припускають, що мозок реалізує своєрідну задачу байесовского виведення та інтеграції різних сенсорної інформації при формуванні нашого сприйняття фізичного світу. [3]

Пам’ять і синаптична пластичність[ред.ред. код]

Ранні моделі пам'яті, основувались на постулатах навчального методу Хебба. Біологічно відповідні моделі, такі як мережі Хопфилда, були розроблені для моделювання властивості асоціативності, яка притаманна біологічним системам, а не адресної пам'яті, яка використовується в комп’ютерних системах. Ці методи, в першу чергу, звертають увагу на формування короткочасної і довготривалої пам'яті, локалізованої в гіпокампі. Були побудовані моделі оперативної пам'яті, що спираються на теорії синхронізації мережевих коливань і стійкої діяльності, з метою реалізувати деякі особливості контекстно пов'язаної пам'яті префронтальної кори головного мозку.[4]

Одна з основних проблем в нейрофізіологічної пам'яті це те, як вона підтримується і змінюється за умови різних масштабів часу для елементів мережі. Нестабільні синапси легко піддаються навчанню, але і схильні до стохастичних порушеннь. Стабільні синапси не так легко забувають, але з іншого боку їх важче консолідувати. Одна із останніх обчислювальних гіпотез використовує каскади пластичності, які дозволяють синапсам функціонувати в різних масштабах часу. [5] За допомогою методу Монте-Карло, були побудовані деталізовані стереохімічні моделі синапсу, що має ацетилхолінові рецептори, в яких процесс відтворений з точністю до мікросекунд. [6] Цілком імовірно, що обчислювальні інструменти будуть в значній мірі сприяти нашому розумінню того, як синапси функціонують і змінюються в при впливі на них зовнішніх подразників, вже в найближчі десятиліття.

Поведінка нейронних мереж[ред.ред. код]

Біологічні нейрони з'єднані між собою в складним, рекурентним (з наявністю зворотних зв'язків) способом. Ці з’єднання, на відміну від більшості штучних нейронних мереж, розсіяні, і здебільшого, питомі. Не відомо, як Інформація передається через такі розріджені з'єднання. Невідомо також, що за обчислюванні функції, якщо такі існують, виконують певні схеми таких з’єднань. Взаємодію між нейронами в невеликих мережах, можна абстрагувати до простих моделей, таких як модель Ізінга (з магнітом). Статистична механіка таких простих систем добре піддається теоретичному вивченню і конкретизації їх характеристик. З появою двухфотонної мікроскопії та томографії кальцію, з’явилися нові потужні експериментальні методи, які дають змогу перевіряти нові теорії щодо нейронних мереж.

Посилання[ред.ред. код]

Примітки[ред.ред. код]

  1. Wu, Samuel Miao-sin; Johnston, Daniel (1995). Foundations of cellular neurophysiology. Cambridge, Mass: MIT Press. ISBN 0-262-10053-3. 
  2. Koch, Christof (1999). Biophysics of computation: information processing in single neurons. Oxford [Oxfordshire]: Oxford University Press. ISBN 0-19-510491-9. 
  3. What are Computational Neuroscience and Neuroinformatics?. Department of Mathematical Sciences, B12412: Computational Neuroscience and Neuroinformatics. 
  4. Durstewitz D, Seamans JK, Sejnowski TJ Neurocomputational models of working memory // Nat Neurosci., 3 (2000) (Suppl) С. 1184–91. — DOI:10.1038/81460. — PMID:11127836.
  5. Fusi S, Drew PJ, Abbott LF Cascade models of synaptically stored memories // Neuron, 45 (2005) (4) С. 599–611. — DOI:10.1016/j.neuron.2005.02.001. — PMID:15721245.
  6. Coggan JS, Bartol TM, Esquenazi E, et al.' Evidence for ectopic neurotransmission at a neuronal synapse // Science, 309 (2005) (5733) С. 446–51. — Bibcode:2005Sci...309..446C. — DOI:10.1126/science.1108239. — PMID:16020730.