Обчислювальна нейронаука

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до навігації Перейти до пошуку


Обчислювальна нейронаука (англ. Computational neuroscience) — розділ нейронауки, що використовує математичні методи та комп'ютерні симуляції для дослідження роботи нервової системи, зокрема мозку[1]. Математичні методи включають теорію динамічних систем, теорію графів, теорію інформації та ін. Це широко міждисциплінарна наука, яка поєднує когнітивну науку, нейробіологію, теорію алгоритмів та машинне навчання.

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 як гіпотези, які можуть бути безпосередньо перевірені в теперішніх або майбутніх біологічних і/або психологічних експериментах.

Обчислювальна нейронаука намагається вирішити дві задачі. Перша, зрозуміти причини захворювань мозку, наприклад, хвороби Альцгеймера чи шизофренії та знайти ліки. Друга, зрозуміти принципи обробки інформації в біологічних нейронних мережах, як вони породжують сприйняття, пам'ять, інтелект та свідомість.

Предмет дослідження[ред. | ред. код]

Дослідження в обчислювальній нейронауці 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 процеси 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.[2]

Обчислювальні функції комплексних дендритів також є предметом інтенсивних досліджень[3] [4]. Існує великий обсяг літератури про те, як відбувається взаємодія струмів з геометричними властивостями нейронів.[5]

Деякі моделі імітують біохімічні процеси 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 project заснований Генрі Маркрамом, вирішує задачу побудови 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 забезпечити ефективне кодування, при якому нейрони кодують інформацію 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 процесів сприйняття. В сучасних моделях сприйняття припускають, що мозок реалізує своєрідну задачу байєсовського виведення та інтеграції різних сенсорної інформації при формуванні нашого сприйняття фізичного світу.[6]

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.[7]

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.[8] За допомогою методу Монте-Карло, були побудовані деталізовані стереохімічні моделі синапсу, що має ацетилхолінові рецептори, в яких процес відтворений з точністю до мікросекунд.[9] Цілком імовірно, що обчислювальні інструменти будуть в значній мірі сприяти нашому розумінню того, як функціюють синапси і змінюються під впливом 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. Computational neuroscience - Latest research and news | Nature. www.nature.com (en). Процитовано 2018-06-13. 
  2. Wu, Samuel Miao-sin; Johnston, Daniel (1995). Foundations of cellular neurophysiology. Cambridge, Mass: MIT Press. ISBN 0-262-10053-3. 
  3. London, Michael; Häusser, Michael (2005-07-21). DENDRITIC COMPUTATION. Annual Review of Neuroscience 28 (1). с. 503–532. ISSN 0147-006X. doi:10.1146/annurev.neuro.28.061604.135703. 
  4. Branco, Tiago; Häusser, Michael (2010-08). The single dendritic branch as a fundamental functional unit in the nervous system. Current Opinion in Neurobiology 20 (4). с. 494–502. ISSN 0959-4388. doi:10.1016/j.conb.2010.07.009. 
  5. Koch, Christof (1999). Biophysics of computation: information processing in single neurons. Oxford [Oxfordshire]: Oxford University Press. ISBN 0-19-510491-9. 
  6. What are Computational Neuroscience and Neuroinformatics?. Department of Mathematical Sciences, B12412: Computational Neuroscience and Neuroinformatics. 
  7. Durstewitz D, Seamans JK, Sejnowski TJ (2000). Neurocomputational models of working memory. Nat Neurosci. 3 (Suppl): 1184–91. PMID 11127836. doi:10.1038/81460. 
  8. Fusi S, Drew PJ, Abbott LF (2005). Cascade models of synaptically stored memories. Neuron 45 (4): 599–611. PMID 15721245. doi:10.1016/j.neuron.2005.02.001. 
  9. Coggan JS, Bartol TM, Esquenazi E, et al. (2005). Evidence for ectopic neurotransmission at a neuronal synapse. Science 309 (5733): 446–51. Bibcode:2005Sci...309..446C. PMC 2915764. PMID 16020730. doi:10.1126/science.1108239.