مدل مغز مبتنی بر زیست شناسی حیوانات را در یادگیری تطبیق می دهد، کشف جدید را امکان پذیر می کند | اخبار MIT

تیمی از دانشمندان در دانشگاه ایالتی دارتموث، MIT و MIT می‌گویند که یک مدل محاسباتی جدید مغز مبتنی بر زیست‌شناسی و فیزیولوژی آن نه تنها یک تکلیف یادگیری دسته‌بندی ساده بصری را دقیقاً مانند حیوانات آزمایشگاهی یاد گرفت، بلکه حتی امکان کشف فعالیت ضد شهودی توسط گروهی از نورون‌ها را فراهم کرد که محققانی که با حیوانات کار می‌کردند تا همان کار را انجام دهند، قبلاً در داده‌های خود متوجه نشده بودند.

قابل ذکر است که این مدل این دستاوردها را بدون آموزش بر روی داده‌های آزمایش‌های حیوانی ایجاد کرد. در عوض، از ابتدا ساخته شد تا به طور صادقانه نشان دهد که چگونه نورون ها به مدارها متصل می شوند و سپس به صورت الکتریکی و شیمیایی در مناطق وسیع تر مغز برای تولید شناخت و رفتار ارتباط برقرار می کنند. سپس، هنگامی که تیم تحقیقاتی از مدل خواست همان کاری را که قبلاً با حیوانات انجام داده بودند (نگاه کردن به الگوهای نقطه‌ها و تصمیم‌گیری در مورد کدام یک از دو دسته وسیع‌تر برای حیوانات) انجام دهد، فعالیت عصبی و نتایج رفتاری بسیار مشابهی ایجاد کرد و تقریباً با پیشرفت نامنظم یکسانی مهارت را به دست آورد.

می گوید: “این فقط طرح های شبیه سازی شده جدیدی از فعالیت مغز را تولید می کند که تنها پس از آن با حیوانات آزمایشگاهی مقایسه می شود. ریچارد گرنجراستاد روانشناسی و علوم مغز در دارتموث و نویسنده ارشد یک مطالعه جدید در ارتباطات طبیعت که مدل را توصیف می کند.

نویسنده همکار می افزاید: هدف از ساخت این مدل و تکرارهای جدیدتر توسعه یافته از زمان نگارش مقاله، نه تنها ارائه بینشی در مورد نحوه عملکرد مغز، بلکه نحوه عملکرد متفاوت آن در بیماری ها و مداخلاتی که می تواند آن انحرافات را اصلاح کند، نیست. ارل کی میلر، استاد Picower در موسسه Picower برای یادگیری و حافظه در MIT. میلر، گرنجر و سایر اعضای تیم تحقیقاتی این شرکت را تاسیس کرده اند Neuroblox.ai برای توسعه برنامه های بیوتکنولوژی مدل ها. لیلیان آر. موجیکا-پارودی، یکی از نویسندگان، استاد مهندسی زیست پزشکی در استونی بروک که محقق اصلی پروژه نوروبلوکس است، مدیرعامل این شرکت است.

میلر، که همچنین یکی از اعضای هیئت علمی بخش علوم و شرکت MIT در MIT است، می‌گوید: «ایده این است که پلتفرمی برای مدل‌سازی بیومیمتیک مغز ایجاد کنیم تا بتوانید روش کارآمدتری برای کشف، توسعه و بهبود عصب‌درمان‌ها داشته باشید. برای مثال، توسعه دارو و آزمایش اثربخشی می‌تواند در مراحل اولیه، در پلتفرم ما، قبل از خطر و هزینه آزمایش‌های بالینی انجام شود.

ساخت مدل بیومیمتیک

آناند پاتاک، پسادکتر دارتموث، این مدل را ایجاد کرد که با بسیاری از مدل‌های دیگر تفاوت دارد، زیرا شامل جزئیات کوچکی مانند نحوه اتصال جفت‌های نورون‌ها با یکدیگر و معماری در مقیاس بزرگ است، از جمله اینکه چگونه پردازش اطلاعات در مناطق مختلف تحت تأثیر مواد شیمیایی تعدیل‌کننده عصبی مانند استیل کولین قرار می‌گیرد. پاتاک و تیم طرح های خود را تکرار کردند تا اطمینان حاصل کنند که از محدودیت های مختلف مشاهده شده در مغز واقعی پیروی می کنند، مانند اینکه نورون ها چگونه با ریتم های گسترده تر هماهنگ می شوند. او می‌گوید بسیاری از مدل‌های دیگر فقط بر مقیاس‌های کوچک یا بزرگ تمرکز می‌کنند، اما نه هر دو.

پاتاک می‌گوید: «ما نمی‌خواستیم درخت را از دست بدهیم، و جنگل را از دست ندادیم.

“درختان” استعاری که در این مطالعه “اولیه” نامیده می شوند، مدارهای کوچکی از چند نورون هستند که بر اساس اصول الکتریکی و شیمیایی سلول های واقعی برای انجام عملکردهای محاسباتی اساسی به هم متصل می شوند. برای مثال، در نسخه مدل از قشر مغز، یک طرح اولیه دارای نورون‌های تحریک‌کننده است که ورودی‌های سیستم بینایی را از طریق اتصالات سیناپس تحت تأثیر ناقل عصبی گلوتامات دریافت می‌کنند. سپس آن نورون‌های تحریک‌کننده به‌طور متراکم با نورون‌های بازدارنده در رقابتی ارتباط برقرار می‌کنند تا به آن‌ها سیگنال دهند تا سایر نورون‌های تحریک‌کننده را خاموش کنند – معماری «برنده همه چیز» که در مغزهای واقعی یافت می‌شود و پردازش اطلاعات را تنظیم می‌کند.

در مقیاس بزرگ‌تر، این مدل شامل چهار ناحیه مغزی مورد نیاز برای انجام وظایف یادگیری و حافظه است: قشر، ساقه مغز، جسم مخطط و ساختار «نرون فعال تونیک» (TAN) که می‌تواند کمی «صدا» را از طریق انفجار استیل کولین به سیستم تزریق کند. به عنوان مثال، زمانی که مدل درگیر وظیفه طبقه‌بندی الگوهای ارائه‌شده از نقاط بود، TAN در ابتدا مقداری از تغییرپذیری را در نحوه عملکرد مدل بر روی ورودی بصری تضمین کرد تا مدل بتواند با کاوش در اقدامات مختلف و نتایج آنها بیاموزد. همانطور که مدل به یادگیری ادامه داد، مدارهای قشر و جسم مخطط اتصالاتی را تقویت کردند که TAN را سرکوب می‌کردند و مدل را قادر می‌ساختند تا بر روی آنچه می‌آموزد با ثبات فزاینده عمل کند.

همانطور که مدل درگیر کار یادگیری بود، ویژگی‌های دنیای واقعی پدیدار شد، از جمله پویایی که میلر معمولاً در تحقیقات خود با حیوانات مشاهده می‌کرد. با پیشرفت یادگیری، قشر و مخطط در باند فرکانس «بتا» ریتم‌های مغزی هماهنگ‌تر شدند و این افزایش همزمانی با زمان‌هایی که مدل (و حیوانات) قضاوت دسته‌بندی صحیحی درباره آنچه می‌دیدند، همبستگی داشت.

آشکار کردن نورون های “ناهمخوان”.

اما این مدل همچنین گروهی از نورون‌ها را در اختیار محققان قرار داد – حدود 20 درصد – که فعالیت آنها به شدت خطا را پیش‌بینی می‌کرد. هنگامی که این نورون‌های به اصطلاح «ناهمخوان» بر مدارها تأثیر می‌گذارند، مدل قضاوت دسته‌بندی اشتباهی را انجام می‌دهد. گرنجر می‌گوید در ابتدا، تیم متوجه شد که این یک ویژگی عجیب و غریب از مدل است. اما سپس به داده‌های مغز واقعی که آزمایشگاه میلر هنگام انجام همان کار توسط حیوانات جمع‌آوری کرده بود، نگاه کردند.

او می‌گوید: «تنها پس از آن به داده‌هایی که قبلاً داشتیم بازگشتیم، مطمئن بودیم که این اطلاعات نمی‌توانست وجود داشته باشد زیرا کسی می‌توانست چیزی در مورد آن بگوید، اما در آنجا بود، و هرگز متوجه یا تجزیه و تحلیل نشده بود».

میلر می‌گوید این سلول‌های متضاد ممکن است هدفی داشته باشند: یادگیری قوانین یک کار خوب و خوب است، اما اگر قوانین تغییر کنند چه؟ آزمایش هر از چندگاهی جایگزین‌ها می‌تواند مغز را قادر می‌سازد تا با مجموعه‌ای از شرایط تازه در حال ظهور برخورد کند. در واقع، یک آزمایشگاه مجزا از موسسه Picower اخیرا منتشر شده است شواهدی مبنی بر اینکه انسان ها و حیوانات دیگر گاهی این کار را انجام می دهند.

گرنجر می‌گوید در حالی که مدل توصیف‌شده در مقاله جدید فراتر از انتظارات تیم عمل می‌کند، تیم آن را گسترش داده است تا آن‌قدر پیچیده شود که بتواند وظایف و شرایط متنوع‌تری را انجام دهد. به عنوان مثال، آنها مناطق بیشتر و مواد شیمیایی عصبی جدید را اضافه کرده اند. آنها همچنین شروع به آزمایش کرده اند که چگونه مداخلاتی مانند داروها بر پویایی آن تأثیر می گذارد.

علاوه بر گرنجر، میلر، پاتاک و موخیکا-پارودی، سایر نویسندگان مقاله اسکات برینکت، هاریس ارگانتزیدیس، هلموت استری، ساجن سنف و ایوان آنتزولاتوس هستند.

صندوق تحقیقات مغز بازوکی، ایالات متحده، دفتر تحقیقات نیروی دریایی و بنیاد Freedom Together از این تحقیق حمایت کردند.