Reverse-engineering af hjernen til at afkode inputsignaler fra outputneuronfyring

Hjernen er et ekstremt komplekst organ, hvis nøjagtige funktion stadig er svær at forstå. I gennemsnit indeholder den menneskelige hjerne 100 milliarder neuroner, der affyres ved modtagelse af inputsignaler fra flere sanseorganer. Men det, der virkelig er bemærkelsesværdigt ved vores hjerne, er synkroniseringen af ​​denne neurale affyring, når den udløses af et fælles input. Enkelt sagt kan fælles input generere en kollektiv respons i neuroner, der ikke kun er rumligt adskilte, men også har forskellige affyringsegenskaber.

Den neurale synkronisering er blevet observeret før i eksperimenter og er almindeligvis påvist under hvile og aktiviteter, der involverer opgaver. Imidlertid er de almindelige input, der producerer dette, typisk ukendte i virkelige situationer. Dette rejser et interessant spørgsmål:er det muligt at rekonstruere dette input ved at se på neuronernes output?

I en ny undersøgelse offentliggjort i Physical Review E den 12. september 2022 satte et team af forskere fra Japan, ledet af professor Tohru Ikeguchi fra Tokyo University of Science (TUS), sig for at besvare dette spørgsmål. Holdet, inklusive lektor Ryota Nomura fra Waseda University (tidligere TUS), og lektor Kantaro Fujiwara fra Tokyos universitet, så på neuronernes affyringshastigheder og formåede at rekonstruere inputsignalet ved hjælp af en metode kaldet "overlejret gentagelsesplot" (SRP).

"Vi udviklede en metode, der bruger et gentagelsesplot (RP). RP blev oprindeligt introduceret til at karakterisere ikke-lineære dynamiske systemer, da de indeholder multidimensionel information, på trods af at de kun giver todimensionel visualisering," forklarer prof. Ikeguchi. "Da neuroner er ikke-lineære dynamiske systemer, kan vi hypotetisk opnå information om et fælles input, hvis vi balancerer virkningerne af neural dynamik."

SRP-metoden, som teamet bruger i deres arbejde, er simpelthen en RP, hvor en pixelværdi summeres over tilsvarende pixels af flere RP'er og derefter tildeles en binær værdi på 0 eller 1 baseret på, om summen er lig med eller større end 1.

Holdet brugte standard Izhikevich-modellen til at studere affyringerne af ukoblede neuroner. De overvejede tre forskellige tilfælde af neuronaffyringsmønstre. I det første tilfælde rekonstruerede de det fælles input for lokaliserede neuroner med lignende affyringshastigheder. I det andet tilfælde gjorde de det for en blanding af neuroner med forskellige baseline affyringshastigheder. Til sidst, i det tredje tilfælde, undersøgte de, om SRP-metoden kunne rekonstruere et fælles input til en kaotisk reaktion af Izhikevich-modellen.

Sikkert nok fandt de ud af, at de kunne rekonstruere inputsignalet ved hjælp af SRP-metoden til kaotiske neuroner. "Når vi vælger en passende tidsperiode til at beregne affyringshastigheden for neuroner, er vi i stand til at rekonstruere inputsignalet med ret høj nøjagtighed," siger prof. Ikeguchi. Dette repræsenterer et stort gennembrud, ikke kun i studiet af hjerne- og neuralvidenskab, men også andre dynamiske systemer, der viser kaotisk adfærd.

De potentielle implikationer af deres resultater er enorme for kunstig intelligens, som prof. Ikeguchi bemærker, "Nuværende kunstig intelligens-modeller kan ikke rigtigt reproducere vores hjernes informationsbehandlingskraft. Dette skyldes, at de anvendte neuronmodeller er for forenklede og langt fra repræsentative for faktiske neuroner i vores hjerner. Vores forskning bringer os et skridt tættere på at forstå, hvordan informationsprocessen foregår i vores hjerner. Dette kan bane vejen for nye neuromorfe computerenheder."

Derudover kan det hjælpe os med at forstå begyndelsen af ​​psykiske lidelser bedre og udtænke behandlinger for dem. Samlet set kunne undersøgelsen være en øjenåbner med hensyn til, hvor godt (eller lidt) vi forstår vores hjerne. + Udforsk yderligere

Undersøgelse viser, at en simpel, beregningsmæssigt let model kan simulere komplekse hjernecelleresponser