Znajdź strukturę nawracającej sieci neuronowej w mózgu

Dwóch naukowców z University of Wyoming postanowiło, że tak powiem, wybrać sobie nawzajem mózgi. W szczególności zbadali znaczenie kory czołowej, części mózgu używanej do podejmowania decyzji, ekspresyjnego języka i dobrowolnych ruchów.

Obaj naukowcy dowiedzieli się, że za te funkcje odpowiada architektura rekurencyjnej sieci neuronowej (RNN).

„Ta RNN otrzymuje dane wejściowe z emocjonalnych obszarów mózgu i wysyła dane wyjściowe do kory ruchowej, części mózgu odpowiedzialnej za ruchy dobrowolne” – mówi Qian-Quan Sun, profesor zoologii i fizjologii na Uniwersytecie Waszyngtońskim. W dziedzinie sztucznej inteligencji informatycy zaprojektowali wiele sztucznych sieci neuronowych, w tym RNN, które skutecznie rozwiązują problemy, takie jak tłumaczenie języka i rozpoznawanie obiektów, poprzez symulację sieci neuronowej w mózgu ssaków.

W pracy przedstawiono podstawową architekturę sieci neuronowych w mózgu ssaków. Ta infrastruktura poprowadzi nas w badaniu strategii behawioralnej” kontynuuje Sun. „Po uzyskaniu większej ilości szczegółów możemy przełożyć ją na sztuczną sieć neuronową i wykorzystać ją do rozwiązywania rzeczywistych problemów”.

Sun, dyrektor Wyoming Center for Sensory Biology of Excellence in Biomedical Research na University of Washington, jest głównym autorem artykułu zatytułowanego „Long Range Recurrent Neural Network Connecting Emotional Regions to Somatic Motor Cortex” opublikowanego dzisiaj (wtorek) w Cell Raporty. Czasopismo o otwartym dostępie publikuje recenzowane artykuły z całego spektrum nauk przyrodniczych, które dostarczają nowych informacji biologicznych.

Pierwszym autorem artykułu jest dr Yihan Wang. Studentka studiów doktoranckich z zakresu neuronauki na Uniwersytecie Waszyngtońskim z Pekinu w Chinach. Badania zostały sfinansowane z grantów Narodowych Instytutów Zdrowia.

Sun twierdzi, że syntetyczne RNN są ważnymi algorytmami głębokiego uczenia się powszechnie używanymi w problemach płata porządkowego lub czasowego, takich jak tłumaczenie języka, przetwarzanie języka naturalnego, rozpoznawanie mowy i adnotacje do obrazów. RNN rozpoznaje sekwencyjne właściwości danych i używa wzorców do przewidywania następnego możliwego scenariusza. Sieci RNN są zintegrowane z popularnymi aplikacjami, takimi jak Siri, Google Voice Search i Google Translate.

„Największą niespodzianką jest to, że RNN znajdują się nie tylko w naszych mózgach, ale są zbudowane z bardziej precyzyjną funkcją, a jednocześnie są bardzo wydajne w przetwarzaniu danych wejściowych” – mówi Sun. Ogólnie rzecz biorąc, neurony korowe są przestrzennie wymienne i nakładają się na siebie. Jednak dane Wanga nie tylko pokazały, że RNN znajduje się w najważniejszej części mózgu – korze czołowej – ale dodatkowo ta sieć jest mniej złożona niż sądziliśmy i jest w większości jednokierunkowa. To dla nas duże zaskoczenie, ponieważ mówi nam, że ta sieć może być odpowiedzialna za unikalne funkcje w porównaniu z innymi”.

Sun i Wang przeanalizowali mózgi myszy pod kątem badań laboratoryjnych. Różne szczepy transgenicznych myszy posiadają zdolność znakowania określonych typów neuronów białkami fluorescencyjnymi, które śledzą połączenia mózgowe — oraz monitorowania określonych aktywności neuronalnych za pomocą wewnętrznych markerów fluorescencyjnych.

Według Sun badania te mają wiele implikacji w świecie rzeczywistym.

„Po pierwsze, teraz, gdy znamy ten ważny element budulcowy, praca pomoże rozszyfrować, w jaki sposób nasze mózgi podejmują decyzje”, mówi. Po drugie, pomoże odkryć inne podobne RNN w innych częściach mózgu. Pomoże naukowcom wykorzystać symulacje obliczeniowe do przewidywania, w jaki sposób nasz mózg koduje pamięć krótkotrwałą i jak może być wykorzystana. Po trzecie, specjalnie na potrzeby tego badania, pomoże nam zrozumieć, w jaki sposób regulowane są emocje, takie jak strach i niepokój, nasze ruchy”.

Sun twierdzi, że zarówno treść, jak i podejście badawcze stosowane przez Suna i Wanga powinny mieć bardzo szerokie zainteresowanie badaczami sztucznej inteligencji, biologami, modelarzami obliczeniowymi i neuronaukowcami.

„Dokładna mapa łączności może również pomóc nam zrozumieć przyczynę zaburzeń neuropsychiatrycznych, w których występują problemy z regulacją emocji lub dobrowolnym ruchem” – mówi Sun. „Jednak zanim to odkrycie będzie miało szersze zastosowania, istnieje wiele szczegółów – takich jak sposób, w jaki lokalna sieć hamująca udoskonala RNN i jak różne składniki leżą w pewnych stanach emocjonalnych – które wciąż muszą być poznane”.

Sun mówi, że celem Wanga jest praca nad tymi szczegółami w swoim liście.

Referencja:

1. Yihan Wang, Qian Quan-sen. Odległa, nawracająca sieć neuronowa, która łączy regiony emocjonalne z somatyczną korą ruchową. Raporty komórkowe, 2021; 36 (12): 109733 doi: 10.1016 / j.celrep.2021.109733