Мозг и его изучение

Электроды, выращенные в мозге – прокладывают путь для будущих методов лечения неврологических расстройств

Границы между биологией и технологией становятся все более размытыми, и в области биоэлектроники происходят новые захватывающие события. Исследователи из университетов Линчепинга, Лунда и Гетеборга в Швеции совершили значительный прорыв в этой области, успешно вырастив электроды в живой ткани, используя молекулы организма в качестве триггеров. Это революционное исследование, опубликованное в журнале Science, способно перевернуть наше представление о биоэлектронике и проложить путь к новым методам лечения неврологических расстройств.

Новые разработки в области биоэлектроники

Связь электроники с биологическими тканями важна для понимания сложных биологических функций, борьбы с заболеваниями мозга и разработки будущих интерфейсов между человеком и машиной. Однако обычная биоэлектроника имеет фиксированную и статичную конструкцию, которую трудно, если вообще возможно, совместить с живыми биологическими сигнальными системами. Чтобы преодолеть этот разрыв между биологией и технологией, исследователи разработали метод создания мягких, не требующих подложки, электропроводящих материалов в живой ткани.

Выращивание электродов в живых тканях

Вводя гель, содержащий ферменты в качестве «молекул для сборки», исследователи смогли вырастить электроды в тканях зебрафиш и медицинских пиявок. Эндогенных молекул организма достаточно, чтобы вызвать образование электродов, что устраняет необходимость в генетической модификации или внешних сигналах, таких как свет или электрическая энергия, которые были необходимы в предыдущих экспериментах.

В экспериментах, проведенных в Лундском университете, команда успешно добилась формирования электродов в мозге, сердце и хвостовых плавниках зебрафиш, а также вокруг нервной ткани медицинских пиявок. Животные не пострадали от введенного геля и не были подвержены влиянию электродов. Одной из многих трудностей в этих испытаниях был учет иммунной системы животных.

Потенциал для будущих методов лечения

Это новаторское исследование прокладывает путь для новой парадигмы в биоэлектронике. Если раньше для запуска электронных процессов в организме требовалось имплантировать физические объекты, то в будущем будет достаточно введения вязкого геля. В своем исследовании ученые также показали, что этот метод позволяет нацелить электропроводящий материал на конкретные биологические субструктуры и тем самым создать подходящие интерфейсы для стимуляции нервов. В долгосрочной перспективе возможно изготовление полностью интегрированных электронных схем в живых организмах.

Существует большой потенциал для применения этих исследований в лечении неврологических расстройств. Возможность стимулировать определенные участки мозга с помощью электродов может принести облегчение пациентам, страдающим от таких заболеваний, как болезнь Паркинсона, эпилепсия и хроническая боль. При дальнейших исследованиях, возможно, удастся использовать этот метод для восстановления функций поврежденных нервных клеток.

Новый взгляд на биологию и электронику

«Наши результаты открывают совершенно новые возможности для осмысления биологии и электроники. Нам еще предстоит решить целый ряд проблем, но это исследование является хорошей отправной точкой для будущих исследований», – говорит Ханне Бисманс, аспирант LOE и один из основных авторов работы.

Это исследование – только начало того, что может стать совершенно новой эрой в биоэлектронике. Выращивая электроды в живой ткани, мы на шаг приблизились к полностью интегрированным электронным схемам в живых организмах. В ходе дальнейших исследований мы сможем раскрыть весь потенциал биоэлектроники и создать новые методы лечения целого ряда неврологических расстройств.
Прорыв, совершенный исследователями из университетов Линчепинга, Лунда и Гетеборга в Швеции, имеет значительные последствия для будущего биоэлектроники. Успешно вырастив электроды в живой ткани с использованием молекул организма в качестве триггеров, они проложили путь к новым методам лечения неврологических расстройств.

Linköping University

Операция на головном мозге без скальпеля

Техники по подключению мозга

Сахар по-разному обрабатывается в мозгу крыс, склонных и...

Археологи обнаружили ранние свидетельства хирургии...

Как половое созревание меняет мозг подростка

Центросома играет важную роль в миграции нейронов

Диета с высоким содержанием жира может снизить способность...

Тренированный мозг быстро подавляет зрительные отвлечения

В мире, полном отвлекающих факторов, мы все жаждем возможности сосредоточиться на том, что для нас важно. Это особенно верно, когда речь идет о зрительном внимании. Случалось ли вам искать ключи, но отвлекаться на яркий предмет, который бросался в глаза? Это явление известно как «всплытие», и оно может быть как функциональным, так и отвлекающим. Выплывание может быть функциональным, когда нам нужно обратить внимание на ярко-красные дорожные знаки, но может и отвлекать, когда мы пытаемся найти ключи на захламленном столе.

Хорошая новость заключается в том, что новое исследование группы «Зрение и познание» из Нидерландского института неврологии показало, что тренированный мозг может быстро подавлять зрительные отвлечения. Исследователи обучили обезьян играть в видеоигру, в которой они должны были искать уникальную форму среди множества предметов, в то время как предмет уникального цвета пытался их отвлечь. После некоторого обучения обезьяны стали очень хорошо играть в эту игру и почти никогда не переводили взгляд на отвлекающий предмет.

Тренированный мозг быстро подавляет зрительные отвлечения

Как же исследователи добились такого результата? Нейроны в области V4 зрительной коры – области мозга, которая обрабатывает визуальную информацию относительно рано после того, как она попадает в глаза, – демонстрировали устойчивую повышенную реакцию на стимулы, связанные с формой цели. С другой стороны, реакция на отвлекающие цветовые стимулы усиливалась лишь на короткое время, а затем быстро подавлялась. Похоже, что мозг сначала кратковременно обнаруживает присутствие отвлекающего стимула, а затем быстро подавляет его, чтобы не мешать поиску фигуры-цели. Таким образом, цветовой сигнал, который может отвлекать внимание, по сути, инвертируется в своего рода негативный сигнал, или «всплытие», чтобы избежать отвлечения внимания.

Последствия этого исследования очень важны. Выбор того, на что обратить внимание, имеет решающее значение для зрительного восприятия и поведения в целом. Хотя мозг обладает впечатляющей вычислительной мощностью, он просто не может обрабатывать всю доступную информацию одновременно. Внимание должно быть сбалансировано между нашими внутренними целями и тем, что кажется важным в окружающей среде. Эффективная борьба с отвлечением внимания является важнейшим аспектом этого процесса, и новое исследование проливает свет на то, как мозг справляется с этой задачей.

Понимание визуального внимания

Зрительное внимание – это способность выбирать и фокусироваться на релевантной информации в зрительном поле, игнорируя при этом не относящуюся к делу информацию. Эта способность имеет решающее значение для нашей повседневной жизни – от поиска ключей до управления автомобилем. Зрительное внимание – это не пассивный процесс; оно требует активного отбора информации из окружающей среды в соответствии с нашими целями и приоритетами.

Зрительное внимание можно разделить на два типа: восходящее и нисходящее. Внимание снизу вверх определяется характеристиками самих стимулов, такими как цвет, контраст и движение. Внимание сверху вниз, с другой стороны, определяется нашими целями и ожиданиями. Например, когда мы ищем ключи, мы используем нисходящее внимание для их активного поиска, игнорируя при этом не относящиеся к делу объекты в поле зрения.

Роль всплывающего внимания

Всплывающее внимание – это вид восходящего внимания, которое возникает, когда стимул выделяется из окружающей среды. Это может происходить из-за его цвета, формы или другой отличительной особенности. Выступающие стимулы часто функциональны, поскольку они могут привлекать наше внимание к важной информации в окружающей среде, например, к дорожным знакам или аварийным сигналам. Однако выделение может и отвлекать, так как мешает сосредоточиться на цели.

Поэтому способность подавлять визуальные отвлечения является важнейшим аспектом контроля внимания. Эта способность позволяет нам активно отбирать информацию, которая имеет отношение к нашим целям, игнорируя при этом не относящуюся к делу информацию. Новое исследование группы Vision and Cognition из Нидерландского института неврологии проливает свет на то, как мозг справляется с этой задачей.

Преимущества контроля внимания

Контроль внимания имеет множество преимуществ. Он позволяет нам сосредоточиться на наших целях и эффективно выполнять задачи. Однако отвлекающие факторы являются вездесущими и могут помешать нашей работе. Когда мы ищем что-то в окружающей среде, отвлекающие стимулы могут захватить наше внимание и замедлить работу. К счастью, новое исследование показало, что тренированный мозг может быстро подавлять визуальные отвлекающие факторы, что позволяет нам быстрее находить то, что нам нужно.

В исследовании, проведенном группой Vision and Cognition из Нидерландского института нейронаук, обезьян обучали играть в видеоигру, в которой они должны были искать уникальную форму среди множества предметов, в то время как предмет уникального цвета пытался их отвлечь. По мере того, как обезьяны становились более опытными в игре, они лучше подавляли свою реакцию на отвлекающие цветовые стимулы. Нейроны в области V4 зрительной коры – области мозга, которая обрабатывает визуальную информацию относительно рано после того, как она попадает в глаза, – показали устойчивый усиленный ответ на стимулы, связанные с формой цели. Реакция на отвлекающие цветовые стимулы, напротив, усиливалась лишь на короткое время, но затем быстро угасала.

Это исследование дает важное представление о том, как мозг справляется с отвлечением внимания. Исследователи обнаружили, что мозг сначала кратковременно определяет присутствие отвлекающего стимула, а затем быстро подавляет его, чтобы избежать помех при поиске фигуры-цели. Таким образом, цветовой сигнал, который может отвлекать внимание, по сути, инвертируется в своего рода негативный сигнал или «всплытие», чтобы избежать отвлечения.

Последствия этого исследования далеко идущие. Во-первых, оно может помочь нам разработать более эффективные программы обучения для улучшения контроля внимания. Многократно подвергая себя воздействию отвлекающих стимулов, мы можем обучить наш мозг лучше подавлять свою реакцию на такие стимулы. Кроме того, результаты этого исследования могут быть использованы для разработки новых методов лечения нарушений внимания, таких как синдром дефицита внимания/гиперактивности (СДВГ).

Тренированный мозг быстро подавляет зрительные отвлечения

Исследование также подчеркивает важность визуального восприятия и контроля внимания в нашей повседневной жизни. Выбор того, на что обратить внимание, имеет решающее значение для зрительного восприятия и поведения в целом. Мозг обладает впечатляющей вычислительной мощностью, но он просто не может обрабатывать всю доступную информацию одновременно. Внимание должно быть сбалансировано между нашими внутренними целями и тем, что кажется важным в окружающей среде. Эффективное решение проблемы отвлечения внимания является важнейшим аспектом этого процесса, и данное исследование проливает свет на то, как мозг справляется с этой задачей.

В заключение следует отметить, что исследование группы «Зрение и познание» из Нидерландского института неврологии показывает, что тренированный мозг может быстро подавлять зрительные отвлечения, что дает представление о том, как мозг справляется с отвлечением внимания и как контроль внимания может быть усилен с помощью тренировки. Последствия этого исследования далеко идущие и могут привести к новым мерам по лечению нарушений внимания, а также к лучшему пониманию того, как мозг обрабатывает визуальную информацию и отвлекающие факторы.

Netherlands Institute for Neuroscience – KNAW

Игры для тренировки внимания

Внимание и его воспитание

Городские пруды требуют внимания для обеспечения...

Почему прецизионная ферментация находится в центре внимания

ПОЗНАВАТЕЛЬНЫЕ ПСИХИЧЕСКИЕ ПРОЦЕССЫ: ВОСПРИЯТИЕ

Инфографика и визуализация данных. Как мы воспринимаем визуальную информацию. Управление вниманием

12 упражнений, которые помогли мне развить память и внимание

Безграничная память. Как запоминать информацию

Исцеление мозга: гидрогели обеспечивают рост тканей нейронов

Повреждение мозга может оказать длительное влияние на жизнь человека, поскольку мозг не обладает такой способностью к регенерации, как другие части тела. Однако недавние исследования группы междисциплинарных ученых из Университета Хоккайдо показали, что синтетические гидрогели могут служить эффективным каркасом для роста нейронной ткани в местах повреждения мозга, обеспечивая возможный подход к восстановлению мозговой ткани.

Гидрогели – это тип материала, состоящий из сети гидрофильных полимеров, которые могут поглощать большое количество воды. Они используются в различных областях, от доставки лекарств до тканевой инженерии. В данном случае исследователи использовали гидрогели как строительные леса для поддержки роста новой ткани мозга.

Исцеление мозга: гидрогели способствуют росту нейронной ткани

Исцеление мозга: гидрогели способствуют росту нейронной ткани

Первым шагом в исследовании была разработка гидрогелевого материала, в котором могли бы выжить нейронные стволовые клетки. Команда обнаружила, что нейтральный гель, состоящий из равных частей положительно и отрицательно заряженных мономеров, обеспечивает наилучшую адгезию клеток. Затем они изменили соотношение сшивающих молекул для достижения жесткости, сходной с жесткостью ткани мозга, и создали в геле поры, в которых можно было культивировать клетки.

Затем гидрогели пропитали сывороткой с фактором роста для стимулирования роста кровеносных сосудов и имплантировали в поврежденные участки мозга на мышиной модели. Через три недели исследователи обнаружили, что иммунные клетки и клетки нейронов из окружающей ткани мозга хозяина проникли в гидрогель и что в нем выросли кровеносные сосуды.

Следующим шагом было введение в гидрогель нейрональных стволовых клеток. Через 40 дней выживаемость стволовых клеток была высокой, а некоторые из них дифференцировались в новые клетки астроцитов или нейронов. Клетки хозяина проникли в гидрогель, а некоторые новые нейронные клетки из гидрогеля мигрировали в окружающую ткань мозга, что свидетельствует о некоторой степени интеграции между гидрогелем и тканью мозга хозяина.

Поэтапный характер процесса был ключевым, поскольку имплантация гидрогеля и одновременная пересадка нейрональных стволовых клеток оказались неудачными. Это исследование знаменует собой важный шаг на пути к разработке методов лечения, связанных с регенерацией тканей мозга; следующие шаги включают изучение оптимального времени пересадки и влияния воспалительной реакции на пересаженные клетки.

«Состояния, поражающие кровеносные сосуды мозга, такие как церебральный инфаркт, являются серьезным заболеванием», – комментирует ведущий автор Сатоши Таникава. «Они не только имеют высокий уровень смертности, но и те, кто выживает, борются с тяжелыми последствиями. Я думаю, что это исследование станет основой для медицинских методов лечения, которые смогут помочь таким пациентам».

Исцеление мозга: гидрогели способствуют росту нейронной ткани

Гидрогели обладают рядом преимуществ в качестве основы для тканевой инженерии. Они обладают высокой биосовместимостью, что означает, что они не вызывают иммунной реакции при имплантации в организм. Они также хорошо настраиваются, позволяя исследователям точно регулировать свойства гидрогеля в соответствии с конкретной выращиваемой тканью.

Одной из проблем при использовании гидрогелей в качестве основы для тканевой инженерии является достижение нужной жесткости. Слишком мягкий гидрогель не обеспечит достаточной поддержки растущей ткани; слишком жесткий – не позволит ткани правильно интегрироваться в окружающую ткань. В данном случае исследователи смогли добиться жесткости, схожей с жесткостью ткани мозга, что позволило правильно интегрировать новую нейронную ткань.

Еще одним преимуществом гидрогелей является их способность формоваться в определенные формы, что позволяет исследователям создавать индивидуальные скаффолды для конкретных задач. Это может быть особенно полезно в тканевой инженерии мозга, где геометрия скаффолда может играть важную роль в успехе имплантата.

Использование гидрогелей в тканевой инженерии – все еще относительно новая область, но потенциал этой технологии огромен. При дальнейших исследованиях и разработках гидрогели могут быть использованы для регенерации широкого спектра тканей, от костей до кожи и хрящей.

Hokkaido University

Как записать активность нейронов?

Центросома играет важную роль в миграции нейронов

Удивительные навыки самоорганизации мозга

Хронический стресс активирует нейроны, влияющие на потерю...

Жиры в хлебном тесте – их значение и влияние

Лучший способ увеличить число нейронных связей

Как вырастить новые нейроны и как мозг сам себя лечит / #ТЕДсаммари

Нейрон: строение, функции, виды. Синапсы

Нейтроны раскрывают ключ к экстраординарному переносу тепла

Теплопередача является важным процессом в различных промышленных и технологических приложениях, от охлаждения электронных устройств до выработки электроэнергии. Однако эффективность теплопередачи ограничивается способностью материала проводить тепло. Последние исследования показали, что некоторые материалы демонстрируют исключительные свойства переноса тепла благодаря уникальным возбуждениям, известным как фазоны. В этой статье мы рассмотрим последние данные о фазонах и их потенциал для революционного изменения теплопередачи.

Что такое фазоны?

Фазоны – это возбуждения, которые распространяются через определенные материалы в результате атомных перестроек. Они отличаются от фононов, которые являются основными возбуждениями, ответственными за перенос тепла в большинстве материалов. Фононы могут двигаться быстрее звука, что делает их идеальными для эффективной теплопередачи. В кристалле минерала фресноита исследователи из Окриджской национальной лаборатории заметили, что фазоны переносят тепло в три раза быстрее и дальше, чем фононы.

Почему нейтроны идеально подходят для изучения фазонов?

Нейтроны идеально подходят для изучения источников переноса тепла, поскольку они взаимодействуют как с фазонами, так и с фононами. Эксперименты по рассеянию нейтронов могут предоставить подробную информацию о колебаниях атомов в кристаллической решетке, позволяя исследователям составить карту путей фазонов и фононов и охарактеризовать их колебания. В Национальной лаборатории Ок-Ридж на источнике шаровых нейтронов исследователи смогли наблюдать фазоны, переносящие тепло через кристаллическую решетку, благодаря улучшению разрешения эксперимента, подобно тому, как это было сделано с космическим телескопом Хаббл на космический телескоп Джеймса Вебба.

Как фазоны могут улучшить моделирование переноса тепла?

Понимание фазонов и их свойств теплопереноса может привести к повышению точности моделирования теплопереноса энергетических материалов. Исследователи могут использовать данные, полученные в ходе экспериментов по рассеянию нейтронов, для разработки теоретических моделей переноса тепла и прогнозирования поведения материалов в различных условиях. Включив поведение фазонов в эти модели, ученые смогут создать более точные симуляции, которые помогут в разработке новых материалов и энергетических систем.

Применение фазонов в переносе тепла

Фазоны способны произвести революцию в теплопередаче в различных промышленных и технологических приложениях. Например, электронные устройства генерируют тепло, которое необходимо рассеивать, чтобы предотвратить повреждение компонентов. Использование материалов, обладающих исключительными свойствами переноса тепла благодаря фазонам, позволяет значительно повысить эффективность электронных систем охлаждения. Кроме того, системы выработки электроэнергии полагаются на теплопередачу для преобразования тепловой энергии в электрическую. Если включить поведение фазонов в конструкцию энергетических материалов, эффективность этих систем может быть значительно повышена.

В заключение следует отметить, что недавнее открытие фазонов и их исключительных теплопроводных свойств открывает захватывающие перспективы для повышения эффективности теплопередачи в различных приложениях. Эксперименты по рассеянию нейтронов предоставили подробную информацию о поведении фазонов и их взаимодействии с фононами, что позволило исследователям разработать теоретические модели и симуляции, учитывающие поведение фазонов. Поскольку исследования в этой области продолжают развиваться, потенциал фазонов для революции в теплопередаче и повышения эффективности энергетических систем огромен.

DOE/Oak Ridge National Laboratory

Декодирование мозговой активности для раскрытия историй в сознании людей

Недавний прорыв в области искусственного интеллекта привел к разработке семантического декодера, способного переводить мозговую активность человека в непрерывный поток текста. Эта технология способна произвести революцию в общении людей, особенно тех, кто находится в сознании, но физически не может говорить из-за таких состояний, как инсульт.

Представляем семантический декодер

Исследователи из Техасского университета в Остине разработали новую систему искусственного интеллекта, известную как семантический декодер. Эта технология предназначена для интерпретации активности мозга, когда человек слушает историю или представляет, как рассказывает ее. Затем декодер переводит эту информацию в непрерывный поток текста, что в перспективе позволит людям с нарушениями коммуникации снова общаться на понятном языке.

Принцип работы семантического декодера

Семантический декодер, разработанный докторантом Джерри Тангом и доцентом кафедры неврологии и информатики Алексом Хутом, основан на модели трансформатора, аналогичной той, что используется в ChatGPT от Open AI и Bard от Google. В отличие от других систем декодирования языка, находящихся в стадии разработки, эта система не требует хирургических имплантатов, что делает процесс неинвазивным. Кроме того, участники не ограничены в использовании слов из предписанного списка.

Для обучения декодера участник прослушивает несколько часов подкастов, находясь в сканере фМРТ. После обучения машина может генерировать соответствующий текст только на основе активности мозга, если участник готов расшифровать свои мысли.

Улавливая суть мыслей

Семантический декодер разработан таким образом, чтобы улавливать суть сказанного или подуманного, а не выдавать расшифровку слово в слово. Примерно в 50% случаев машина выдает текст, который точно соответствует смыслу исходных слов. Это делает ее перспективным инструментом для декодирования непрерывного языка в течение длительных периодов времени, даже при работе со сложными идеями.

Устранение опасений по поводу злоупотреблений

Исследователи полностью осознают потенциальную возможность неправильного использования этой технологии и предприняли шаги для решения этих проблем. Семантический декодер эффективно работает только с участниками, которые добровольно обучили декодер. Результаты не понятны для людей, которые не участвовали в обучении, а если обученные участники сопротивляются процессу, думая о других мыслях, результаты также не пригодны для использования.

Будущее применение и потенциал

Помимо прослушивания или воображения историй, исследователи протестировали семантический декодер на участниках, просматривающих четыре коротких немых видео. Декодер смог точно описать определенные события из видео, основываясь на активности мозга участников.

В настоящее время эта система не может быть использована вне лаборатории из-за того, что для ее работы требуется много времени для проведения фМРТ-сканирования. Однако исследователи считают, что эта работа может быть перенесена на более портативные системы визуализации мозга, такие как функциональная спектроскопия в ближней инфракрасной области (f NIRS).

Функциональная спектроскопия ближнего инфракрасного диапазона: Перспективная альтернатива

Функциональная спектроскопия в ближней инфракрасной области (fNIRS) измеряет изменения кровотока в мозге с течением времени, аналогично сигналам, получаемым при фМРТ. Это говорит о том, что семантический декодер потенциально может быть адаптирован для работы с fNIRS, что делает его более портативным и доступным вариантом. Однако важно отметить, что разрешение при использовании fNIRS будет ниже, чем при использовании фМРТ.

Последствия для людей с нарушениями коммуникации

Разработка семантического декодера открывает большие перспективы для людей, которые потеряли способность говорить из-за неврологических заболеваний, таких как инсульт или травматическое повреждение мозга. Предоставляя неинвазивный метод перевода мозговой активности в текст, эта технология может стать судьбоносным средством коммуникации для тех, кто находится в сознании, но физически не может говорить.

Потенциальное коммерческое применение

Помимо медицинской сферы, семантический декодер может иметь и коммерческое применение. Например, он может быть использован в отраслях, где требуется быстрая и эффективная коммуникация, таких как реагирование на чрезвычайные ситуации или военные операции. В таких ситуациях, требующих высокого давления, способность быстро и точно передавать сложные идеи без использования речи может оказаться бесценной.

Продолжение исследований и разработок

По мере развития исследований в области искусственного интеллекта и интерфейсов мозг-компьютер семантический декодер, вероятно, будет дорабатываться и совершенствоваться. Исследователи из Техасского университета в Остине вместе с другими учеными продолжат изучать потенциальные возможности применения этой технологии, одновременно решая вопросы, связанные с этичностью ее использования.

Заключение

Семантический декодер представляет собой значительный скачок вперед в области интерфейсов мозг-компьютер, предлагая неинвазивный метод перевода мозговой активности в текст. Эта технология способна значительно улучшить жизнь людей с нарушениями коммуникации и даже найти применение в других отраслях. Поскольку исследователи продолжают совершенствовать и развивать семантический декодер, важно учитывать этические соображения, чтобы технология использовалась ответственно и на благо общества.

University of Texas at Austin

Как дружба влияет на ваш мозг

Как наш мозг обрабатывает речь?

Техники по подключению мозга

Как мозг усваивает незаменимые омега-3 жирные кислоты

Как сладости меняют наш мозг

Как половое созревание меняет мозг подростка

Как прокачать мозг с помощью пальцев: упражнения для улучшения мозговой деятельности

Как улучшить работу мозга и память без лекарств.

Как Стать Умнее. Упражнения на Развитие Мозга. Саморазвитие

Разгадывая тайны мозга: Более глубокий взгляд на роль глюкозы

В эпоху, когда диабет стал эндемической проблемой глобального здравоохранения, понимание физиологических последствий этого заболевания имеет решающее значение. Наша статья посвящена нюансам новаторского исследования, освещающего, как конкретные области мозга реагируют на изменения уровня сахара в крови – краеугольный камень контроля диабета.

Картирование реакции мозга на колебания уровня глюкозы

В ходе замечательного 13-летнего исследования, проведенного в Техасском университете в Эль-Пасо (UTEP), ученые обнаружили ключевые области мозга, которые становятся активными при изменении уровня сахара в крови. Эта беспрецедентная работа может привести к созданию целенаправленной терапии для людей, страдающих диабетом и другими сопутствующими заболеваниями, благодаря точной пространственной информации, которую она предоставляет.

Во главе исследования стоял доцент Аршад М. Хан, доктор философии, с кафедры биологических наук UTEP. Его команда определила потенциально чувствительные к глюкозе популяции клеток в мозге и тщательно нанесла их расположение на атлас мозга, находящийся в открытом доступе. Это инновационное исследование прокладывает путь к единому подходу к глобальному картированию мозга и оценке клеточных реакций на изменение уровня глюкозы у пациентов с диабетом.

Разгадка сложности регулирования уровня сахара в крови в мозге

Команда доктора Хана разработала новый метод отслеживания изменений уровня глюкозы в крови в чувствительных областях мозга. Их подход радикально ускорил процесс, который традиционно занимал часы из-за ограничений, связанных с ранее используемыми биомаркерами. Теперь исследователи могут заметить изменения в течение впечатляющего 15-минутного периода времени.

В исследовании особое внимание уделялось locus coeruleus (LC) – области, уникально характеризующейся наличием ткани с синим оттенком. LC является основным местом производства норадреналина, нейромедиатора, отвечающего за возбуждение, внимание и реакцию организма на стресс. Интересно, что LC был одним из немногих регионов, который рано реагировал на изменения уровня сахара в крови.

Locus Coeruleus: Нежданный страж глюкозы

Учитывая уникальную реакцию ЛК, он может играть важную роль в мониторинге колебаний уровня сахара в крови у людей с диабетом I и II типа. Экстремальные изменения уровня глюкозы в крови могут происходить у диабетиков во время введения инсулина – гормонального препарата, который выправляет высокий уровень сахара в крови, но при неправильном подходе может опустить его до опасно низкого уровня.

Сосредоточив внимание на ЛК, ученые могут потенциально вмешаться в наиболее опасные последствия колебаний уровня сахара в крови – типичного осложнения при лечении диабета. Вновь обретенное понимание этой области мозга может значительно повысить эффективность терапевтических вмешательств.

Towards Tailored Therapies: Использование картирования мозга в лечении диабета

Джессика Сальсидо Падилла, аспирантка UTEP и соавтор исследования, подчеркнула важность исследования. Падилла подчеркнула, что ожирение и диабет широко распространены в их местных сообществах, что требует точного понимания роли мозга в управлении глюкозой. Определение того, где в мозге происходят конкретные процессы, имеет решающее значение для разработки терапии, технологий или фармацевтических препаратов для более эффективного управления этими заболеваниями.

Финансирование передовых исследований в области управления глюкозой

Исследования доктора Хана получили щедрую финансовую поддержку, включая три гранта от Национальных институтов здравоохранения (NIH) и ресурсы Пограничного центра биомедицинских исследований UTEP. Этот центр занимается проведением биомедицинских исследований, относящихся к региону Пасо-дель-Норте. Финансирование NIH покрыло ресурсы для микроскопической визуализации и анализа, программное обеспечение для картирования, вычислительные инструменты, поддержку обучения студентов и зарплату научного персонала, участвующего в исследовании.

Прогресс в диабетических исследованиях: Будущее

Доктор Роберт Киркен, доктор философии, декан Научного колледжа UTEP, отметил важнейшую работу доктора Хана как свидетельство приверженности учебного заведения к общественно значимым открытиям. Многообещающие результаты этого исследования не только представляют собой значительный шаг вперед в понимании научным сообществом реакции мозга на изменение уровня сахара в крови, но и прокладывают путь для будущих клинических методов лечения, которые могут произвести революцию в лечении диабета».

Мозг и глюкоза: Биологический симбиоз

Мозг человека, сложный орган, составляет около 2% от массы тела, но потребляет почти 20% энергии, получаемой организмом из глюкозы. Поэтому очень важно понять, как уровень глюкозы, как высокий, так и низкий, влияет на работу мозга и, в конечном итоге, на наше общее здоровье. Это исследование UTEP может пролить свет на пути, связывающие глюкозу и деятельность мозга, предлагая жизненно важные идеи, которые могут изменить наше понимание различных заболеваний, не только диабета.

Расширяя горизонты: Будущее исследований диабета

Хотя последствия этого исследования для диабета весьма значительны, оно может иметь значение и для целого ряда других заболеваний. Дисрегуляция уровня сахара в крови была связана с болезнью Альцгеймера, тревожными расстройствами и различными другими неврологическими и психиатрическими заболеваниями. Поэтому картирование и понимание популяций клеток мозга, реагирующих на глюкозу, может открыть двери для революционных методов лечения множества заболеваний.

Неисследованная территория: Дальнейшие исследования связи между глюкозой и мозгом

Картирование клеток мозга, реагирующих на глюкозу, – это лишь первый шаг на пути к открытиям. Теперь исследователи могут изучить, как эти клетки взаимодействуют с другими частями мозга, что позволит глубже понять механизмы, лежащие в основе нашей реакции на колебания глюкозы. Это исследование может оказаться полезным для улучшения жизни не только людей с диабетом, но и всех, кто страдает от заболеваний, связанных с уровнем сахара в крови.

Заключение

Обширное 13-летнее исследование, проведенное доктором Ханом и его командой в UTEP, открыло новый рубеж в нашем понимании реакции мозга на колебания глюкозы. Сложное картирование клеток мозга, реагирующих на глюкозу, обещает стать катализатором разработки целевых мероприятий для людей, страдающих диабетом и другими связанными с ним расстройствами.

Кроме того, результаты исследования могут сыграть важную роль в установлении глобального стандарта картирования мозга, что позволит ученым всего мира продолжить исследования клеточных реакций на глюкозу. Эта комплексная работа служит образцовой моделью потенциальных преимуществ, которые можно получить, если упорно стремиться к научным открытиям, даже если путь к ним сложен.

Приверженность этому исследованию является подтверждением того, что научные инновации могут привести к трансформационным изменениям в состоянии здоровья не только больных диабетом, но и всех, кто страдает заболеваниями, связанными с изменением уровня сахара в крови. В конечном счете, это исследование – не просто карта, а маяк, указывающий нам путь в будущее, где мы сможем улучшить здоровье, углубить понимание и получить революционные методы лечения.

University of Texas at El Paso

Всё это, конечно, вроде бы, замечательно... Но! Женский и мужской мозг, функционируют не одинаково! И, что-то мне подсказывает, что исследователи не учли этот существенный нюанс.

Как депривация сна вредит мозгу

Недостаток сна – это не просто ощущение сонливости, он может нанести существенный вред мозгу. Недавние исследования выявили сложные пути, по которым недостаток сна ухудшает когнитивные функции, и последствия этого вызывают тревогу. Недостаток сна не только влияет на наши непосредственные умственные способности, но и может повышать риск развития болезни Альцгеймера и других неврологических заболеваний. В этой статье мы познакомимся с результатами исследования, опубликованными в журнале ACS "Proteome Research", в котором ученые, работавшие с мышами, выявили важнейший защитный белок, уровень которого снижается при недостатке сна, что в конечном итоге приводит к повреждению нейронов.

Как лишение сна может нанести вред мозгу

Как лишение сна может нанести вред мозгу

Гиппокамп: Ключевой игрок в обучении и памяти

Чтобы понять пагубное влияние недостатка сна на мозг, необходимо разобраться в его воздействии на жизненно важную область мозга – гиппокамп. Гиппокамп играет ключевую роль в процессах обучения и памяти. Исследования показали, что недостаток сна может привести к неврологическим повреждениям в этой важнейшей области.

Как лишение сна может нанести вред мозгу

Белки и РНК

Исследователи обратили внимание на обилие белков и РНК (рибонуклеиновой кислоты) как ключевых игроков в реакции мозга на потерю сна. РНК несет в себе генетически закодированные инструкции, полученные от ДНК, и изменения в ее количестве могут дать важные сведения о влиянии депривации сна на мозг.

Предыдущие исследования намекали на связь между потерей сна и повреждением мозга, но эти выводы не были универсальны для больших популяций животных, включая человека. Поэтому ученые Фуйи Сюй, Цзя Ми и их коллеги взялись за исследование, чтобы глубже проникнуть в тайны того, как недостаток сна повреждает мозг, и подтвердить свои выводы.

Как лишение сна может нанести вред мозгу

Лабиринт: познавательный эксперимент

Для начала исследования ученые поставили перед мышами задачу по навигации в лабиринте и оценили их способность распознавать новые объекты после двух дней лишения сна. После этого из гиппокампа мышей, лишенных сна, были извлечены белки и тщательно определены белки, количество которых существенно изменилось.

Для более точной идентификации исследователи изучили данные, связывающие эти белки с производительностью лабиринта у генетически родственных штаммов мышей, не подвергавшихся депривации сна. Такой скрупулезный подход привел их к особенно интригующему белку – плейотрофину (PTN).

Как лишение сна может нанести вред мозгу

Снижение уровня плейотрофина (PTN)

Выявленный в ходе исследования белок плейотрофин (PTN) заметно снижался у мышей, подвергавшихся депривации сна. Дальнейший анализ, в частности с использованием РНК, позволил выявить сложный молекулярный путь, по которому потеря PTN приводит к гибели клеток гиппокампа.

Это открытие имеет глубокие последствия. PTN уже был связан с болезнью Альцгеймера и другими нейродегенеративными заболеваниями у человека. Выявление этой связи не только проливает свет на новый механизм, с помощью которого сон защищает функции мозга, но и позволяет предположить, что уровень PTN может служить важнейшим индикатором когнитивных нарушений, вызванных бессонницей.

Как лишение сна может нанести вред мозгу

Таким образом, последние исследования влияния недостатка сна на мозг позволили сделать значительные выводы. Гиппокамп, жизненно важный для обучения и памяти, оказывается особенно уязвимым к последствиям потери сна. Идентификация плейотрофина (PTN) в качестве ключевого игрока в этом процессе является новаторским открытием. Оно не только углубляет наше понимание того, как сон защищает функции мозга, но и открывает потенциальный путь к диагностике когнитивных нарушений, связанных с бессонницей.

Продолжая изучать сложную взаимосвязь между сном и здоровьем мозга, эти результаты подчеркивают важность приоритета полноценного сна для сохранения наших когнитивных способностей и профилактики нейродегенеративных заболеваний. Сон – это не просто роскошь, это фундаментальное требование для здорового ума и тела.

American Chemical Society

Как депривация сна влияет на наш мозг? DeeaFilm

Лекторий ЭФКО. «Мозг и сон. Сон как самый недооценённый ресурс управления жизнью» – Вячеслав Дубынин

Больше сна: ключ к снижению импульсивного поведения у детей

Световое загрязнение и нормальный сон. Световые будильники

Моё «неправильное похудение» и немного о жизни

Несъедобный блог

Замучила бессонница

Следом идешь – все подберешь? Проблемы и конфликты...

Почему эпизоды низкого сахара в крови ухудшают состояние...

Понимание моральных принципов: Результаты исследования мозга

Моральное мышление – сложный и интересный аспект человеческого познания, который на протяжении столетий интригует философов, психологов и нейробиологов. Она включает в себя суждения о правильном и неправильном, хорошем и плохом, и является основой для принятия этических решений. В последние годы исследователи добились значительных успехов в раскрытии тайн морального мышления, изучая хитросплетения человеческого мозга. В данной статье рассматриваются последние открытия в области моральной психологии, проливающие свет на то, как наш мозг обрабатывает моральные дилеммы, и на то, как это влияет на понимание поведения человека и общества.

Моральные рассуждения отображают характерные закономерности в мозге

Моральные рассуждения отображают характерные закономерности в мозге

Природа морального мышления

Каждый день мы сталкиваемся с ситуациями, которые вызывают у нас моральные суждения. Будь то наблюдение за голодающим ребенком, противостояние с коррумпированным политиком или обнаружение неверного партнера, эти примеры поднимают фундаментальные вопросы о морали. Есть ли общие черты, объединяющие эти разнообразные моральные проблемы? Этот извечный спор привел к появлению двух противоположных точек зрения: морального монизма и морального плюрализма.

Моральные монисты утверждают, что существует единая характеристика, определяющая все моральные суждения, которые часто вращаются вокруг проблемы вреда. С другой стороны, сторонники морального плюрализма утверждают, что моральные суждения включают в себя широкий спектр разнообразных факторов.

Научное исследование

Группа исследователей под руководством Рене Вебера из Калифорнийского университета в Санта-Барбаре приступила к разгадке сложной природы моральных суждений. Они провели обширное исследование с участием 64 человек, используя сочетание опросов, интервью и визуализации мозга для оценки неправильности различных поступков.

Полученные результаты оказались интригующими. Оказалось, что в оценке моральных нарушений, таких как списывание на экзамене, участвует сеть областей мозга. Эта сеть, однако, заметно пересекается с областями, связанными с теорией мышления, в которой речь идет о понимании мыслей и намерений других людей. Интересно, что анализ с более тонким разрешением выявил различные паттерны активности, что говорит о том, что различные моральные проблемы обрабатываются по разным нейронным путям, поддерживая плюралистическую перспективу морального мышления.

Моральные рассуждения отображают характерные закономерности в мозге

Либералы против консерваторов: Неврологический разрыв

На этом исследование не остановилось, оно затронуло и сферу политической идеологии. Исследователи обнаружили, что у либералов и консерваторов наблюдаются различия в оценке моральных проблем. Этот вывод опроверг представление о том, что моральный монизм и плюрализм являются взаимоисключающими, и позволил предположить, что моральные суждения о различных формах поведения формируются в общих областях мозга.

Кроме того, команда использовала алгоритмы машинного обучения, которые позволили точно определить конкретную моральную категорию, которую оценивает человек, на основе его мозговой активности. Это достижение подтвердило идею о том, что моральные устои вызывают различные нейронные активации.

Основы теории моральных устоев

Для более глубокого понимания этих результатов необходимо рассмотреть основы теории моральных устоев (ТМОУ). Согласно этой теории, люди обладают врожденными и универсальными моральными устоями, объединенными в шесть категорий:

Забота и вред: забота о благополучии и страданиях других людей.
Справедливость и обман: Вопросы справедливости и равенства.
Свобода против угнетения: Защита индивидуальных прав и свобод.
Лояльность и предательство: Преданность и доверие в группе.
Авторитет и подрывная деятельность: Уважение к авторитету и порядку.
Святость против деградации: Сохранение чистоты и святости.

Далее эти основы группируются в две широкие моральные категории: индивидуализирующие (забота/вред и справедливость/измена) и обязывающие (лояльность/предательство, авторитет/подчинение и святость/деградация).

Расшифровка моральных основ в мозге

Исследователи создали модель на основе MFT, чтобы оценить, отражаются ли эти основы в нейронной активности. Испытуемых просили оценить описания поведения, нарушающего конкретные моральные устои, а также поведения, противоречащего социальным нормам. Активность мозга при этом отслеживалась с помощью фМРТ-сканирования.

Определенные области мозга устойчиво различали моральные и неморальные суждения. Так, в медиальной префронтальной коре, височно-теменном соединении и задней части поясной извилины наблюдалась активность, связанная с моральными суждениями. Кроме того, участникам требовалось больше времени для оценки моральных проступков, что указывает на более глубокий процесс оценки, учитывающий личные ценности.

Сложность моральных рассуждений

Моральные рассуждения, по мнению исследователей, задействуют области мозга, связанные с ментализацией и теорией мышления. Углубление в моральные суждения часто требует рассмотрения шести «вопросов W": Кто, что, когда, кому, с каким эффектом и почему делает. Такая сложность позволяет предположить, что моральные рассуждения – это многогранный процесс, в котором задействованы различные области мозга.

Отличительные особенности активации

Результаты исследования опровергают представление о том, что все моральные категории едины на неврологическом уровне. Напротив, они свидетельствуют о том, что каждая моральная основа реализуется через несколько областей мозга, распределенных по всей его поверхности. Это подкрепляет идею о том, что отдельные моральные категории, предлагаемые теорией моральных устоев, имеют неврологическую основу.

Моральные рассуждения отображают характерные закономерности в мозге

Политическая идеология и моральные суждения

Наиболее интригующим открытием исследования стали нейрологические различия между либералами и консерваторами в их суждениях о моральных основах. Либералы склонны выделять заботу/вред и справедливость/измена, которые защищают индивидуальные права, в то время как консерваторы придают большее значение лояльности/предательству, авторитету/подчинению и святости/деградации, которые действуют на групповом уровне. Это неврологическое разделение проливает свет на различные ценности, на которые ориентируются люди, принадлежащие к политическому спектру, при оценке моральных проблем.

Будущие направления исследований

Данное исследование открывает захватывающие перспективы для будущих исследований в области моральной нейронауки. Возможность декодирования моральных принципов, воспринимаемых человеком, на основе его мозговой активности поднимает вопросы о моральных суждениях в различных контекстах – от чтения новостных материалов до просмотра политических дебатов. Эти вопросы обещают сформировать будущее моральной нейронауки, позволяя глубже понять, как человек принимает этические решения.

В заключение следует отметить, что моральные рассуждения – это сложный когнитивный процесс, в котором задействованы различные области мозга. Недавние исследования показали, что моральные суждения не являются монолитным образованием, а состоят из отдельных категорий, инстанцированных в различных областях мозга. Кроме того, данное исследование позволило выявить неврологические различия в оценке моральных проблем либералами и консерваторами, что подчеркивает важность учета политической идеологии в моральной психологии.

Понимание тонкостей морального мышления очень важно для понимания поведения человека, общественных норм и групповой динамики. По мере того как исследователи продолжают раскрывать тайны человеческого мозга, мы можем ожидать новых открытий в области механизмов, лежащих в основе процесса принятия этических решений.

University of California – Santa Barbara

Ученые обнаружили что мозг человека способен на нечто НЕВЕРОЯТНОЕ

НЕЙРОУЧЕНЫЙ: Через 7 Дней Ты Увидишь НЕВЕРОЯТНЫЕ РЕЗУЛЬТАТЫ

Как микробиом кишечника влияет на работу мозга. Хеннинг Сартор. Верба Майер. Микробиота

Нейробиолог Луиза Никола: как раскрыть полный потенциал вашего мозга

Источник

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение

Источник

Сегодня мы поговорим об алгоритмах для общего сопоставления нейроактивности и поведения. Это делается в рамках подхода, основанного на многообразиях. Итак, что такое многообразие? Если посмотреть на эти три обыкновенных дифференциальных уравнения, они образуют нечто известное, например, аттрактор Лоренца. Он составлен из трех ОДУ. Каждое уравнение, например, X, зависит от Y и X; Y зависит от X и Y; а Z зависит от X, Y и Z, как показано этой формулой. Но если посмотреть на многообразие, оно представляет собой взаимосвязь между этими тремя переменными по мере их изменения во времени.

Например, на левой стороне видно, что когда значения X низкие, Z и X отрицательно коррелируют, но Z и X положительно коррелируют на другой стороне. Если посмотреть на отдельную переменную, ее временной ряд — это просто проекция. Если двигать время вперед, это проекция формы по мере эволюции объекта во времени. Можно также проецировать Y и Z. И если взять эти три временных ряда и построить их графики друг против друга в этом фазовом пространстве, вы получите многообразие. Таким образом, можно свободно переходить от многообразия к временному ряду и от временного ряда к многообразию. Эти переходы взаимозаменяемы. Мы используем эти объекты — математические объекты, эти формы, которые мы называем аттракторами или многообразиями.

В 1978 году было сделано замечательное открытие, касающееся их, а статья опубликована в 1980 году. Три аспиранта и один студент без профессора обнаружили, что можно взять один временной ряд и преобразовать его в форму. По сути, эта статья называлась «Геометры из временного ряда». По сути, это то, что позже стало известно как теорема Такенса. Теорема названа в честь Такенса, потому что хотя эти ребята открыли метод преобразования временного ряда в форму, им не отдали должное. В математике, если нет доказательства, это не считается. Поэтому я называю это теоремой Такенса, потому что Такенс в 1981 году представил доказательство как часть отчета о конференции, подтверждающее, что это утверждение является общим.

Именно доказательство Такенса считается эталонным. Что же говорит вам теорема Такенса о том, что можно сделать? По сути, теорема Такенса утверждает: если у вас есть один временной ряд, скажем, одной из трех переменных X, Y, Z, и вы не знаете значений Y и Z, имея только измерения X. Имея только X, вы все равно можете взять временной ряд X, создать из него форму. Способ создания геометрического объекта состоит в том, чтобы взять временной ряд X, затем сдвинуть тот же временной ряд на величину «тау», затем сдвинуть на величину «два тау» и использовать это как ваши новые X, Y и Z. Если вы это сделаете, вы получите вот такую форму, которая называется задерживающей встраивание (delay embedding) или теневым многообразием (shadow manifold).

Это теневое многообразие переменной X. По сути, оно является растянутой формой исходного многообразия. Это называется диффеоморфизмом, а диффеоморфизм — это растянутая форма оригинала. Что замечательно, так это то, что, например, для любой точки на этом многообразии сохраняются «ветви» (topology). Топология сохранена. Это означает, что изменяются только расстояния между ближайшими точками, но идентичность ближайших точек для любой точки на многообразии сохраняется. Это по сути означает, что если вы наблюдаете только один компонент из системы, которая имеет много компонентов, вы все равно можете знать что-то о других компонентах — что они существуют. Вы не знаете, какие они, но вы знаете, что они есть, и можете оценить, сколько их.

Вы можете использовать это для предсказания будущих состояний этой системы. Здесь будет краткое видео, которое просто повторит то, что я объяснил, поскольку это чрезвычайно важно. Это теорема Такенса. У вас есть три временных ряда. Эти три временных ряда на самом деле идентичны друг другу: X(t), X, сдвинутый на величину тау, и сдвинутый на величину два тау. Как только вы начнете строить их графики друг против друга, вы увидите, что вы начинаете генерировать многообразие, которое называется теневым многообразием X. Вы увидите, как это меняется со временем. По мере изменения этого значения, оно строится на этом графике. По сути, это то, что вы получаете. Это называется задерживающим встраиванием или теневым многообразием.

Что можно делать с этим? Например, у нас есть временной ряд, и мы хотим узнать, является ли он хаосом или шумом. Шум означает, что его нельзя предсказать. Хаос означает, что можно делать краткосрочные предсказания, как, например, предсказывать погоду. Вы не можете предсказать погоду на год вперед, но можете предсказать на день-два, даже на девять или десять дней. Чем дальше вы предсказываете, тем менее точным становится предсказание, но некоторая предсказуемость есть, в отличие от полной непредсказуемости, если бы это было совершенно случайно. Как узнать, предсказуемо это или нет? Здесь мы можем показать задерживающее встраивание. Допустим, у вас есть два ряда. Я уже говорю вам, какой из них хаос, а какой шум.

Если взять первое значение — это то, что мы называем «сегодня», а второе значение, следующую временную точку, мы называем «завтра» — мы можем создать двумерный вектор, используя X и Y как координаты, и построить его в фазовом пространстве, как эта точка. Затем мы можем перейти к временной точке 2, сделать ее X, и временной точке 3, сделать ее Y, и построить следующую точку. Если делать это итеративно по всему временному ряду, со временем вы увидите, что в хаосе появляется определенная структура, а в шуме — никаких закономерностей. Допустим, я знаю, что сегодняшнее значение X равно минус единице. Тогда можно предсказать, что завтрашнее значение будет около 0,75, просто считывая с графика.

Вы идете сюда, вверх, смотрите на это и видите, что это 0,75. Но некоторые точки здесь неоднозначны. Например, если сегодняшнее значение X составляет 0,75, есть все эти другие возможные значения. Ваше предсказание будет неточным, потому что эти точки накладываются друг на друга. Они не уникальны. Это то, что называется сингулярностью — траектории пересекаются. Но что мы можем сделать, это немного усложнить. Я не буду брать только значение «сегодня» и «завтра». Я возьму «вчера», «сегодня» и «завтра». Если вы встроите это в три измерения, скажем, для точки 2, все траектории становятся уникальными. Точки больше не накладываются друг на друга. Если я знаю два значения, я могу сказать, каким будет третье.

Таким образом, в трех измерениях система стала высоко предсказуемой. Если мы обобщим это, как это означает, что мы можем использовать это встраивание для краткосрочных прогнозов? Что вы здесь делаете? Допустим, у вас есть определенная точка. Вы находите точку и ее ближайших соседей. Что произойдет в будущем? Вы берете соседей, у каждого из которых также есть временной индекс, временная метка, когда они были измерены. Вы проецируете их на один, два или три временных шага вперед. И тогда центр этого симплекса (образованного спроецированными соседями) — это то, что вы предсказываете как будущее состояние. Таким образом, вы можете предсказывать будущее. Даже если у вас есть только одна переменная, вы можете учесть другие переменные с помощью задержек.

Это те другие «таинственные» переменные, которые у вас были. Вы точно не знаете, что они собой представляют, но вы примерно знаете их поведение. Обычно, чтобы проверить эти модели, мы берем половину временного ряда, создаем из нее библиотеку (задерживающее встраивание), а затем пытаемся предсказать вторую половину. После этого мы смотрим, насколько хорошо это получилось. Если вы это сделаете, вы увидите, например, что в этом конкретном случае с двумя измерениями вы получаете эту линию, в трех измерениях результат лучше, в четырех измерениях он остается примерно таким же, а затем начинает ухудшаться. Почему это происходит? Почему с увеличением задержек результат становится хуже? Дело в том, что вы начинаете добавлять нерелевантные вещи.

Что я имею в виду? Представьте, что вы пытаетесь предсказать погоду. Если вы берете информацию о погоде за предыдущий день, возможно, это помогает предсказать погоду завтра. Возможно, информация о погоде позавчера, а не только вчера, также релевантна и помогает предсказать погоду завтра. У нее есть какое-то свойство, которое помогает предсказать. Но если вы возьмете погоду, скажем, двухнедельной давности, это совершенно нерелевантно. Тогда вы разбавляете полезную информацию шумом. Если информация о погоде двухнедельной давности совершенно нерелевантна, вы разбавляете полезную информацию плохой информацией, и предсказуемость, точность предсказания, снижается.

Предсказуемость — это по сути коэффициент корреляции между наблюдаемыми и предсказанными значениями. Это среднее значение наблюдаемого и предсказанного по всем предсказаниям. Ухудшение, которое вы видите здесь, означает, что вы разбавляете полезную информацию бесполезной, и по этому графику вы можете определить, что система, вероятно, имеет около трех измерений. Так можно оценить, сколько переменных на самом деле было в системе. Даже если вы не знаете, что это за другие переменные, вы можете оценить их количество. В любом случае, в 2011 году было расширение теоремы Такенса. Оригинальное доказательство было сделано в 1981 году, а расширение в 2011 году говорит, что вы можете смешивать задержки с реальными переменными без ограничений.

Например, здесь вы видите, что мы берем реальную переменную Z, реальную переменную Y и задержку Y. Это также диффеоморфно, это по сути растянутая форма оригинала. Просто она растянута по-другому. Если вы просто берете Y, у вас другое растяжение, но вы видите, что оно все равно диффеоморфно, если вы смешиваете реальные переменные и задержки. Это становится важным, потому что в 2012 году вышла статья в журнале Science, которая показала (это статья по теоретической и количественной экологии), что в общем случае существует метод, изобретенный Джорджем Сугихарой, который называется конвергентным кросс-сопоставлением (Convergent Cross Mapping, CCM). Этот метод позволяет использовать временные ряды и теорему Такенса для поиска причинно-следственных связей между временными рядами.

Как это работает? Это довольно просто. Как я показал ранее, это оригинальный аттрактор Лоренца, а это задерживающее встраивание переменной X. Каждая из этих точек существует и в другом многообразии, поэтому существует однозначное соответствие между ними. Это растянутые формы друг друга. Если это растянутые формы друг друга, значит, каждый ближайший сосед, существующий здесь, остается тем же ближайшим соседом для оригинала. Но это можно сделать и для Y. Если у Y тоже есть ближайший сосед, он будет эквивалентен, просто расположен в немного другой позиции, потому что они растянутые формы друг друга. Но если все ближайшие соседи совпадают для каждой точки, это означает, что изначально они принадлежали к одной системе.

Если вы видите, что X и Y имеют всех ближайших соседей, то вы можете использовать это для взаимного предсказания. В этом конкретном случае я могу использовать X для предсказания Y, а Y для предсказания X. Если они осуществляют такое перекрестное предсказание, это по сути предсказание между переменными. Если вы можете предсказывать между переменными, это свидетельствует о том, что изначально они принадлежали к одной системе, в которой были X, Y и Z. Вы не знаете Z, но по крайней мере X и Y принадлежат к одной системе. И тогда вы можете использовать задержку X или задержку Y, чтобы сделать ее трехмерной, и тогда вы, по крайней мере, знаете, что X и Y вместе принадлежат к одной системе.

Этот метод, называемый конвергентным кросс-сопоставлением, очень успешен и основан на идее, что если две переменные изначально принадлежали к одной системе, они также будут растянутыми формами друг друга, если вы построите задерживающее встраивание или теневое многообразие для каждой отдельной переменной. И это работает, потому что общая информация между ними позволяет вам предсказывать одно по другому. По сути, если они обмениваются информацией, они также причинно связаны. Это метод, называемый конвергентным кросс-сопоставлением, и его преимущество появилось в 2012 году. Но есть еще кое-что. Если вы берете ближайших соседей, чем больше у вас данных, тем плотнее и ближе становятся ближайшие соседи, и тем точнее становятся ваши предсказания.

По сути, чем больше у вас данных (L — количество используемых данных), тем лучше вы можете предсказывать. И эта кривая здесь показывает корреляцию между наблюдаемыми и предсказанными значениями по всем предсказаниям. И вы видите, что если предсказания сходятся (сходятся, то есть становятся более точными с увеличением данных), это еще один критерий, необходимый для демонстрации того, что CCM показывает настоящую причинность, а не просто случайное совпадение. Конечно, в реальных условиях ничто не идеально, но здесь я покажу пример того, что можно сделать с этим в нейробиологии. В этом конкретном случае у нас была область мозга, называемая латеральным парабрахиальным ядром. Мы измеряли там сигналы кальция с помощью белка T-Camp, который экспрессировали туда с помощью вируса.

Этот кальциевый сигнал дает информацию о нейроактивности этой области. Мы использовали оптоволокно для измерения. По сути, мы стимулировали и наблюдали за флуоресценцией этой области, получая кальциевый трек (флуоресценции). В то же время мы вставляли платиновую проволоку (термистор) в ноздри мыши. Когда мышь выдыхает теплый воздух, он проходит над термистором, сопротивление повышается. Когда мышь вдыхает холодный воздух, температура проволоки падает, сопротивление снижается, напряжение меняется. Так можно получить график напряжения для каждого вдоха мыши. Таким образом, мы можем вычислить частоту дыхания мыши. Если попытаться скоррелировать эти две переменные, лучший результат, который можно получить, составляет менее 0,3.

Но если сдвинуть их по времени, потому что частота дыхания и активность мозга немного запаздывают друг относительно друга, можно достичь почти 0,4, но не совсем. Это уровень предсказания, которого можно добиться с помощью корреляции, используя линейную модель. Однако, если мы преобразуем эти данные в многообразие, используя задержки, чтобы они предсказывали друг друга, мы можем использовать CCM. Вы видите, что предсказания становятся очень хорошими. Фактически, вы можете достичь 97% точности предсказаний на 9 секунд вперед. Таким образом, мы перешли от мгновенных предсказаний с максимальной точностью 0,4 (для корреляции при сдвиге) к 97% точности на 9 секунд вперед для частоты дыхания.

Что вы можете видеть, так это то, что кальций вызывает дыхание, но затем и дыхание может контролировать активность мозга. Каждый, кто занимался йогой, знает, что если замедлить дыхание, успокаиваясь, это может повлиять на активность мозга. Вы можете увидеть этот эффект, а также влияние кальция на дыхание. Активность мозга может влиять на дыхание, и дыхание может влиять на активность мозга. Таким образом, существует петля обратной связи, и мы можем ее здесь обнаружить. Мы можем экспериментально проверить, реально ли это. Например, эта область мозга чувствительна к опиатам. Если ввести опиат... Если мы вводим физраствор (0,9% раствор хлорида натрия), ничего не происходит. Наблюдаемые и предсказанные значения очень точны.

Но если ввести морфин и посмотреть на временной ряд, вы больше не можете предсказывать. Точность предсказания становится очень низкой. Таким образом, предсказания, полученные с помощью CCM, экспериментально проверяемы. Вы можете не только протестировать предсказания, но и показать, что предсказуемость исчезает, если вы проводите экспериментальное воздействие, которое влияет на причинно-следственную связь между этими двумя вещами. Это своего рода экспериментальное доказательство вашей вычислительной гипотезы.

Можем ли мы масштабировать это?

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение

Это вопрос о масштабировании. Мы можем посмотреть на мозг данио-рерио. Мы вводим индикатор кальция, который измеряет уровни кальция в каждом отдельном ядре нейрона данио-рерио. Мы можем измерять около 120 000 нейронов.

Вы видите здесь весь мозг с разрешением до отдельного нейрона. Мы вводим индикатор в ядро, чтобы иметь возможность сегментировать. Каждая точка — это ядро, отделяющее нейроны друг от друга. Здесь вы видите весь мозг.

Можем ли мы это понять?

Это вопрос о том, как интерпретировать такие данные. Когда я начинал работать над этим, у меня было всего 70 000 нейронов. Если бы я собирался рассчитывать это тогда, мне потребовалось бы 4600 лет. Очевидно, это было невозможно. Мы модифицировали метод. Сначала мы использовали грубую силу, задействовав тогдашний суперкомпьютер №5 в мире. Это был совершенно новый суперкомпьютер в 2018 году. Мы запустили расчет, и он занял восемь с половиной часов на 512 узлах.

Но теперь мы улучшили программное обеспечение благодаря множеству изменений. Теперь мы можем выполнить весь расчет за 20 минут на одном узле. Таким образом, с начала проекта благодаря улучшению программного обеспечения и оборудования мы ускорились в 122 миллиона раз. Алгоритм работает в 122 миллиона раз быстрее. Теперь это позволяет использовать его для задач масштаба всего мозга в рутинном режиме.

Какие вещи можно узнать с помощью этого?

Например, мы можем оценить размерность для каждого нейрона. Вы видите здесь, сколько нейронов имеют размерность один, сколько — два, сколько — три. Вы видите распределение размерности по нейронам в мозге данио-рерио в нормальных условиях и когда рыба пытается убежать от низкого уровня кислорода.

Мы пропускали воду с низким содержанием кислорода (пузырьками азота) через камеру, где мы визуализировали личинку данио-рерио, подвергая ее воздействию гипоксии. Первое, что они хотят сделать, — это убежать из этих условий. Мы видим, что когда индуцируется поведение бегства, высокоразмерные компоненты уменьшаются, распределение смещается влево. Размерность снижается, когда рыба находится в гипоксии. Это имеет смысл, потому что, например, если рыба... Где это происходит? Если посмотреть на ось с низкой гипоксией и на размерность, которую мы измеряем для каждого нейрона, видно, что желтая область означает снижение размерности. Снижение размерности происходит в моторных областях, особенно в моторных областях среднего мозга.

Но в зрительном тектуме она не меняется, потому что зрительный тектум получает сигналы из окружающей среды, и сложность окружающей среды определяет наблюдаемую размерность. В нормальных условиях рыба совершает множество различных движений и видов поведения, но когда она подвергается воздействию низкого кислорода, она только пытается убежать. Таким образом, сложность поведения снижается, и размерность уменьшается. Это то, что вы видите. Вы можете определить, где в мозге происходит снижение размерности. Даже при наличии всех этих взаимодействий, как мы понимаем эту сложность? Это матрица причинно-следственных связей между каждым нейроном и каждым другим нейроном, показывающая силу причинных связей между ними. Но как разобраться во всем этом? Это слишком много.

Даже в случае данио-рерио у вас здесь два в восьмой степени, десять в десятой степени взаимодействий. Глядя на это, вы не станете мудрее, это как пытаться пить из пожарного гидранта. Итак, нам нужно придумать метод, чтобы разобраться в этих вещах. Мы хотим изучать эти нелинейные взаимодействия. Что мы имеем в виду под нелинейными взаимодействиями? По сути, мы хотим найти места принятия решений в мозге. Мы делаем это, используя идею CCM, которая определяет причинные связи, и вычитая из нее корреляцию. Корреляция — это то, что по сути является избыточным. Если что-то высоко коррелировано, это означает одно и то же. Мы смотрим, где CCM работает лучше, чем корреляция. Мы вычитаем одно из другого. Здесь, например, вы видите 154 представленных класса нейронов.

В случае гипоксии у вас много разных кластеров, а при низком уровне кислорода они становятся более однородными. Раньше могло быть много разных взаимодействий между нейронами, потому что было много разных видов поведения, но по мере снижения кислорода и стремления к бегству, все становится гораздо более однородным. Затем, если выполнить это вычитание, которое мы называем причинной компрессией (causal compression), вычитая предсказуемость CCM из корреляции, вы получаете эти остатки. Эти остатки означают, что, например, это поведение, которое мы назвали плавательным движением рыбы, определяется этими нейронами. Это то, что интегрирует информацию из различных источников. Это следствие, а это причины. Причины — это строки, следствия — это столбцы.

Этот нейрон интегрирует нередундантную информацию из всех этих строк. Что это на самом деле означает? Таким образом, мы можем суммировать поведение всей рыбы с помощью трех нейронов. Здесь мы, по сути, провели редукцию. У нас есть три представленных нейрона, и это поведение бегства, которое я вижу здесь. Мы создаем из него многообразие, которое вы видите справа. Если, скажем, наложить небольшую маску вокруг, каждый раз, когда вы видите один из этих всплесков, это по сути плавательное движение бегства рыбы, по сути, поворот рыбы. Каждый из этих символов... Если мы используем эту карту, мы можем предсказать как минимум на полсекунды вперед, когда рыба совершит движение и какого типа оно будет (плавательное движение).

В итоге мы сократили пространство принятия решений из 70 000 нейронов до трех нейронов, чтобы объяснить... до чего-то, что позволяет нам объяснить принятие решений рыбой с точки зрения вещей, которые не являются избыточными и позволяют предсказывать. Теперь я должен перейти к идее, на чем это основано. Идея основана на взаимосвязи корреляции и причинности. Обычно мы думаем о корреляции. Скажем, мы ищем вещи, которые коррелированы, и среди них проводим эксперимент, чтобы увидеть, являются ли они причинными, потому что все знают, что корреляция не гарантирует причинность, верно? Но мы обычно никогда не думаем о причинности без корреляции. Это очень необычная мысль, особенно в биологии, где люди всегда начинают с корреляции.

Здесь я покажу пример того, почему типичные вещи, которые мы делаем со статистикой и корреляциями, как мы их делаем. Здесь у меня есть два видео, две условия, где я жил в Сан-Диего, и я пытаюсь сравнить эти две вещи. И люди обычно делают так: «Окей, я хочу сравнить условие 1 с рыбой Гарибальди и морским львом. Если я хочу сравнить их, будучи строгим ученым, я возьму 10 повторных выборок отсюда и 10 выборок отсюда, усредню, определю стандартное отклонение и затем сравню две группы». Если я возьму 10 случайных кадров из этого видео и 10 случайных кадров из того видео, наложу их все и сравню различия, вот что я увижу. Здесь, по сути, вы видите, что да, есть некоторые различия: немного оранжевого здесь, немного коричневого там, немного зеленого.

Но это указывает на нечто. Потому что если вы используете статистику и по сути используете усреднение, любую рыбу, которой там нет, вы будете считать шумом. И если у вас есть динамическая система, а вы применяете статистические методы, которые статичны (то есть предполагают, что все находится в равновесии), то вот что вы делаете в мире. Очевидно, это не идеально.

Как этого избежать?

Один из способов избежать этого — использовать временные ряды. Мы рассматриваем наблюдения как части кадра фильма. Мы берем временные ряды. Если взять временные ряды, то можно смотреть на вещи так, как будто они являются кадрами фильма. Здесь я показываю три гена, не нейроны, но это не имеет значения. Это три гена, данные по которым мы собрали в течение клеточного цикла.

Эти три гена совершенно некоррелированы. Их коэффициенты корреляции меньше 10%. Если взять два из них, гены switch 4 и 23, коэффициент корреляции равен 0,08. Люди бы сказали, если применить линейную регрессию, там по сути ничего нет. Они сказали бы, что ничего не происходит. Но поскольку это были временные ряды, я могу сказать вам, какая точка была временной точкой 1, какая — временной точкой 2. Я могу взять временную точку 1, соединить ее линией с временной точкой 2, затем с временной точкой 3. И если вы посмотрите, на самом деле есть нечто очень когерентное, и это повторяется в двух повторениях клеточного цикла. Здесь есть взаимосвязь. Просто это не прямая линия. Она не основана на линейной корреляции. У вас здесь есть структура.

Но, как и раньше, здесь некоторые траектории пересекаются, и они неоднозначны. Если бы я знал, что уровень 23 составляет 40, я мог бы сказать, что уровень switch 4 должен быть около 2. И если уровень 23 составляет около 30, он должен быть около 4. Но когда я дохожу сюда, если уровень 23 составляет около 45, есть все эти возможные значения, и это неоднозначно, потому что это может быть любое из них.

Как решить эту проблему?

Я увеличиваю размерность. Если я добавлю 13-й ген, траектории становятся очень чистыми. Нет неоднозначности. И теперь можно предсказывать будущее, потому что если вы находитесь здесь, вы можете предсказать следующий шаг и просто двигаться вдоль формы, которая у вас есть. Это ваше многообразие этих трех генов.

У них нет корреляции друг с другом. Все они имеют корреляцию менее 10%, но они, похоже, образуют когерентную структуру. И у них есть взаимосвязь, просто она не основана на корреляции. На самом деле, когда мы это рассчитали, мы обнаружили, что четыре гена были частью этой сети, но CCM показал, что они связаны. Я включил сюда эти четыре гена. Поскольку я не могу показать четырехмерную картину на двухмерном экране, это по сути три измерения — каждый ген является осью, а четвертый ген я показываю как интенсивность красного цвета. Так у меня есть это четырехмерное многообразие, и интенсивность цвета там — это четвертый ген. Все это выглядит красиво, очень элегантно и удовлетворяюще.

Но как узнать, что это реально, а не моя математическая фантазия? Я просто нашел эти связи, но как узнать, что это реально? Способ выяснить, реально ли это, возможно, провести эксперимент, чтобы доказать это. И как бы я это доказал? Я говорю, что эти вещи не имеют корреляции друг с другом, корреляция менее 10%. Но если бы я провел эксперимент, изменил один из них, и остальные отреагировали бы на это и изменили свои траектории, это было бы экспериментальным доказательством причинности без корреляции. Если вы посмотрите сюда, синяя линия — это линия, где я переэкспрессировал (увеличил количество) красный ген. Реакция других генов показана синей линией. Траектории изменились. Это экспериментальное доказательство того, что существует причинность без корреляции, потому что это вызвало эффект — другие гены отреагировали.

Когда я переэкспрессировал WE5, три других гена изменили уровни своей экспрессии, изменили поведение в ответ на переэкспрессию WE5, хотя у них не было корреляции друг с другом. По сути, если бы они не были связаны друг с другом, если бы они не были причинно связаны, они не должны были бы вообще менять свои траектории. Это, по сути, экспериментальное доказательство.

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение

Что это на самом деле означает — иметь причинность без корреляции?

Большинство из нас не привыкли так мыслить, но я приведу вам повседневный пример причинности без корреляции, который сделает идею немного яснее. Допустим, я устанавливаю для себя правило: когда я пью красное вино? Я говорю, что я пью красное вино (потому что я не алкоголик) только по вечерам.

И я пью только с сыром и стейком на ужин. Но я не буду пить утром или в обед, и только при наличии и вина, и сыра. Если посмотреть на временной ряд наличия стейка и сыра и время суток в течение недели, то когда сыр появляется на завтрак или обед, я не пью. Когда стейк появляется на ужин, но нет сыра, я тоже не пью. И если посмотреть на наличие сыра, то время, когда это совпало с употреблением красного вина, составляет всего одну двенадцатую. Только одно из двенадцати совпадений было с сыром и стейком, и к тому же вечером. Таким образом, если для достижения результата требуется выполнение нескольких условий, если вам нужен «идеальный шторм», часто каждая отдельная переменная не коррелирует с результатом, который вы пытаетесь найти.

Если это интеграция информации из нескольких источников и множества условий, которые вы можете объединить с помощью булевых операторов И, ИЛИ и т. д., тогда вы можете получить причинность без корреляции. Причинность без корреляции дает вам правило принятия решений. Когда вы смотрите на коррелированные вещи, вы по сути смотрите на «ведро-цепочку». Если я передаю одну и ту же информацию по цепочке и ничего не теряется, то это будет сильно коррелировано. Но если вы смотрите на места принятия решений, у вас будет причинность без корреляции.

Как мы это формализуем?

Мы формализуем это с помощью метода, который называем причинной компрессией (causal compression). Когда вы отсекаете то, что не является.

.. вы используете CCM для поиска причинных связей. Вы отсекаете то, что коррелировано, и ищете то, что причинно связано, но не коррелировано. Тогда вы можете суммировать всю систему с точки зрения тех вещей, которые являются причинными, но не коррелированными с целевой переменной, которая вас интересует. Затем вы берете каждую из осей, которая соответствует определенному нейрону, хорошо предсказывающему. И затем вы можете добавить избыточные переменные, чтобы получить разнообразие, которое вы можете получить. Но каждая из этих вещей полностью идентифицируема, потому что каждая ось, которую я здесь показываю, соответствует конкретному нейрону или конкретной области мозга, конкретному наблюдаемому параметру.

Это не то, что называется скрытой переменной (latent variable). Если взять PCA (метод главных компонент), ваш главный компонент будет типа 70% нейрона 1, 20% нейрона 2, 30% того... это проекция. Это математический инструмент, который вы используете, но он не имеет прямого соответствия в реальном мире для каждого из ваших главных компонентов. Но если нет соответствия в реальном мире, вы не можете провести эксперимент. С другой стороны, то, что я показываю здесь, каждая из этих вещей соответствует конкретному нейрону, конкретному наблюдаемому параметру или области мозга. Это позволяет вам сказать, где следует провести эксперимент, чтобы проверить, является ли эта причинно-следственная связь реальной.

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение (окончание)

Если вы используете причинную компрессию для предсказания, насколько хорошо мы предсказываем?

Мы предсказываем довольно хорошо. Здесь мы пытались предсказать скорость движения вперед. Мы создали эти многообразия на основе данных из пяти разных областей мозга у слизня, который ползал по шару. Мы записывали кальциевую активность. Вы видите, что предсказание с помощью причинной компрессии (синяя линия) довольно хорошо совпадает с наблюдаемыми реальными значениями скорости движения вперед слизня (черная линия). Мы превосходим PCA. Это скорость движения вперед, а это скорость движения влево-вправо. В обоих случаях мы идентифицируем конкретные области, которые являются непосредственно наблюдаемыми и интерпретируемыми.

Например, временной ряд 26 соответствует определенной области мозга. Когда активность низкая, животное не поворачивает ни влево, ни вправо. Когда она достигает промежуточного уровня, оно может быстро повернуть влево. При более высоком уровне оно тоже может быстро повернуть влево. И оно поворачивает вправо предпочтительно только при высокой активности. Таким образом, вы можете видеть, что многообразия, которые вы генерируете, напрямую интерпретируемы. Вы можете узнать, при каких условиях животное совершает то или иное поведение. Это можно применить к данным фМРТ. Здесь показано, что стандартный способ предсказания — использование обобщенных линейных моделей (GLM). Это точность предсказания. С многомерными GLM можно достичь только этого диапазона.

Вы можете показать, что с помощью этих методов редукции размерности можно добиться значительно лучших результатов. В любом случае, вы также идентифицируете конкретные области, где это происходит. Вот еще один пример, чтобы сделать его более очевидным. Это задача, над которой мы работали в сотрудничестве. Это крыса, выполняющая задачу в лабиринте, где она должна решить, в какой туннель пойти. Не имеет значения, что это за задача. Вы можете попытаться выяснить, какие нейроны позволяют предсказать координату X (в каком туннеле крыса находится) и какой нейрон определяет, как далеко по туннелю крыса продвинется. Если вы посмотрите на позицию по оси X, это все нейроны СА1, и 1% коры, то есть большинство информации поступает из СА1.

Это говорит вам, откуда поступает информация для предсказания позиции по X. Позиция по оси Y, с другой стороны, поступает из медиальной префронтальной коры, которая отвечает за принятие решения о том, в какой туннель идти. Таким образом, метод не только позволяет предсказывать с точностью до 90%, но и указывает, из каких областей поступает информация для этого решения. Интересно также то, что если у вас есть локальные минимумы, алгоритм полностью позволяет их преодолеть. Это предсказание довольно плавное, но предсказание позиции по Y гораздо сложнее, и вы видите, что можно преодолевать действительно сильные локальные минимумы. Мы можем показать, например, что мы можем предсказывать поведение мышей лучше, чем с помощью LSTMs.

В данном случае мы измеряли потребление кислорода мышами, их движение, сколько они пьют и сколько едят. Например, это точность предсказания, около 80% с нашим алгоритмом MDE, тогда как с LSTMs (стандартной рекуррентной нейронной сетью) точность составляет всего около 30%.

Как использовать сбой предсказания с пользой?

Можно использовать сбой предсказания как свидетельство изменения состояния. Когда мы вводим животным инъекцию вещества, вызывающего сильное заболевание (бактериальный компонент LPS), вы видите, что ошибка предсказания (RMRC) возрастает. До инъекции наблюдаемые (синяя линия) и предсказанные (оранжевая линия) значения совпадают довольно хорошо. После инъекции мышь чувствует себя принципиально по-другому, потребление кислорода снижается, и ошибка предсказания становится очень большой.

Вы видите, что когда мышь заболевает, ошибка предсказания становится большой, а по мере выздоровления ошибка предсказания уменьшается. Вы можете использовать это как метод для обнаружения аномалий. Вы можете определить, что является нормальным, а что аномальным, и использовать это для обнаружения аномалий в системе, которая вас интересует. Наверное, у меня заканчивается время. Я пропущу несколько вещей, чтобы перейти к последнему пункту. Речь идет о том, как использовать эту систему для «загрузки» мозга в компьютер. По сути, мы используем CCM, как я показывал ранее. В случае с мухой, вы смотрите на нейронную активность и также записываете движения. Затем мы используем эту причинную компрессию или MDE, чтобы сфокусироваться только на нейронах, принимающих решения.

Затем мы создаем сеть многообразий. Что нужно для этого? Скажем, вы хотите предсказать движения мухи влево и вправо. Допустим, мы берем нейрон, который помогает создать трехмерное многообразие для предсказания движения вперед и влево. Но у нас две неизвестные. С этим мы не можем справиться. Здесь мы хотим предсказать влево, но если мы хотим одновременно иметь движение вперед и влево/вправо, мы не можем, потому что у нас две неизвестные.

Как преодолеть эту проблему?

Один из способов преодолеть это — создать многообразие, которое специально предсказывает движение вперед. Затем мы передаем это значение движения вперед следующему многообразию для предсказания.

Тогда у нас остается только одна неизвестная. Затем мы можем иметь движение вперед и влево/вправо. Мы передаем информацию вперед. В принципе, это можно сделать для каждого временного ряда. Затем можно связать всю сеть. Скажем, вы можете предсказать каждый временной ряд, который связан с другим многообразием, с другим многообразием. Затем вы создаете многообразие — сеть многообразий. И затем эта сеть многообразий, по сути, может предсказывать друг друга и, в конечном итоге, предсказывать движение вперед и влево/вправо мухи. Затем можно принять это предсказание как истинное. Вы можете запустить симуляцию вперед. Вы предсказываете, принимаете следующее предсказание, затем предсказание после него и так далее.

Вы можете продолжать запускать ее вперед. Если это сделать, вот тренировочный набор данных скорости движения вперед мухи. Вы видите, что муха движется быстро, затем замедляется, снова быстро. У нее есть эти рывки. Если запустить компьютерную симуляцию вперед, можно получить довольно реалистичные рывки поведения при движении вперед. То же самое происходит и для нейроактивности. Это нейроактивность, как она была записана. Вы моделируете ее вперед, и она ведет себя очень реалистично. Если посмотреть на спектр движения вперед реальной мухи по сравнению с сгенерированным, коэффициент корреляции между ними составляет 92%. То есть это не просто я на глаз говорю, что они похожи. Если посмотреть на спектр, спектр похож на 92%.

Если посмотреть, например, на скорость влево-вправо мухи и скорость движения вперед мухи, то муха по сути сидит на месте здесь. Быстро движется вперед влево — здесь. Движется вперед вправо — здесь. Если следовать за всей траекторией, это по сути поведение, которое совершала муха. Это симулированная муха. Но если исключить область мозга... возможно, муха очень простое животное, поэтому каждый шаг позволяет предсказать следующий шаг. Если попытаться сделать это, используя только движения для предсказания поведения животного, вот что вы получите. Это не очень реалистично. Это показывает, что вам нужна информация из мозга, чтобы получить реалистичную симуляцию мухи. Это был большой сюрприз для нас. Когда мы использовали данные из тренировочного набора, там никогда не было таких долгих пауз, когда муха ничего не делает.

Но в симуляции, когда мы «загрузили» муху, иногда могут возникать такие долгие паузы. Они выглядят реалистично, как настоящие, хотя мы никогда не включали их явно в тренировочный набор. Возможно, это своего рода эмерджентные свойства. У нас также есть другие виды поведения, такие как движение мухи по кругу, которые возникают в симуляции. Это просто метрика производительности. Как я сказал, мы можем сделать то же самое для симуляции всего мозга данио-рерио с разрешением до отдельного нейрона и получить реалистичные выходы моторных нейронов в масштабе всего мозга с разрешением до отдельного нейрона. Мы можем это сделать. И мы также можем это сделать для данных фМРТ человека, выполняющего задачу с джойстиком.

Мозг и его изучение

Так что, возможно, мы на начальном этапе «загрузки» мозгов или чего-то подобного. Этот метод мы называем Общими Сетевыми Многообразиями (General Manifold Networks). Это новый метод, который генерирует сеть многообразий, способную симулировать реалистичное поведение на основе реально записанных данных активности мозга.

Если посмотреть на конкретную часть мозга и на ваши временные ряды, а затем на размерность, то есть на количество компонентов временного ряда, которое вы получаете, соответствует ли это степени связности? То есть, если часть мозга связана с 20 другими частями мозга, означает ли это, что будет 20 компонентов?

К сожалению, у нас пока нет коннектома данио-рерио.

До этого еще несколько лет, люди работают над этим, но у нас его нет. Но то, что вы здесь видите, это эффективный коннектом для того конкретного поведения, которое вы записывали. Я думаю, что мы улавливаем, если посмотреть на недавние работы Джеффа Лигтмана, там также наблюдается низкая размерность. Существует несколько связей у любого данного нейрона, которые имеют синапсы с множеством контактов и считаются очень сильными, а многие из них очень слабые. Мы, похоже, улавливаем сильные связи, и очень слабо улавливаем слабые, большую часть времени. Хорошо, это имеет смысл, потому что они потенциально меньше влияют на активность, и именно так... И дело не обязательно в наблюдаемом нейроне, но также и в том, что мы видим...

Итак, низкоразмерные сигналы — это сильные синапсы, но если у вас есть явления вроде распространяющихся волн, где целая группа нейронов вместе активирует один нейрон, вы обычно улавливаете всех, кто собирается вместе, как одно измерение, потому что они скоординированы. Таким образом, функционально они являются одним измерением, но в реальности это много нейронов, делающих одно и то же, но функционально они одно. Таким образом, мы идентифицируем их как одно отдельное измерение, хотя в реальности их несколько.

По сути, то, что у вас есть, — это реконструкция общего поведения мозга путем наличия каждого многообразия, которое является по сути всеми компонентами принятия решений. Мы явно не моделируем тех, кто является частью «ведро-цепочки».

В отношении плотности ткани с более низкой размерностью при гипоксии, может ли это быть просто связано с более высокой синхронизацией в этом состоянии?

Более высокая общая синхронизация в системе. Да, это большая синхронизация, а также упрощенное поведение. Например, в обычном состоянии данио-рерио делает много разных вещей. Как только оно хочет от чего-то убежать, оно только хочет убежать, оно не делает ничего другого. Поэтому я думаю, есть некоторые моменты, связанные с редукцией размерности, просто с упрощением поведения. Да, хорошо. Последний вопрос. У вас есть временной ряд, текущее состояние, предыдущее, и то, что было до этого, и вы можете использовать это, чтобы предсказать количество компонентов, вызывающих временной ряд.

Но это также будет зависеть от вашего временного разрешения. Допустим, вы можете измерять с миллисекундным разрешением или складывать их по одной секунде. То есть вы получите разное количество компонентов для разных временных разрешений.

Да, потенциально вы можете. Это проблема использования, когда вы делаете встраивание Такенса, вы привязываетесь к конкретному временному масштабу, в его оригинальной форме. Но во второй форме, которую я показал, обобщенной теореме Такенса, расширении 2011 года, нет ограничения на единый временной масштаб. Так что вы можете иметь несколько временных масштабов, где вы варьируете тау. Тау больше не является константой, и тогда вы можете учитывать любое количество временных масштабов.

Но когда у вас есть реальные временные ряды, встраивание Такенса — это по сути как ступенька, чтобы добраться туда, куда вы хотите. И затем, после того как вы идентифицируете нативные переменные, реальные, они содержат все временные масштабы до разрешения записи. Очевидно, вы не можете получить то, что не записывали. Да. Если у вас есть измерения, вы можете получить только до уровня, который можете измерить. Это ограничение, которое вы не можете преодолеть вычислительно.

Каковы следующие шаги в вашей работе?

Прямо сейчас, как я показывал на слайде... например, мы занимаемся «загрузкой» человеческого мозга. И пытаемся заставить несколько линий (нейронов) играть в видеоигры в симуляции. Надеемся, симуляции будут играть в видеоигры так, как это делают записанные люди.

Как вы на самом деле используете эту систему для «загрузки» мозга в компьютер?

По сути, мы используем CCM, как я показывал ранее. В этом случае, для мухи, мы смотрим на нейронную активность и также записываем движения. Затем мы используем эту причинную компрессию или MDE, чтобы легко сфокусироваться только на нейронах, принимающих решения. Затем мы создаем сеть многообразий.

Что нужно для этого?

Скажем, вы хотите предсказать движения мухи влево и вправо. Для примера, мы берем нейрон, который помогает создать трехмерное многообразие для предсказания движения вперед и влево. Но у нас две неизвестные. С этим мы не можем справиться.

Здесь мы хотим предсказать влево, но если мы хотим одновременно иметь движение вперед и влево/вправо, мы не можем, потому что у нас две неизвестные.

Один из способов преодолеть это?

Один из способов преодолеть это — создать многообразие, которое специально предсказывает движение вперед. Затем мы передаем это значение движения вперед следующему многообразию для предсказания. Тогда у нас остается только одна неизвестная. Затем мы можем иметь движение вперед и влево/вправо. Мы передаем информацию вперед. В принципе, это можно сделать для каждого временного ряда. Затем можно связать всю сеть. Скажем, вы можете предсказать каждый временной ряд, который принадлежит другому многообразию, с другим многообразием. Затем вы создаете многообразие — сеть многообразий.

И затем эта сеть многообразий, по сути, может предсказывать друг друга и, в конечном итоге, предсказывать движение вперед и влево/вправо мухи. Затем можно принять это предсказание как истинное. Вы можете запустить симуляцию вперед. Вы предсказываете, принимаете следующее предсказание, затем предсказание после него и так далее. Вы можете продолжать запускать ее вперед. Если это сделать, вот тренировочный набор данных скорости движения вперед мухи. Вы видите, что муха движется быстро, затем замедляется, снова быстро. У нее есть эти рывки. Если запустить компьютерную симуляцию вперед, можно получить довольно реалистичные рывки поведения при движении вперед. То же самое происходит и для нейроактивности. Это нейроактивность, как она была записана.

Вы моделируете ее вперед, и она ведет себя очень реалистично. Если посмотреть на спектр движения вперед реальной мухи по сравнению с сгенерированным, коэффициент корреляции между ними составляет 92%. То есть это не просто я на глаз говорю, что они похожи. Если посмотреть на спектр, спектр похож на 92%. Если посмотреть, например, на скорость влево-вправо мухи и скорость движения вперед мухи, то муха по сути сидит на месте здесь. Быстро движется вперед влево — здесь. Движется вперед вправо — здесь. Если следовать за всей траекторией, это по сути поведение, которое совершала муха. Это симулированная муха. Но если исключить область мозга... возможно, муха очень простое животное, поэтому каждый шаг позволяет предсказать следующий шаг.

Если попытаться сделать это, используя только движения для предсказания поведения животного, вот что вы получите. Это не очень реалистично. Это показывает, что вам нужна информация из мозга, чтобы получить реалистичную симуляцию мухи. Это был большой сюрприз для нас. Когда мы использовали данные из тренировочного набора, там никогда не было таких долгих пауз, когда муха ничего не делает. Но в симуляции, когда мы «загрузили» муху, иногда могут возникать такие долгие паузы. Они выглядят реалистично, как настоящие, хотя мы никогда не включали их явно в тренировочный набор. Возможно, это своего рода эмерджентные свойства. У нас также есть другие виды поведения, такие как движение мухи по кругу, которые возникают в симуляции.

Это просто метрика производительности. Как я сказал, мы можем сделать то же самое для симуляции всего мозга данио-рерио с разрешением до отдельного нейрона и получить реалистичные выходы моторных нейронов в масштабе всего мозга с разрешением до отдельного нейрона. Мы можем это сделать. И мы также можем это сделать для данных фМРТ человека, выполняющего задачу с джойстиком. Так что, возможно, мы на начальном этапе «загрузки» мозгов или чего-то подобного. Этот метод мы называем Общими Сетевыми Многообразиями (General Manifold Networks). Это новый метод, который генерирует сеть многообразий, способную симулировать реалистичное поведение на основе реально записанных данных активности мозга.

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

Источник

Сегодня с нами Андреас Тиллиус, нейро-ИИ-учёный. Миссия его Стэнфордской лаборатории — создавать менее искусственный интеллект. Он также является содиректором проекта Enigma — некоммерческой исследовательской организации при Стэнфорде, которая использует глубокое обучение для получения нейробиологических знаний.

Вся его работа направлена на сочетание системной инженерии и вычислительного подхода в нейробиологии, а также на расшифровку принципов интеллекта на фундаментальном уровне. Для нас большая честь, что вы присоединились к нам. Одна из главных целей нейробиологии — понять взаимосвязь между внешним миром, нашим взаимодействием с ним, нашими представлениями и восприятием, и тем, что происходит внутри нашего мозга. Мозг стремится создать модель мира. Чем точнее эта модель, тем лучше он способен выживать и делать прогнозы. В некотором смысле, в этом и заключается суть вывода и интеллекта: понимание мира и способность действовать в нём, учитывая определённые ограничения и цели.

Что примечательно в мозге, так это наличие множества уровней анализа. В этом смысле нейробиология отличается от других научных областей, таких как биология или химия. В нейробиологии мозг можно изучать на молекулярном уровне, используя все инструменты молекулярной биологии; исследовать типы клеток, их связи, цепи; доходить до уровня активности мозга и поведенческого или психологического уровня. Этот диапазон уровней анализа делает область увлекательной, но и очень сложной.

В отличие от других областей, где фокус изучения более определён, например, квантовая механика или органическая химия, в мозге, если вы хотите понять сам мозг или связи между внешним миром и внутренними процессами, всё гораздо сложнее. Мы публиковали работы, где, например, исследовали микросхемы коры головного мозга. Это было одно из первых, теперь уже десятилетней давности, канонических отображений взаимосвязей между всеми типами клеток. Мозг можно представить как лес с множеством различных видов деревьев и растений, и до сих пор неясно, какова логика этой организации, сколько их, но они, похоже, связаны стереотипными способами, а не просто случайным образом.

Одновременно с этим, в последние годы, особенно заметно за последние пять лет, развились другие интеллектуальные системы. К ним относятся большие языковые модели, компьютерные визуальные модели и модели, которые делают прогнозы в областях, где люди не так сильны, например, в свёртывании белков. Это тоже очень умные системы; многие из вас, вероятно, общались с большими языковыми моделями, такими как ChatGPT. Впервые в истории человечества мы имеем доступ не только к биологическим интеллектуальным системам, но и к искусственным системам, созданным людьми.

Эти системы также стремятся выполнять схожие задачи. Они обладают нейронной сетью и, что интересно, демонстрируют активность. Именно это сейчас работает в ИИ, в отличие от идей, которые исследовались в 80-х, 90-х годах и позднее. Они также пытаются найти соответствия между внешним миром и своим «мозгом». Например, если вы общаетесь с языковой моделью, она в некоторой степени понимает структуру языка и человеческую психологию и пытается взаимодействовать с вами, или же она имеет представление о научной области и старается предоставить вам обратную связь.

Существует нечто удивительное, что делает область нейробиологии и ИИ ключевой в истории человечества — это принцип универсальности. Он сводится к наблюдению, которое мы и другие исследователи делаем последние пять лет. Прежде всего, это проявляется в чисто искусственных нейронных сетях. Если взять три разные нейронные сети, обученные задачам распознавания объектов, например, кошек и собак (и это справедливо даже для других визуальных задач, таких как сегментация сцены или предсказание следующего кадра фильма), то на определённом уровне обработки их отдельные нейроны, кажется, выполняют схожие функции.

То, что здесь показано, — это стимулы для каждого нейрона: каждый квадрат можно представить как область в визуальном пространстве, откуда нейрон получает информацию, а эти паттерны — это то, что он предпочитает для своей активации. Несмотря на то, что эти сети обучены на совершенно разных архитектурах, не имеют одинаковых связей или типов клеток, то, что нейрон в итоге предпочитает для своей активации, остаётся неизменным.

Это и есть концепция универсальности. Ещё более примечательно то, что если взять обезьяну, обладающую высокоразрешающей зрительной системой, схожей с нашей и с той, на которой обучаются нейронные сети, то, несмотря на то, что её мозг состоит из совершенно другого «оборудования» — не из кремния, а из углерода, имеет множество типов клеток, молекул, изменяющих синапсы, — предпочтения её нейронов также очень похожи на предпочтения нейронов искусственных систем. Это указывает на своего рода конвергентную эволюцию между биологическими и ИИ-системами.

Это удивительно, потому что эти наблюдения о универсальности стали появляться именно тогда, когда ИИ начал активно развиваться в последние 5-10 лет. Уровень анализа, о котором идёт речь, называется репрезентативно-алгоритмическим. Дэвид Марр выделил три основных уровня: уровень реализации (как вычисление реализовано, включая молекулы, биофизические модели, связи клеточных типов, ионные каналы — всю сложность биологии), уровень обработки информации (то, что мы сейчас обсуждаем, где нейрон реагирует на определённые патчи или пятна в визуальном пространстве), и поведенческий уровень (наше восприятие и интеллектуальное поведение).

Таким образом, в последние годы мы наблюдаем именно этот репрезентативный уровень. Этот уровень анализа был открыт около 100 лет назад лордом Эдрианом из Кембриджского университета, который обнаружил потенциал действия. Примерно сто лет назад мы знали лишь о наличии электричества в мозге. Однажды случайно Эдриан выяснил, что нейроны кодируют информацию спайками, используя своего рода бинарный код. С тех пор это открытие широко использовалось, и за последние 100 лет за исследования на этом репрезентативном уровне было присуждено множество Нобелевских премий — непропорционально большое количество для одной конкретной подобласти. Среди недавних Нобелевских премий (десять лет назад) — открытие Мозеров в Норвегии: они показали, что крысы при навигации в мире формируют пространственные карты, так называемые сетчатые нейроны и нейроны места. Когда мы обучаем системы искусственного интеллекта выполнять подобные задачи, мы также обнаруживаем эти уровни представлений.

Существует одна важная, но малоизвестная особенность этой области. Для нейробиологов она очевидна, но даже вычислительные нейробиологи, не являющиеся экспериментаторами, могут о ней не знать: эти открытия произошли не потому, что кто-то был очень умён и имел отличную гипотезу о том, что искать. На самом деле, всё было наоборот. Люди искали что-то другое, разрабатывали эксперименты, и случайно делали эти открытия. Например, лорд Эдриан, обнаружив потенциал действия, посчитал его артефактом или ошибкой в своей системе, поскольку ожидал непрерывного сигнала напряжения, а получал резкие изменения, воспринимая их как шум.

Существует отличный документальный фильм, где Хьюбел и Визель, получившие Нобелевскую премию в 1981 году, описывают, как они обнаружили детектор границ. Это открытие стало вдохновением для сети Фукусимы, которая затем привела к созданию свёрточных нейронных сетей и их дальнейшему развитию. Таким образом, эволюция, произошедшая с AlexNet, начало которой восходит к эксперименту Хьюбела и Визеля, была случайным открытием. Они использовали световые точки, чтобы определить, какие нейроны в коре активируются.

Однажды случайно проектор, который они использовали, создал тонкую слабую линию, потому что его не потрудились почистить. На этом фоне (в те времена ещё не было мониторов) они заметили, что именно эта линия активирует нейрон, и таким образом обнаружили детектор границ. Так они поняли концепцию организации рецептивных полей, что затем позволило Фукусиме и другим разработать свёрточные нейронные сети. А спустя несколько десятилетий, когда появились графические процессоры и стали доступны масштабные данные, такие как ImageNet, мы, по сути, создали ИИ.

Это правда: это было случайное открытие. Это очень сложно, потому что если у вас есть монитор с разрешением 256 на 256 пикселей, и каждый из них можно включить или выключить, то, как вы помните из математики, можно сгенерировать 2 в степени 65 000 возможных паттернов. Во всей Вселенной существует всего лишь 2 в степени 300 электронов. Это бесконечно большое число. И даже если ограничиться только областью естественных изображений, очень сложно экспериментально охарактеризовать, что делают эти нейроны.

Если же учесть поведение, мультимодальную интеграцию, когнитивные состояния, задача становится огромной. На примере зрительной системы макаки, которая, несмотря на упрощение, включает порядка 20-30 зрительных областей (около половины мозга макаки занимается зрением, и около 30% человеческого мозга), видно, насколько это сложная система. Каждая область имеет разные типы клеток, которые могут выполнять различные функции, а также разные слои коры. То, что мы узнали за последние 100 лет, весьма скудно. По сути, это те фундаментальные принципы организации, о которых я говорил, упоминая Нобелевские премии.

Это очень упрощённая версия, но она даёт общее представление. Сейчас я расскажу о том, над чем мы работали в последние годы, чтобы решить эту проблему и впервые в нейробиологии, да и в целом в изучении интеллекта, создать систематический способ расшифровки алгоритмов, порождающих интеллект. Это основано на двух параллельных революциях последних 10 лет. Первая — это революция в нейротехнологиях, во многом благодаря инициативе BRAIN, финансируемой NIH и другими организациями. Теперь у нас есть технологии, позволяющие впервые проводить крупномасштабные эксперименты.

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

Например, мы недавно создали микроскоп, LightBeam Microscope, в сотрудничестве с Алипашой Вазири из Рокфеллеровского университета, который может одновременно регистрировать до миллиона нейронов. Также есть технология Neuropixel от IMEC в Бельгии — самого передового исследовательского центра полупроводников в мире, — которая позволяет имплантировать нейропиксели обезьянам и даже людям, чтобы получать высокоразрешающие электрофизиологические данные. Таким образом, мы можем получать данные на порядки величин больше, чем 10 лет назад было невозможно.

Просто для примера: 10 лет назад лучшие лаборатории мира могли регистрировать около 400 нейронов. Сейчас, с помощью визуализации, мы можем работать с миллионом нейронов. С Neuropixel мы можем получать данные от десятков или даже сотен тысяч нейронов, тогда как раньше можно было изолировать, возможно, 15 нейронов. Мы наблюдаем экспоненциальный рост. Но несмотря на это, мы не получили более глубокого понимания. За последние 10 лет мы перешли от сотен нейронов к миллионам, но наши фундаментальные принципы понимания мозга остались неизменными, как и два десятилетия назад.

Причина в том, что у нас не было инструментов для извлечения знаний и принципов из данных. В то же время был разработан ИИ, который можно рассматривать как очень мощный статистический инструмент, превосходно справляющийся с обработкой больших объёмов данных и построением прогностических моделей. Именно это мы объединили в нашей лаборатории для разработки парадигмы, которую мы назвали «петлёй начала» (Inception Loop), по аналогии с фильмом. Она основана на идее создания цифровых двойников мозга или симуляции мозга на репрезентативно-алгоритмическом уровне.

Здесь у нас есть крупномасштабные данные, и мы можем немедленно использовать ИИ-инструменты для построения этих моделей, не полагаясь на разработку новых инструментов, которая могла бы занять ещё одно десятилетие, например, переход к физическим моделям мозга. Позже я могу это обсудить. Итак, «петля начала» состоит из четырёх шагов. Первый шаг — это сбор крупномасштабных функциональных данных. На этом этапе мы не будем беспокоиться о более низких уровнях: молекулярном или анатомическом, коннектоме, типах клеток.

Мы просто будем записывать как можно больше функциональных данных, в идеале с разрешением на уровне одной клетки и одного спайка, потому что это код мозга. Сейчас мы делаем это по-разному. Это данные кальциевой визуализации, полученные с помощью двухфотонного или трёхфотонного микроскопа. Мы помещаем мышь (и это также относится к данным от обезьян) перед монитором, и она просто пассивно смотрит, или мы можем обучать их выполнять задания, демонстрируя большое количество изображений. После сбора этих крупномасштабных данных, второй шаг — создание функционального цифрового двойника.

Вместо того чтобы предсказывать следующее слово, следующий токен или определять, является ли это кошкой или собакой (что и делает ИИ, копируя человеческое поведение на чипе, например, беря язык и предсказывая следующее слово, для создания чего люди потратили 4000 лет, или видео, чтобы предсказать следующий кадр), мы делаем это на другом уровне. Мы работаем на нейронном уровне, зная, что происходит внутри мозга. Здесь мы снова строим цифрового двойника мозга, подобно тому, как ИИ создаёт цифрового двойника человеческого интеллекта, и, возможно, даже превзойдёт его.

Но здесь входные данные — это видео или изображения, и мы предсказываем нейронную активность, которую генерирует мозг. Способы будут очень отличаться: у него не будет тех же типов клеток или коннектома. И поскольку эти нейронные сети являются универсальными аппроксиматорами функций, и у нас есть много данных, это, похоже, работает: мы можем воспроизвести функцию другим способом, на другом субстрате, и мы называем это аппаратно-независимым интеллектом.

Прелесть этого в том, что после того, как вы собрали все данные и построили модель, вы можете проводить эксперименты, которые было бы почти невозможно провести в мозге. Например, если аспирант тратит пять лет на эксперименты, по восемь часов в день, у него ограниченное количество экспериментов, которые он может провести. Мы не живём сто миллионов лет, чтобы проводить эксперименты. Но если у вас есть точный цифровой двойник мозга, вы можете распараллелить вычисления, используя ресурсы GPU, и выполнить то, что заняло бы сто тысяч лет, всего за несколько часов.

Таким образом, вы можете расширить эксперименты до невообразимо высокого уровня, что пять лет назад было бы даже не мечтой. Кроме того, поскольку эти модели дифференцируемы, что немного технично, но для тех, кто работает в этой области, вы можете также проводить оптимизацию в моделировании способами, которые было бы очень сложно реализовать в мозге. Вот первый эксперимент, который мы провели. Мы взяли эту модель, взяли один из этих нейронов и провели эксперимент Хьюбела и Визеля, но без какой-либо гипотезы.

Мы задали вопрос: какой стимул является оптимальным для этого нейрона? И когда мы это сделали, мы воспроизвели случайное открытие Хьюбела и Визеля, обнаружив, что эти конкретные нейроны предпочитают определённый тип градиента или патча в определённой части своего визуального поля. Однако, что было интересно, так это то, что, в отличие от предсказаний Хьюбела и Визеля, по крайней мере, для мыши, многие нейроны подтвердили этот принцип. Мы обнаружили множество типов нейронов, предпочитающих очень разнообразные наборы признаков, похожих на патчи в естественных изображениях, такие как углы, шахматные доски и так далее.

Четвёртый шаг состоит в том, что недостаточно просто сделать это открытие в модели, потому что модель может галлюцинировать и обманывать вас. Но поскольку в моей лаборатории и в лаборатории NICMA у нас есть уникальная возможность в Стэнфорде — полная цепочка: от сбора данных до построения моделей, проведения механистической интерпретируемости и анализа, — мы можем замкнуть цикл. Поэтому это и называется «петля начала» (inception loop), от латинского «in sepia», что означает «синтезировать», потому что модель синтезирует стимулы или идеи.

Теперь мы можем протестировать их обратно в мозге. Мы можем делать это во время проведения экспериментов почти в реальном времени, или можем вернуться на следующий день, поместить животное под микроскоп (это по-настоящему живые животные), найти эти нейроны и проверить, делают ли они то, что предсказала модель. Эта замкнутая экспериментальная петля, где ИИ находится в центре крупномасштабного сбора данных, открывает множество возможностей. Я расскажу о нескольких сделанных нами открытиях. Прежде всего, у обезьян, в отличие от мышей, Хьюбел и Визель были почти правы.

Здесь вы снова видите принцип универсальности. Например, Крис Ола из Anthropic пару лет назад обнаружил, что искусственные нейронные сети имеют детекторы низких и высоких частот, которые, по нашему мнению, важны для сегментации сцены. Нечто подобное мы обнаруживаем и у мышей. Если же перенести это на обезьян, то их оптимизированные изображения гораздо сложнее и красивее; они начинают «любить» вещи, которые почти человечески интерпретируемы на уровне отдельных нейронов. Например, нейроны, как показано в работе Нико Софии и его коллег, предпочитают паттерны, похожие на глаза или мех, и, кажется, они также кластеризуются в разные группы.

Это почти как периодическая таблица: должна быть какая-то логика, но мы пока не знаем, какая. Теперь, впервые, вместо того, чтобы, как Хьюбел и Визель, тратить время на случайное обнаружение этих особенностей, мы обладаем технологией и методом для систематической расшифровки всей зрительной системы. Мы также хотим применить это в области моторного контроля и когнитивных процессов. Эти методы применимы и к людям. Я расскажу об одном открытии, которое было сделано полностью с помощью этого метода.

Это статья, опубликованная в Nature пару лет назад Кэтрин Кодвелл, в которой задавался вопрос: что происходит с мозгом, когда вы меняете своё внутреннее когнитивное состояние? То, что я сейчас опишу, было сделано на мышах; сейчас мы проводим подобные исследования на приматах, которые ближе к людям. Например, вы, возможно, внимательно слушаете то, что я говорю, или думаете о том, что будете есть на обед. Как при этом мозг меняет способ обработки информации? Мы не знаем, как эти нейроны, которые, предположительно, реагируют на границы, ведут себя, когда кто-то думает о еде.

Не начинает ли нейрон, видящий край, воспринимать его как банан? Мы не знаем,

как мозг перестраивается в таких ситуациях. Кэтрин провела первые эксперименты на мышах (исследование было опубликовано в Nature несколько лет назад). У мышей, как и у нас, есть колбочки, но у них это зелёные и УФ-колбочки. Они очень чувствительны к ультрафиолетовому свету, глубокому синему, чего мы не можем видеть. Она создала в нашей лаборатории монитор, на котором показывала мышам цветные изображения, построила цифровое дерево, а затем в этом цифровом дереве провела оптимизацию в разных состояниях мозга.

Один из способов измерения состояний мозга, как у мышей, так и у людей, — это наблюдение за расширением зрачка. Если ваш зрачок расширяется при том же уровне освещённости, это означает, что вы уделяете больше внимания тому, что я говорю. Игроки в покер и другие игроки в игры прячут глаза по многим причинам, в том числе потому, что люди очень чувствительны к наблюдению за зрачками друг друга: когда зрачок расширяется, это указывает на внутреннее состояние. Итак, она задала этот вопрос для мышей, и обнаружила, что в модели, когда зрачок мыши расширяется, нейроны настраиваются на большее количество синего или УФ-света.

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

То есть, когда мышь внимательна, её пространственные предпочтения не меняются, но она смещается в сторону синего. Мы считаем это важным, потому что мыши, конечно, беспокоятся о хищниках с неба. Хищники прилетают с неба. И мыши выходят на охоту на рассвете и в сумерках, в «синий час». Использование дронов в это время позволило измерить чувствительность летающей птицы или хищника в верхнем поле зрения мыши и обнаружить, что в ультрафиолетовом спектре контраст выше.

Затем, в ходе ряда экспериментов, мы показали, что во время расширения зрачков, когда мыши внимательны, они гораздо лучше обнаруживают летающие объекты, имитирующие нападающую птицу. До сих пор я описывал цифровых двойников, построенных индивидуально для каждого животного. С тех пор мы сделали следующий шаг: в рамках недавнего пакета статей Micron's Nature мы опубликовали работу, в которой представили то, что называем фундаментальной моделью.

Это одна из первых фундаментальных моделей мозга, обученная как «розеттский камень» для соотнесения видео и поведения с нейронными ответами не только у конкретной мыши, но и у всех мышей. Она обучена на огромных объёмах данных, которые мы собираем, и сейчас мы обучаем ещё более крупную модель, которая будет тренироваться на 300 животных и охватывать от 3 до 4 миллионов нейронов. Эта модель обрабатывает видео, и мы называем её фундаментальной, вдохновляясь терминологией, используемой в больших языковых моделях (изначально предложенной Перси и другими в Стэнфорде).

Идея в том, что обученная модель хороша не только в задаче, на которой она тренировалась, но и может выполнять множество новых задач, что значительно расширяет возможности «петли начала». Теперь я покажу некоторые из этих возможностей. Например, после обучения этой фундаментальной модели на когорте из, скажем, 10 животных, вы приводите новое животное, и очень быстро можете создать его цифрового двойника. Если раньше на создание цифрового двойника каждого животного требовалось полтора часа, то с этой фундаментальной моделью, собрав всего 16 минут данных, мы можем создать цифрового двойника, столь же точного, как если бы мы строили его с нуля.

Для нас, проводящих эксперименты, это открывает множество практических возможностей, потому что теперь мы можем осуществлять оптимизацию эксперимента в реальном времени, почти за пару часов. Ещё одно преимущество: эта модель была обучена только на естественных видео, но теперь мы можем показывать различные типы стимулов, даже параметрические стимулы, случайные точки. Мы можем исследовать пространство познания и восприятия здесь на гораздо более высоком уровне. Эту модель также можно использовать для интерфейсов «мозг-компьютер».

Можно декодировать визуальную информацию: у мыши зрительная система невысокого разрешения, но это передовое достижение в реконструкции на пиксельном уровне — это просто необработанные данные, записанные из мозга, без предварительных знаний, и мы просто реконструируем видео. Сейчас мы делаем это и на обезьянах. Теперь, чтобы завершить лекцию, я хочу перейти к другой теме, поскольку до сих пор я говорил только о репрезентативно-алгоритмическом уровне. Я считаю, что именно этот уровень в ближайшие пять-десять лет будет иметь прямое взаимодействие и потенциальное влияние на ИИ благодаря принципу универсальности.

Потому что на этом уровне, как я уже показывал, мы можем по сути копировать интеллект, используя не только поведение, но и нейронную активность, на чипе, на GPU, на том же субстрате, что и, например, Google или OpenAI. И мы можем напрямую сравнивать эти модели. Теперь они построены на одном и том же субстрате, но одна имитирует мозг функционально, а не так, как он это делает. У неё нет молекул. Она построена из кремния, а не из углерода. У неё нет связей. У неё нет типов клеток.

И я думаю, что это — в контексте ИИ и взаимодействия с ИИ, понимания мозга на алгоритмическом уровне и создания цифровых двойников — функциональный цифровой двойник мозга, а не уровень реализации, не молекулярный, не биофизический цифровой двойник, — является наиболее прямым путём для связи с ИИ и понимания мозга на алгоритмическом уровне. Это также связано с созданием, возможно, более безопасного ИИ. Однако, как нейробиологи, мы также заинтересованы в лечении заболеваний мозга.

Аналогично тому, как я, будучи студентом, мог сделать тост утюгом, функционально имитируя тостер, не понимая его внутренней структуры, так и функциональная модель мозга не позволяет его «починить». Для этого необходимо работать на уровне, где у нас есть множество инструментов для манипуляции мозгом, таких как молекулярная биология, фармакология и так далее. Именно этим занимается проект Microns. Проект Microns — это крупнейшие коннектомные данные, но они уникальны не только своим объёмом, но и тем, что включают функциональные данные тех же нейронов. Эти данные были собраны таким образом, чтобы объединить и структуру, и функцию.

Это был героический семилетний труд, в результате которого мы опубликовали 10 статей подряд в апрельском номере Nature. Эти данные были публично доступны ещё до наших публикаций, и они очень богаты: они содержат информацию о типах клеток, связности вплоть до органелл, полученную с помощью электронных микроскопов. Я покажу один из основных результатов этой работы, и на этом завершу. Эти данные уникальны тем, что они не просто огромные коннектомные данные, но и включают функциональные данные.

Мы с Джакаром Полом и Эстелиосом соотнесли функциональные и структурные данные и задали простой вопрос: может ли фундаментальная модель, разработанная Эриком Вангом, предсказывать не только активность, но и морфологический, анатомический тип этих нейронов? Эта работа, ещё одна статья, выполненная под руководством Института Аллена, где мы характеризовали анатомические особенности нейрона, показала, что модель Эрика могла предсказывать анатомическую информацию, несмотря на то, что модель никогда не «видела» атома. Именно поэтому это фундаментальная модель: она не только предсказывала активность, но и другие параметры.

Затем в моей лаборатории мы взяли эти данные и задали очень простой вопрос: когда нейроны образуют связи, какова функциональная взаимосвязь между ними? Если кратко, существует так называемое правило Лэйба-Тору, которое мы знали много лет. Оно гласит, что когда аксон (выход нейрона) проходит через, скажем, «лес» дендритов, он будет соединяться с нейронами, имеющими те же предпочтения. Но что это за предпочтения? Мы обнаружили, что если разложить предпочтения с помощью этой модели, она декомпозирует то, что нейроны предпочитают, на часть пространства, которая им нравится.

Как я показывал, эти нейроны имеют локализованные рецептивные поля. А также типы признаков: например, им нравится красный или УФ-свет, или вертикальная полоса, или горизонтальная, или определённый угол. Мы обнаружили, что нейроны скорее «беспорядочны» в отношении пространственного расположения признаков, но очень «верны» в поиске нейронов, имеющих те же предпочтения признаков. Если им нравится красный прямой угол 90 градусов, они будут пытаться найти другие нейроны, которым нравится тот же угол. Это правило было расшифровано с помощью объединённых структурных и функциональных данных, а также фундаментальной модели.

В заключение, главная мысль этой лекции заключается в том, что наша цель — найти взаимосвязь между тем, что происходит внутри мозга, и тем, что происходит снаружи. Это, по сути, определение интеллекта. Я предлагаю, что для этого, если мы построим цифрового двойника, функционального цифрового двойника мозга, мы сможем не только соотнести его с ИИ, поскольку мы перенесли интеллект мозга на тот же инсилико-субстрат, не беспокоясь о грандиозных деталях, которые мы даже не знаем, как собирать в масштабе (и даже если бы знали, неясно, как их использовать, хотя я сам собирал данные коннектомики, типов клеток и транскриптомики, потому что лучшие модели, которые мы строим, основаны на этом функциональном уровне).

Это способ связать внешний мир с цифровым двойником мозга или системой ИИ, которая также является цифровым двойником, но построена на более функциональном уровне, тогда как наши цифровые двойники строятся на функциональном уровне и уровне активности, помогая понять, как работает мозг. Это может привести к тому, что, по нашей главной гипотезе, мозг, например, в зрении, обладает интуитивной физикой.

Он имеет понимание мира, а не просто «компетентен» в нём. Прекрасная демонстрация этому — Sora от OpenAI, которая показывает, что, несмотря на красивые фильмы, генерируемые Sora, Evo 3 и другими, когда им нужно выполнить простые вещи, которые для нас, людей или животных, тривиальны и требуют интуитивной физики, например, ноги не могут двигаться таким странным образом из-за суставов, эти модели «проваливаются». Именно здесь, как мы думаем, мозг обладает этим новым типом «ингредиента», который даёт ему понимание в отличие от простой компетентности в мире.

Благодарю наши финансирующие организации, которые поддерживали нашу работу на протяжении многих лет, а также многочисленных коллег и студентов, работавших над этим. Мы переходим к вопросам и ответам.

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

Как в будущем будут решать, использовать ли модель, которая предсказывает внешне видимые поведенческие реакции (например, цифрового двойника мыши на основе визуальных и аудиовходов), или модель, которая предсказывает активность отдельных нейронов? Какая модель лучше для какой задачи?

Прежде всего, модель, которую я показал, предсказывает активность отдельных нейронов.

Она просто не реализует функцию так, как это происходит в реальном мозге, потому что у неё нет связей, типов клеток и биофизических свойств. Эти нейроны имеют очень сложную морфологию и нелинейность. Люди изучали это на протяжении 100 лет. Однако ваш вопрос очень интересен, потому что в конечном итоге стоит более глобальный вопрос: нужно ли нам беспокоиться об отдельных нейронах, или мы хотим изучать нейронные многообразия, то есть генерируемую динамику? Существуют и другие технологии, такие как фМРТ, ультразвук, ЭЭГ, которые абстрагируются от отдельных нейронов и измеряют активность мозга на другом уровне.

Я работал в этих областях, таких как фМРТ, а также проводил эксперименты с ЭЭГ, в том числе с высоким разрешением и внутрикортикальной ЭЭГ. Моё мнение и мой опыт создания таких моделей таковы: мозг работает на уровне, который можно назвать «квантовым уровнем мозга» — это отдельные нейроны и отдельные спайки. И теперь у нас есть инвазивные технологии для получения этих данных в масштабе. Поэтому я бы сейчас вкладывал средства именно в этот уровень и переходил бы к менее инвазивным методам только после того, как появятся доказательства, что мы можем понять его на другом уровне.

Представьте, что вы пытаетесь понять человеческий язык на стадионе, и вы не можете установить микрофоны, которые записывают сотни, тысячи или десятки тысяч людей. Но даже если вы запишете разговор 10 человек и просто усредните его, конечно, это будет коррелировать с тем, когда забивается гол, или что-то происходит, или когда начинается драка на стадионе. Но чтобы добраться до «языка мозга» и понять, что именно они говорят, и понять синтаксис, нужно опуститься на этот уровень. И я чувствую, что здесь нет лёгких решений.

Нам придётся пойти на этот уровень, чтобы по-настоящему понять код. И именно на этот уровень я и ориентируюсь.

Как создание менее искусственного интеллекта может быть связано с безопасностью ИИ?

Идея здесь в том, что безопасность интеллектуальной системы, по крайней мере один из её аспектов, заключается в наличии понимания мира. Если система просто хорошо работает, но не имеет истинного понимания, совершает глупые ошибки, то это тревожная, небезопасная система.

Например, если вы создадите игру, которая играет в Го, и измените размер доски, а она никогда не видела досок разных размеров и катастрофически проваливается, это означает, что ей нельзя полностью доверять. Или у вас есть робот, который никогда не видел теней именно таким образом и не понимает, как образуются тени в мире, — он небезопасен. Основная гипотеза здесь заключается в том, что мозг обладает пониманием. Он, возможно, не прочитал каждый текст, не видел каждое видео на YouTube, но у него есть понимание мира. И это понимание связано с интерпретируемостью.

Модель интерпретируема. По сути, у неё есть модель мира, которая, например, в зрении, включает цвета, формы, объекты, 3D-структуру, позу. Всё это взаимосвязано прекрасным модульным образом. В ней есть композиционность и всё такое. И если мы построим этих цифровых двойников, основанных на тех же алгоритмических принципах, то мы сможем сделать их более безопасными с этой точки зрения. Я говорю не о моральной стороне, а о том, чтобы иметь понимание мира и не совершать таких ошибок, которые вы видите в искусственных нейронных сетях.

Уверен, вы их видели: они могут катастрофически провалиться каким-то образом, у них есть пробелы в знаниях, показывающие, что у них нет истинного понимания. Вот очень хорошая иллюстрация философа Дэниела Деннета, который до своей смерти на своём веб-сайте выложил нечто, что, по сути, отражает то, что я говорю. Это различие между компетентностью и пониманием. Посмотрите на изображение термитника. Он почти выглядит как Саграда Фамилия, но здесь нет архитекторов. Эти ребята просто строят то, что может выглядеть очень красиво, но у них нет истинного понимания.

Например, они не могут использовать эти вещи и построить нечто, похожее на человека, как мог бы сделать архитектор. Таким образом, Дэниел, философ, пусть и с некоторой долей преувеличения, показал это различие между компетентностью и пониманием. Я думаю, сейчас искусственные нейронные сети ближе к пониманию, но эта концепция остаётся актуальной.

Почему необходимо соотносить данные с поведением? Достаточно ли функциональной записи и морфологии нейронов для предсказания поведения клеток/нейронов? Зачем записывать то, что видит организм извне?

Нам нужно записывать входные данные.

Если мы записываем, на что реагируют эти нейроны, чтобы построить модель, нам нужно знать, что является выходом, а что — входом в систему. Потому что, например, если вы пытаетесь создать представление внешнего мира, как я показывал в начале лекции, то характеризация внешнего мира очень важна. Причина, по которой нам также нужно поведение, например, хватают ли они яблоко, когда его видят? Или в случае человека, если вы говорите с ним, вы можете записывать то, что он слышит, но затем то, что он сам говорит, — это потому, что в конечном итоге мы хотим построить модель, которая имитирует поведение, ведущее к интеллекту, то есть его выход.

Мозг может вычислять много чего, но то, как мы решаем, какое поведение выразить в любой момент времени, также создаёт своего рода узкое место. Конечно, можно представить, что если спуститься до мышц и записывать все движения, то можно будет сделать всё, и даже не нужно будет записывать произносимые фонемы. Но в конечном итоге вы хотите функционально записать весь путь. Если же вы хотите опуститься на один уровень ниже и сказать: «Хорошо, я буду воспроизводить мозг морфологическими, анатомическими, биофизическими методами», то здесь возникает много проблем, даже технических.

Даже если бы у нас были все данные с максимальной детализацией, было бы очень много параметров, которые нужно было бы подогнать, и у нас нет вычислительных возможностей для этого. Это похоже на добавление сложности без соответствующих алгоритмов обучения, которые могли бы подогнать эти данные. В чём нам не хватает, так это в том, что у нас есть обратное распространение ошибки и, по сути, эти искусственные нейронные сети, и у нас есть способ подавать данные в модель на этом уровне.

А поскольку эти нейронные сети являются универсальными аппроксиматорами функций, мы имеем уникальную возможность копировать мозг как на уровне активности, так и на поведенческом уровне, не беспокоясь обо всей детальной физической реализации. Конечно, в будущем это будет становиться всё более и более важным, как я сказал, мы будем лечить болезни и воздействовать на ионные каналы. Нужно создавать модели, которые связывают эти вещи воедино. Это не обязательно должны быть восходящие модели, но скорее такие фундаментальные модели, о которых я говорил.

Мозг и его изучение

Электроды, выращенные в мозге – прокладывают путь для будущих методов лечения неврологических расстройств

Новые разработки в области биоэлектроники

Выращивание электродов в живых тканях

Потенциал для будущих методов лечения

Новый взгляд на биологию и электронику

Похожее

Тренированный мозг быстро подавляет зрительные отвлечения

Понимание визуального внимания

Роль всплывающего внимания

Преимущества контроля внимания

Исцеление мозга: гидрогели обеспечивают рост тканей нейронов

Нейтроны раскрывают ключ к экстраординарному переносу тепла

Что такое фазоны?

Почему нейтроны идеально подходят для изучения фазонов?

Как фазоны могут улучшить моделирование переноса тепла?

Применение фазонов в переносе тепла

Декодирование мозговой активности для раскрытия историй в сознании людей

Представляем семантический декодер

Принцип работы семантического декодера

Улавливая суть мыслей

Устранение опасений по поводу злоупотреблений

Будущее применение и потенциал

Функциональная спектроскопия ближнего инфракрасного диапазона: Перспективная альтернатива

Последствия для людей с нарушениями коммуникации

Потенциальное коммерческое применение

Продолжение исследований и разработок

Заключение

Разгадывая тайны мозга: Более глубокий взгляд на роль глюкозы

Картирование реакции мозга на колебания уровня глюкозы

Разгадка сложности регулирования уровня сахара в крови в мозге

Locus Coeruleus: Нежданный страж глюкозы

Towards Tailored Therapies: Использование картирования мозга в лечении диабета

Финансирование передовых исследований в области управления глюкозой

Прогресс в диабетических исследованиях: Будущее

Мозг и глюкоза: Биологический симбиоз

Расширяя горизонты: Будущее исследований диабета

Неисследованная территория: Дальнейшие исследования связи между глюкозой и мозгом

Заключение

Как депривация сна вредит мозгу

Гиппокамп: Ключевой игрок в обучении и памяти

Белки и РНК

Лабиринт: познавательный эксперимент

Снижение уровня плейотрофина (PTN)

Понимание моральных принципов: Результаты исследования мозга

Природа морального мышления

Научное исследование

Либералы против консерваторов: Неврологический разрыв

Основы теории моральных устоев

Расшифровка моральных основ в мозге

Сложность моральных рассуждений

Отличительные особенности активации

Политическая идеология и моральные суждения

Будущие направления исследований

Нейробиолог Луиза Никола: как раскрыть полный потенциал вашего мозга

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение

Джеральд Пао | Алгоритмы картирования нейронной активности на поведение (окончание)

Андреас Толиас | Фундаментальные модели и цифровые двойники мозга

Интересное в разделе «Наука»

Новое на сайте