Naujausios technologinės pažangos atvėrė įdomių galimybių neuromokslui, suteikdamos galimybę rinkti vis išsamesnius neuroninius duomenis. Tačiau įprasminti daugybę neuroninių įrašų, kuriuos surinko neurologai visame pasaulyje, iki šiol pasirodė sudėtingiau.
Howardo Hugheso medicinos instituto (HHMI) Janelia tyrimų miestelio mokslininkai sukūrė naują skaičiavimo metodą Rastermap, kuris galėtų padėti geriau vizualizuoti įrašus, surinktus iš daugelio neuronų vienu metu. Šis metodas, aprašytas straipsnyje, paskelbtame m Gamtos neuromokslaiiš pradžių buvo taikomas įrašams, surinktiems iš pelių ir beždžionių žievės, žiurkių hipokampo, zebrafinių smegenų ir net dirbtinių neuronų iš neuroninių tinklų.
„Maždaug prieš 10 metų pradėjome turėti prieigą prie daug didesnių duomenų rinkinių, sudarytų iš šimtų, tūkstančių, o kartais ir dešimčių tūkstančių vienu metu įrašytų neuronų“, – „Medical Xpress“ pasakojo vyresnysis šio straipsnio autorius Marius Pachitariu.
„Tai paskatino supratimas, kad turime stebėti daugybę neuronų, „dirbančių” vienu metu grandinėje, kad iš tikrųjų suprastume kai kurias pagrindines neuroninio skaičiavimo ypatybes. Inžinieriai dirbo su neurologais, kad sukurtų tokius įrašymo įrenginius, kurie gali tokiu būdu stebėti nervų veiklą, o skaičiavimo ekspertai sukūrė įrankius, skirtus apdoroti šiuos didžiulius duomenų kiekius.
Tarpdisciplininis neuromokslininkų ir inžinierių bendradarbiavimas leido surinkti daugybę neuronų įrašų, kuriuose vienu metu dažnai aptinkama daugelio neuronų veikla. Šiuose įrašuose kiekvienas atskiras neuronas turi savo skirtingus aktyvumo modelius, kurie laikui bėgant atsiskleidžia ir paprastai susideda iš dešimčių tūkstančių duomenų taškų kiekviename neurone.
„Šiuose įrašuose kiekvienas neuronas sudaro nervinės veiklos neuroninėje erdvėje dimensiją, o kai turite 10 000 neuronų, turite 10 000 dimensijų“, – paaiškino Pachitariu. „Problema ta, kad mes nelabai gerai vizualizuojame nervinę veiklą tokiose didelės apimties erdvėse. Tai buvo motyvacija sukurti Rastermapą.”
Pagrindinis neseniai atlikto Pachitariu ir jo kolegų tyrimo tikslas buvo sukurti vizualizacijos metodą, kuris leistų neurologams lengvai sukurti pažįstamai atrodančius brėžinius (ty rastrinius brėžinius), kuriuose aiškiai atvaizduojami dideli kelių neuronų duomenų kiekiai. Jų sukurtas metodas, vadinamas Rastermap, pirmiausia remiasi užsakymo algoritmu.
„Tarkime, kad turite 20 kūgių ir turite juos užsisakyti pagal panašumą”, – sakė Pachitariu. „Pirmiausia galite pastebėti, kad jie yra skirtingų dydžių, todėl pagal tai ir užsakydami.
„Pakankamai lengva, bet tada pastebite, kad jie taip pat yra skirtingų atsitiktinių spalvų, o taip pat gražiai atrodytų surikiuoti pagal spalvą. Taigi, šiek tiek pakoreguojate tvarką, kad viena šalia kitos būtų daugiau panašių spalvų, bet tada supranti, kad jos taip pat turi šiek tiek kitokias formas (pvz., kai kurios yra plokštesnės, o kitos smailesnės) ir jūs tikrai norite į tai atsižvelgti, todėl toliau keičiate tvarką.
„Dabar vietoj 20 kūgių, pasižyminčių dydžio, spalvos ir formato santykio savybėmis, turime 50 000 neuronų, turinčių abstraktesnes savybes, tokias kaip šaudymo greitis, atsakas į išorinius dirgiklius, koreliacijos su gyvūno judesiais ir kt.
Rastermap paima atskirų neuronų savybes ir bando juos išdėstyti taip, kad jie būtų prasmingi. Jo pagrindinis algoritmas apdoroja duomenis panašiai, kaip žmonės užsakytų kūgius pagal aukščiau paminėtą analogiją. Pradedant nuo atsitiktinės tvarkos, algoritmas nuolat perkelia neuronus, priartindamas juos prie kitų panašių veiklos modelių neuronų.
„Rastermap tęsia šį procesą labai daug iteracijų, naudodamas šiek tiek protingus algoritmus, o pabaigoje jūs turite gerą užsakymą“, – sakė Pachitariu. „Galiausiai, svarbiausia yra tai, ką darome su šiuo išdėstymu: mes naudojame tvarką, kad parodytume neuronų degimo greitį matricoje, kur kiekvieno neurono šūvio pėdsaką įvertinome kaip laiko funkciją (ilgas horizontalus pėdsakas per matricą kiekvienas neuronas) ir mes perkėlėme juos pagal tvarką, kad neuronai su panašiais pėdsakais būtų vienas šalia kito.”
Galiausiai Rastermap sukuria tvarkingą sklypą, kuriame neuronų grupės su panašiais aktyvumo profiliais yra išdėstytos viena šalia kitos. Tai leidžia tyrėjams greitai suprasti tankius ir plačius neuroninius duomenis, o tai savo ruožtu gali sukelti naujų įdomių atradimų.
„Mūsų vizualizacijos metodas veikia gerai, nes smegenyse esantys neuronai nėra visiškai nepriklausomi vienas nuo kito: jie dalijasi tam tikrais veiklos modeliais, tačiau dažnai jie bendrinami ne su artimiausiais audinyje esančiais neuronais, o su gana toli esančiais neuronais. vykdo panašią veiklą“, – sakė Pachitariu.
„Tai taip pat gerai veikia, nes pavieniai neuronai paprastai būna gana triukšmingi, todėl vien žiūrėdami į vieną iš jų atskirai, tikrai negalite „pamatyti“ reakcijų į konkretų dirgiklį ar elgesį, bet kai turite 20–50 šių neuronų. naudojant panašius modelius, jų vidurkį daug lengviau pamatyti vienu bandymu.
Kaip dalį savo neseniai paskelbtame dokumente, Pachitariu ir jo kolegos naudojo savo metodą, norėdami vizualizuoti ankstesnių tyrimų metu surinktus duomenis, įskaitant tuo pačiu metu kelių neuronų įrašus pelės žievėje, taip pat neuronus, užfiksuotus visose zebrafish smegenyse.
Abiem atvejais Rastermap anksčiau praneštus rezultatus pateikė aiškesniais ir vizualiai patrauklesniais būdais. Tyrėjai taip pat pradėjo naudoti Rastermap kituose savo laboratorijoje atliktuose tyrimuose, kurie davė naujų įdomių rezultatų.
„Manome, kad „Rastermapas“ taps vis naudingesnis, nes mokslininkai registruoja vis daugiau neuronų, o tai būtinai nutiks“, – sakė Pachitariu. „Tikimės, kad tai parems atradimais pagrįstą požiūrį į mokslą, kuris tradiciškai buvo stiprus neurologijos pažangos variklis, nes dažnai nežinome, kokių neuronų savybių ieškoti, o įdomias neuronų savybes suklumpame dažniausiai atsitiktinai. .
„Rastermap suteikia jums galimybę atlikti tokius tyrimus didelio masto neuronų įrašų eroje.
Naują vizualizacijos metodą, kurį pristatė ši mokslininkų komanda, netrukus galės panaudoti kiti neurologai visame pasaulyje, kad suprastų didelius duomenų rinkinius, stebinčius kelių neuronų veiklą vienu metu. Tai galėtų padėti įgyti naujų įžvalgų apie konkrečių neuronų funkciją, taip pat apie ryšius tarp skirtingų smegenų dalių.
„Galbūt vieną dieną, kai didelio masto įrašai pateks į klinikines patalpas, Rastermap galėtų leisti mokslininkams perskaityti ir interpretuoti žmogaus smegenų nervinės veiklos modelius, pavyzdžiui, kad tokie dalykai, kaip BCI, būtų veiksmingesni ir lengviau interpretuojami“, – sakė jis. Pachitariu.
Remdamiesi savo naujausiomis pastangomis, Pachitariu ir jo kolegos dabar stengiasi sukurti daugiau vizualizacijos metodų, kurie galėtų paskatinti neurologijos tyrimus. Tuo pačiu metu jie išbando metodus, kuriuos sukūrė bendradarbiaudami su neurologais ir medicinos tyrėjais HHMI Janelia tyrimų miestelyje.
„Kaip cituoju neseniai Nobelio premijos laureatą: susitvarkykite su 14 dimensijų erdvėmis (ar daug didesnėmis), įsivaizduokite (galvoje) trimatę erdvę ir tikrai garsiai pasakykite sau 14“, – pridūrė Pachitariu. „Tai dar sunkiau, kai reikia vizualizuoti 50 000 matmenų erdvę, todėl mums reikia metodų, kaip aprėpti erdves, kurių negalime intuityviai įsivaizduoti, iki erdvių, kurias galime.
„Ir mes turime užtikrinti, kad atlikdami šiuos supaprastinimus „neišmestume kūdikio su vonios vandeniu”, nes lengviausias būdas supaprastinti yra tiesiog išmesti didžiąją dalį savo duomenų. Būtent tai daro PCA Pavyzdžiui, neuroniniai duomenys yra paprastas ir populiarus matmenų mažinimo algoritmas, bet tikriausiai turime pereiti nuo to.
Pateikė Science X