Biološki model mozga podudara se sa životinjama

Novi računalni model mozga, blisko utemeljen na njegovoj biologiji i fiziologiji, ne samo da je naučio jednostavan zadatak vizualnog učenja kategorija jednako dobro kao i laboratorijske životinje, već je čak omogućio otkriće kontraintuitivne aktivnosti skupine neurona koju istraživači koji rade sa životinjama na obavljanju istog zadatka prije nisu primijetili u svojim podacima, kaže tim znanstvenika s Dartmouth Collegea, MIT-a i Državnog sveučilišta New York u Stony Brooku.

Značajno je da je model postigao ova postignuća bez da je ikada obučen na podacima iz pokusa na životinjama. Umjesto toga, izgrađen je od nule kako bi vjerno prikazao kako se neuroni povezuju u krugove, a zatim električno i kemijski komuniciraju preko širih područja mozga kako bi proizveli spoznaju i ponašanje.

Zatim, kada je istraživački tim zamolio model da izvrši isti zadatak koji su prethodno izvršili sa životinjama (gledanje uzoraka točaka i odlučivanje kojoj od dvije šire kategorije odgovaraju), proizveo je vrlo slične neuronske aktivnosti i rezultate ponašanja, stječući vještinu s gotovo istim nepravilnim napretkom.

Cilj izrade modela, nije samo pružiti uvid u to kako mozak funkcionira, već i kako bi mogao funkcionirati drugačije kod bolesti i koje bi intervencije mogle ispraviti te aberacije, dodaje Earl K. Miller, profesor na institutu za učenje i pamćenje na MIT-u.

Miller, Granger i drugi članovi istraživačkog tima osnovali su tvrtku Neuroblox.ai za razvoj biotehnoloških primjena modela, a koautorica Lilianne R. Mujica-Parodi, profesorica biomedicinskog inženjerstva na Stony Brooku i glavna istraživačica projekta Neuroblox, izvršna je direktorica tvrtke.

„Ideja je stvoriti platformu za biomimetičko modeliranje mozga kako biste imali učinkovitiji način otkrivanja, razvoja i poboljšanja neuroterapeutika. Razvoj lijekova i testiranje učinkovitosti, na primjer, mogu se dogoditi ranije u procesu, na našoj platformi, prije rizika i troškova kliničkih ispitivanja“, kaže Miller.

Postdoktorand s Dartmoutha Anand Pathak stvorio je model koji se razlikuje od mnogih drugih po tome što uključuje i male detalje, poput načina na koji se pojedinačni parovi neurona međusobno povezuju, i arhitekturu velikih razmjera, uključujući kako na obradu informacija u različitim regijama utječu neuromodulatorne kemikalije poput acetilkolina. 

Pathak i tim iterirali su svoje dizajne kako bi osigurali da se pridržavaju različitih ograničenja uočenih u stvarnim mozgovima, poput načina na koji se neuroni sinkroniziraju širim ritmovima. Mnogi drugi modeli usredotočuju se samo na male ili velike razmjere, ali ne na oboje.

Metaforička „stabla“, nazvana „primitivi“ u studiji, mali su sklopovi od nekoliko neurona koji se povezuju na temelju električnih i kemijskih principa stvarnih stanica kako bi obavljali temeljne računalne funkcije. Na primjer, unutar modelne verzije moždane kore, jedan primitivni dizajn ima ekscitacijske neurone koji primaju ulazne podatke iz vizualnog sustava putem sinapsi na koje utječe neurotransmiter glutamat. 

Ti ekscitacijski neuroni zatim se gusto povezuju s inhibitornim neuronima u natjecanju kako bi im signalizirali da isključe druge ekscitacijske neurone - arhitektura „pobjednik uzima sve“ koja se nalazi u stvarnim mozgovima i regulira obradu informacija.

U većem mjerilu, model obuhvaća četiri moždane regije potrebne za osnovne zadatke učenja i pamćenja: korteks, moždano deblo, striatum i strukturu „tonički aktivnog neurona“ (TAN) koja može ubrizgati malo „šuma“ u sustav putem naleta acetilkolina. 

Na primjer, dok se model bavio zadatkom kategorizacije predstavljenih uzoraka točaka, TAN je u početku osigurao određenu varijabilnost u načinu na koji je model djelovao na vizualni ulaz kako bi model mogao učiti istraživanjem različitih radnji i njihovih ishoda. Kako je model nastavio učiti, krugovi korteksa i striatuma ojačali su veze koje su potiskivale TAN, omogućujući modelu da djeluje na ono što je učio sa sve većom dosljednošću.

Kako se model bavio zadatkom učenja, pojavila su se svojstva iz stvarnog svijeta, uključujući dinamiku koju je Miller često promatrao u svojim istraživanjima sa životinjama. Kako je učenje napredovalo, korteks i striatum postajali su sinkroniziraniji u "beta" frekvencijskom pojasu moždanih ritmova, a ta povećana sinkronizacija korelirala je s vremenima kada su model (i životinje) donosili ispravnu kategoričku procjenu o tome što su vidjeli.

No model je istraživačima također predstavio skupinu neurona, oko 20 posto, čija se aktivnost činila visoko prediktivnom za pogreške. Kada bi ti takozvani "neusklađeni" neuroni utjecali na sklopove, model bi donio pogrešnu procjenu kategorije. U početku tim je mislio da je to hir modela. Ali onda su pogledali podatke o stvarnom mozgu koje je Millerov laboratorij prikupio kada su životinje izvršile isti zadatak.

Iako je model opisan u novom radu nadmašio očekivanja tima, Granger kaže da ga je tim proširio kako bi bio dovoljno sofisticiran da se nosi s većim rasponom zadataka i okolnosti. Na primjer, dodali su više regija i nove neuromodulatorne kemikalije. Također su počeli testirati kako intervencije poput lijekova utječu na njegovu dinamiku.