В статьях про мозг часто провожу аналогии между нейронами и линиями электропередач. Но, представьте себе такую картину. Вы у себя дома. И видите два одинаковых провода. Один в теории ведет к дверному звонку, а другой – к лампочке. Чтобы понять, какой куда, нужно вручную перебрать провод и дойти до конечной точки. Но теперь искусственный интеллект с одного «взгляда» определяет функции проводов.
Раньше, процесс определения «типа» нейрона был медленным, осуществлялся вручную, а выводы основывались на форме самой клетки. Новая система искусственного интеллекта, Neuronal Type Assignment from Connectivity (NTAC) пошла по другому пути.
Нейросеть доказала, что «схема связей» нейрона с другими нейронами – это более точный способ определить его функции, нежели ориентироваться на физический облик. NTAC может классифицировать тысячи нейронов за считанные минуты на стандартном ноутбуке с точностью более 90%, даже в тех областях мозга, где нейроны выглядят одинаково.
Ключевые факты
Традиционно, в этот раздел выношу основные постулаты исследования, чтобы было проще понять, о чем речь. Если будут дополнительные вопросы: пишите или в комментарии к статье, или на почтуfilipp.donchev@gmail.com.
Связность как в ДНК. NTAC на практике доказал, что одних только синаптических связей достаточно для определения типа нейрона. Это делает ручную морфологическую сортировку устаревшей и ненадежной.
Превосходная точность. В зрительной доле плодовой мухи нейроны выглядят очень похожими и трудноопределимыми для «ручной работы». Метод NTAC достиг 90% точности, в то время как традиционные методы, основанные на форме, как NBLAST, едва дотягивали до 50%.
Скорость и эффективность. То, что раньше занимало у специалистов месяцы ручного труда, теперь можно сделать за минуты на обычном ноутбуке.
Два режима работы.Полуавтоматический процесс. Используется крошечная доля предварительно размеченных нейронов, чтобы «научить» ИИ распознавать остальные. Метод без учителя. В нем нейросеть кластеризует нейроны по типам, основываясь исключительно на схемах связей без каких-либо предварительных меток, достигая точности около 70% в сложных областях.
Геномная параллель. Исследователи сравнивают этот прорыв с развитием геномики. Подобно тому как картирование генома произвело революцию в медицине, картирование «коннектома» поможет понять, как нарушаются нейронные цепи при заболеваниях головного мозга.
Источник:NTAC: Neuronal type assignment from connectivity
Коннектом мозга
Ученые смогли реконструировать полный коннектом головного мозга у мелких организмов и частичные коннектомы у млекопитающих, включая картирование сети нейронов и синаптических связей. Главный момент в этом процессе – типизация клеток. Чем точнее определяется тип клеток, тем проще понять функции нейронных связей и сравнить организацию головного мозга у разных видов.
Традиционно типизация клеток основывалась на ручном труде. Или, если умными словами: морфологической классификации, проводимой экспертами. Это медленный процесс, требующий подробной анатомической информации. Однако морфология может быть обманчивой. Особенно в участках с повторяющимися типами клеток, в которых нейроны морфологически крайне схожи. Но их ключевое различие – тип связей.
Не смотри на личность. Смотри на её связи
Здесь стоит сделать небольшой шаг в сторону. Ранее я выпустилперевод большого интервью с доктором Брюсом Липтоном, сотрудником Медицинской школы Университета Висконсина и автором исследований над стволовыми клетками, которые проводились в Стэнфордской школе медицины. В материале сравнивалась изумительная схожесть между социальными структурами общества и паттернами развития клеточных структур. То, как личность человека определяется связями в его окружении, так и функция клетки определяется её включенностью в общую цепь!
Вот и в новом исследовании ученые разработали автоматизированную систему определения типов нейронов на основе синаптических связей (NTAC), которая обеспечивает высокоточные результаты и эффективно работает даже на обычных компьютерах. Что доказывает: синаптическая связь сама по себе содержит достаточно информации для идентификации типов нейронов без опоры на морфологические признаки.
Данная статья является результатом международного сотрудничества между Японским институтом передовых наук и технологий (JAIST), Принстонским нейробиологическим институтом, Эдинбургским университетом и Техническим университетом Каталонии. Исследование возглавлял доктор Грегори Шварцман, доцент JAIST, а также в нем принимали участие доктор Бен Журдан из Эдинбургского университета, доктор Давид Гарсия-Сориано из Технического университета Каталонии и доктор Арие Мацлиах из Принстонского университета.
Суть исследования по распознанию типа нейронов
Наше исследование проводится в контексте расширения коннектомов и растущей потребности в автоматизированных и масштабируемых инструментах. По мере роста наборов данных коннектомов ручная типизация клеток становится проблемным моментом и фактором замедления. NTAC способен определять типы нейронов исключительно на основе синаптической связи с очень высокой точностью. Это показывает, что сама схема связей передает достаточный сигнал для быстрой идентификации типов нейронов, даже когда помечена лишь небольшая часть нейронов.Доктор Грегори Шварцман.
Исследователи разработали два режима работы для NTAC.Полуконтролируемый– небольшая часть нейронов предварительно размечена, а алгоритм использует схемы связей для определения типов оставшихся нейронов.Неконтролируемый– алгоритм сам группирует нейроны исключительно на основе сходства в их проводящих структурах.
Алгоритм был применен к нескольким коннектомам мозга плодовых мушек, и точность NTAC сравнивалась с морфологическими подходами, основанными на NBLAST, широко используемом методе сравнения форм нейронов. В зрительной доле, области, где нейроны занимают пространство и которые трудно различить морфологически, NTAC значительно превзошел NBLAST.
Наглядная эффективность
В то время как морфологические методы требовали гораздо больше размеченных примеров и в некоторых случаях с трудом достигали 50% точности, NTAC превзошел 90% показатель точности, используя лишь небольшую часть размеченных данных. На это несколько минут на мощностях обычного ноутбука.
В полностью неконтролируемом режиме NTAC достиг точности около 70%, что значительно превосходит методы кластеризации на основе морфологии, точность которых часто оставалась ниже 10%. Для всего мозга, содержащего тысячи уникальных типов клеток, неконтролируемая точность достигла 52%, что является обнадеживающим результатом, учитывая масштаб и сложность данных.
Комментарий доктора Шварцмана
Долгосрочная цель коннектомики — составить карту всего человеческого мозга и извлечь из неё научные и медицинские выводы. Подобно тому, как геномика произвела революцию в биологии и медицине. В настоящее время полные коннектомы были составлены только для очень маленьких организмов, таких как плодовые мушки.
NTAC может ускорить создание и анализ коннектомов, потенциально ускоряя научные открытия, и в будущем может внести вклад в усилия по классификации типов нейронных клеток в крупномасштабных коннектомах млекопитающих, а в конечном итоге и человека.
Этот алгоритм уже эффективно применялся для маркировки тысяч нейронов в наборе данных коннектома головного мозга и спинного мозга (BANC). Следующим рубежом в коннектомике является картирование головного мозга мыши, и наш алгоритм может сыграть существенную роль в этом направлении.
Ответы на ключевые вопросы:
В: Почему одной лишь формы недостаточно для идентификации нейрона?
О: Представьте себе два одинаковых на вид электрических провода в вашем доме. Один подключается к выключателю, другой – к дверному звонку. Взглянув на сам провод, вы не поймете его назначение – нужно увидеть, к чему он подключен. В зрительной доле головного мозга нейроны заполняют всё пространство и выглядят очень похоже, но NTAC показывает, что их уникальные «подключения» (синапсы) раскрывают их истинную сущность.
В: Означает ли это, что мы наконец-то можем составить карту человеческого мозга?
О: Мы приближаемся к цели. В настоящее время мы картировали только крошечные организмы, такие как плодовые мушки. Однако NTAC разработан с учетом масштабируемости. По мере того, как мы приближаемся к картированию мозга мыши, а затем и человеческого мозга (который содержит 86 миллиардов нейронов), автоматизированные инструменты, такие как NTAC, остаются единственным способом обработки такого огромного объема данных.
В: Такому ИИ для работы нужен суперкомпьютер?
О: Удивительно, но нет. Одно из главных преимуществ – высокая эффективность NTAC. Он был разработан для работы на обычных ноутбуках, что делает нейробиологию высокого уровня доступной для большего числа исследователей по всему миру без необходимости в огромных серверных фермах.
Традиционно, вопросы можете задать прямо здесь в комментариях.
Больше новостей и исследований про мозг, психику и сознание – найдете в моем профиле на данном ресурсе, на сайтеNeural Hackили одноименномтелеграм-канале.
Для личной связи, пишите на почту:filipp.donchev@gmail.com
Илителеграм
