Используя лучшую на данный момент модель визуальной нейронной сети мозга, исследователи разработали новый способ точного управления отдельными нейронами и популяциями нейронов в середине этой сети. Затем в исследовании на животных команда показала, что информация, полученная с помощью вычислительной модели, позволяет им создавать изображения, которые сильно активируют определенные нейроны мозга по их выбору.
Полученные данные свидетельствуют о том, что текущие версии этих моделей достаточно похожи на мозг, чтобы их можно было использовать для управления состояниями мозга у животных. Исследование также помогает установить полезность этих моделей зрения, которые вызвали бурные споры о том, точно ли они имитируют работу зрительной коры, – говорит Джеймс Дикарло, глава отдела мозга и когнитивных наук Массачусетского технологического института, исследователь из Института Макговерна. для исследования мозга и Центра мозга, разума и машин, а также старшего автора исследования.
«Люди сомневаются, обеспечивают ли эти модели понимание зрительной системы», – говорит он. «Вместо того, чтобы обсуждать это с академической точки зрения, мы показали, что эти модели уже достаточно мощны, чтобы позволить новое важное приложение. Понимаете вы, как работает модель, или нет, в этом смысле она уже полезна."
Постдоки Массачусетского технологического института Пуя Башиван и Кохитий Кар являются ведущими авторами статьи, которая появится в онлайн-выпуске журнала Science от 2 мая.
Нейронный контроль
За последние несколько лет ДиКарло и другие разработали модели зрительной системы на основе искусственных нейронных сетей. Каждая сеть начинается с произвольной архитектуры, состоящей из модельных нейронов или узлов, которые могут быть соединены друг с другом с разной силой, также называемой весами.
Затем исследователи обучают модели на библиотеке из более чем 1 миллиона изображений.
По мере того как исследователи показывают модели каждое изображение вместе с меткой для наиболее заметного объекта на изображении, такого как самолет или стул, модель учится распознавать объекты, изменяя силу своих связей.
Трудно точно определить, как модель обеспечивает такое распознавание, но ДиКарло и его коллеги ранее показали, что «нейроны» в этих моделях производят паттерны активности, очень похожие на те, что наблюдаются в зрительной коре головного мозга животных в ответ на те же изображения.
В новом исследовании исследователи хотели проверить, могут ли их модели выполнять некоторые задачи, которые ранее не были продемонстрированы.
В частности, они хотели посмотреть, можно ли использовать модели для управления нейронной активностью в зрительной коре головного мозга животных.
«До сих пор с помощью этих моделей можно было предсказать, какими будут нейронные реакции на другие стимулы, которых они раньше не видели», – говорит Башиван. "Основное отличие здесь в том, что мы идем еще на один шаг и используем модели для приведения нейронов в желаемое состояние."
Чтобы добиться этого, исследователи сначала создали взаимно однозначную карту нейронов в визуальной области мозга V4 для узлов в вычислительной модели. Они сделали это, показывая изображения животным и моделям и сравнивая их ответы с одними и теми же изображениями. В области V4 находятся миллионы нейронов, но для этого исследования исследователи создали карты для субпопуляций от пяти до 40 нейронов одновременно.
«После того как каждому нейрону назначено назначение, модель позволяет вам делать прогнозы относительно этого нейрона», – говорит ДиКарло.
Затем исследователи решили проверить, могут ли они использовать эти прогнозы для контроля активности отдельных нейронов зрительной коры. Первый тип управления, который они назвали «растяжением», включает показ изображения, которое будет управлять активностью конкретного нейрона, выходящей далеко за рамки активности, обычно вызываемой «естественными» изображениями, подобными тем, которые используются для обучения нейронных сетей.
Исследователи обнаружили, что когда они показывали животным эти «синтетические» изображения, созданные моделями и не похожие на естественные объекты, целевые нейроны действительно реагировали, как ожидалось. В среднем нейроны проявляли примерно на 40 процентов больше активности в ответ на эти изображения, чем когда им показывали естественные изображения, подобные тем, которые использовались для обучения модели. О таком контроле раньше не сообщалось.
В аналогичной серии экспериментов исследователи попытались сгенерировать изображения, которые максимально управляли бы одним нейроном, при этом сохраняя активность соседних нейронов на очень низком уровне, что является более сложной задачей.
Для большинства нейронов, которые они тестировали, исследователи смогли повысить активность целевого нейрона с небольшим увеличением окружающих нейронов.
«Распространенной тенденцией в нейробиологии является то, что сбор экспериментальных данных и компьютерное моделирование выполняются в некоторой степени независимо, что приводит к очень незначительной проверке модели и, следовательно, к отсутствию измеримого прогресса.
Наши усилия возвращают к жизни этот подход «замкнутого цикла», привлекая предсказания моделей и нейронные измерения, которые имеют решающее значение для успеха построения и тестирования моделей, которые больше всего будут напоминать мозг », – говорит Кар.
Точность измерения
Исследователи также показали, что они могут использовать модель, чтобы предсказать, как нейроны области V4 будут реагировать на синтетические изображения. В большинстве предыдущих тестов этих моделей использовались те же типы натуралистических изображений, которые использовались для обучения модели.
Команда Массачусетского технологического института обнаружила, что модели с точностью около 54 процентов предсказывали реакцию мозга на синтетические изображения, по сравнению с точностью почти 90 процентов при использовании естественных изображений.
«В каком-то смысле мы количественно определяем, насколько точны эти модели при прогнозировании вне области, в которой они были обучены», – говорит Башиван. "В идеале модель должна уметь точно предсказывать, независимо от входных данных."
Теперь исследователи надеются повысить точность моделей, позволив им включить новую информацию, которую они узнают, увидев синтетические изображения, чего не было в этом исследовании.
По словам исследователей, такой контроль может быть полезен нейробиологам, которые хотят изучить, как разные нейроны взаимодействуют друг с другом и как они могут быть связаны. В будущем этот подход потенциально может быть полезен для лечения расстройств настроения, таких как депрессия.
В настоящее время исследователи работают над распространением своей модели на нижневисочную кору, которая питается миндалевидным телом, участвующим в обработке эмоций.
«Если бы у нас была хорошая модель нейронов, которые участвуют в переживании эмоций или вызывают различные виды расстройств, то мы могли бы использовать эту модель, чтобы управлять нейронами таким образом, который помог бы облегчить эти расстройства», – говорит Башиван.
Исследование финансировалось Агентством перспективных исследовательских проектов разведки, MIT-IBM Watson AI Lab, Национальным институтом глаз и Управлением военно-морских исследований.