Каковы ключевые примеры использования вычислительных методов при изучении биологических нейронных сетей?

Я хотел бы добавить к отличному ответу Чака; вычислительный подход очень хорошо представлен в нейробиологии и на самом деле включает в себя большое количество очень разнородных методов. Таким образом, мне на ум пришел совсем другой набор нейробиологов и примеров.

На мой взгляд, лучшим примером полезности вычислительного подхода к интерпретации нейронных данных является гипотеза ошибки предсказания вознаграждения функции дофамина. Ранние исследования в области машинного обучения привели к разработке алгоритма обучения с подкреплением временной разницы. Впоследствии Вольфрам Шульц заметил, что паттерн срабатывания дофаминергических клеток, по-видимому, точно соответствует тому, что можно было бы ожидать от сигнала ошибки временной разности — самой сердцевины этой формы обучения с подкреплением. Впоследствии аналогичные алгоритмы обучения с подкреплением (например, Q-обучение) были применены к различным нейронным данным — хотя и в гораздо более грубом масштабе фМРТ — и предоставили множество доказательств, которые убедительно подтверждают эту гипотезу.

Второй пример, который приходит на ум, также относится к дофамину; в этом случае полезность вычислительного подхода заключалась в понимании картины эффектов, вызванных высвобождением дофамина, а не в характеристике самой картины высвобождения дофамина. На клеточном уровне прекрасным примером такого подхода является работа Джереми Симэна; он использовал дискриминантный анализ Фишера и другие многомерные методы, чтобы лучше охарактеризовать активность нескольких единиц, зарегистрированную в префронтальной коре, при различных условиях дофамина. В конечном счете, его работа была основным вычислительным подходом, способствующим тому, что сейчас является модальным пониманием эффекта дофамина в префронтальной коре, которое заключается в повышении отношения сигнал/шум.

Третий пример связан с применением теории графов к нейронным сетям и, в частности, с нашим пониманием связных графов малого мира. Значение этой работы для нейронауки не осталось незамеченным для математиков, которые изначально занимались этим направлением работы, но ее реальная полезность для нейронауки была наиболее ярко продемонстрирована Олафом Спорнсом в понимании того, что будет называться «коннектомом», то есть , граф структурно и функционально связанных нейронных систем. Хотя это все еще активное направление исследований, связность маленького мира, по-видимому, является повсеместной особенностью коры головного мозга.

Было бы упущением не упомянуть работу большой группы исследователей, прошедших подготовку в области «параллельной распределенной обработки» или традиции коннекционизма, включая Мэтта Ботвиника, Джона Коэна, Майкла Франка, Кена Нормана, Юко Мунакату, Рэнди О'Рейли. В их работе можно привести слишком много прекрасных примеров, но все эти исследователи использовали поведенческие и нейронные данные для построения нейросетевых моделей корковой и подкорковой обработки с различными уровнями биологической детализации; подтвердили эти модели с точки зрения их соответствия существующим поведенческим и нейронным данным; и использовал эти модели для получения прогнозов, которые впоследствии были проверены с использованием различных подходов. Ниже приводится прискорбно неполный, но, по крайней мере, репрезентативный список успехов, достигнутых этими исследователями: открытие параллелей между методами уменьшения размерности или «абстракции», которые могут быть полезны в обучении с подкреплением, и корковой обработкой (в случае Мэтта Ботвиника); открытие параллелей между дилеммой исследования/использования в обучении с подкреплением и функцией системы голубого пятна/норадреналина (в случае Джона Коэна); понимание мелкозернистых функциональных последствий различий в подтипах дофаминовых рецепторов, а также префронтальных/полосатых взаимодействий (в случае Майкла Франка), открытие широкомасштабных последствий долговременной депрессии и потенциации на клеточном уровне для гемодинамических паттернов в задачах на память (в случае Кена Нормана), открытие роли префронтальной тормозной нейротрансмиссии в задачах, требующих «

В заключение я бы поддержал предложение Чака провести поиск в PubMed. Ваш вопрос слишком широк для исчерпывающего ответа, переданного в чем-то короче, чем книга!

Есть много нейробиологов, которые используют методы продвинутой математики и статистики для анализа реальных нейронных данных на наличие паттернов.

Джордж Герштейн , который сейчас на пенсии, был пионером в применении методов «частиц» для анализа нейронных взаимодействий. Создатель преобразования гравитации , он использовал этот инструмент, чтобы распутать некоторые стохастические процессы, лежащие в основе паттернов возбуждения. Он также ввел в широкое использование инструменты, такие как совместная гистограмма времени перистимула , которые позволяют «с первого взгляда» просматривать совместные выстрелы.

Эмери Браун является одновременно анестезиологом и академическим статистиком, который много занимался моделированием с использованием реальных данных о клетках места гиппокампа в рамках байесовской модели, а также моделировал паттерны возбуждения с помощью точечных процессов. Он, наряду с некоторыми другими группами, успешно использовал такие инструменты, как «Причинно-следственная связь Грейнджера», для выявления взаимосвязей между ячейками и подсхемами.

Дж. Бард Эрментроут немного более теоретичен, поскольку он математик, но он много сделал для определения отношений в фазовом пространстве и связи в паттернах возбуждения нейронов и часто проверял свои модели с помощью нейронных данных . Он «написал книгу» на эту тему .

Есть еще сотни примеров, но это первые три, которые пришли на ум. Нейробиологи стремятся и готовы сотрудничать с математиками, статистиками и другими теоретиками (как вы видите), поэтому быстрый поиск в Pubmed по областям, которые представляют для вас особый интерес, вероятно, лучший способ найти их. подполя.

Использование нейронных сетей в когнитивных науках началось со времен Тьюринга . Однако многие из сетей, характерных для коннекционизма, страдают отсутствием биологического правдоподобия. Из этих абстрактных, даже те, которые пытаются уловить некоторые свойства биологических нейронных сетей, делают это только метафорически. См., например, ограничения каскадной корреляции как метафоры нейрогенеза.. Тем не менее, эти абстрактные сети все еще используются, потому что они обеспечивают большой мост между теорией нейробиологии и психологией. Сети абстрактны и достаточно мощны, чтобы иметь дело с вопросами психологии (скажем, психологии обучения или психологии развития), но все же пытаются каким-то образом (по крайней мере, по аналогии) укорениться в биологической сети. Я приведу два примера из этого реферата, работающего с точки зрения биологии.

Большинство ранних подходов к нейронным сетям представляли активацию как действительные выходные данные, которые умножались на веса межнейронных связей. Этот подход заменяется более разумными моделями импульсных нейронов, которые включают более реалистичную среду кодирования (скорость потенциалов действия), но при этом сохраняют относительно абстрактный уровень, который можно использовать в психологии и приложениях машинного обучения. Однако эти модели по-прежнему имеют тенденцию быть слишком абстрактными, чтобы реалистично моделировать конкретные организмы.

Крис Элиасмит и его студенты продвинулись еще дальше в разрыве между абстрактными полезными для психологии моделями и конкретными полезными с биологической точки зрения моделями, предложив структуру нейронной инженерии . Эта вычислительная модель позволяет пользователям запускать целый ряд симуляций , от исследований, близких к биологическим, таких как поступательный вестибулярный глазной рефлекс у обезьян и распознавание песни зябликом-зеброй, до психологических исследований, таких как параметрическая рабочая память и другие виды когнитивных моделей.

Таким образом, эти подходы позволяют понять определенные свойства биологических нейронных сетей, рассматривая основные характеристики абстрактных моделей.

Конечно, вы можете приблизить вещи к биологии, и ответ @ChuckSherrington дает несколько замечательных примеров этого.