Перевод между мозгом и миром: расшифровка биологических нейронных сетей с помощью искусственных нейронных сетей

В Two Six Labs мы много работаем над искусственными нейронными сетями, от распознавания изображений до обнаружения аномалий. В одной из наших программ, Synergistic Discovery and Design (SD2), разработанной DARPA, мы используем машинное обучение для ускорения лабораторных исследований и получения научных знаний. Мы разработали белковые последовательности, предсказали стабильность фотоэлектрических кристаллов и, для одного проекта, смоделировали реальные, биологические нейронные сети.

Чтение мыслей мыши

Мозг состоит из взаимосвязанных нейронов: клетки, которые активируются (или «загораются») в ответ на входные импульсы и, в свою очередь, активируют другие нейроны. Упрощённые версии этих систем послужили источником вдохновения для первых искусственных нейронных сетей. Наши сотрудники в лаборатории Шнитцера в Стэнфорде создали набор данных, который отслеживает нейронную активность мыши в лаборатории, когда она перемещается по «арене». Конкретно в этом случае используется коробка с наклейками для ориентиров. Они сделали это, прикрепив крошечный микроскоп к голове мыши и записав флуоресценцию красителя, который заставляет отдельные нейроны светиться зеленым во время съёмки. Эта технология "шницерам" отслеживать сотни или тысячи нейронов одновременно.

Мы сосредоточились на нейронах в области CA1 гиппокампа мыши, части мозга, участвующей в обучении, памяти и навигации. Некоторые из нейронов в этой области известны как «клетки-места», потому что они запускаются в ответ на местоположение мыши. Например, данная клетка может срабатывать только тогда, когда мышь находится в верхнем левом углу корпуса. Мозг мыши кодирует концепцию положения, интерпретируя объединённый сигнал об активности или неактивности этих клеток.

Мы задались вопросом: "Можем ли мы использовать искусственную нейронную сеть, чтобы связать сигналы этих биологических нейронов с картой физического местоположения мыши?" То есть, если мы перепроектируем биологическую нейронную сеть, сможем ли мы прочитать мысли мыши, чтобы узнать, где она находится?

Мы обучили нейронную сеть прогнозировать положение мыши с учётом последних моделей запуска нейронов. Мы использовали первые 80% наблюдений экспериментального испытания в качестве обучающих данных и, учитывая только активность нейронов, предсказали местоположение мыши для последних 20% наблюдений. Мы попробовали несколько модельных архитектур, но простая плотная нейронная сеть с регрессионным выходным слоем работала очень хорошо, давая среднюю ошибку прогнозирования 4 см. Для ощущения масштаба, мышь имеет длину около 8 см, а арена представляет собой прямоугольник размером примерно 45 ? 60 см. Эта циклическая анимация показывает наши прогнозы (синяя точка) и помеченное положение мыши (красная точка).

С этой концепцией неопределённости, закодированной в наших прогнозах, мы также можем задаться вопросом: "Можем ли мы читать мысли мыши, чтобы предсказать, где она будет спустя тот или иной промежуток времени"? Вместо того, чтобы смотреть на недавнюю модель запуска нейронов и спрашивать, где мышь находится сейчас, мы спрашиваем, где она будет через 1, 2 или 3 секунды в будущем. Наши прогнозы разбиваются на части, но они всё равно показывают хорошие результаты по сравнению с исходными показателями.

Данные, которые мы проанализировали, представляли собой очень простое поведение мыши: мышь перемещалась по ящику. Тем не менее, мы можем разделить данные на две категории поведения: "активные"/движущиеся, или стационарные/ "жилые" на месте. Мы смогли предсказать текущее поведение мыши с 75% сбалансированной точностью и всё ещё имели 66% точность на 2 секунды вперёд. Это предполагает, что нейроны гиппокампа, которые мы моделируем,не просто кодируют информацию о настоящем, но в некоторой степени планируют будущее.

Наши сотрудники в лаборатории Schnitzer Lab работают над созданием более сложных наборов поведенческих данных, к которым мы можем применять те же методы. Было бы интересно посмотреть, сможем ли мы составить карту передвижения мыши по лабиринту, предсказывая повороты влево и вправо и подсчитывая неопределённость мыши по мере изучения ею лабиринта. Или, возможно, мы сможем применить эти же методы для определения того, какие тематические стимулы изображения воздействуют на мышь. Подобно тому, как мы используем мышей в качестве исследовательских моделей, чтобы узнать больше о себе как о людях, мы надеемся, что наши искусственные нейронные сети помогут нам лучше понять биологические нейронные сети.

Этот проект является забавным примером того, как мы можем применить как хорошо изученные, так и более экспериментальные методы машинного обучения для последующего достижения прогресса в передовых лабораторных исследованиях.

Комментарии: