О зрительной коре или "И все осветилось"

Около недели назад я побывал на крутой школе, организованной институтом Аллана под названием Dynamic Brain. Сама школа проходила на острове San Juan в бухте тихого океана недалеко от Сиэтла, где этот самый институт и находится. По острову ходят олени, бегают куропатки, на побережье можно найти тюленей и выдр, а далеко в море иногда видно касаток и китов. Место совершенно идиллическое, по ночам можно посмотреть на флюоресцентное море, в котором много планктона и медуз, в которых много зеленого флюоресцентного белка, GFP (https://en.wikipedia.org/wiki/Green_fluorescent_protein).

От того море постоянно светится по ночам, особенно если провести по нему веслом. При чем тут GFP и нейробиология станет чуть позже. Молекулярная скульптура именно этого белка как раз находится справа от меня. Более того, именно в Friday Harbor Labs он как раз был выделен в том числе Осаму Шимомурой (https://en.wikipedia.org/wiki/Osamu_Shimomura). За это им вместе с другими авторами он получил Нобелевскую премию по химии в 2008 году.

Занимались на этой школе мы разными проектами от коннектомики (построение связей мозга), классификацией типов клеток на основании об экспресии генов и электрофизиологии, а также анализом активности зрительной коры во время зрения (неизбежная тавтология).

Поскольку у меня есть предвзятой отношение, что динамика в мозге - самое главное и интересное (даже школа называется Dynamic Brain), в проекте мы анализировали активность первичной зрительной коры. Представьте себе мышь, у которой зафиксирована голова, но которая тем не менее способна бегать по диску. В это время на большом экране показывают различные стимулы, как простые вроде движущихся полосок наподобие зебры, таки и более сложные вроде фотографий или фрагментов фильмов "Печать зла" (https://en.wikipedia.org/wiki/Touch_of_Evil). Благодаря тому, что мыши трансгенные, в их нейронах есть GFP белок (тот самый, который светится в планктоне и медузах). Этот белок вместе с кальциевым сенсором вставлен туда с помощью вектора GCamp (https://en.wikipedia.org/wiki/GCaMP). Таким образом, нейрон начинает сильно светиться каждый раз, когда отдельная клетка генерирует спайк. Именно это и являлось отправной точкой для нашего анализа данных (http://observatory.brain-map.org/visualcoding).

Иными словами живая мышь смотрит на полоски, а в это время у нее в первичной зрительной коре зажигаются нейроны и мы с помощью микроскопа можем наблюдать около 300 клеток одновременно. Затем мы пытаемся понять что же видит наша мышь только на основании активности нейронов. Это похоже на попытку понять о чем фильм, если доступен не весь экран, а только маленький кусочек размером в несколько пикселей.

Тем не менее эту задачу возможно решить, если предварительно извлечь информацию о спайках из отдельных клеток на основании записей активности кальция (помним, что в нейронах GCamp). Затем необходимо построить модель, которую мы будем сначала тренировать на данных активности, а затем проверять с помощью предсказания на таких же. Поскольку декодирование активности нейронов в случае сложного стимула вроде видео или фотографий дело непростое, а времени на проект у нас было мало, мы использовали простой стимул в виде чередующихся полосок, которые движутся по 8 разным направлениям. Задачей декодера в таком случае является определить направление стимула на только основании нервной активности. Более конкретно мы использовали метод опорных векторов, support vector machine (https://en.wikipedia.org/wiki/Support_vector_machine). Название у этого метода забавное, у меня первая ассоциация, self-transforming elf machine (http://non-aliencreatures.wikia.com/wiki/Machine_Elf).

В двух словах про метод опорных векторов. Представьте, что вы насыпали подсолнечные и тыквенные семечки на стол, но не слишком хорошо их перемешали. Затем вам нужно так разделить стол, двумя линиями, чтобы максимально разделить одни семечки от других. Стимулом в данном случае являются разные виды семечек. Затем, представьте, что вы записываете активность из двух нейронов, например, считаете количество спайков. При этом, если активность разная для двух видов стимула, то их можно разделить. Затем тоже самое нужно представить, если направлений 8, т. е. размерность 8 и нейронов у вас не два, а 300, тогда будет похоже на SVM, который мы использовали.

Так вот, с помощью SVM, у нас получилось декодировать направление стимула на основании активности нейронов зрительной коры! При этом SVM, построенная на спайках оказалось лучше на 10%, чем построенная только на кальциевой активности. Иными словами, с помощью алгоритма по сортировке спайков нам удалось отделить зерна от плевел, т. е. спайки от шума и показать, что такое декодирование эффективнее, 70% против 60%. Не самый большой результат за одну неделю, но сам факт того, что удалось выделить спайки и, по всей видимости неплохо, позволит использовать их для дальнейшего анализ паттернов активности сети, чтобы лучше понять какие именно характеристики (features) вычисляются в зрительной коре.

Коротко на английском об этой школе почитать можно здесь:

http://www.buchin.info/single-post/2016/09/04/Dynamic-Brain-workshop-by-Allen-Institute

http://compneuro.washington.edu/the-dyn

Источник: www.buchin.info

Комментарии: