利用机器学习构建Connectome的地图

大脑被认为是现有最复杂的系统之一。尽管在理解方面已取得了很大进展,但我们往往会提出更多的问题而不是答案。但是现在,由京都大学领导的

大脑被认为是现有最复杂的系统之一。尽管在理解方面已取得了很大进展,但我们往往会提出更多的问题而不是答案。

利用机器学习构建Connectome的地图

但是现在,由京都大学领导的研究团队开发了一种机器学习模型,该模型允许科学家通过测量来自神经元本身的信号来重建神经元电路。该模型具有阐明不同大脑区域神经元计算差异的潜力。

要理解大脑,我们必须研究构成大脑的神经元。我们的整个感知世界遍布大脑中数十亿个细胞。而且,它们之间的连接数量成倍增加(称为突触),使我们的理解之路面临挑战。

该项目的负责人是京都大学理学院的筱本茂(Shigeru Shinomoto)解释说,尽管可以记录大脑中单个神经元的活动-并且在过去十年中该数目已经急剧增加-但仍然是一个挑战。绘制出这些单元中每个单元如何相互连接。

Shinomoto解释说:“已经建议可以通过分析神经元信号之间的相关性来估计神经元的连通性。”“但是很难获得准确的推论,因为来自其他神经元的外部噪声数量很大。”

该团队构建了一种分析方法,该方法从单个神经元中获取信号尖峰,并从中估计神经元间的连接。为了消除污染“噪声”的数据,他们将通用线性模型或GLM(机器学习中的基本模型)应用于交叉相关图或CC,后者记录了神经元之间的激发相关性。

这项研究的第一作者Ryota Kobayashi说:“我们称分析为GLMCC,它以突触膜电位为单位估计了神经连接的强度。

“为确认我们的数据是否反映了现实世界的连通性,我们通过对大型神经元网络的仿真评估了其准确性。我们确认新模型的准确性为97%,远高于以前的任何方法。”

然后将该模型应用于大鼠海马神经元活性的实验数据。当进行分析时,估计的连接与其他生理线索推断的结果相匹配。

源代码和“即用型”版本可在线获得,研究小组希望世界各地的神经科学家都可以使用它。

筱本总结说:“随着技术的进步,我们收集的神经学数据的数量将会增加。我们新的分析模型对于处理这些信息至关重要,并将使我们更好地了解我们的大脑如何处理周围的世界。”

原创文章,作者:空空,如若转载,请注明出处:http://kkufo.com/swx/9015.html