Компьютерное нейрогенетическое моделирование
Вычислительное нейрогенетическое моделирование (CNGM) занимается изучением и разработкой динамических нейронных моделей для моделирования функций мозга в отношении генов и динамических взаимодействий между генами. К ним относятся модели нейронных сетей и их интеграция с моделями генных сетей. Эта область объединяет знания из различных научных дисциплин, таких как компьютерные и информатические науки , нейробиология и когнитивные науки , генетика и молекулярная биология , а также инженерия .
Уровни обработки
[ редактировать ]Молекулярная кинетика
[ редактировать ]Модели кинетики белков и ионных каналов , связанных с активностью нейронов, представляют собой самый низкий уровень моделирования в вычислительной нейрогенетической модели. Измененную активность белков при некоторых заболеваниях, таких как активность белка бета-амилоида при болезни Альцгеймера , необходимо моделировать на молекулярном уровне, чтобы точно предсказать влияние на когнитивные функции. [1] Ионные каналы, жизненно важные для распространения потенциалов действия , — это еще одна молекула, которую можно смоделировать для более точного отражения биологических процессов. Например, чтобы точно смоделировать синаптическую пластичность (усиление или ослабление синапсов ) и память, необходимо смоделировать активность рецептора NMDA (NMDAR). Скорость, с которой рецептор NMDA пропускает ионы кальция в клетку в ответ на глутамат, является важным фактором, определяющим долговременную потенциацию посредством внедрения рецепторов AMPA (AMPAR) в плазматическую мембрану в синапсе постсинаптической клетки (клетки, которая получает нейротрансмиттеры от пресинаптической клетки). [2]
Генетическая регуляторная сеть
[ редактировать ]
В большинстве моделей нейронных систем нейроны являются основной моделируемой единицей. [2] При компьютерном нейрогенетическом моделировании, чтобы лучше моделировать процессы, отвечающие за синаптическую активность и связность, для каждого нейрона моделируются ответственные гены .
Сеть регуляции генов , сеть регуляции белков или сеть регуляции генов/белков — это уровень обработки в вычислительной нейрогенетической модели, которая моделирует взаимодействия генов и белков, имеющих отношение к синаптической активности и общим функциям клеток. Гены и белки моделируются как отдельные узлы , а взаимодействия, влияющие на ген, моделируются как возбуждающие (увеличивает экспрессию гена/белка) или ингибирующие (уменьшает экспрессию гена/белка) входные данные, которые взвешиваются, чтобы отразить эффект, который оказывает ген или белок. на другом гене или белке. Регуляторные сети генов обычно разрабатываются с использованием данных микрочипов . [2]
Моделирование генов и белков позволяет создавать индивидуальные реакции нейронов в искусственной нейронной сети, которые имитируют реакции биологических нервных систем, такие как деление (добавление новых нейронов в искусственную нейронную сеть), создание белков для расширения их клеточной мембраны и стимулирования роста нейритов ( и, таким образом, более сильные связи с другими нейронами), повышающая или понижающая регуляция рецепторов в синапсах (увеличение или уменьшение веса (силы) синаптических входов), поглощение большего количества нейротрансмиттеров , изменение типов нейронов или смерть из-за некроза или апоптоз . Создание и анализ этих сетей можно разделить на две подобласти исследований: активация генов, которая участвует в нормальных функциях нейрона, таких как рост, метаболизм и синапс; и влияние мутировавших генов на нейроны и когнитивные функции. [3]
Искусственная нейронная сеть
[ редактировать ]
Искусственная нейронная сеть обычно относится к любой вычислительной модели, имитирующей центральную нервную систему , с такими возможностями, как обучение и распознавание образов. Однако что касается вычислительного нейрогенетического моделирования, то оно часто используется для обозначения моделей, специально разработанных для обеспечения биологической точности, а не вычислительной эффективности. Отдельные нейроны являются базовой единицей искусственной нейронной сети, где каждый нейрон действует как узел. Каждый узел получает взвешенные сигналы от других узлов, которые являются либо возбуждающими , либо тормозящими . Чтобы определить выходные данные, передаточная функция (или функция активации ) оценивает сумму взвешенных сигналов и, в некоторых искусственных нейронных сетях, скорость их ввода. Вес сигнала усиливается ( долговременная потенциация ) или ослабляется ( долговременная депрессия ) в зависимости от того, насколько синхронны скорости пресинаптической и постсинаптической активации ( теория Хеббиана ). [2]
Синаптическая активность отдельных нейронов моделируется с помощью уравнений для определения временной (а в некоторых случаи, пространственные) суммирование синаптических сигналов, мембранный потенциал , порог потенциала действия генерация, абсолютный и относительный рефрактерный период и, возможно, кинетика канала ионного рецептора и гауссов шум (для повышения биологической точности за счет включения случайных элементов). Помимо связности, некоторые типы искусственных нейронных сетей, такие как спайковые нейронные сети , также моделируют расстояние между нейронами и его влияние на синаптический вес (силу синаптической передачи). [4]
Объединение генных регуляторных сетей и искусственных нейронных сетей
[ редактировать ]Чтобы параметры генной регуляторной сети воздействовали на нейроны искусственной нейронной сети должным образом, между ними должна быть некоторая связь. В организационном контексте каждый узел (нейрон) в искусственной нейронной сети имеет связанную с ним собственную генную регуляторную сеть. Веса (а в некоторых сетях - частоты синаптической передачи в узел) и результирующий мембранный потенциал узла (включая то, вырабатывается или нет потенциал действия ) влияют на экспрессию различных генов в регуляторной сети генов. Факторы, влияющие на связи между нейронами, такие как синаптическая пластичность , можно смоделировать путем ввода значений генов и белков, связанных с синаптической активностью, в функцию, которая переоценивает вес входных данных от конкретного нейрона в искусственной нейронной сети.
Включение других типов клеток
[ редактировать ]Помимо нейронов, можно моделировать и другие типы клеток. Глиальные клетки , такие как астроглия и микроглия , а также эндотелиальные клетки могут быть включены в искусственную нейронную сеть. Это позволит моделировать заболевания, патологические эффекты которых могут возникать из источников, отличных от нейронов, например, болезнь Альцгеймера. [1]
Факторы, влияющие на выбор искусственной нейронной сети
[ редактировать ]Хотя термин «искусственная нейронная сеть» обычно используется в вычислительном нейрогенетическом моделировании для обозначения моделей центральной нервной системы, которые должны обладать биологической точностью, общее использование этого термина также может применяться ко многим сетям регуляции генов.
Разница во времени
[ редактировать ]Искусственные нейронные сети, в зависимости от типа, могут учитывать или не учитывать время ввода. Те, которые это делают, например импульсные нейронные сети , срабатывают только тогда, когда объединенные входные данные достигают мембранного потенциала. Поскольку это имитирует активацию биологических нейронов, импульсные нейронные сети рассматриваются как более биологически точная модель синаптической активности. [2]
Рост и сокращение
[ редактировать ]Чтобы точно смоделировать центральную нервную систему, необходимо также смоделировать создание и гибель нейронов. [2] Для этого часто используются конструктивные искусственные нейронные сети, которые способны расти или сжиматься, чтобы адаптироваться к входным данным. Развивающиеся коннекционистские системы представляют собой подтип конструктивных искусственных нейронных сетей ( под эволюцией в данном случае имеется в виду изменение структуры нейронной сети, а не путем мутации и естественного отбора ). [5]
Случайность
[ редактировать ]Как синаптическая передача, так и генно-белковые взаимодействия носят стохастический характер. Для более точного моделирования биологических нервных систем в сеть часто вводят некоторую форму случайности. Искусственные нейронные сети, модифицированные таким образом, часто называют вероятностными версиями своего подтипа нейронных сетей (например, p SNN ). [6]
Включение нечеткой логики
[ редактировать ]Нечеткая логика — это система рассуждений, которая позволяет искусственной нейронной сети работать с небинарными и лингвистическими переменными. Биологические данные зачастую невозможно обработать с помощью булевой логики , и более того, точное моделирование возможностей биологических нервных систем требует нечеткой логики. Поэтому искусственные нейронные сети, включающие его, такие как развивающиеся нечеткие нейронные сети (EFuNN) или динамически развивающиеся системы нейро-нечеткого вывода (DENFIS) , часто используются в вычислительном нейрогенетическом моделировании. Использование нечеткой логики особенно актуально в сетях регуляции генов, поскольку для моделирования силы связывания белков часто требуются небинарные переменные. [2] [5]
Виды обучения
[ редактировать ]Искусственные нейронные сети, предназначенные для моделирования человеческого мозга, требуют способности изучать множество задач, которые не требуются для тех, которые предназначены для выполнения конкретной задачи. Обучение с учителем — это механизм, с помощью которого искусственная нейронная сеть может обучаться, получая ряд входных данных с уже известным правильным выходным сигналом. Примером искусственной нейронной сети, использующей контролируемое обучение, является многослойный перцептрон (MLP). При обучении без учителя искусственная нейронная сеть обучается, используя только входные данные. тип искусственной нейронной сети, известный как самоорганизующаяся карта Обучение без учителя — это механизм обучения, с помощью которого обучается (SOM). Некоторые типы искусственных нейронных сетей, такие как развивающиеся коннекционистские системы, могут обучаться как с учителем, так и без него. [2]
Улучшение
[ редактировать ]И генные регуляторные сети, и искусственные нейронные сети имеют две основные стратегии повышения их точности. В обоих случаях выходные данные сети измеряются по известным биологическим данным с использованием некоторой функции, а последующие улучшения производятся путем изменения структуры сети. Обычной проверкой точности искусственных нейронных сетей является сравнение некоторых параметров модели с данными, полученными от биологических нейронных систем, например, с ЭЭГ . [7] В случае записей ЭЭГ берется потенциал локального поля (LFP) искусственной нейронной сети и сравнивается с данными ЭЭГ, полученными от пациентов-людей. Относительное соотношение интенсивностей (RIR) и быстрое преобразование Фурье (БПФ) ЭЭГ сравниваются с показателями, генерируемыми искусственными нейронными сетями, для определения точности модели. [8]
Генетический алгоритм
[ редактировать ]Поскольку объем данных о взаимодействии генов и нейронов и их эффектах недостаточен для построения строгой модели, эволюционные вычисления используются для оптимизации искусственных нейронных сетей и сетей генной регуляции, причем распространенным методом является генетический алгоритм . Генетический алгоритм — это процесс, который можно использовать для уточнения моделей, имитируя процесс естественного отбора, наблюдаемый в биологических экосистемах. Основные преимущества заключаются в том, что, поскольку не требуется производная информация, его можно применять к задачам черного ящика и мультимодальной оптимизации . Типичный процесс использования генетических алгоритмов для уточнения гена нормативная сеть: во-первых, создать население; затем создать потомство посредством операции скрещивания и оценить свою физическую форму; затем на группе, выбранной с высокой приспособленностью, смоделировать мутацию с помощью оператора мутации; наконец, взяв уже мутировавшую группу, повторяйте этот процесс до тех пор, пока не будет продемонстрирован желаемый уровень приспособленности. [9]
Развивающиеся системы
[ редактировать ]Были разработаны методы, с помощью которых искусственные нейронные сети могут изменять свою структуру без моделирования мутаций и отбора приспособленности. Динамически развивающаяся нейронная сеть является одним из подходов, поскольку создание новых связей и новых нейронов может моделироваться по мере того, как система адаптируется к новым данным. Это позволяет сети развиваться в точности моделирования без имитации естественного отбора. Один из методов оптимизации динамически развивающихся сетей, называемый агрегацией нейронов развивающегося слоя, объединяет нейроны с достаточно схожими входными весами в один нейрон. Это может происходить во время обучения сети (так называемая онлайн-агрегация) или между периодами обучения (так называемая автономная агрегация). Эксперименты показали, что автономное агрегирование более эффективно. [5]
Возможные применения
[ редактировать ]Было предложено множество потенциальных применений точных вычислительных нейрогенетических моделей, таких как моделирование генетических заболеваний, изучение воздействия потенциальных методов лечения, [10] лучшее понимание процесса обучения и познания, [11] и разработка аппаратного обеспечения, способного взаимодействовать с нейронами. [4]
Моделирование болезненных состояний представляет особый интерес, поскольку моделирование как нейронов, так и их генов и белков позволяет связать генетические мутации и белковые аномалии с патологическими эффектами в центральной нервной системе. Среди заболеваний, которые считаются возможными целями анализа на основе компьютерного нейрогенетического моделирования, - эпилепсия, шизофрения, умственная отсталость, старение мозга, болезнь Альцгеймера и болезнь Паркинсона. [2]
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Jump up to: а б Касабов, Никола К.; Шлибс, Рейнхард; Кодзима, Хироши (2011). «Вероятностное вычислительное нейрогенетическое моделирование: от когнитивных систем до болезни Альцгеймера». Транзакции IEEE по автономному умственному развитию . 3 (4): 300–311. дои : 10.1109/tamd.2011.2159839 . S2CID 2843379 .
- ^ Jump up to: а б с д и ж г час я Бенускова, Любица; Касабов, Никола (2007). Вычислительное нейрогенетическое моделирование . Нью-Йорк: Спрингер. ISBN 978-0-387-48353-5 .
- ^ Бенускова Л.; Касабов, Н. (2008). «Моделирование динамики мозга с использованием вычислительного нейрогенетического подхода» . Когнитивная нейродинамика . 2 (4): 319–334. дои : 10.1007/s11571-008-9061-1 . ПМК 2585617 . ПМИД 19003458 .
- ^ Jump up to: а б Касабов, Никола; Бенускова, Любица (2004). «Вычислительная нейрогенетика». Журнал вычислительной и теоретической нанонауки . 1 : 47–61. CiteSeerX 10.1.1.149.6631 . дои : 10.1166/jctn.2004.006 .
- ^ Jump up to: а б с Уоттс, Майкл Дж (2009). «Десятилетие развивающихся коннекционистских систем Касабова: обзор». Транзакции IEEE в системах, человеке и кибернетике. Часть C: Приложения и обзоры . 39 (3): 253–269. дои : 10.1109/TSMCC.2008.2012254 . S2CID 7825901 .
- ^ Касабов Н.; Шлибс, С.; Мохеммед, А. (2012). «Моделирование влияния генов на динамику вероятностных импульсных нейронных сетей для вычислительного нейрогенетического моделирования». Методы вычислительного интеллекта для биоинформатики и биостатистики . Конспекты лекций по информатике. Том. 7548. стр. 1–9. дои : 10.1007/978-3-642-35686-5_1 . hdl : 10292/1663 . ISBN 978-3-642-35685-8 .
- ^ Бенускова Л.; Высоский, С.Г.; Касабов Н. Вычислительное нейрогенетическое моделирование: методология изучения взаимодействий генов, лежащих в основе нейронных колебаний . 2006 Международная совместная конференция по нейронным сетям. Ванкувер, Британская Колумбия. стр. 4638–4644. дои : 10.1109/IJCNN.2006.1716743 . hdl : 10292/596 .
- ^ Касабов Н.; Бенускова Л.; Высоский, С.Г. (2005). Вычислительное нейрогенетическое моделирование: интеграция импульсных нейронных сетей, генных сетей и методов обработки сигналов . Искусственные нейронные сети: формальные модели и их приложения — Icann 2005, часть 2, материалы. Том. 3697. стр. 509–514. CiteSeerX 10.1.1.106.5223 .
- ^ Касабов Н (2006). «Нейро-, генетические и квантовые развивающиеся интеллектуальные системы». 2006 Международный симпозиум по развитию нечетких систем . стр. 63–73. дои : 10.1109/ISEFS.2006.251165 . hdl : 10292/603 . ISBN 978-0-7803-9718-7 . S2CID 15301228 .
- ^ Касабов Н.; Бенускова Л.; Высоский, С.Г. (2005). «Биологически правдоподобные вычислительные нейрогенетические модели: моделирование взаимодействия между генами, нейронами и нейронными сетями». Журнал вычислительной и теоретической нанонауки . 2 (4): 569–573. Бибкод : 2005JCTN....2..569K . дои : 10.1166/jctn.2005.012 .
- ^ Бенускова, Любица; Джайн, Вишал; Высоский, Симей Г.; Касабов, Никола К. (2006). «Вычислительное нейрогенетическое моделирование: путь к новым открытиям в генетической нейробиологии». Международный журнал нейронных систем . 16 (3): 47–61. CiteSeerX 10.1.1.149.5411 . дои : 10.1142/S0129065706000627 . ПМИД 17044242 .