Изображение: PLoS Biology через Википедию
В минувшие выходные команды Национальной футбольной лиги использовали такие статистические данные, как рост, вес и скорость, для отбора лучших игроков колледжа, а через несколько недель любители кресел будут использовать аналогичные меры для отбора игроков в свои собственные команды фэнтези-футбола. Нейробиологи из Университета Карнеги-Меллона используют аналогичный подход к компиляции "команды мечты" нейронов с помощью метода, основанного на статистике, который может оценить приспособленность отдельных нейронов.
После сбора команд компьютерное моделирование сопоставило группы нейронов друг с другом в формате плей-офф, чтобы выяснить, какая популяция была лучшей. Исследователи проанализировали команды-победители, чтобы увидеть, какие типы нейронов сформировали самые успешные команды.
Результаты были опубликованы в раннем онлайн-выпуске Proceedings of the National Academy of Sciences на неделе 29 апреля.
"Мы хотели знать, какая группа нейронов с наибольшей вероятностью будет работать лучше всего в ответ на различные стимулы," сказал Натан Урбан, доктор. Фредерик А. Шверц заслуженный профессор естественных наук и руководитель отдела биологических наук в Карнеги-Меллон.
Человеческий мозг содержит более 100 миллиардов нейронов, которые работают вместе в меньших группах для выполнения определенных задач, таких как обработка запаха или наблюдение за цветом. Предыдущая работа лаборатории Урбана показала, что нет двух совершенно одинаковых нейронов, и что разные группы нейронов могли лучше определять стимул, чем группы похожих нейронов.
"Следующим шагом в нашей работе было выяснить, как собрать наилучшую возможную популяцию нейронов, чтобы выполнить задачу," – сказал Урбан, который также является членом совместного Центра нейронных основ познания Карнеги-Меллона и Университета Питтсбурга (CNBC).
Однако, используя существующие методы, поиск лучшей команды нейронов казался сложной задачей. Ученые не могли бы определить, как каждый из миллиардов нейронов мозга индивидуально реагирует на множество стимулов. Урбан и Шриджой Трипати, ведущий автор статьи и аспирант программы CNBC по нейронным вычислениям, решили эту проблему, используя метод статистического моделирования, известный как обобщенные линейные модели (GLM), для анализа изменчивости от ячейки к ячейке. Урбан и Трипати обнаружили, что, применяя этот подход, они смогли точно воспроизвести поведение отдельных нейронов в компьютере, что позволило им собирать статистику по каждой отдельной клетке.
Затем, как и в фэнтези-футболе, компьютерная модель использовала статистику, чтобы собрать тысячи команд нейронов. Команды соревновались друг с другом в компьютерном моделировании, чтобы выяснить, кто из них может наиболее точно воссоздать стимул, передаваемый группе нейронов. В конце концов, исследователи определили небольшой набор команд, которые они могли изучить, чтобы увидеть, какие характеристики сделали эти группы успешными.
Они обнаружили, что победившие команды нейронов были разнообразны, но не так разнообразны, как если бы они были выбраны случайным образом из общей популяции нейронов. Наиболее успешные наборы содержали разнородную группу нейронов, которые были гибкими и могли хорошо реагировать на различные раздражители.
"Футбольная команда не может состоять только из полузащитников. Вам нужны полузащитники и тайты, квотербек и кикер. Но игроки не могут быть просто случайными людьми с улицы; им всем нужно быть хорошими спортсменами. И вам нужно выбирать позиции, а не только лучшего доступного игрока. Если ваш лучший игрок – квотербек – вы не возьмете другого квотербека своим первым выбором," Урбан сказал. "То же самое и с нейронами. Чтобы сделать наиболее эффективную группировку нейронов, вам понадобится разнообразная связка, которая также окажется более надежной и гибкой, чем ваш средний нейрон."
Урбан считает, что GLM можно использовать для дальнейшего понимания важности нейронального разнообразия. Он планирует использовать модели, чтобы предсказать, как изменения в вариабельности ответов нейронов, которые могут быть вызваны обучением или болезнью, влияют на функцию.