Maze Runner: Echtzeitanalyse der neuronalen Aktivität des Rattenhirns

Welche Supermacht würdest du wählen: Flucht, Unsichtbarkeit oder Telepathie? Eine gewissermaßen lebendige Verkörperung des letzteren war schon immer die Figur der X-Men-Comics, Professor Charles Xavier, der 1963 aus der Feder von Stan Lee erschien. Aber in Comics kann man nicht solche Superkräfte finden. Was ist mit der Realität? Kann man die Gedanken eines anderen Wesens lesen? Wie sich herausstellt, ist es jetzt möglich, aber nicht so, wie Sie es sich vorstellen. Heute werden wir uns mit der Studie vertraut machen, deren Hauptleistung darin besteht, die elektronische Aktivität der Gehirnneuronen der experimentellen Ratte, die durch das Labyrinth läuft, in Echtzeit zu lesen. Wie haben es Wissenschaftler geschafft, in den Kopf der Ratte zu gelangen, was haben sie erreicht und wie sehen die Aussichten für ihre Technologie aus? Der Forscherbericht wird uns Antworten auf diese und andere Fragen geben. Lass uns gehen.

Studienbasis

Wissenschaftler stellen fest, dass eine der Hauptaufgaben im Bereich der Untersuchung des Gehirns als komplexe Struktur derzeit die Verbesserung von Methoden und verwandten Werkzeugen zum Sammeln und Analysieren von Daten ist. Genauer gesagt ist es wichtig, die in den gesammelten Daten der räumlich-zeitlichen Aktivität neuronaler Systeme verborgenen Informationen zu entschlüsseln. Mit anderen Worten, Wissenschaftler sehen, dass etwas passiert ist (Spitze in der Grafik). Sie müssen Informationen erhalten, die diesem Ereignis entsprechen.

Laut Wissenschaftlern ist es am schwierigsten, solche Beobachtungen durchzuführen und Daten in Echtzeit zu sammeln und zu analysieren. Dies erfolgt über das NKI (Neurocomputer Interface) mit Mehrelektrodensensoren.

Das gebräuchlichste Format für die Hirnforschung mit NQI ist ein zyklisches Experiment (bei jedem Versuch werden die gleichen Bedingungen wiederholt). In diesem Fall ist es möglich, bestimmte kognitive Funktionen wie Aufmerksamkeit, Gedächtnis und Lernen gut zu studieren.

Die räumliche Navigation ist die bekannteste und effektivste Methode zum Erlernen der oben genannten kognitiven Funktionen. Wie sieht dieser Scheck aus? Sehr einfach - ein Labyrinth. Während solcher Experimente wurde in vielen Teilen des Rattenhirns die sogenannte neuronale Kodierung des Raums (oder der „Raumcode“) gefunden: der Hippocampus, der entorhinale Kortex, der primäre visuelle Kortex (V1), der retrosplenale Kortex und der parietale Kortex. Diese "Codes" sind bestimmte Signale, die Informationen darüber speichern, wo sich die Ratte im Labyrinth befindet, wo sie sich bewegt und woher sie kommt. Diese Informationen müssen in Echtzeit und nicht nur nach Experimenten gelesen werden, wenn sich die Ratte in einem Ruhe- oder Schlafzustand befindet (Phase langsamen Schlafes).



Die vorgeschlagene Technik besteht aus zwei Hauptschritten (Schema A im obigen Bild): Codieren und Decodieren. In der Codierungsphase wird die Gesamtwahrscheinlichkeitsdichte des Vektors der Zeichen von Spitzen * (neuronales Signal) und der räumlichen Position erzeugt. Die Dekorationsphase ist für die Rekonstruktion der Daten in Form einer räumlichen Position verantwortlich, die der in der vorherigen Phase erhaltenen möglichst nahe kommen sollte.

Spike * (Peak) - Aktionspotential von Neuronen während der extrazellulären Registrierung ihrer elektrischen Aktivität.

Unter dem Gesichtspunkt von Eisen weisen Wissenschaftler darauf hin, dass das Problem der Echtzeitdatenanalyse unter Verwendung von Multithread-Software auf einem Multicore-Zentralprozessor (im Folgenden als CPU bezeichnet) gelöst werden kann. Der Nachteil eines solchen Systems ist die Anzahl der Kerne, die die Skalierbarkeit des gesamten Systems der Neurocomputer-Schnittstelle einschränkt. Die Forscher beschlossen, einen Grafikprozessor (GPU) in einen normalen Quad-Core-Computer einzubetten. Die Verwendung einer GPU beschleunigt den Decodierungsprozess erheblich und erweitert die Skalierbarkeit des Systems. Die Sensoren selbst wurden ebenfalls geändert, von Tetroden zu hochdichten Siliziumsensoren.

Forschungsergebnisse

Während der Tests wurden alle Systemoptionen getestet: auf Basis der CPU, auf Basis der CPU + GP, unter Verwendung von Tetroden und Siliziumsensoren. Die Datenbank bestand aus Spitzen des Hippocampus, des Neocortex und des Thalamus, die zum Zeitpunkt der räumlichen Navigation im zweidimensionalen Raum fixiert waren. Die Datenbankoptionen sind im obigen Bild dargestellt ( C ).


Bild Nr. 1

Wie Wissenschaftler erwartet hatten, zeigte ein System mit einem Grafikprozessor im Vergleich zu einem CPU-System signifikant bessere Ergebnisse.

Im Fall der Datenbank Nr. 1 zeigte ein System mit einer GPU einen Datenkomprimierungsschwellenwert (Spike-Codierung) von 0,5 bei einer Decodierungsgeschwindigkeit von 0,02 ms / Spike. Unter den gleichen Bedingungen zeigte das CPU-System eine Decodierungsgeschwindigkeit von 0,44 ms / Spitze (1 V). Es ist auch erwähnenswert, dass die "Verstärkung" der Datenkomprimierung zu einer Erhöhung der Decodierungsgeschwindigkeit führt, aber auch zu einer Verringerung der Genauigkeit dieses Prozesses.

Die Kernbandbreite spielt auch eine wichtige Rolle beim Decodierungsprozess. Wenn dieser Parameter klein war, beeinflusste das Komprimierungsverhältnis die Decodierungsgenauigkeit geringfügig.


Diagramm der Genauigkeit decodierter Daten im Vergleich zu realen.

Neben der hervorragenden Dekodierungsgeschwindigkeit von Daten verfügen Wissenschaftler auch über ein hohes Maß an Dekodierungsgenauigkeit.

Die Forscher führten dann ein Experiment durch, bei dem sich die Ratte in Form einer Acht entlang des Labyrinths bewegen sollte, und die Tetroden lasen Indikatoren nicht nur aus dem CA1-Abschnitt des Hippocampus, sondern auch aus dem primären visuellen Kortex V1 aus.

Die Dekoration erfolgte in einem gemischten Format: getrennt CA1, getrennt V1 und CA1 + V1. Die Analyse der V1-Daten ergab, dass die Adhäsionen dieses Bereichs einen beeindruckenden Anteil an Informationen zur räumlichen Verschiebung enthalten. Durch die Kombination von V1-Daten mit CA1-Daten konnten die Wissenschaftler die Gesamtdecodierungsgenauigkeit ( 1C ) erhöhen.

Die Kernparameter wurden für jeden Teil des Gehirns (CA1 und V1) separat optimiert, basierend auf Kreuzvalidierungsdaten. In diesem Fall war die Decodiergenauigkeit hoch. Und ohne Datenkomprimierung war die Decodierungsgeschwindigkeit erwartungsgemäß sehr niedrig.

Das nächste Experiment wurde in einem Labyrinth durchgeführt, das aufgrund seines Aussehens schwer zu nennen ist - einem einfachen Ring. Die Ratte lief im Kreis und die Tetroden lasen Daten aus dem vorderen Kern des Thalamus. Dieser Bereich des Gehirns ist einer der wichtigsten im Prozess der Gedächtnisbildung und in der räumlichen Orientierung.

Ein wichtiger Punkt - die meisten Neuronen des vorderen Kerns des Thalamus sind Neuronen der Kopfrichtung. Daher wurde bei der Datenanalyse nicht nur die Aktivität der Hirnlappen entsprechend der Position des Körpers, sondern auch die Position des Kopfes berücksichtigt, da diese beiden Parameter unterschiedlich sein können.

Die Analyse der Aktivität von Neuronen des vorderen Kerns des Thalamus bestätigte seine Beziehung nicht nur zur Position des Kopfes, sondern auch zur räumlichen Orientierung des Probanden während der Tests. Im Fall des Tests mit Kreisbewegung wurde jedoch eine Abnahme der Genauigkeit der Decodierung von Kopfpositionsdaten beobachtet, die nicht mit der Geschwindigkeit der Ratte zusammenhängt. Dies liegt an der Bewegungsrichtung. Genauer gesagt wurden bei den Berechnungen beide Optionen berücksichtigt - im Uhrzeigersinn und gegen den Uhrzeigersinn.

Dieser Test (im Kreis laufen) ist wichtig, nicht die Flugbahn der Bewegung und die Komplexität des Labyrinths (es existiert tatsächlich nicht, nur ein Ring). Ein wichtiger Faktor ist hier die Geschwindigkeit der Ratte. Während des Laufens wird auch die Aktivität von Neuronen beschleunigt, wodurch die Bewegung der Ratte überwacht wird. Ein System mit einem Grafikprozessor konnte Spitzen von Hippocampus-Neuronen viel schneller (mit weniger Trainingsversuchen) dekodieren als ein herkömmliches System, das nur auf CPUs basiert.


Bild Nr. 2

Die in den Experimenten verwendeten Tetroden ermöglichten es, ausreichend genaue Daten zu erhalten, aber dies ist nicht die Grenze dessen, was gewünscht wird. Daher wurde beschlossen, auch Silizium-Mehrkanalelektroden zu prüfen. Bild 2A zeigt eine 64-Kanal-Siliziumelektrode. Zwei dieser Sensoren wurden im linken und rechten Hippocampus platziert.

Es musste auch überprüft werden, wie skalierbar das System ist. Dazu wurden die Daten von Siliziumelektroden „geklont“, bis die Anzahl der hypothetischen Kanäle 2000 erreichte. Als nächstes musste das System diese Daten während der Zeit der Bewegung (Laufen) und Ruhe (Phase des langsamen Schlafes) dekodieren. Die Ergebnisse werden in einem 2D- Diagramm angezeigt.

Durch die Optimierung des Grafikprozessors und die Verwendung des direkten Speicherzugriffs konnten folgende Indikatoren erreicht werden: Dekodierungszeit während der Bewegung - 250 ms, Dekodierungszeit während der Ruhezeit - 20 ms. Im zweiten Fall wurde die Datenkomprimierung in der Codierungsphase nicht durchgeführt, es waren jedoch insgesamt etwa 1200 Kanäle beteiligt.

Grafik 2E zeigt, dass die zum Decodieren mit einer festen Anzahl von Kanälen erforderliche Zeit stark zunimmt, wenn das System nur eine CPU verwendet. Die Verlangsamung des Dekodierungsprozesses bei Verwendung der GPU ist nicht so bedeutend und tritt nicht so scharf auf.

Ein wichtiges Merkmal dieser Studie ist das Lesen und Verarbeiten von Neuronenaktivitätsdaten in Echtzeit. Ein GP-System ist dafür ideal, da es eine große Datenmenge in sehr kurzer Zeit dekodieren kann, wie frühere Tests gezeigt haben.

Um das System zu testen, wurde der Hippocampus während der langsamen Schlafphase dekodiert (741 Reproduktion möglicher Ereignisse aus dem Gedächtnis).


Bild Nr. 3

Beim Vergleich der Standardmethode zur Datenanalyse nach Tests und der Echtzeitmethode stellten die Wissenschaftler eine Erhöhung der Rekonstruktionsgenauigkeit (während des langsamen Schlafes) der Rattenbahn fest. Das heißt, das System rekonstruierte die Flugbahn, entlang der sich die Ratte während des Tests bewegte, signifikant genauer. In diesem Fall analysierte das System die Aktivität von Neuronen nach dem Test während der Ruhephase (langsame Schlafphase).

Für eine detailliertere Kenntnis dieser Studie empfehle ich dringend, dass Sie sich den Bericht von Wissenschaftlern und zusätzliche Materialien dazu ansehen.

Nachwort

Diese Studie bestätigte in erster Linie, dass das Ablesen der Neuronenaktivität in Echtzeit möglich ist. Wenn es um ein so komplexes System wie das Nervensystem geht, verringert jede Verzögerung bei der Analyse seiner Aktivität die Genauigkeit der erhaltenen Daten erheblich. Daher ist diese Studie von solcher Bedeutung.

Mit ihrer Methodik konnten die Wissenschaftler nicht nur einen Bewegungsweg der Ratte konstruieren, der sich ausschließlich auf die Gehirnaktivität stützte, sondern diesen Weg auch anhand des Gedächtnisses des Testtiers rekonstruieren. Das ist wirklich unglaublich, verdammt kompliziert und definitiv vielversprechend.

Eine weitere Verbesserung des Systems ermöglicht es uns, Daten genauer und schneller zu analysieren, um die Prinzipien des Gehirns, die Beziehung der Neuronen untereinander, ihre Reaktionen auf externe Faktoren zu verstehen und bestimmte Ereignisse, die mit dem Körper auftreten, mit der Aktivität bestimmter Neuronen und nicht Teilen des Gehirns als Ganzes zu vergleichen.

Das Gehirn ist immer noch eines der am schlechtesten untersuchten Systeme der Welt. Durch die Bemühungen von Wissenschaftlern, deren Vorstellungskraft bei der Entwicklung neuer Methoden für das Studium wirklich grenzenlos ist, können wir jedoch mehr verstehen. Und je mehr wir über die Gehirnfunktion wissen, desto besser können wir sie beeinflussen. Auf eine gute Art und Weise natürlich: Früherkennung von Krankheiten, Behandlung fortgeschrittener Gehirnerkrankungen usw. In diesem Fall ist Wissen nicht nur Stärke, sondern auch Gesundheit.


Vielen Dank für Ihren Aufenthalt bei uns. Gefällt dir unser Artikel? Möchten Sie weitere interessante Materialien sehen? Unterstützen Sie uns, indem Sie eine Bestellung aufgeben oder Ihren Freunden empfehlen, einen Rabatt von 30% für Habr-Benutzer auf ein einzigartiges Analogon von Einstiegsservern, das wir für Sie erfunden haben: Die ganze Wahrheit über VPS (KVM) E5-2650 v4 (6 Kerne) 10 GB DDR4 240 GB SSD 1 Gbit / s von $ 20 oder wie teilt man den Server? (Optionen sind mit RAID1 und RAID10, bis zu 24 Kernen und bis zu 40 GB DDR4 verfügbar).

VPS (KVM) E5-2650 v4 (6 Kerne) 10 GB DDR4 240 GB SSD 1 Gbit / s bis zum 1. Januar kostenlos, wenn Sie für einen Zeitraum von sechs Monaten bezahlen, können Sie hier bestellen.

Dell R730xd 2 mal günstiger? Nur wir haben 2 x Intel Dodeca-Core Xeon E5-2650v4 128 GB DDR4 6 x 480 GB SSD 1 Gbit / s 100 TV von 249 US-Dollar in den Niederlanden und den USA! Lesen Sie mehr über den Aufbau eines Infrastrukturgebäudes. Klasse mit Dell R730xd E5-2650 v4 Servern für 9.000 Euro für einen Cent?