माइक्रोइलेक्ट्रॉनिक, न्यूरोफिज़ियोलॉजी और मशीन लर्निंग, मिलाते हैं लेकिन मिश्रण नहीं

2018 के मध्य में, चूहों के मस्तिष्क के इलेक्ट्रोफिजियोलॉजी पर काम प्रकाशित किया गया था , जिसके साथ सार्वजनिक रूप से एक अद्वितीय डेटा सेट उपलब्ध कराया गया था। डेटासेट इस मायने में विशिष्ट है कि इसमें नए उच्च घनत्व वाले न्यूरोपिक्सल्स इलेक्ट्रोड (जांच, या जांच) और नमूने के पास स्थित सेल से एक पैच इलेक्ट्रोड का उपयोग कर स्थानीय क्षेत्र की क्षमता की एक साथ रिकॉर्डिंग शामिल है। इस तरह की रिकॉर्डिंग में रुचि न केवल मौलिक है, बल्कि लागू भी है, क्योंकि यह आपको आधुनिक नमूनों में दर्ज न्यूरोनल गतिविधि के विश्लेषण के लिए मॉडल को मान्य करने की अनुमति देता है। और यह, बदले में, सीधे नए न्यूरो कृत्रिम अंग के विकास से संबंधित है। मौलिक नवीनता क्या है, और यह डेटासेट इतना महत्वपूर्ण क्यों है - मैं आपको कट के तहत बताऊंगा।


KDPV: एक्शन पोटेंशिअल ( स्रोत ) की पीढ़ी के दौरान एक न्यूरॉन के पास बाह्य क्षमता को मॉडलिंग करने का परिणाम है। रंग क्षमता के आयाम को इंगित करता है। आगे की समझ के लिए यह दृष्टांत महत्वपूर्ण होगा।

मस्तिष्क के अध्ययन के लिए इलेक्ट्रोफिजियोलॉजिकल तरीके मस्तिष्क की विद्युत क्षमता की रिकॉर्डिंग पर आधारित हैं। उन्हें गैर-इनवेसिव में विभाजित किया जा सकता है - मुख्य रूप से इलेक्ट्रोएन्सेफ्लोग्राफी (ईईजी) - और इनवेसिव, उदाहरण के लिए, इलेक्ट्रोकॉर्टिकोग्राफी (ईसीओजी), पैच-क्लैंप (पैच-क्लैंप) या स्थानीय क्षेत्र की क्षमता (एलपीपी = स्थानीय क्षेत्र की क्षमता, एलएफपी) का पंजीकरण। । बाद के लिए, आकार में 10-100 माइक्रोन के एक छोटे इलेक्ट्रोड को सीधे मस्तिष्क में इंजेक्ट किया जाता है और इसकी क्षमता दर्ज की जाती है। कोशिकीय स्तर पर स्तनधारी मस्तिष्क की गतिविधि का अध्ययन करने के लिए, अर्थात्, व्यक्तिगत कोशिकाओं की गतिविधि को मापने के लिए, उपलब्ध गैर-इनवेसिव विधियों को लागू नहीं किया जा सकता है, क्योंकि एक सेल से संभावित अंतरिक्ष में बहुत जल्दी से 100 माइक्रोन (केडीपीवी देखें)। इसलिए, किसी भी पशु मॉडल में, साथ ही साथ मनुष्यों में, गैर-आक्रामक तरीके केवल न्यूरॉन्स की सामूहिक गतिविधि पर जानकारी प्रदान करते हैं और काम करते हैं, सबसे अधिक संभावना है, ऊतक स्तर पर, लेकिन व्यक्तिगत न्यूरॉन्स नहीं।

लेकिन आक्रामक तरीकों के साथ इतना आसान नहीं है। एक न्यूरॉन की गतिविधि को पंजीकृत करने के लिए, इलेक्ट्रोड को न्यूरॉन के बहुत करीब लाना आवश्यक है, आदर्श रूप से इसे सेल के अंदर रखें, जैसा कि पैच क्लैंप में किया जाता है, या तेज इलेक्ट्रोड का उपयोग करना, जो अभ्यास में मुश्किल है, बहुत मुश्किल है। दूसरी ओर, आकार में कोई भी बाह्य इलेक्ट्रोड ~ 10 माइक्रोन न्यूरॉन्स के उच्च घनत्व और बाह्यकोशिकीय समाधान की उच्च आयनिक चालकता के कारण 5-10 कोशिकाओं के आसपास से एक्शन पोटेंशिअल को रिकॉर्ड करेगा। इसलिए, व्यक्तिगत कोशिकाओं को पंजीकृत करने का कार्य तकनीकी रूप से सेल के पास स्थित इलेक्ट्रोड के घनत्व को बढ़ाकर हल किया जाता है। इस संबंध में, आधुनिक इलेक्ट्रोफिजियोलॉजी इलेक्ट्रोड के घनत्व में वृद्धि, उनकी संख्या में वृद्धि और आकार में कमी की ओर बढ़ रही है। आवश्यकताओं के बीच शोर को कम करने के लिए, और आकार को कम करने के लिए एक मल्टीप्लेक्स जगह करने के लिए पंजीकरण स्थल के करीब सिग्नल को बढ़ाना पड़ता है। इसलिए, 2016 में, यह एक छाप में घोषित किया गया था, और 2017 में इसे नेचर में प्रकाशित किया गया था, और 2018 में यह पहले से ही बाजार पर दिखाई दिया, एक नया उच्च-घनत्व न्यूरोपिक्सल नमूना जो कि CMOS तकनीक द्वारा बनाया गया है, 960 इलेक्ट्रोड पर, जिनमें से कोई 384 एक साथ रिकॉर्डिंग के लिए उपलब्ध हैं। एक पंजीकरण स्थल का आकार 12 माइक्रोन है। नमूने की मोटाई 24 माइक्रोन है। इसके अलावा, उच्च-घनत्व वाले इलेक्ट्रोड, साथ ही सक्रिय प्रवर्धन के साथ, लोगों ने लंबे समय तक काम करना शुरू कर दिया, लेकिन न्यूरोपिक्सल्स उत्पादन और बिक्री प्राप्त करने के लिए सबसे पहले था, इसलिए निकट भविष्य में लेखों में यह विशेष परीक्षण अधिक से अधिक बार होगा।

अंजीर। न्यूरोपिक्सल योजना। एक अखंड सिलिकॉन सब्सट्रेट पर 960 साइटें हैं, साथ ही 384 चैनलों के लिए एक पूर्ण मल्टीप्लेक्सर और एडी इंटरफ़ेस भी है।

डेटा संरचना

शास्त्रीय गतिविधि लय (अल्फा, बीटा, गामा, आदि) के अलावा जो समूह तुल्यकालन के लिए जिम्मेदार हैं, ऐसे नमूनों का उपयोग करने वाले डेटा में व्यक्तिगत कोशिकाओं (एपी = एक्शन पोटेंशिअल, एपी, स्पाइक्स, आसंजन) की कार्रवाई क्षमता भी होती है। , जो रिकॉर्ड पर ~ 1 एमएस की अवधि के साथ छोटी चोटियों की तरह दिखते हैं।


अंजीर। सिग्नल न्यूरोपिक्सल्स। संकेत के दो भागों को प्रतिष्ठित किया जाता है: स्थानीय क्षेत्र क्षमता (एलएफपी, ~ 300 हर्ट्ज तक) और सेलुलर गतिविधि (एपी, 300 हर्ट्ज से)।

उसी समय, यदि कम आवृत्ति वाले स्थानीय क्षेत्र की क्षमता का आमतौर पर दोलनों के ढांचे के भीतर विश्लेषण किया जाता है और वर्णक्रमीय या वेवलेट विश्लेषण का उपयोग ईईजी के रूप में किया जाता है, तो सेलुलर गतिविधि में व्यक्तिगत कोशिकाओं की कार्रवाई क्षमता होती है, इसमें शोर की पृष्ठभूमि के खिलाफ भेदभावपूर्ण घटनाएं होती हैं। व्यक्तिगत कोशिकाओं की गतिविधि को अलग करने का कार्य औपचारिक रूप से कॉकटेल पार्टी समस्या के कार्य को कम करता है, जब एक अलग स्पीकर को स्पीकर के सेट से अलग किया जाना चाहिए। बड़ा डेटा तब दिखाई देता है जब हम ऐसे एक नमूने से डेटा के प्रवाह का मूल्यांकन करते हैं। स्पाइक्स के विश्लेषण के लिए, नमूना को 16- बिट्स प्रति अंक (uint16) से डिजिटलीकरण के साथ 30-40 kHz पर किया जाता है, इस प्रकार, 1 सेकंड के भीतर पहले से ही 100 इलेक्ट्रोड रिकॉर्ड करने का वजन 8 एमबी से होगा। एक ही समय में, प्रयोग आम तौर पर घंटों तक होते हैं, जो केवल एक कार्य दिवस से सैकड़ों गीगाबाइट तक होते हैं, और एक पूर्ण अध्ययन के लिए, कहते हैं, 10 ऐसे रिकॉर्ड से। इसलिए, इस नमूने की क्षमता भी मशीन लर्निंग एल्गोरिदम पर दृढ़ता से निर्भर करती है, जो डेटा विश्लेषण के लिए उपयोग की जाती है।

मशीन लर्निंग और सेलुलर गतिविधि

आमतौर पर, सेल गतिविधि विश्लेषण के लिए एक पाइपलाइन में प्रीप्रोसेसिंग, स्पाइक विभाजन और क्लस्टरिंग होते हैं। अनुसंधान के इस हिस्से को आमतौर पर क्लस्टर विश्लेषण या स्पाइक सॉर्टिंग के रूप में संदर्भित किया जाता है। प्रीप्रोसेसिंग के रूप में, कम-पास फ़िल्टरिंग (> 300 हर्ट्ज) आमतौर पर उपयोग किया जाता है, क्योंकि यह माना जाता है कि 300 हर्ट्ज से ऊपर कोई अन्य शारीरिक लय नहीं है, और केवल व्यक्तिगत सेलुलर गतिविधि के बारे में जानकारी रहती है। इसके अलावा, घने नमूनों में प्रीप्रोसेसिंग के दौरान, सहसंबंधित शोर को कम करना संभव है, उदाहरण के लिए, 50 हर्ट्ज पर पिकअप। सेगमेंटेशन को अक्सर एक साधारण सीमा के रूप में लिया जाता है, उदाहरण के लिए, 5 मानक शोर विचलन के ऊपर कुछ भी एक घटना माना जा सकता है। ऐसा होता है कि दो-दहलीज विभाजन का उपयोग एक नरम और कठोर दहलीज के साथ किया जाता है, जो अंतरिक्ष और समय में संबंधित घटनाओं को अलग करने के लिए वाटरशेड सेगमेंट एल्गोरिथ्म में होता है, केवल क्लस्टर क्लस्टरिंग में मार्करों का वितरण नमूना टोपोलॉजी को ध्यान में रखता है। विभाजन के बाद, प्रत्येक घटना के केंद्र के पास 1-2 ms तक चलने वाली एक विंडो ली जाती है, और सभी चैनलों से एकत्र किए गए इस विंडो में सिग्नल, आगे की क्लस्टरिंग के लिए एक नमूना बन जाता है। इस नमूने को स्पाइक वेवफॉर्म कहा जाता है। विभिन्न कोशिकाओं और पंजीकरण स्थल से उनकी अलग दूरी इस तथ्य की ओर ले जाती है कि उनकी तरंगें अलग-अलग होंगी (देखें KDPV)। वेवफॉर्म क्लस्टरिंग एल्गोरिथ्म में स्वयं EM, टेम्प्लेट मैच सर्च, डीप लर्निंग और कई वेरिएशन ( github पर विषय ) का उपयोग किया जाता है। केवल आवश्यकता एक शिक्षक के बिना प्रशिक्षण है। लेकिन एक समस्या है। कोई भी यह सुनिश्चित करने के लिए नहीं जानता है कि आपको अपनी पाइपलाइन के लिए कौन से पैरामीटर लेने की आवश्यकता है ताकि विश्लेषण सबसे प्रभावी हो। आमतौर पर, क्लस्टरिंग के बाद, विश्लेषक मैन्युअल रूप से परिणामों से गुजरता है और विवेक पर बदलाव करता है। इस प्रकार, विश्लेषण के परिणामों में एल्गोरिथ्म त्रुटियों और मानवीय त्रुटियों दोनों शामिल हो सकते हैं। और वे नहीं हो सकते हैं, इसलिए, उद्देश्य सत्यापन का मुद्दा खुला रहता है।

एक पाइपलाइन को मान्य करने के कई तरीके हैं। सबसे पहले, अध्ययन की वस्तु के लिए बाहरी स्थितियों को बदलना। उदाहरण के लिए, एक प्रयोग के दौरान, यदि आप कोर्टेक्स के दृश्य भागों का अध्ययन करते हैं, तो आप छवि की बनावट, रंग और चमक को बदल सकते हैं। यदि विश्लेषण में एक सेल है जो उत्तेजना के आधार पर अपनी गतिविधि को बदलता है, तो आप भाग्य में हैं। दूसरे, आप किसी विशेष प्रकार के सेल की गतिविधि को औषधीय रूप से बढ़ा या घटा सकते हैं, उदाहरण के लिए, कुछ चैनल ब्लॉकर्स का उपयोग करके। तब आपके सेल की गतिविधि बढ़ जाएगी / घट जाएगी, और आपको क्लस्टरिंग में अंतर दिखाई देगा। हालांकि, गतिविधि के इस तरह के मॉड्यूलेशन से तरंगों में परिवर्तन भी होगा, क्योंकि समय में कार्रवाई क्षमता की रूपरेखा आयन चैनलों के कैनेटीक्स द्वारा पूरी तरह से निर्धारित की जाती है। तीसरा, आप इस डेटासेट में ऑप्टोजेनेटिक रूप से या पैच पिपेट का उपयोग करके कुछ कोशिकाओं की गतिविधि को माप या प्रेरित कर सकते हैं। बड़े सिग्नल-टू-शोर अनुपात और पैच इलेक्ट्रोड की स्थिरता के कारण, आप एकल कक्ष की गतिविधि में पूरी तरह से आश्वस्त होंगे। वैचारिक रूप से, प्रकाशन एक पैच क्लैंप का उपयोग करके एक वैध डेटासेट के असेंबली के लिए समर्पित था।


अंजीर। चूहे प्रांतस्था क्षेत्र में नमूना (लाइन एबी) और पैच पिपेट (लाइन C'CT) के सापेक्ष स्थिति का योजनाबद्ध प्रतिनिधित्व, जो कि फोरेपा (S1FL = संवेदी कोर्टेक्स 1 सेलेबेल से संवेदी जानकारी के प्रसंस्करण के लिए जिम्मेदार है।

कहने की जरूरत नहीं है, कार्यप्रणाली अत्यंत कठिन है, क्योंकि ~ 10 माइक्रोन की सटीकता के साथ दृश्य नियंत्रण के बिना सेरेब्रल कॉर्टेक्स में दो इलेक्ट्रोडों की पारस्परिक व्यवस्था के लिए प्रयोगकर्ताओं को एक विधि विकसित करनी थी।

स्पाइक क्लस्टरिंग पर इलेक्ट्रोड घनत्व का प्रभाव

पंजीकरण स्थलों का घनत्व बढ़ाना इतना महत्वपूर्ण क्यों है? एक समानता के लिए, हम ईईजी शोधकर्ताओं के बीच ज्ञात तथ्य को लेते हैं, जो एक निश्चित सीमा से, टोपी में इलेक्ट्रोड की संख्या में वृद्धि से प्राप्त जानकारी में ध्यान देने योग्य वृद्धि नहीं होती है, अर्थात, इलेक्ट्रोड से संकेत पड़ोसी इलेक्ट्रोड से संकेतों के रैखिक प्रक्षेप से थोड़ा भिन्न होता है। कोई कहता है कि यह सीमा पहले से ही 30 पर पहुंच गई है, किसी में 50, किसी पर 100 इलेक्ट्रोड है। ईईजी के साथ विस्तार से काम करने वालों को ठीक किया जा सकता है। लेकिन सेलुलर गतिविधि के मामले में, एक नमूने पर पंजीकरण साइटों के घनत्व के लिए सीमा अभी तक ज्ञात नहीं है, इसलिए उच्च घनत्व वाले नमूनों की दौड़ जारी है। इसके लिए, कंप्फ़ लैब टीम 5x5 माइक्रोन ² साइट के साथ एक नमूने के साथ काम करना जारी रखती है, और इसके लिए प्रारंभिक डेटा पोस्ट किया गया है। घने इलेक्ट्रोड के साथ काम करने वाले विशेषज्ञ अपना अनुभव साझा करते हैं, अप्रत्याशित रूप से, विशिष्ट कोशिकाओं की विशिष्ट संख्या जो उसी क्षेत्र के नमूनों से अलग की जा सकती है, जहां पंजीकरण साइटों का घनत्व अधिक है। इस प्रभाव को उसी सह-लेखकों द्वारा एक अन्य अध्ययन में अच्छी तरह से चित्रित किया गया है, जिन्होंने कृत्रिम रूप से घने नमूने से साइटों का केवल एक हिस्सा चुना और तरंगित स्पाइक्स से पीसीए मूल्यों के लिए tSNE रूपांतरण के बाद परिणामी समूहों की गुणवत्ता का मूल्यांकन किया। यह क्लस्टरिंग के लिए एक कैनन नहीं है, लेकिन चित्रण निर्भरता के लिए अच्छा है। एक परीक्षण के रूप में, न्यूरोसेकर ने 20x20 माइक्रोन ² की साइट के साथ 700x70 माइक्रोन ^{2 के} कुल आकार के साथ 128 चैनलों पर काम किया।


अंजीर। कच्ची तरंगों पर पीसीए आरेखों पर TSNE नमूना पर साइटों के घनत्व को कृत्रिम रूप से कम करते हैं। कार्य साइटों को प्रत्येक आरेख के शीर्ष पर योजनाबद्ध रूप से दिखाया गया है। यह स्पष्ट रूप से दिखाया गया है कि साइट के बढ़ते घनत्व के साथ अलग-अलग समूहों की संख्या वास्तव में कितनी बढ़ जाती है, ए सबसे अच्छा है, एफ सबसे खराब है।

काम का सार क्या है

मार्केस-स्मिथ एट अल के डेटा में। पैच क्लैंप और नमूनों की एक साथ रिकॉर्डिंग होती है। पैचक्लैम्प डेटा का उपयोग करते हुए, वैज्ञानिकों ने एक्शन पोटेंशिअल के क्षणों को पाया और इन क्षणों को खंड और औसत तरंग के नमूने पर पहले से ही उपयोग किया। परिणामस्वरूप, वे पूरे नमूना क्षेत्र में समय और स्थान पर कार्रवाई क्षमता के बहुत उच्च-गुणवत्ता वाले वितरण का निर्माण करने में सक्षम थे।


अंजीर। बाईं ओर, सेल गतिविधि के निशान पैच क्लिप (काले) और निकटतम न्यूरोपिक्सल चैनल (नीला) पर एक साथ दिखाए जाते हैं। बीच में - 500 व्यक्तिगत नमूने और उनका औसत। दाईं ओर नमूना क्षेत्र में और समय में अंतरिक्ष में एक्शन पोटेंशिअल का वितरण है।

अगला, स्पाइक से स्पाइक तक बाह्य तरंग के बदलाव के बारे में सवाल उठाया जाता है - हाँ, यह स्पष्ट है और इसे ध्यान में रखा जाना चाहिए। तब वे दिखाते हैं कि सेल झिल्ली के साथ एक्शन पोटेंशिअल के वितरण को उनके घने इलेक्ट्रोड का उपयोग करके ट्रैक करना मौलिक रूप से संभव है, लेकिन यह पहले से ही अन्य समूहों के काम में पहले ही दिखाया जा चुका है। अंत में, वे संभावित सहयोगियों को न्यूरोफिज़ियोलॉजी से कुछ मूलभूत प्रश्नों की पेशकश करते हैं, जिन्हें आप उनके डेटासेट की मदद से जवाब देने की कोशिश कर सकते हैं, और क्लस्टरिंग सेल गतिविधि के लिए पाइपलाइनों को मान्य करने के लिए डेटासेट का उपयोग करने की पेशकश भी कर सकते हैं। उत्तरार्द्ध एक साहसी चुनौती की तरह लगता है, क्योंकि अब बहुत सारे क्लस्टरिंग एल्गोरिदम हैं, और विधियों के बीच प्रतिस्पर्धा बहुत बड़ी है। प्रत्येक विधि नहीं, सबसे पहले, इतनी बड़ी संख्या में चैनलों के साथ काम करता है, और, दूसरी बात, हर कोई निष्पक्ष रूप से उच्च-गुणवत्ता वाले चौंकाने वाला नहीं दे सकता है।

आगे क्या है

सबसे पहले, 1300 चैनलों पर न्यूरोसेकेर का एक नया संस्करण भी CMOS तकनीकों का उपयोग कर रहा है, प्रारंभिक डेटा पहले से ही उपलब्ध है ।

दूसरे, हम एक और डेटासेट की प्रतीक्षा कर रहे हैं, जो पहले से ही एलन इंस्टीट्यूट फॉर ब्रेन साइंस से है, जिसे 2018 में FENS सम्मेलन में घोषित किया गया था। यह विभिन्न दृश्य उत्तेजनाओं के साथ माउस कॉर्टेक्स के दृश्य वर्गों का अध्ययन करने के लिए एक साथ 4 (!) न्यूरोपिक्सल्स नमूनों का उपयोग करेगा। उन्होंने 2018 के अंत में यहाँ प्रकाशित करने का वादा किया, बिपोटन डेटा (एक बहुत शक्तिशाली डेटासेट) के बगल में, लेकिन अभी तक कुछ भी नहीं।

तीसरा, कोशिकीय क्षमता की रिकॉर्डिंग से कोशिकाओं को जोड़ने का कार्य मुझे सौंदर्य से सुंदर लगता है। यह माइक्रोइलेक्ट्रॉनिक, न्यूरोफिज़ियोलॉजी और मशीन लर्निंग के तरीकों को परिवर्तित करता है। इसके अलावा, इसका बहुत मौलिक और लागू मूल्य है। मुझे लगता है कि हाबर के दर्शकों को इलेक्ट्रोफिजियोलॉजी की तकनीकी रसोई के बारे में जानने में रुचि होगी, अर्थात् क्लस्टरिंग एल्गोरिदम के बारे में, क्योंकि इस क्षेत्र में पहले से ही अपना चिड़ियाघर विकसित किया गया है। मैं, बदले में, इन एल्गोरिदम के लिए कई सवाल जमा करता हूं, और इस तरह के डेटासेट को छोड़ा नहीं जा सकता है। इसलिए, अगले भाग में, हम कुछ एल्गोरिदम के विश्लेषण पर आगे बढ़ेंगे, जो कि विहित क्लस्टकविक से शुरू होता है, टेम्पलेट विधियों किलोसोर्ट या स्पाईकिंग सर्कस के साथ जारी रहता है, और फिर YASS, जो बहुत दृढ़ता से इस बारे में घोषणा करता है कि यह तेजी से और सभी की तुलना में बेहतर काम करता है, क्योंकि डीएल और क्योंकि यह कर सकता है। यहाँ कुछ क्लस्टर की सूची के साथ जीथब पर टॉपिक। कुछ सवालों का अनुमान लगाते हुए, मैं अपने स्वयं के एल्गोरिथ्म को विकसित करने के बिंदु को नहीं देखता, क्योंकि प्रतियोगिता पहले से ही बहुत बड़ी है, और बहुत सारे विचारों को पहले ही दूसरों द्वारा लागू और परीक्षण किया जा चुका है। लेकिन अगर डेयरडेविल्स हैं, तो मैं खुशी के साथ योगदान दूंगा।

सुझाव और इच्छाएँ स्वीकार की जाती हैं। आपका ध्यान के लिए धन्यवाद!