Una NEAT reducción de modelos neuronales complejos acelera la investigación del cerebro

De compleja a abstracta, la fascinante estructura de árbol de las dendritas ahora se puede modelar a muchas escalas. Crédito: eLife

Las neuronas, las unidades fundamentales del cerebro, son computadoras complejas en sí mismas. Reciben señales de entrada en una estructura similar a un árbol, la dendrita. Esta estructura hace más que simplemente recopilar las señales de entrada: las integra y las compara para encontrar esas combinaciones especiales que son importantes para el papel de las neuronas en el cerebro. Además, las dendritas de las neuronas vienen en una variedad de formas y formas, lo que indica que distintas neuronas pueden tener funciones separadas en el cerebro.

Un modelo simple pero fiel

En neurociencia, históricamente ha habido un equilibrio entre la fidelidad de un modelo a la neurona biológica subyacente y su complejidad. Los neurocientíficos han construido modelos computacionales detallados de muchos tipos diferentes de dendritas. Estos modelos imitan el comportamiento de las dendritas reales con un alto grado de precisión. La contrapartida, sin embargo, es que tales modelos son muy complejos. Por lo tanto, es difícil caracterizar exhaustivamente todas las posibles respuestas de tales modelos y simularlos en una computadora. Incluso las computadoras más poderosas solo pueden simular una pequeña fracción de las neuronas en cualquier área del cerebro determinada.

Los investigadores del Departamento de Fisiología de la Universidad de Berna han buscado durante mucho tiempo comprender el papel de las dendritas en los cálculos realizados. por el cerebro. Por un lado, han construido modelos detallados de dendritas a partir de mediciones experimentales y, por otro lado, han construido modelos de redes neuronales con dendritas muy abstractas para aprender cálculos como el reconocimiento de objetos. Un nuevo estudio se propuso encontrar un método computacional para simplificar los modelos altamente detallados de las neuronas, manteniendo un alto grado de fidelidad. Este trabajo surgió de la colaboración entre neurocientíficos experimentales y computacionales de los grupos de investigación del Prof. Thomas Nevian y el Prof. Walter Senn, y fue dirigido por el Dr. Willem Wybo. «Queríamos que el método fuera flexible, para que pudiera aplicarse a todos los tipos de dendritas. También queríamos que fuera preciso, para que pudiera capturar fielmente las funciones más importantes de cualquier dendrita dada. Con estos modelos más simples, las neuronas las respuestas se pueden caracterizar más fácilmente y se puede realizar la simulación de grandes redes de neuronas con dendritas», explica el Dr. Wybo.

Este nuevo enfoque explota una elegante relación matemática entre las respuestas de modelos de dendritas detallados y de modelos simplificados de dendritas. modelos de dendritas Debido a esta relación matemática, el objetivo que se optimiza es lineal en los parámetros del modelo simplificado. «Esta observación crucial nos permitió utilizar el conocido método de mínimos cuadrados lineales para encontrar los parámetros optimizados. Este método es muy eficiente en comparación con los métodos que utilizan búsquedas de parámetros no lineales, pero también logra un alto grado de precisión», dice el profesor. . Senn.

Herramientas disponibles para aplicaciones de IA

El principal resultado del trabajo es la metodología en sí misma: una forma flexible pero precisa de construir modelos de neuronas reducidas a partir de datos experimentales y reconstrucciones morfológicas. «Nuestra metodología acaba con la compensación percibida entre la fidelidad y la complejidad, al mostrar que los modelos extremadamente simplificados aún pueden capturar gran parte de las importantes propiedades de respuesta de las neuronas biológicas reales», explica el Prof. Senn. «Lo que también proporciona información sobre ‘la dendrita esencial’, el modelo de dendrita más simple posible que aún captura todas las respuestas posibles de la dendrita real de la que se deriva», agrega el Dr. Wybo.

Por lo tanto, en específico situaciones, se pueden establecer límites estrictos sobre cuánto se puede simplificar una dendrita, conservando al mismo tiempo sus importantes propiedades de respuesta. “Además, nuestra metodología simplifica enormemente la obtención de modelos neuronales directamente a partir de datos experimentales”, destaca el Prof. Senn, quien también es miembro del comité directivo del Centro de Inteligencia Artificial (CAIM) de la Universidad de Berna. La metodología se ha compilado en NEAT (NEural Analysis Toolkit), una caja de herramientas de software de código abierto que automatiza el proceso de simplificación. NEAT está disponible públicamente en GitHub.

Las neuronas que se usan actualmente en las aplicaciones de IA son extremadamente simples en comparación con sus contrapartes biológicas, ya que no incluyen dendritas en absoluto. Los neurocientíficos creen que la inclusión de operaciones similares a las dendritas en las redes neuronales artificiales conducirá al próximo salto en la tecnología de IA. Al permitir la inclusión de modelos de dendritas muy simples pero muy precisos en las redes neuronales, este nuevo enfoque y conjunto de herramientas brindan un paso importante hacia ese objetivo.

Explore más

Evidencia de propiedades eléctricas previamente desconocidas en dendritas corticales humanas Más información: Willem AM Wybo et al, Reducción basada en datos de morfologías dendríticas con respuestas dendro-somáticas conservadas, eLife (2021). DOI: 10.7554/eLife.60936 Información del diario: eLife

Proporcionado por la Universidad de Berna Cita: Una reducción NEAT de modelos neuronales complejos acelera la investigación del cerebro (2021, enero 27) obtenido el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-01-neat-reduction-complex-neuronal-brain.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.