QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex
تقدم الورقة البحثية QuantFormer، وهو نموذج جديد قائم على المحولات (transformer) يعيد صياغة التنبؤ بالنشاط العصبي كمسألة تصنيف من خلال التكميم الديناميكي للإشارات والرموز الخاصة بالنيورونات، محققاً أداءً هو الأفضل في فئته في التنبؤ بديناميكيات القشرة البصرية للفئران من بيانات التصوير الكالسيومي ثنائي الفوتون.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
إن الدماغ عبارة عن شبكة شاسعة ونابضة بمليارات الخلايا، حيث تطلق كل منها إشارات بإيقاع معقد لتوليد الفكر والحركة والإحساس. ولفهم كيفية عمل هذه الآلية، يراقب العلماء هذه الخلايا في حالة نشاط، مستخدمين مجاهر خاصة لرؤية متى تضيء بالإشارات الكيميائية. هذا النشاط ليس مستمراً؛ بل يأتي في هيئة دفقات مفاجئة ومتباعدة، مثل مدينة تكون فيها معظم الأضواء مطفأة، لكن نوافذ محددة تومض في لحظات دقيقة عند حدوث شيء مثير للاهتمام. لعقود من الزمن، حاول الباحثون بناء نماذج حاسوبية يمكنها التنبؤ بهذه الومضات، آملين في التنبؤ بما سيفعله الدماغ لاحقاً في يوم من الأيام. وهذه مهمة صعبة لأن الإشارات مشوشة، والأنماط عابرة، والعدد الهائل من الخلايا يجعل البيانات غامرة. وإذا تمكن العلماء من التنبؤ بهذه الشرارات العصبية بشكل موثوق، فقد يتمكنون من تصميم تجارب تعدل مسارها في الوقت الفلي، مما قد يساعد في استعادة الوظائف أو تعميق فهمنا للسلوك.
لقد قدم فريق من الباحثين الآن نهجاً جديداً لهذه المشكلة، حيث ابتكروا نظاماً يسمى "كوانت فورمر" (QuantFormer). فبدلاً من محاولة التنبؤ بالسطوع الدقيق لإشارة ما في كل لحظة، وهو أمر يشبه محاولة تخمين درجة حرارة الغرفة بدقة في كل ثانية، قرر الفريق التعامل مع المشكلة بشكل مختلف. لقد أدركوا أنه نظراً لأن النشاط العصبي متباعد جداً، فمن المفيد غالباً التفكير فيما إذا كانت الخلية نشطة أم لا، بدلاً من محاولة قياس درجة توهجها بدقة. ولتحقيق ذلك، بنوا نموذجاً حاسوبياً يتعلم ترجمة التدفق المستمر للبيانات العصبية إلى مجموعة من الخطوات المتميزة والمنفصلة. تخيل أنك تأخذ نهراً متدفقاً وسلساً وتضع فيه سلسلة من أحجار العبور؛ يتعلم النموذج القفز من حجر إلى آخر، مما يحول التنبؤ بإشارة سائلة إلى لعبة اختيار الحجر الصحيح. هذا التحول يسمح للحاسوب بالتركيز على اللحظات الأكثر أهمية — أي ومضات النشاط الفعلية — بدلاً من الضياع في ضجيج الخلفية الهادئ.
قام الباحثون بتدريب هذا النموذج باستخدام مجموعة ضخمة من البيانات من القشرة البصرية للفئران، وهي منطقة في الدماغ تعالج ما يراه الحيوان. وقد عرضوا على الفئران صوراً متنوعة، من الخطوط المتحركة إلى المشاهد الطبيعية، وسجلوا كيف استجت آلاف الخلايا العصبية الفردية. تعلم النموذج أولاً كيفية ملء الأجزاء المفقودة من هذه التسجيلات، وهي عملية أجبرته على تعلم القواعد الأساسية لكيفية سلوك الخلايا العصبية بمرور الوقت. والأهم من ذلك، تم تصميم النظام للتعامل مع أي عدد من الخلايا العصبية في آن واحد. فمن خلال منح كل خلية عصبية "بطاقة تعريف رقمية" فريدة، استطاع النموذج تعلم العادات المحددة لكل خلية بمفردها داخل المجموعة، بغض النظر عن عدد الخلايا التي تتم مراقبتها. ويعد هذا المرونة خطوة هامة للأمام، حيث كانت الطرق السابقة تعاني غالباً عندما يتغير عدد الخلايا أو عند محاولة تحليل العديد من الخلايا في وقت واحد.
وعند اختباره، أثبت النموذج الجديد كفاءة ملحوظة في التنبؤ بكيفية تفاعل الخلايا العصبية مع المحفزات البصرية. فقد تفوق على الأساليب الحالية في التقاط توقيت وشكل الاستجابات العصبية، ولا سيما الدفقات المفاجئة والحادة للنشاط التي تحدد كيفية معالجة الدماغ للمعلومات. وكان النموذج قادراً على التنبؤ بهذه الأنماط بمستوى من الدقة يشير إلى أنه تعلم الديناميكيات الحقيقية للدائرة العصبية، بدلاً من مجرد حفظ السلوكيات المتوسطة. كما وجد الباحثون أن النموذج يمكنه التعميم بشكل جيد، مما يعني أنه يعمل بفعالية على فئران مختلفة ومع أنواع مختلفة من الصور، حتى تلك التي لم يرها أثناء تدريبه الأولي. وهذا يشير إلى أن النظام قد تعلم لغة أساسية للنشاط العصبي تنطبق على مختلف الأفراد والمواقف.
ومع ذلك، فإن المؤلفين حذرون في تحديد ما يفعله نموذجهم وما لا يفعله. فبينما يتفوق في التنبؤ بالتوهج الكيميائي للخلايا العصبية، فإنه لا يتنبأ مباشرة بالنبضات الكهربائية التي تسبب ذلك التوهج. فالعلاقة بين الاثنين معقدة، والنموذج يُفهم حالياً كأداة للتنبؤ بإشارات الفلورة المرئية بدلاً من الأحداث الكهربائية الكامنة. ورغم هذا القصور، يمثل هذا العمل قفزة نوعية نحو إنشاء أداة تأسيسية لعلوم الأعصاب. فمن خلال النجاح في إعادة صياغة مشكلة تنبؤ صعبة إلى مهمة تصنيف أكثر قابلية للإدارة، مهد الباحثون الطريق لأنظمة مستقبلية يمكنها يوماً ما مساعدة العلماء على التفاعل مع الدماغ في الوقت الفعلي، مما يفتح أبواباً جديدة لفهم كيفية عمل العقل وكيف يمكن مساعدته عندما يختل توازنه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.