Latent kinetic Ising models of neural spike trains
تقدم الورقة البحثية SpiKIsing، وهو إطار عمل ذو متغير كامن يجمع بين نموذج إيسينج حركي ذي زمن منفصل لديناميكيات الشبكة الجماعية وعمليات نقطية ذات زمن مستمر لتوليد النبضات، مما يتيح استدلالاً قوياً للاتصال العصبي المتناثر والمتوافق مع مبدأ ديل، مع مراعاة تأثيرات فترة الجموح والآثار التاريخية بشكل صريح.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لفهم كيفية تفكير الدماغ، يبدأ العلماء غالباً بالاستماع إلى عصبوناته. تتواصل هذه الخلايا عن طريق إطلاق شرارات كهربائية صغيرة تسمى "النبضات"، وعندما يسجل الباحثون هذه الإشارات من العديد من العصبونات في وقت واحد، يحصلون على تدفق فوضوي من البيانات. التحدي المركزي يكمن في معرفة من يتحدث إلى من. هل يطلق عصبونان نبضات معاً لأنهما متصلان مباشرة، أم أنهما يتفاعلان فقط مع نفس الحدث الخارجي؟ هذه أحجية صعبة لأن الروابط مخفية، والنشاط عشوائي، وتوقيت كل نبضة منفردة أمر بالغ الأهمية. لعقود من الزمن، حاول العلماء رسم خرائط لهذه الشبكات غير المرئية، لكن طريقة شائعة غالباً ما أجبرتهم على تبسيط البيانات بشكل مفرط، حيث تعاملت مع التوقيت الدقيق للنبضات كما لو لم يكن موجوداً.
قدم فريق من الباحثين في جامعة أستون الآن طريقة جديدة لحل هذه الأحجية، تسمى "SpiKIsing". بدلاً من إجبار التدفق المستمر والمعقد للوقت على التحول إلى كتل اصطناعية جامدة، تقوم طريقتهم بفصل قصة الشبكة إلى طبقتين متمايزتين. تخيل الشبكة كمجموعة من الأشخاص في غرفة؛ تصف الطبقة الأولى المزاج العام للغرفة: هل المجموعة متحمسة، هادئة، أم مضطربة؟ هذا "المزاج" يتغير في خطوات منفصلة ويؤثر على من يُحتمل أن يتحدث تالياً. أما الطبقة الثانية فتصف التحدث الفعلي: عندما يقرر شخص ما التحدث، فإنه يفعل ذلك في لحظة محددة ومستمرة من الزمن، ولا يمكنه التحدث مرة أخرى لفترة وجيزة بعد إنهاء جملته. ومن خلال إبقاء هاتين الطبقتين منفصلتين، يستطيع الباحثون رؤية كيف يقود المزاج الجماعي للمجموعة الأفعال الفردية دون الخلط بينهما.
بنى الباحثون نموذجاً حاسوبياً يحاكي هذا النظام ذو الطبقتين. في محاكاتهم، "مزاج" كل عصبون هو حالة خفية تتطور بناءً على تأثير جيرانها. إذا كان أحد الجيران نشطاً، فقد يدفعه ذلك نحو حالته النشطة الخاصة، أو قد يكبح جماحه. ومع ذلك، فإن النبضات الفعلية التي يسجلها العلماء ليست هي المزاج نفسه، بل هي نتيجة ذلك المزاج مقترناً بتاريخ العصبون الخاص. تماماً مثل العصبون الحقيقي، يتضمن النموذج فترة صمت وجيزة بعد النبضة، تُعرف بفترة الجموح (refractory period)، حيث لا يمكن للخلية أن تطلق نبضة أخرى، تليها فترة تعافٍ تدريجي. هذا يسمح للنموذج بمراعاة حقيقة أن الماضي القريب للعصبون يغير كيفية سلوكه في الوقت الحالي، وهو تفصيل أغفلته الطرق القديمة.
لاختبار مدى فعالية هذا النهج، قام الفريق أولاً بتغذية النموذج ببيانات أنتجها بنفسه، حيث كانت الروابط الحقيقية معروفة مسبقاً. نجح النموذج في تعلم القواعد الخفية، واستعاد بدقة قوة واتجاه الروابط بين العصبونات. كما حدد بشكل صحيح أي العصبونات كانت استثارية (excitatory)، بمعنى أنها تميل إلى تشجيع الآخرين على إطلاق النبضات، وأيها كانت تثبيطية (inhibitory)، بمعنى أنها تميل إلى كبح النشاط. كان هذا النجاح مثيراً للإعجاب حتى عندما اضطر النموذج إلى تخمين توقيت فترات التعافي وقوة الإشارات من الصفر. ثم دفع الباحثون الطريقة إلى أبعد من ذلك عبر اختبارها على بيانات ناتجة عن نوع مختلف تماماً وأكثر تعقيداً من المحاكاة البيولوجية. صُمم هذا الاختبار ليرى ما إذا كان بإمكان النموذج إيجاد البنية الأساسية حتى عندما لا تتطابق البيانات تماماً مع القواعد التي بُني عليها النموذج.
أظهرت النتائج أن الطريقة قوية للغاية. على الرغم من أن بيانات الاختبار جاءت من نظام ذي تغيرات جهد مستمرة وتأخيرات فيزيائية لم يكن النموذج يعرف عنها شيئاً، إلا أن SpiKIsing تمكن من كشف بنية الشبكة الصحيحة. لقد حدد بشكل صحيح أي العصبونات كانت متصلة، والأهم من ذلك، صنف كل عصبون في مجموعة الاختبار إما كعصبون استثاري أو تثبيطي بدقة تامة. قام النموذج بذلك من خلال النظر في نمط التأثير العام الذي يمارسه كل عصبون على الآخرين، بدلاً من محاولة مطابقة كل نبضة بدقة. يشير هذا إلى أن الطريقة يمكنها إيجاد الهندسة الجوهرية للدائرة العصبية حتى عندما تكون البيانات فوضوية أو تأتي من مصدر يتصرف بشكل مختلف عما يتوقعه النموذج.
يؤكد الباحثون أن الروابط التي يجدونها هي تفاعلات "فعالة"، مما يعني أنها تصف كيف تؤثر العصبونات على أنماط نشاط بعضها البعض، بدلاً من كونها قياساً مباشراً للأسلاك الفيزيائية بينها. وبينما لا تخبرنا الطة بالقوة الفيزيائية الدقيقة للتشابك العصبي، إلا أنها تكشف عن الخريطة الوظيفية للشبكة. هذا التمييز مهم لأنه يعني أن الأداة مصممة لإيجاد منطق الدائرة، وليس مجرد أبعادها الفيزيائية. كما دمج الفريق طريقة لتضمين المعرفة المسبقة، مثل التوقع بأن الشبكات العصبية الحقيقية "متفرقة" (sparse)، حيث تمتلك العديد من العصبونات روابط قليلة، وأن العصبون الواحد عادة ما يرسل إشارات من نوع واحد فقط، إما استثارية أو تثبيطية، إلى جميع أهدافه. وعندما طبقوا هذه القواعد، أصبح النموذج أكثر براعة في إيجاد البنية الحقيقية.
يقدم هذا العمل عدسة جديدة للنظر في توصيلات الدماغ. فمن خلال احترام الطبيعة المستمرة للزمن وتاريخ كل عصبون، يتجنب نموذج SpiKising عيوب الطرق القديمة التي تطمس هذه التفاصيل. إنه يوفر وسيلة لاستنتاج القواعد الخفية للشبكة من التدفق الصاخب والفوضوي للنبضات الذي تنتجه العصبونات الحقيقية. وبينما أُجريت الاختبارات الحالية على بيانات محاكاة، يعمل المؤلفون بالفعل على تطبيق هذه التقنية على تسجيلات من مستنبتات بيولوجية حقيقية. وإذا صمدت هذه الطريقة في العالم الحقيقي، فقد تساعد هذه المقاربة العلماء على فك رموز البنية الوظيفية للدوائر العصبية، وكشف كيفية تنظيم مجموعات الخلايا لنفسها لمعالجة المعلومات، دون الحاجة إلى معرفة التفاصيل الفيزيائية الدقيقة لكل اتصال مسبقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.