✨ 要約🔬 技術概要
あなたの脳を、何十億もの小さな伝令係が走り回り、メモを渡し合ってすべてを円滑に動かしている、活気あふれる超高速の都市だと想像してみてください。時として、これらの伝令係たちは「振動（オシレーション）」と呼ばれる、リズムに乗った高速のダンスを踊ることがあります。最も重要なダンスの一つは、記憶を保存するための都市の図書館のような役割を果たす、海馬と呼ばれる脳の一部で起こります。「リップル（波紋）」として知られるこれらのダンスは、非常に短く、非常に速いものです。わずか瞬きの一瞬（約30〜100ミリ秒）の間だけ続き、非常に高い速度（毎秒100〜250回）で動きます。科学者たちは、もし私たちがちょうど適切な瞬間にこれらのリップルを捉え、優しくそっと刺激を与えることができれば、記憶の問題を解決したり、てんかんのような脳疾患を食い止めたりできるのではないかと考えています。
しかし、ここに落とし穴があります。これらのリップルはあまりにも速いため、通常のコンピュータがそれを見つけ、計算し、信号を送り戻そうとする頃には、すでにダンスが終わってしまっているのです。それはまるで、重い鉛で作られた網でハチドリを捕まえようとするようなものです。網を振る前に、鳥はどこかへ行ってしまいます。これを解決するために、科学者たちは、イベントを待つことなく即座に反応する、生物学的な脳のように考える新しい種類のコンピュータの「脳」を必要としています。これは「ニューロモーフィック・コンピューティング」と呼ばれます。これは、遅くて重いトラックを、リップルを見た瞬間に素早く飛び回り、即座に介入できる、無数の小さく超高速なドローンの艦隊へと交換するようなものです。
この研究において、研究チームはまさにそのようなシステムを構築しました。彼らは、実際のニューロンの働きを模倣した「SpiNNaker」という特別なチップを使用して、非常に効率的な小さなデジタル脳を作り上げました。そして、そのデジタル脳に、刻々と変化する海馬のリップルをリアルタイムで検知することを学習させたのです。結果は素晴らしいものでした。彼らの小さなデジタル脳は、標準的なディープラーニング・モデルが持つ数百万ものニューロンに対し、わずか41個のニューロンしか使用していないにもかかわらず、はるかに大規模でエネルギーを大量に消費するコンピュータと同等の精度でリップルを検出することができました。さらに優れたことに、これほど少ないエネルギーで、最大200倍も少ない電力消費を実現したのです。
しかし、リップルを検出することは戦いの半分に過ぎません。本当の魔法は、システムが実際にリップルを変化させるときに起こります。研究者たちは、このデジタル脳を生きたマウスの脳に接続しました。システムがリップルを検知すると、即座に光の信号を送り出し、関与している脳細胞を優しく抑制（減速）させるようにしました。最適化されたシミュレーションにおいて、このシステムは、リップルが終わる前に最大80%のリップルを捉えて介入できる可能性を示しました。生きたマウスを用いた実験では、システムの速度は初期設定による制限を受けたものの、検出した最も長いリップルのダイナミクスを変化させることに成功しました。具体的には、リップルのエネルギーを減少させ、その踊り方を変える強い傾向を示しましたが、主要な分析におけるこの減少は、統計的有意性にわずかに届きませんでした。このシステムはまだ完璧ではなく、時としてリップルを見逃したり、背景ノイズに惑わされたりすることもありますが、脳の活動を遠くからただ眺めているのではなく、リアルタイムで脳と対話できる「クローズドループ・システム」を構築できることを証明しています。これは、将来的に、これらの小さくエネルギー効率の高いデジタル脳を用いて、脳の活動が起きているその瞬間に介入することで、神経疾患に苦しむ人々を助けることができるという未来を示唆しています。
技術要約：生体内における海馬リップルの低遅延ニューロモーフィック・クローズドループ制御
問題提起
手法
信号符号化： 連続的な海馬局所フィールド電位（LFP）をバンドパスフィルタリング（100–250 Hz）し、非同期デルタ変調（ステップフォワード）スキームを用いて離散的なUPおよびDOWNスパイク列に変換した。これらのスパイク列は、シミュレーションのタイムステップに合わせるため、30 kHzから1 kHzにダウンサンプリングされた。スパイキングニューラルネットワーク（SNN）アーキテクチャ： コンパクトなフィードフォワード型SNNを設計した。これは2つの入力チャネル（UP/DN）、2つの隠れ層のリーキー・インテグレート・アンド・ファイア（LIF）ニューロン（24および16ユニット）、およびリップル検出器として機能する単一の出力ニューロンで構成されている。ネットワークはわずか41個のニューロンと530個の学習可能パラメータを含んでいる。学習： SNNは、23回の記録セッションから得られた手動アノテーション済みのリップル・データセットを用いて、代理勾配による時間的誤差逆伝播法（SG-BPTT）を用いて学習された。目的関数は、20 msの許容ウィンドウを持つTime-to-First-Spike（TTFS）誤差を最小化することであった。ハードウェア展開： 学習済みネットワークは、SpiNNakerニューロモーフィック・ハードウェア（SpiNN-3ボード）に展開され、オープンソースのOpen Ephysプラットフォームと統合された。Pythonブリッジが双方向通信を容易にし、符号化されたスパイクをSpiNNakerボードにストリーミングし、検出イベントを返して刺激をトリガーした。生体内検証： システムは、覚醒状態の頭部固定マウスを用いてテストされた。リップル検出時、システムはArduino MEGA 2500をトリガーし、CA1海馬のGABA作動性介在ニューロンに対して100 msの光遺伝学的抑制パルスを送り出した。
主な結果
検出性能： コンパクトなSNNは、23セッションにわたって中央値0.56のF1スコアを達成した。ノイズの多い生物学的データにおいてリップルとアーチファクトを区別することの難しさを反映し、高い再現率（0.89）を示した一方で、適合率（0.50）は低かった。SNNの性能は、より大規模なディープラーニング・モデル（例：1D-CNN、LSTM）に匹敵し、標準的な最適化されていない従来のフィルタベースの検出器を大幅に上回った。ハードウェア効率： SpiNNaker上に展開された際、システムは生物学的リアルタイムで動作した。消費電力はボードレベルで約3.6 W（シミュレーションに起因する部分は0.35 W）であり、GPU/CPUベースのシミュレーションと比較して16〜200倍のエネルギー削減を実現した。レイテンシと介入： ハードウェア・イン・ザ・ループ検証により、フィードバックパスの最適化（直接的なPythonトリガリング vs. Open Ephysプラグイン）およびバッファサイズの最小化（3 ms）によって、総クローズドループ・レイテンシが約50 msに短縮されることが示された。このレイテンシにより、検出されたリップルの最大80%において、イベント内刺激（リップル終了前）が可能となった。生体内操作： 生体内実験において、ニューロモーフィック・トリガリングによる光遺伝学的抑制は、リップルのダイナミクスを著しく変化させた。具体的には、「Light ON」セッションでは、リップルエネルギーの有意な減少（p=0.048）が見られ、特に最も長い検出されたリップルにおいて、持続時間の短縮、ピーク周波数の低下、およびスペクトルエントロピーの上昇の傾向が認められた。
意義と主張
本研究の意義は、以下のことを実証した点にある：
コンパクトなSNNは、ハードウェア適合的なフットプリントを維持しながら、ディープラーニングに匹敵する性能で、一過性の高周波神経バイオマーカーを検出できること。
ニューロモーフィック・システムは、高速な脳イベントを操作するために必要な厳格な時間窓内で、生の神経データを処理し、フィードバック刺激をトリガーできること。
完全なセンシング・処理・刺激のパイプラインが生体内で検証可能であり、進行中の神経振動のダイナミクスを正常に変化させられること。
著者らは、本システムを、最適化された古典的手法よりもオフラインの検出精度が優れていることを目的としたものではなく、イベント駆動型計算、低電力、および安定したリアルタイム動作という不可欠な特性を、競争力のある検出能力と組み合わせたソリューションとして位置づけている。彼らは、生体内でのレイテンシが（最適化されたハードウェア・イン・ザ・ループの設定よりも）暫定的な性質を持っていることや、偽陽性への対処、および異なる記録システムや行動状態への汎用性に関する今後の課題を含め、限界を認めている。しかし、本研究は、ニューロモーフィック・コンピューティングが、高速な脳リズムの因果的かつ状態依存的な操作を可能にすることを証明する概念実証（プルーフ・オブ・コンセプト）を提供している。
毎週最高の neuroscience 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。 登録 ×