Cognitive cartography of mammalian brains using meta-analysis of AI experts

Het menselijk brein is een uitgestrekt, ingewikkeld landschap waar miljarden cellen samenwerken om gedachte, gevoel en actie te creëren. Decennialang hebben wetenschappers geprobeerd dit terrein in kaart te brengen door specifieke hersengebieden te koppelen aan specifieke taken, zoals het onthouden van een naam of het voelen van angst. Ze hebben dit gedaan door duizenden onderzoeksartikelen te lezen, die elk een klein stukje van de puzzel beschrijven. De enorme omvang van deze studies is echter zo groot geworden dat geen enkel menselijk brein ze allemaal kan lezen. De literatuur is verspreid over verschillende soorten, van mensen tot muizen, en maakt gebruik van verschillende methoden, van hersenscans tot elektrische stimulatie. Deze fragmentatie maakt het moeilijk om het volledige beeld te zien van hoe het brein werkt in het hele dierenrijk.

Om dit op te lossen, heeft een team van onderzoekers zich tot kunstmatige intelligentie gewend, niet om menselijke wetenschappers te vervangen, maar om te fungeren als een onvermoeibare, super-lezende assistent. Ze ontwikkelden een systeem genaamd NeuroNaut, dat gebruikmaakt van grote taalmodellen — geavanceerde computerprogramma's getraind op enorme tekstbibliotheken — om de gehele body of neuroscience-literatuur te lezen en samen te vatten. In plaats van handmatig door artikelen te spitten, vroegen de onderzoekers deze AI-"experts" om in te schatten hoe waarschijnlijk het is dat een specifiek hersengebied betrokken is bij een specifieke functie, gebaseerd op alles wat de AI heeft geleerd van wetenschappelijke teksten. Deze aanpak stelt hen in staat om een uitgebreide kaart van de cognitieve functies van het brein op te stellen, die tegelijkertijd mensen, apen en muizen beslaat.

De onderzoekers begonnen met het testen of deze AI-experts in staat waren om het functionele landschap van het menselijk brein accuraat te beschrijven. Ze vroegen de modellen om de rol van 68 verschillende hersengebieden te evalueren binnen acht belangrijke gebieden van het denken, zoals emotie, geheugen, taal en visie. De AI genereerde gedetailleerde kaarten die lieten zien welke delen van het brein het meest geassocieerd zijn met elke taak. Wanneer de onderzoekers deze door AI gegenereerde kaarten vergeleken met de beste bestaande kaarten, gemaakt door traditionele door mensen geleide reviews, vonden ze een sterke overeenkomst. De AI identificeerde correct dat taal primair een linkshemisferische hersenfunctie is en dat visie gecentreerd is in de achterkant van het brein. Dit bevestigde dat de AI de kernkennis van het vakgebied succesvol had geabsorbeerd.

De ware kracht van deze methode kwam echter naar voren toen de onderzoekers verder keken dan wat traditionele instrumenten konden zien. Standaard hersenkaarten zijn vaak beperkt tot gegevens van hersenscans, die alleen activiteit laten zien terwijl een persoon een taak uitvoert. De AI, die de hele geschiedenis van de neurowetenschappen heeft gelezen, kon ook putten uit bewijs van hersenlaesies en directe elektrische stimulatie. Wanneer de onderzoekers de AI-kaarten vergeleken met circuits afgeleid van patiënten die stimulatie of schade aan het brein hadden ondergaan, kwamen de AI-kaarten veel beter overeen met dit causale bewijs dan de traditionele, op scans gebaseerde kaarten. Dit suggereert dat de AI een dieper, meer causaal begrip kan synthetiseren van hoe hersengebieden gedrag aansturen, wat verder gaat dan de eenvoudige correlaties die in beeldvormingsstudies worden gevonden.

De meest significante doorbraak vond plaats toen het team deze methode toepaste op andere soorten. Traditionele instrumenten voor hersenmapping zijn bijna uitsluitend ontworig voor mensen omdat ze vertrouwen op specifieke coördinatensystemen die niet bestaan voor andere dieren. Door gebruik te maken van het vermogen van de AI om tekst te lezen in plaats van coördinaten, slaagden de onderzoekers erin om cognitieve kaarten voor macroques en muizen te genereren. Ze ontdekten dat de organisatie van het brein in deze dieren op opvallende wijze de menselijke hersenen weerspiegelde. Zo identificeerde de AI correct dat de visuele cortex van een muis verbonden is met zicht, en dat de motorische gebieden verbonden zijn met beweging, net als bij mensen. Cruciaal was dat de AI ook herkende dat "taal" geen functie is die geassocieerd wordt met de hersenen van muizen of apen, waarbij het een bijna nulwaarde aan belang toekende, terwijl het nog steeds de auditieve regio's identificeerde die hun eigen vocalisaties verwerken.

Om te garanderen dat deze kaarten geen willekeurige gokken waren, testten de onderzoekers ze tegen echte biologische gegevens. Ze vergeleken de cognitieve kaarten van de AI voor muizen met gegevens die werden geregistreerd van duizenden individuele neuronen tijdens besluitvormingstaken. De voorspellingen van de AI stemden nauw overeen met de werkelijke elektrische activiteit van het brein. Op dezelfde manier kwam de kaart van de AI voor werkgeheugen bij de aap nauw overeen met een gedetailleerd, door mensen gecureerd overzicht van aapstudies, beter dan een menselijke hersenkaart die op een aapengebrein werd geprojecteerd. Dit bewees dat de AI niet simpelweg menselijke data kopieerde, maar daadwerkelijk soortspecifieke kennis uit de literatuur aan het synthetiseren was.

De onderzoekers verkenden ook hoe de structuur van het brein de functie ondersteunt. Ze vroegen de AI om de belangrijkste functies van elk hersengebied te beschrijven en gebruikten die beschrijvingen vervolgens om te berekenen hoe vergelijkbaar verschillende regio's met elkaar waren. Ze ontdekten dat regio's met vergelijkbare functionele profielen ook verbonden waren door vergelijkbare patronen van hersengolven en bloeddoorstroming. Deze relatie hield stand bij mensen, apen en muizen, wat suggereert dat de manier waarop het brein is bedraad om cognitie te ondersteunen een evolutionaire constante is. De AI onthulde zelfs een verborgen hiërarchie in het brein, waarbij regio's werden georganiseerd van eenvoudige sensorische gebieden naar complexe associatiegebieden, een patroon dat overeenkwam met de fysieke metingen van de lagen van het brein.

Ten slotte gebruikte het team deze aanpak om hersenstoornissen te bestuderen. Ze vroegen de AI om de betrokkenheid van hersengebieden bij ziekten zoals depressie, schizofrenie en autisme in kaart te brengen. Deze kaarten werden vervolgens vergeleken met genetische gegevens en hersenscans van patiënten. De AI-kaarten vertoonden een sterke connectie met de genetische risico's die aan deze ziekten verbonden zijn, meer nog dan traditionele hersenscans. Bovendien groepeerde de AI correct ziekten die gedeelde symptomen hebben, zoals het linken van slaapstoornissen aan psychiatrische aandoeningen, zelfs zonder dat de AI expliciet over deze verbanden was geïnformeerd. Dit vermogen om verborgen patronen te vinden over verschillende soorten gegevens heen, suggereert dat de AI wetenschappers kan helpen het complexe, veelzijdige karakter van mentale ziekten te begrijpen.

Dit werk demonstreert dat kunstmatige intelligentie kan dienen als een krachtig hulpmiddel voor wetenschappelijke ontdekking, in staat om de gehele corpus van menselijke kennis te verteren om patronen te onthullen die te complex zijn voor een enkele onderzoeker om te zien. Door de kloof tussen soorten en methoden te overbruggen, heeft de AI een verenigd beeld van het zooglindbrein geboden, waarbij aangetoond wordt dat de moleculaire en functionele architectuur van cognitie diep geconserveerd is door de evolutie heen. De onderzoekers hebben hun tool, NeuroNaut, vrij beschikbaar gesteld aan het publiek, waardoor iedereen vragen over het brein kan stellen en antwoorden kan ontvangen die gesynthetiseerd zijn uit de collectieve wijsheid van de wetenschappelijke gemeenschap. Deze aanpak vervangt menselijke expertise niet, maar vergroot deze, door een versnipperde bibliotheek van feiten te transformeren in een samenhangende, navigeerbare kaart van de geest.