A Large-Scale Anatomically and Electrophysiologically Constrained Model of Hippocampus at Behavioral Time Scales
Dit artikel presenteert een door GPU-versnelling ondersteund computationeel framework dat een grootschalig, anatomisch beperkt hippocampaal model met 250.000 neuronen construeert en optimaliseert, waarbij de belangrijkste biologische dynamiek succesvol wordt gereproduceerd en simulatiesnelheden worden bereikt die voldoende zijn voor gedragstijdschalen door middel van een nieuwe twee-fasen optimalisatiestrategie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het menselijk brein is een uitgestrekt, verstrengeld landschap van miljarden cellen, die elk een kleine elektrische eenheid vormen die in complexe patronen vuurt om gedachte, geheugen en beweging te creëren. Om te begrijpen hoe deze machine werkt, bouwen wetenschappers vaak computermodellen die de structuur van het brein nabootsen. Echter, een hardnekkig probleem heeft deze inspanningen geteisterd: de modellen zijn meestal te simpel om realistisch te zijn, of ze zijn zo gedetailleerd dat het jaren duurt om ze op een computer te laten draaien, waardoor het onmogelijk wordt om de seconden of minuten te simuleren die een dier nodig heeft om een kamer te doorkruisen. Onderzoekers hebben gestreden om een model te bouwen dat zowel anatomisch precies is — overeenkomend met de werkelijke bedrading van het brein — als snel genoeg om in realtime te draaien.
Een team van onderzoekers heeft nu een massale, zeer gedetailleerde simulatie van de hippocampus geconstrueerd, het deel van de hersenen dat verantwoordelijk is voor geheugen en navigatie. Ze creëerden een digitale versie van dit hersengebied met ongeveer 250.000 individuele neuronen en 20 miljoen verbindingen tussen hen. In tegen tegenstelling tot eerdere pogingen die vertrouwden op gokwerk of vereenvoudigde regels, werd dit model direct gebouwd op basis van experimentele kaarten van hoe hersencellen daadwerkelijk aan elkaar verbonden zijn. De onderzoekers gebruikten krachtige grafische processoren, hetzelfde type chips dat in high-end videogames wordt gevonden, om de simulatie te laten draaien op een snelheid die ongeveer 20 keer sneller is dan de werkelijke biologische tijd. Dit stelde hen in staat om het netwerk over langere perioden te laten evolueren, waarbij ze observeerden hoe de cellen met elkaar interageerden om gedrag te produceren.
Het meest opmerkelijke resultaat was dat het model navigatiepatronen genereerde zonder expliciet te worden onderwezen hoe dit moet. De onderzoekers voerden signalen in het digitale brein die een virtueel dier representeerden dat door een ruimte bewoog, maar ze programmeerden de neuronen niet om specifieke locaties te herkennen. Desondanks ontwikkelde het netwerk spontaan "plaats-cellen" (place cells) — neuronen die alleen vuurden wanneer het virtuele dier zich op een specifie of specifieke plek bevond. Dit gebeurde natuurlijk vanwege de manier waarop de cellen met elkaar verbonden waren en hoe ze op elkaar reageerden. De simulatie toonde aan dat het vermogen van het brein om ruimte in kaart te brengen voortkomt uit de fysieke structuur van zijn circuits en de timing van zijn elektrische signalen, in plaats van uit een vooraf geschreven instructiehandleiding.
Om dit te bereiken, moesten het team twee grote hindernissen overwinnen. Ten eerste moesten ze complexe anatomische data, die meestal groepen cellen beschrijven, vertalen naar een kaart van verbindingen tussen elke afzonderlijke neuron. Ze ontwikkelden een methode om deze populatiegebaseerde kaarten om te zetten in een precies bedradingsdiagram, wat ervoor zorgde dat het digitale brein eruitzag en functioneerde als een echt brein. Ten tweede moesten ze de simulatie snel genoeg laten draaien om nuttig te zijn. Door de software te optimaliseren voor grafische hardware, brachten ze de tijd die nodig is om één seconde hersenactiviteit te simuleren terug tot een fractie van een seconde. Deze snelheid is cruciaal omdat het wetenschappers in staat stelt om het model uren of dagen te laten draaien, waardoor ze langetermijnprocessen zoals leren en geheugenconsolidatie kunnen observeren die onmogelijk te bestuderen zijn in tragere, meer gedetailleerde modellen.
De onderzoekers ontwikkelden ook een slimme manier om het model af te stemmen. In plaats van te proberen elk enkel getal vanaf het begin perfect te krijgen, gebruikten ze een tweestaps-proces. Eerst pasten ze de sterkte van de verbindingen tussen paren neuronen aan om te voldoen aan bekende laboratoriummetingen. Daarna lieten ze het volledige netwerk draaien en pasten ze de verbindingen opnieuw aan terwijl de simulatie nog liep, waarbij ze het systeem verfijnden totdat de algehele activiteit van de groep cellen overeenkwam met wat bij levende dieren wordt gezien. Deze online aanpassing betekende dat ze de simulatie niet telkens hoefden te stoppen en opnieuw te starten bij elke wijziging, wat enorme hoeveelheden tijd bespaarde en een veel nauwkeurigere passing mogelijk maakte.
Toen het model aan de test werd onderworpen, produceerde het een rijk tapijt van hersenactiviteit. De neuronen vuurden in ritmische patronen die overeenkwamen met de hersengolven die bij echte dieren worden gezien, specifelijk de theta- en gamma-ritmes die geassocieerd worden met navigatie en geheugen. De cellen organiseerden zichzelf in duidelijke groepen, waarbij sommige snel en andere langzaam vuurden, precies zoals ze dat in een levend brein doen. Het belangrijkst was dat de ruimtelijke kaarten die ontstonden stabiel en realistisch waren. De neuronen in de verschillende lagen van de hippocampus transformeerden de ruwe input uit de omgeving naar steeds preciezere locatiecodes, bewegend van algemene, rasterachtige patronen naar specifieke, op één locatie gericht vuren. Deze progressie gebeurde automatisch, uitsluitend gedreven door de fysieke beperkingen van het netwerk en de elektrische eigenschappen van de cellen.
Dit werk suggereert dat het vermogen van het brein om ruimte te begrijpen een direct gevolg is van de fysieke bedrading en de manier waarop de cellen communiceren. De onderzoekers hoefden het concept van "plaats" niet in het model te programmeren; het ontstond natuurlijk uit de complexiteit van het systeem. Hoewel het huidige model slechts een fractie van de volledige hippocampus vertegenwoordigt, hebben het team aangetoond dat hun methoden kunnen worden opgeschaald om de gehele regio te simuleren. Ze schatten dat met moderne computersystemen met veel geheugen, een volledige modelversie met ongeveer 50 keer de snelheid van de echte tijd kan draaien. Dit opent de deur naar het simuleren van de gehele hippocampus over de loop van een dag of een week, waardoor wetenschappers kunnen zien hoe herinneringen zich vormen en stabiliseren over een langere periode.
De studie benadrukt ook een nieuwe benadering voor het begrijpen van het brein, een die de kloof overbrugt tussen de microscopische details van individuele cellen en de grootschalige functie van het hele orgaan. Door nauwkeurige anatomische data te combineren met snelle, flexibele computerkracht, hebben de onderzoekers een instrument gecreëerd waarmee men kan testen hoe veranderingen in de structuur van het brein de functie ervan beïnvloeden. Dit kader is niet slechts een statisch beeld van het brein; het is een dynamisch systeem dat kan worden aangepast en in actie kan worden geobserveerd. Het biedt een manier om de mechanismen van geheugen en navigatie in een gecontroleerde omgeving te verkennen, wat een nieuw venster biedt op de complexe machinerie van de geest. Het succes van deze simulatie suggereert dat de regels die het brein beheersen in de fysieke structuur geschreven staan, wachtend om te worden ontcijferd door modellen die zowel gedetailleerd als snel genoeg zijn om het tempo van de gedachte bij te houden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.