Компьютерное нейрогенетическое моделирование - Computational neurogenetic modeling
Вычислительное нейрогенетическое моделирование (CNGM) связано с изучением и разработкой динамических нейронных моделей для моделирования функций мозга в отношении генов и динамических взаимодействий между генами. К ним относятся модели нейронных сетей и их интеграция с моделями генных сетей. Эта область объединяет знания из различных научных дисциплин, таких как компьютерные науки и информатика , нейробиология и когнитивная наука , генетика и молекулярная биология , а также инженерия .
Уровни обработки
Молекулярная кинетика
Модели кинетики белков и ионных каналов, связанных с активностью нейронов, представляют собой самый низкий уровень моделирования в вычислительной нейрогенетической модели. Измененная активность белков при некоторых заболеваниях, таких как белок бета-амилоид при болезни Альцгеймера , должна быть смоделирована на молекулярном уровне, чтобы точно предсказать влияние на познание. Ионные каналы, которые жизненно важны для распространения потенциалов действия , представляют собой еще одну молекулу, которую можно моделировать для более точного отражения биологических процессов. Например, чтобы точно смоделировать синаптическую пластичность (усиление или ослабление синапсов ) и память, необходимо смоделировать активность рецептора NMDA (NMDAR). Скорость, с которой рецептор NMDA пропускает ионы кальция в клетку в ответ на глутамат, является важным детерминантом долгосрочной потенциации за счет встраивания рецепторов AMPA (AMPAR) в плазматическую мембрану в синапсе постсинаптической клетки (клетки, которая получает нейротрансмиттеры от пресинаптической клетки).
Генетическая регуляторная сеть
В большинстве моделей нейронных систем нейроны являются самой базовой моделируемой единицей. В компьютерном нейрогенетическом моделировании, чтобы лучше моделировать процессы, отвечающие за синаптическую активность и связь, гены, отвечающие за нее, моделируются для каждого нейрона .
Генная сеть , белок , регулирующая сеть или ген / белок , регулирующая сеть, является уровнем обработки в вычислительной модели нейрогенной , что модели взаимодействий генов и белков , имеющих отношение к синаптической активности и общим клеточным функциям. Гены и белки моделируются как отдельные узлы , а взаимодействия, влияющие на ген, моделируются как возбуждающие (увеличивает экспрессию гена / белка) или ингибирующую (снижает экспрессию гена / белка) входы, которые взвешиваются, чтобы отразить эффект, который оказывает ген или белок. на другой ген или белок. Сети регуляции генов обычно разрабатываются с использованием данных с микрочипов .
Моделирование генов и белков позволяет индивидуальные ответы нейронов в искусственной нейронной сети, которые имитируют ответы биологических нервных систем, такие как деление (добавление новых нейронов в искусственную нейронную сеть), создание белков для расширения их клеточной мембраны и стимулирования роста нейритов ( и, следовательно, более сильные связи с другими нейронами), активируют или подавляют рецепторы в синапсах (увеличивая или уменьшая вес (силу) синаптических входов), поглощают больше нейротрансмиттеров , превращаются в нейроны другого типа или умирают из-за некроза или апоптоз . Создание и анализ этих сетей можно разделить на две под-области исследований: активация гена, которая участвует в нормальных функциях нейрона, таких как рост, метаболизм и синапс; и влияние мутировавших генов на нейроны и когнитивные функции.
Искусственная нейронная сеть
Искусственной нейронной сети в целом относится к любой вычислительной модели , которая имитирует центральной нервной системы , с такими возможностями, как обучение и распознавание образов . Что касается вычислительного нейрогенетического моделирования, то оно часто используется для обозначения моделей, специально разработанных для обеспечения биологической точности, а не вычислительной эффективности. Отдельные нейроны являются основной единицей искусственной нейронной сети, причем каждый нейрон действует как узел. Каждый узел получает взвешенные сигналы от других узлов, которые являются либо возбуждающими, либо тормозящими . Чтобы определить выход, передаточная функция (или функция активации ) оценивает сумму взвешенных сигналов и, в некоторых искусственных нейронных сетях, скорость их ввода. Вес сигнала усиливается ( длительная потенциация ) или ослабевает ( длительная депрессия ) в зависимости от того, насколько синхронны скорости пресинаптической и постсинаптической активации ( теория Хебба ).
Синаптическая активность отдельных нейронов моделируется с использованием уравнений для определения временного (и в некоторых случаях пространственного) суммирования синаптических сигналов, мембранного потенциала , порога генерации потенциала действия, абсолютного и относительного рефрактерного периода и, возможно, кинетики ионно-рецепторного канала и Гауссов шум (для повышения биологической точности за счет включения случайных элементов). В дополнение к возможности подключения некоторые типы искусственных нейронных сетей, такие как нейронные сети с пиковыми сигналами , также моделируют расстояние между нейронами и его влияние на синаптический вес (силу синаптической передачи).
Объединение сетей регуляции генов и искусственных нейронных сетей
Чтобы параметры в сети регуляции генов влияли на нейроны в искусственной нейронной сети, как задумано, между ними должна быть какая-то связь. В организационном контексте каждый узел (нейрон) в искусственной нейронной сети имеет свою собственную сеть регуляции генов, связанную с ним. Вес (а в некоторых сетях, частота синаптической передачи к узлу) и результирующий мембранный потенциал узла (включая то, продуцируется ли потенциал действия или нет), влияют на экспрессию различных генов в сети регуляции генов. Факторы, влияющие на связи между нейронами, такие как синаптическая пластичность , могут быть смоделированы путем ввода значений генов и белков, связанных с синаптической активностью, в функцию, которая повторно оценивает вес ввода от конкретного нейрона в искусственной нейронной сети.
Включение других типов клеток
Кроме нейронов, можно моделировать и другие типы клеток. Глиальные клетки , такие как астроглия и микроглия , а также эндотелиальные клетки могут быть включены в искусственную нейронную сеть. Это позволит моделировать заболевания, при которых патологические эффекты могут возникать не из нейронов, а из других источников, таких как болезнь Альцгеймера.
Факторы, влияющие на выбор искусственной нейронной сети
Хотя термин «искусственная нейронная сеть» обычно используется в компьютерном нейрогенетическом моделировании для обозначения моделей центральной нервной системы, которые должны обладать биологической точностью, общее использование этого термина может применяться и ко многим регуляторным сетям генов.
Разница во времени
Искусственные нейронные сети, в зависимости от типа, могут учитывать или не учитывать время ввода. Те, которые это делают, такие как нейронные сети с пиками , срабатывают только тогда, когда объединенные входные данные достигают мембранного потенциала. Поскольку это имитирует возбуждение биологических нейронов, нейронные сети с импульсами рассматриваются как более биологически точная модель синаптической активности.
Рост и усадка
Для точного моделирования центральной нервной системы необходимо также моделировать создание и гибель нейронов. Для этого часто используются конструктивные искусственные нейронные сети, которые могут расти или сокращаться, чтобы адаптироваться к входным данным. Развиваясь Коннекшионистский системы являются подтипом конструктивных искусственных нейронных сетей ( эволюционирующих в этом случае , ссылаясь на изменение структуры его нейронной сети , а не в результате мутации и естественного отбора ).
Случайность
И синаптическая передача, и генно-белковые взаимодействия имеют стохастический характер. Чтобы моделировать биологические нервные системы с большей точностью, в сеть часто вводят некоторую форму случайности. Модифицированные таким образом искусственные нейронные сети часто обозначаются как вероятностные версии их подтипа нейронных сетей (например, p SNN ).
Включение нечеткой логики
Нечеткая логика - это система рассуждений, которая позволяет искусственной нейронной сети работать с небинарными и лингвистическими переменными. Биологические данные часто невозможно обработать с помощью булевой логики , и, более того, точное моделирование возможностей биологических нервных систем требует нечеткой логики. Поэтому искусственные нейронные сети, которые включают это, такие как развивающиеся нечеткие нейронные сети (EFuNN) или динамические развивающиеся системы нейронно-нечеткого вывода (DENFIS) , часто используются в вычислительном нейрогенетическом моделировании. Использование нечеткой логики особенно актуально в сетях регуляции генов, поскольку для моделирования силы связывания белков часто требуются небинарные переменные.
Типы обучения
Искусственные нейронные сети, предназначенные для моделирования человеческого мозга, требуют способности изучать множество задач, которые не требуются для тех, кто предназначен для выполнения конкретной задачи. Контролируемое обучение - это механизм, с помощью которого искусственная нейронная сеть может обучаться, получая ряд входных данных с уже известным правильным выходом. Примером искусственной нейронной сети, использующей контролируемое обучение, является многослойный перцептрон (MLP). При обучении без учителя искусственная нейронная сеть обучается только с использованием входных данных. Обучение без учителя - это механизм обучения, с помощью которого обучается тип искусственной нейронной сети, известный как самоорганизующаяся карта (SOM). Некоторые типы искусственных нейронных сетей, такие как развивающиеся системы коннекционистов, могут обучаться как под наблюдением, так и без него.
Улучшение
Как сети регуляции генов, так и искусственные нейронные сети имеют две основные стратегии повышения их точности. В обоих случаях выходные данные сети сравниваются с известными биологическими данными с использованием некоторой функции, а последующие улучшения вносятся путем изменения структуры сети. Обычный тест на точность искусственных нейронных сетей - это сравнение некоторых параметров модели с данными, полученными из биологических нейронных систем, например, из ЭЭГ . В случае записи ЭЭГ берется потенциал локального поля (LFP) искусственной нейронной сети и сравнивается с данными ЭЭГ, полученными от пациентов-людей. Отношение относительной интенсивности (RIR) и быстрое преобразование Фурье (FFT) ЭЭГ сравнивается с теми, которые генерируются искусственными нейронными сетями, чтобы определить точность модели.
Генетический алгоритм
Поскольку количества данных о взаимодействии генов и нейронов и их эффектах недостаточно для построения строгой модели, эволюционные вычисления используются для оптимизации искусственных нейронных сетей и сетей регуляции генов, распространенным методом является генетический алгоритм . Генетический алгоритм - это процесс, который можно использовать для уточнения моделей, имитируя процесс естественного отбора, наблюдаемый в биологических экосистемах. Основные преимущества заключаются в том, что, поскольку он не требует производной информации, он может применяться к задачам черного ящика и мультимодальной оптимизации . Типичный процесс использования генетических алгоритмов для уточнения сети регуляции генов: во-первых, создание популяции; затем создать потомство с помощью операции кроссовера и оценить их приспособленность; затем в группе, выбранной для высокой приспособленности, смоделировать мутацию с помощью оператора мутации; наконец, взяв мутировавшую группу, повторите этот процесс до тех пор, пока не будет продемонстрирован желаемый уровень приспособленности.
Развивающиеся системы
Были разработаны методы, с помощью которых искусственные нейронные сети могут изменять свою структуру без имитации мутации и отбора пригодности. Одним из подходов является динамически развивающаяся нейронная сеть , поскольку создание новых соединений и новых нейронов можно смоделировать по мере адаптации системы к новым данным. Это позволяет сети развивать точность моделирования без имитации естественного отбора. Один метод, с помощью которого могут быть оптимизированы динамически развивающиеся сети, называемый агрегацией нейронов развивающегося слоя, объединяет нейроны с достаточно похожими входными весами в один нейрон. Это может происходить во время обучения сети, называемого онлайн-агрегированием, или между периодами обучения, называемого автономным агрегированием. Эксперименты показали, что автономное агрегирование более эффективно.
Возможные приложения
Было предложено множество потенциальных приложений для точных вычислительных нейрогенетических моделей, таких как моделирование генетических заболеваний, изучение воздействия потенциальных методов лечения, лучшее понимание обучения и познания, а также разработка оборудования, способного взаимодействовать с нейронами.
Моделирование болезненных состояний представляет особый интерес, поскольку моделирование нейронов, их генов и белков позволяет связать генетические мутации и белковые аномалии с патологическими эффектами в центральной нервной системе. Среди тех заболеваний, которые, как предполагается, могут быть объектами анализа на основе компьютерного нейрогенетического моделирования, являются эпилепсия, шизофрения, умственная отсталость, старение мозга и болезнь Альцгеймера, а также болезнь Паркинсона.