用機器學習構建連接體圖

大腦被認為是現存最復雜的系統(tǒng)之一。雖然在理解方面取得了很大的進步，但我們往往問的問題比回答的多。

然而，現在由京都大學領導的一個研究小組開發(fā)了一個機器學習模型，該模型允許科學家通過測量神經元自身發(fā)出的信號來重建神經元電路。該模型有可能闡明不同腦區(qū)神經元計算的差異。

為了理解大腦，我們必須研究組成大腦的神經元。我們的整個感知世界分布在大腦的數十億個細胞中。此外，它們之間的聯(lián)系數量成倍增加(稱為突觸)，這挑戰(zhàn)了我們的理解。

項目負責人、京都大學科學學院的Shigeru Shinomoto解釋說，盡管大腦中單個神經元的活動可以被記錄下來——而且數量在過去十年中急劇增加——但這仍然是一個挑戰(zhàn)。畫出這些單元是如何相互連接的。

Shinomoto解釋說：“有人提出，可以通過分析神經元信號之間的相關性來估計神經元的連通性。”“但很難得到準確的推斷，因為有大量來自其他神經元的外部噪聲?！?

該團隊構建了一種分析方法，從單個神經元獲得信號尖峰，并估計神經元之間的聯(lián)系。為了消除“噪聲”數據，他們將通用線性模型或GLM(機器學習中的基本模型)應用于互相關圖或CC，該圖記錄了神經元之間的激發(fā)相關性。

這項研究的第一作者小林良田(Ryota Kobayashi)說：“我們稱這種分析為GLMCC，它根據突觸膜電位來估計神經連接的強度。

“為了確認我們的數據是否反映了現實世界的連通性，我們通過模擬大規(guī)模神經網絡來評估其準確性。我們確認，新模型的準確率為97%，遠高于以前的任何方法?！?

然后將該模型應用于大鼠海馬神經元活動的實驗數據。分析時，估計的連接與從其他生理線索推斷的結果相匹配。

而且源代碼的“即用”版本可以在網上獲得，研究小組希望全世界的神經科學家都能使用它。

Shinohamoto總結道：“隨著技術的進步，我們收集的神經學數據量將會增加。我們新的分析模型對于處理這些信息至關重要，它將使我們能夠更好地理解我們的大腦是如何處理我們周圍的世界的?！?

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！