Исследование показывает, что на методы определения связности нейронных цепей влияют систематические ошибки. | Советы девушкам

В последние годы все большее число компьютерных ученых пытаются разработать вычислительные методы, вдохновленные структурой, функциями и пластичностью нейронных цепей в человеческом мозге. Достижение всестороннего понимания биологических нейронных цепей имеет жизненно важное значение для создания этих компьютерных систем, вдохновленных нейро.

Чтобы полностью понять механизмы, которые позволяют биологическим нейронным цепям вычислять информацию и адаптироваться с течением времени, нейробиологи должны иметь возможность исследовать связи между отдельными нейронами. Хотя недавние достижения в методах трассировки цепей открыли новые возможности для изучения этих соединений, сбор данных с использованием этих методов все еще может быть очень сложным и дорогостоящим.

Таким образом, некоторые ученые разработали статистические методы оценки нейронной связи на основе записей нейронной активности нескольких ячеек. Хотя эти методы широко используются, они могут не привести к надежному представлению нейронных связей.

Исследователи из Техасского университета в Остине недавно провели исследование эффективности существующих методов алгоритмической оценки разводки нейронных сетей. Их результаты, опубликованные в Nature Neuroscience , предполагают, что даже самые изощренные из этих методов предвзяты и имеют тенденцию делать выводы между нейронами, которые на самом деле не связаны, но довольно сильно коррелированы.

«Поскольку сложно напрямую измерить электрические схемы нейронных цепей , уже давно существует интерес к их алгоритмической оценке по записям активности нескольких ячеек», – объясняют исследователи в своей статье. «Мы показываем, что даже сложные методы, применяемые к неограниченному количеству данных из каждой ячейки в цепи, имеют тенденцию к выводу о связях между несвязанными, но сильно коррелированными нейронами. Эта неспособность« объяснить, почему »связи возникают, когда существует несоответствие между истинной динамикой сети и модель, используемая для вывода, который неизбежен при моделировании реального мира ».

Чтобы оценить эффективность статистических методов для определения нейронной связности, исследователи построили серию повторяющихся сетей с разной силой абсолютного повторяющегося веса, но с той же сетевой архитектурой. Различные значения силы повторяющегося веса, которые они использовали, перемещали нервную цепь через разные режимы, а именно: слабый (то есть сенсорный), средний (усиление сенсорного) и сильный (память) повторяющиеся режимы.

В последнем из этих режимов, когда повторяющиеся веса были сильными, они наблюдали появление большого количества паттернов нейронной активности, а алгоритмические методы находили корреляции между нейронами, которые фактически не были связаны между собой. Интересно, что исследователи обнаружили, что тот же тип ошибки возникает при использовании широкого спектра алгоритмических методов оценки нейронной связи на основе записей активности многоклеточного мозга. Таким образом, в своей статье они подчеркивают необходимость проявлять особую осторожность при попытке вывести случайные связи между переменными на основе статистических моделей, которые вычисляют корреляции.

Leave comment

Your email address will not be published. Required fields are marked with *.

три × три =