CC BY
208
Когнитивные процессы и биологические нейронные сети
1.3: 519.9
Резюме. В статье рассматриваются вопросы анализа экспериментальных данных в области изучения функций мозга, собранных с применением новейших методов исследований. Авторами разработан комплексный подход на основе интегрированной платформы, включающей методы компьютерного моделирования и высокотехнологичный электронный интерфейс с биологическими нейронами с целью создания системы для анализа и контроля клеточных, синаптических и сетевых процессов в нейронных ансамблях и тканях. Ключевые слова: нейроны, функции мозга, функциональные нейронные сети.
Установление механизмов когнитивной деятельности мозга относится к наиболее перспективным задачам современной науки, а исследования в этой области принадлежат к числу самых наукоемких направлений. Это обусловлено исключительной сложностью организации объекта изысканий и тем, что для изучения механизмов его функционирования необходимо применение широкого спектра методик исследования, включая высокотехнологичные электронные интерфейсы с нервными клетками, клеточные технологии и специальный анализ свойственной только нервной системе нейросетевой структуры c применением высокопроизводительных методов компьютерного моделирования.
"Ж Т" более века
^^ концептуаль--Х-М-Х.^^ ной основой теорий работы нервной системы является нейронная доктрина, которая гласит, что нервная клетка - структурная и функциональная единица нервной системы [1]. Нейронная доктрина была сформирована на основе трудов Кахаля, показавшего, что
клетки мозга могут объединяться в сети и взаимодействовать посредством специализированных контактов друг с другом [2], которые Шеррингтон предложил называть синапсами [3]. На основе этой доктрины развилась теория искусственных нейронных сетей, позволяющая строить вычислительные системы с параллельной архитектурой,
онныхкомпью-теров архитектуры фон Неймана с последовательной обработкой данных.
В моделях нейронных сетей предполагается, что функция нервной системы возникает вследствие активации не одиночных клеток, а групп или ансамблей нейронов. Согласно этим моделям, ансамбли генерируют эмерджентные функциональные состояния, которые не могут быть определены путем изучения одного нейрона. Хотя ранние нейросетевые модели были сформулированы в 1940-х гг., они только недавно стали экспериментально проверяемыми в биологических системах в результате развития оптических, электрофизиологических и вычислительных средств. Используя данные, сгенерированные при помощи этих новых методов, нейросетевые
модели могут включать феноменологическую базу, полученную на основе изучения отдельных нейронов, а также выявлять кооперативные явления, которые нелегко предсказать на основе свойств одиночных нейронов.
Вместе с тем подчеркивается [4], что необходимо различать модели искусственных, или абстрактных, нейронных сетей как класс алгоритмов обработки данных, находящих применение в различных областях науки и техники (например, устройства машинного зрения и экспертные системы [5]), от моделей биологических нейронных сетей, предназначенных для описания явлений в биологических системах.
В настоящее время нет четкого понимания того, как когнитивные явления, связанные с познанием окружающего мира, возникают вследствие процессов обработки данных в мозге на различных уровнях. Развитие новых высокотехнологичных методов исследования открывает совершенно новые направления прогресса в этой области, что в сочетании с необходимостью выработки новых подходов и инфраструктуры для решения такой глобальной задачи привело к недавнему запуску ряда масштабных проектов по исследованию мозга. К таковым относятся Brain Research through Advancing Innovative Neurotechnologies (BRAIN) в США и Human Brain Project (HBP) в Европейском союзе с финансированием более 1 млрд долл. каждый, а также проекты в Японии и других странах [6, 7].
BRAIN [8] фокусируется на построении детальных карт активности нейронов мозга с привлечением новейших методов, таких как оптическая регистрация электрической активности нейронов и массивы полупроводниковых микроэлектродных сенсоров с высоким
пространственным разрешением. Хотя технологии класса магнитно-резонансной томографии могут охватывать активность всего мозга, им не хватает пространственно-временного разрешения для регистрации паттернов активности отдельных нейронов. Традиционно исследователи применяют микроэлектродную технику для регистрации активности отдельных клеток мозга, но такие методы можно использовать только для относительно небольшого количества нейронов. При этом функциональная активность может определяться ансамблями, состоящими из миллионов взаимодействующих клеток, и наблюдение за отдельными нейронами можно сравнить с наблюдением отдельных пикселей на экране вместо целого изображения [9]. Следовательно, проект BRAIN направлен на достижение качественно нового уровня детализации процессов в мозге.
HBP [10] изначально стал развитием проекта Blue Brain по созданию нейросетевой модели мозга на суперкомпьютере IBM Blue Gene [11]. К важнейшим задачам здесь относятся выявление детальной структуры мозга и разработка когнитивных архитектур - моделей, определяющих процессы обработки информации и познания, - с привлечением аппарата теории нейронных сетей и суперкомпьютерных технологий и с последующей валидацией моделей на базе нейроморфных вычислительных платформ и нейроробото-техники, а также разработка новых медицинских технологий на основе данных экспериментов in silico. Большинство работ по исследованию когнитивных архитектур являются подходами от общего к частному и оперируют абстрактными моделями и алгоритмами, слабо связанными с деталями структурной организации мозга [12]. Этот проект
основан на подходе от частного к общему, когда модель формируется на базе максимальной детализации экспериментальных данных о строении биологического объекта, а функциональные свойства должны проявляться в виде эмерджентных явлений.
Предварительные результаты проекта HBP опубликованы в октябре 2015 г. в работе [13]. Коллектив из 82 авторов представил цифровую реконструкцию микросетевой структуры соматосенсорной коры крысы. Она использует клеточные и си-наптические уровни описания для алгоритмической реконструкции детальной анатомии и физиологии на основе неполных исходных экспериментальных данных. Разработанная модель состоит из 31 тыс. нейронов различных типов, объединенных посредством 37 млн синапсов. Каждый тип нейрона описывается детальной биофизической моделью, построенной на основе данных электрофизиологических исследований. Трехмерные модели клеток размещаются в пространстве и соединяются синаптическими контактами в соответствии со специальным алгоритмом, учитывающим плотность распределения нейронов и синапсов определенных типов в различных областях участка коры. Участники проекта называют этот процесс повторением работы Кахаля по реконструкции нейронной структуры, только на основе самых современных достижений науки и техники.
В отличие от моделей функционирования мозга, создаваемых на основе концепции когнитивной архитектуры, эта не разрабатывалась специально для воспроизведения какого-либо явления. Тем не менее в вычислительных экспериментах без подстройки параметров наблюдался ряд эффектов,
аналогичных наблюдаемым in vivo,-повторяющиеся паттерны активности отдельных нейронов, группы нейронов с синхронной активностью и переход режима активности нейронов от пачечной к асинхронной при изменении внеклеточной концентрации ионов кальция. Путем варьирования параметров нейронов были получены различные состояния активности модельной сети, которые могут соответствовать различным режимам обработки информации (бодрствование, сон) или патологическим состояниям (эпилепсия), что открывает новые интересные перспективы для изучения этих явлений.
Размер применяемой модели на данном этапе HBP может показаться небольшим по сравнению с реализацией IBM, состоящей из десятков миллиардов нейронов [14]. Ценность подхода HBP состоит именно в совершенно новом уровне реалистичности воссоздания биологических процессов в виртуальном пространстве, позволяющем наблюдать процессы самоорганизации, аналогичные таковым in vivo.
Растущий объем экспериментальных данных в области изучения функций мозга, собранных с применением новейших методов исследований, ставит масштабные задачи по их интерпретации. В этом контексте проекты BRAIN и HBP являются в определенной степени комплементарными [15], так как первый фокусируется на создании детализированных карт активности мозга, а второй - на построении беспрецедентно точных моделей его функционирования. HBP подвергался определенной критике в научных кругах за упор на построение масштабных моделей, для которых может быть недостаточно существующих знаний [16], но в целом значимость такого глобального проекта по исследованию мозга
несомненна. Важная миссия -формирование централизованной базы данных параметров нейросетевых структур мозга [17], что становится все более актуальным на фоне сложности анализа и применения растущего объема экспериментальных данных в случае их представления в формате традиционных публикаций.
Многие современные направления в биологии имеют дело с обработкой больших объемов данных, и, как следствие, биология и информатика становятся взаимодополняющими, будучи связанными посредством методов статистики, математики, физики и химии. Сочетание разносторонних знаний вызвало появление биологии «больших данных» [18] в рамках системно-биологического подхода, описывающего организм или клетку как целое с привлечением различных уровней организации.
На кафедре биофизики Белорусского государственного университета, а также в Институте физиологии НАН Беларуси выполняются исследования процессов в биологических нейронных сетях на клеточном и сетевом уровнях.
Нами разработан комплексный подход на основе интегрированной платформы, включающей методы компьютерного моделирования и высокотехнологичный электронный интерфейс с биологическими нейронами, с целью создания системы для анализа и контроля клеточных, синаптических и сетевых процессов в нейронных ансамблях и тканях.
Для изучения межнейронных взаимодействий на си-наптическом уровне создана автоматизированная электрофизиологическая установка для регистрации и стимуляции электрической активности нейронов в ткани головного мозга крысы in vitro. С ее помощью исследо-
ваны свойства конкурентных синаптических правил обучения в условиях многоканальной внеклеточной стимуляции в экспериментах со срезами гиппокампа крысы [19]. Функциональные свойства соответствующих нейронных сетей были установлены с использованием компьютерных моделей, разработанных на основе полученных экспериментальных данных о параметрах синаптической пластичности в условиях внешней нейрохимической модуляции. При моделировании нейрофармакологиче-ских воздействий установлены различные режимы функционирования нейронной сети, в том числе соответствующие патологическим процессам [20].
Следующий шаг в этом направлении - расширение сферы исследований от отдельных нейронов и синаптических контактов до развивающихся сетей, сформированных из диссоциированных нейронов. Такая сеть, функционирующая на поверхности планарного микроэлектродного массива, является удобным объектом для изучения, поскольку становятся возможными стимуляция и регистрация активности нейронов в заданных точках. Культивируемая нейронная сеть обладает относительно простой структурой, поэтому для моделирования многих процессов в данном случае не требуется суперкомпьютерных ресурсов.
Используемая нами технология эксперимента, соответствующая подходу «электрофизиология с открытым кодом» [21], позволяет обновить и трансформировать существующие решения в области многоканальной регистрации нейронной активности для создания автоматизированной системы анализа процессов обработки информации в нейронной сети, культивируемой на поверхности планарного микроэлектродного сенсора в условиях внешних
воздействий. Разрабатываемая система также содержит модуль компьютерного моделирования биологических нейронных сетей для проведения предварительных вычислительных экспериментов с задачами обучения и тестирования соответствующих алгоритмов. Знания о процессах обучения на уровне групп нейронов используются нами в экспериментальной работе с культивируемыми нейронами, полученными из стволовых клеток, с целью формирования функциональных нейронных сетей при разработке новых методов терапии на основе трансплантации нервной ткани.
Таким образом, несмотря на прогресс в области изучения механизмов функционирования мозга на основе применения современных методов исследования, общая теория функции мозга, способная объяснить поведенческие, когнитивные и психические процессы, далека от завершения, но масштабные усилия международных коллективов ученых дают основания ожидать принципиально новые результаты в этой области уже в обозримом будущем.
Работа выполняется в рамках ГПНИ «Конвергенция» и поддержана фондом «Science Around Us Foundation» (Лондон). EH
See: http://innosfera.by/2015/12/cognitive_processes Андрей Денисов,
заведующий лабораторией клеточной инженерии и нанобиотехнологий кафедры биофизики физического факультета БГУ, кандидат биологических наук
Павел Булай,
доцент кафедры биофизики физического факультета БГУ, кандидат физико-математических наук Тарас Питлик,
старший преподаватель кафедры биофизики физического факультета БГУ Сергей Черенкевич,
заведующий кафедрой биофизики физического факультета БГУ, академик Литература
1. From the neuron doctrine to neural networks / R. Yuste // Nat. Rev. Neurosci. 2015. Vol. 16, №8. P. 487-497.
2. Neuroanatomy: Cajal and after Cajal / E.G. Jones // Brain research reviews. 2007. Vol. 55, №2. P. 248-255.
3. Sir Charles Scott Sherrington (1857-1952) and the synapse / J.M.Pearce // J. Neurol. Neurosurg. Psychiatr. 2004. Vol. 75, №4. P. 544.
4. Neural networks in the future of neuroscience research / M. Rubinov // Nat. Rev. Neurosci. 2015. Vol. 16, №12. P. 767.
5. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. 2015. Vol. 521, №7553. P. 436-444.
6. Brain-mapping projects using the common marmoset / H. Okano, P. Mitra // Neurosci. Res. 2015. Vol. 93. P. 3-7.
7. Neuroscience thinks big (and collaboratively) / E.R. Kandel [et al.] // Nat. Rev. Neurosci. 2013. Vol. 14, №9. P. 659-664.
8. Jorgenson L.A.The BRAIN Initiative: developing technology to catalyse neuroscience discovery // Philos. Trans. R. Soc. Lond. B. Biol. Sci. 2015. Vol. 19. P. 1668.
9. The brain activity map project and the challenge offunctional connectomics / A.P. Alivisatos [et al.] // Neuron. 2012. Vol. 74, №6. P. 970-974.
10. The Human Brain Project and neuromorphic computing / A. Calimera, E. Macii, M. Poncino // Funct. Neurol. 2013. Vol. 28, №3. P. 191-196.
11. The blue brain project / H. Markram // Nat. Rev. Neurosci. 2006. Vol. 7, №2. P. 153-160.
12. Brain Networks and Cognitive Architectures / S.E. Petersen, O. Sporns // Neuron. 2015. Vol. 88, №1. P. 207-219.
13. Reconstruction and Simulation of Neocortical Microcircuitry / H. Markram [et a l.] // Cell. 2015. Vol. 163, №2. P. 456-492.
14. 1014 / T.M. Wong [et a l.] // IBM Research Report // Computer Science. 2012, RJ10502 (ALM1211-004).
15. Brain-mapping projects to join forces / S. Reardon // Nature News. 2014, doi:10.1038/nature.2014.14871.
16. Neuroscience: Where is the brain in the Human Brain Project? / Y. Fregnac // Nature. 2014. V. 513. P. 27-29.
17. The neocortical microcircuit collaboration portal: a resource for rat somatosensory cortex / S. Ramaswamy [et a l.] // Front Neural Circuits. 2015. Vol. 9. P. 44.
18. Systems biology in the context of big data and networks / M. Altaf-Ul-Amin [et a l.] // Biomed Res Int. 2014. Vol. 2014. P. 428570.
19. Структурно-функциональный отклик биологических нейронных сетей на внешние модулирующие воздействия / А.А. Денисов, П.М. Булай, Т.А. Кула гова, П.Г. Молчанов, Т.Н. Питлик, С.Н. Черенкевич // Вестник БГУ. 2011. Сер. 1. №3. С. 32-38.
20. Обучающиеся нейронные сети: перспективы для диагностики и лечения / А.А. Денисов, С.Я. Килин, С.Н. Черенкевич, П.Г. Молчанов, В.А. Кульчицкий // Наука и Инновации. 2013, №2. С. 8-12.
21. Neural ensemble communities: open-source approaches to hardware for large-scale electrophysiology / J.H. Siegle [et a l.] // Curr. Opin. Neurobiol. 2015. Vol. 32. P. 53-59.
СВЯЗАННЫЕ
ОДНОЙ НЕЙРОЦЕПЬЮ
История прогресса - во многом история развития инструментов, которые человек применял для освоения окружающего мира. До сих пор все они были приспособлены исключительно под каналы взаимодействия с окружающим миром, дарованные человеку природой. Однако сегодня мы стоим на пороге революции, которая может позволить человечеству перешагнуть этот барьер и выйти на качественно иной уровень работы с внешними инструментами. Об этом наша беседа с заведующим лабораторией нейрофизиологии и нейрокомпьютерных интерфейсов биологического факультета Московского государственного университета доктором биологических наук, профессором Александром КАПЛАНОМ.
