Бегущий в лабиринте: анализ нейронной активности мозга крысы в реальном времени
Какую суперсилу вы бы выбрали: полет, невидимость или телепатию? Живым, в каком-то смысле, воплощением последнего всегда был персонаж комиксов Люди-Икс профессор Чарльз Ксавье, появившийся еще в далеком 1963 году из-под пера Стэна Ли. Но в комиксах и не такие суперсилы можно встретить. А что насчет реальности? Можно ли читать мысли другого существа? Как оказывается, теперь можно, но не так как вы себе представляете. Сегодня мы с вами будем знакомиться с исследованием, главным достижением которого является считывание электронной активности нейронов мозга подопытной крысы, бегущей по лабиринту, в реальном времени. Как ученым удалось забраться в голову крысы, что им удалось этим добиться и какие перспективы их технологии? Доклад исследователей даст нам ответы на эти и другие вопросы. Поехали.
Основа исследования
Ученые отмечают, что на данный момент одной из основных задач в области изучения мозга, как сложной структуры, является усовершенствование методик и соответствующих инструментов сбора и анализа полученных данных. Если точнее, то важно расшифровать информацию, сокрытую в собранных данных пространственно-временной активности нейронных систем. Другими словами, ученые видят, что что-то произошло (спайк на графике), нужно заполучить информацию, которая соответствует этому событию.
Сложнее всего, по словам ученых, проводить подобные наблюдения, сбор и анализ данных в реальном времени. Производиться это посредством НКИ (нейрокомпьютерного интерфейса), обладающего многоэлектродными сенсорами.
Самым же распространенным форматом исследования мозга посредством НКИ является циклический эксперимент (повторяющий одни и те же условия при каждой попытке). В таком случае удается хорошо изучить определенные когнитивные функции, как внимание, память и обучение.
Пространственная навигация является самым известным и самым эффективным методом изучения вышеупомянутых когнитивных функций. Как выглядит такая проверка, спросите вы? Очень просто — лабиринт. Во время таких экспериментов, так называемое, нейронное кодирование пространства (или «код пространства») было обнаружено во многих отделах мозга крысы: гиппокамп, энторинальная кора, первичная зрительная кора (V1), ретроспленальная кора и теменная кора. Эти «коды» являются определенными сигналами, хранящими в себе информацию о том, где находится крыса в лабиринте, куда она движется и откуда. Именно эту информацию и необходимо считывать в реальном времени, а не только после проведения экспериментов, когда крыса находится в состоянии отдыха или же сна (фаза медленного сна).
Предложенная методика состоит из двух основных этапов (схема А на изображении выше): кодирования и декодирования. На этапе кодирования создается общая плотность вероятности вектора признаков спайков* (нейронного сигнала) и пространственного положения. Этап декорирования отвечает за реконструкцию данных в виде пространственного положения, которое должно максимально соответствовать полученному на предыдущем этапе.
Спайк* (Пик) — потенциал действий нейронов во время внеклеточной регистрации их электрической активности.
С точки зрения железа, ученые указывают на то, что проблему анализа данных в реальном времени можно решить, используя многопоточное программное обеспечение на многоядерном центральном процессоре (далее ЦП). Минусом такой системы является число ядер, которое ограничивает масштабируемость всей системы нейрокомпьютерного интерфейса. Исследователи решили внедрить графический процессор (ГП) в обычный четырехядерный компьютер. Использование ГП сильно ускоряет процесс декодирования и расширяет возможности масштабирования системы. Также были изменены сами датчики, с тетродов на кремниевые датчики высокой плотности.
Результаты исследования
Во время тестов были проверены все варианты системы: на базе ЦП, на базе ЦП+ГП, с использованием тетродов и кремниевых датчиков. База данных состояла из спайков гиппокампа, неокортекса и таламуса, зафиксированных в момент пространственной навигации в двумерном пространстве. Варианты баз данных показаны на изображении выше (С).
Изображение №1
Как ученые и ожидали, система, использующая графический процессор, показала значительно лучшие результаты в сравнении с ЦПУ системой.
Так в случае базы данных №1 система с ГП показала порог сжатия данных (кодирования спайков) — 0.5 при скорости декодирования 0.02 мс/спайк. При тех же условиях ЦПУ система показала скорость декодирования 0.44 мс/спайк (1В). Также стоит отметить, что «усиление» сжатия данных приводит к повышению скорости декодирования, но и к снижению точности этого процесса.
Также важную роль в процессе декодирования играет и пропускная способность ядра. Если этот параметр был невелик, то степень сжатия влияла на точность декодирования незначительно.
График точности декодированных данных в сопоставлении с реальными.
Помимо отличной скорости декодирования данных, ученые хвастаются еще и высокой степенью точности декодирования.
Далее исследователи провели эксперимент, в котором крыса должна была двигаться по лабиринту в форме восьмерки, а тетроды считывали показатели не только отдела CA1 гиппокампа, но и первичной зрительной коры V1.
Декорирование проводилось в смешанном формате: отдельно CA1, отдельно V1 и CA1 + V1. Анализ данных V1 показал, что спайки этой области хранят в себе внушительную долю информации, касающейся пространственного перемещения. Совместив данные V1 с данными CA1, ученые смогли повысить общую точность декодирования (1С).
Параметры ядра были оптимизированы для каждого участка мозга (CA1 и V1) отдельно, базируясь на данные перекрестной проверки. При этом точность декодирования была высока. А при нулевом сжатии данных, как и ожидалось, скорость декодирования была очень мала.
Следующий эксперимент проводился в лабиринте, который таковым сложно назвать, учитывая его вид — простое кольцо. Крыса бегала по кругу, а тетроды считывали данные переднего ядра таламуса. Данная область мозга является одной из самых важных в процессе формирования памяти и в пространственном ориентировании.
Важный момент — большая часть нейронов переднего ядра таламуса является нейронами направления головы. Посему в процессе анализа данных учитывалась не только активность долей мозга, соответствующая положению тела, но и положению головы, ибо эти два параметра могут отличаться.
Анализ активности нейронов переднего ядра таламуса подтвердил его отношение не только к положению головы, но и к пространственному ориентированию испытуемого во время тестов. Однако в случае теста с движением по кругу наблюдалось снижение точности декодирования данных положения головы, что не связано со скоростью движения крысы. Связано это с направлением движения. Точнее с тем, что в расчетах учитывались оба варианта — по часовой и против часовой стрелки.
Данный тест (бег по кругу) важен не траекторией движения и не сложностью лабиринта (его и нет по факту, просто кольцо). Важный фактор тут это скорость движения крысы. Во время бега активность нейронов также ускоряется, тем самым курируя движение крысы. Система, использующая графический процессор, смогла декодировать спайки нейронов гиппокампа значительно быстрее (с меньшим числом тренировочных попыток), чем обычная система на базе только ЦПУ.
Изображение №2
Тетроды, используемые в экспериментах, давали возможность получить достаточно точные данные, но это не предел желаемого. Посему было решено проверить также и кремниевые многоканальные электроды. На изображении 2А показан 64-канальный кремниевый электрод. Два таких датчика были размещены в левом и правом гиппокампе.
Также необходимо было проверить насколько возможно масштабирование системы. Для этого данные кремниевых электродов были «клонированы», пока число гипотетических каналов не достигло 2000. Далее система должна была провести декодирование этих данных в период движения (бег) и покоя (фаза медленного сна). Результаты показаны на графике 2D.
Оптимизация графического процессора и использование прямого доступа к памяти позволили достичь следующих показателей: время на декодирование в период движения — 250 мс, время на декодирование в период покоя — 20 мс. Во втором случае компрессия данных не проводилась на этапе кодирования, а всего было задействовано порядка 1200 каналов.
График 2Е показывает, что необходимое для декодирования время при фиксированном числе каналов сильно возрастает, если система использует только ЦПУ. Замедление процесса декодирования при использовании графического процессора не столь значительно и происходит не так резко.
Важной особенностью данного исследования является считывание и обработка данных активности нейронов в реальном времени. Для этого идеально подходит система с ГП, поскольку она может производить декодирование большого объема данных за очень короткий промежуток времени, как показали предыдущие тесты.
Для проверки системы было проведено декодирование активности гиппокампа во время фазы медленного сна (741 воспроизведение возможных событий из памяти).
Изображение №3
Сравнение стандартной методики анализа данных после проведения тестов и методики реального времени, ученые обнаружили повышение точности реконструкции (во время медленного сна) траектории движения крысы. То есть система значительно точнее реконструировала ту траекторию, по которой двигалась крыса во время теста. При этом система анализировала активность нейронов уже после теста, в период покоя (фазы медленного сна).
Для более детального ознакомления с данным исследованием настоятельно рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.
Эпилог
Данное исследование в первую очередь подтвердило, что считывание активности нейронов в реальном времени возможно. Когда речь идет о такой сложной системе, как нервная, любые отлагательства в анализе ее деятельности сильно снижают точность полученных данных. Посему данное исследование имеет такую важность.
С помощью своей методики ученые смогли не только построить маршрут движения крысы, опираясь исключительно на мозговую активность, но и реконструировать этот маршрут, используя память испытуемого животного. Это действительно невероятно, чертовски сложно и однозначно перспективно.
Дальнейшее усовершенствование системы позволит анализировать данные с большей точностью и скоростью, что позволит понять принципы работы мозга, взаимосвязи нейронов между собой, их реакции на внешние факторы и сопоставить определенные события, происходящие с организмом, с активностью определенных нейронов, а не частей мозга в целом.
Мозг по-прежнему остается одной из самых малоизученных систем в мире. Однако усилиями ученых, чья фантазия в создании новых методов его изучения поистине безгранична, мы сможем понять больше. А чем больше мы знаем о работе мозга, тем лучше мы сможем на нее влиять. В хорошем смысле, конечно: диагностика заболеваний на ранних этапах, лечение запущенных болезней мозга и т.д. В данном случае, знание это не только сила, но и здоровье.
Реклама из категории «забавно, но странно», особенно учитывая продукт, который рекламируется :)
Спасибо за внимание, оставайтесь любопытствующими и берегите здоровье. Хороших выходных, ребята.
Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас оформив заказ или порекомендовав знакомым, 30% скидка для пользователей Хабра на уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5–2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps от $20 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).
VPS (KVM) E5–2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps до 1 января бесплатно при оплате на срок от полугода, заказать можно тут.
Dell R730xd в 2 раза дешевле? Только у нас 2 х Intel Dodeca-Core Xeon E5–2650v4 128GB DDR4 6×480GB SSD 1Gbps 100 ТВ от $249 в Нидерландах и США! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5–2650 v4 стоимостью 9000 евро за копейки?
