Komputerowe modelowanie neurogenetyczne - Computational neurogenetic modeling

Komputerowe modelowanie neurogenetyczne (CNGM) zajmuje się badaniem i rozwojem dynamicznych modeli neuronowych do modelowania funkcji mózgu w odniesieniu do genów i dynamicznych interakcji między genami. Należą do nich modele sieci neuronowych i ich integracja z modelami sieci genów. Obszar ten łączy wiedzę z różnych dyscyplin naukowych, takich jak informatyka i informatyka , neuronauka i kognitywistyka , genetyka i biologia molekularna , a także inżynieria .

Poziomy przetwarzania

Kinetyka molekularna

Modele kinetyki białek i kanałów jonowych związanych z aktywnością neuronów reprezentują najniższy poziom modelowania w komputerowym modelu neurogenetycznym. Zmienioną aktywność białek w niektórych chorobach, takich jak białko amyloidu beta w chorobie Alzheimera , należy modelować na poziomie molekularnym, aby dokładnie przewidzieć wpływ na funkcje poznawcze. Kanały jonowe, które są niezbędne dla propagacji potencjałów czynnościowych , to kolejna cząsteczka, którą można modelować, aby dokładniej odzwierciedlać procesy biologiczne. Na przykład, aby dokładnie zamodelować plastyczność synaps (wzmocnienie lub osłabienie synaps ) i pamięć, konieczne jest modelowanie aktywności receptora NMDA (NMDAR). Szybkość, z jaką receptor NMDA wpuszcza jony wapnia do komórki w odpowiedzi na glutaminian, jest ważnym wyznacznikiem długoterminowego wzmocnienia poprzez wstawienie receptorów AMPA (AMPAR) do błony plazmatycznej w synapsie komórki postsynaptycznej (komórki, która odbiera neuroprzekaźniki z komórki presynaptycznej).

Genetyczna sieć regulacyjna

Przykład modelu sieci genów. Geny, od G 1 do G 4 , są modyfikowane albo przez sygnały hamujące, reprezentowane przez słupki i ujemne współczynniki, albo przez sygnały pobudzające, reprezentowane przez strzałki i dodatnie współczynniki. Oddziaływania są reprezentowane numerycznie przez matrycę po prawej stronie, R .

W większości modeli systemów neuronowych neurony są najbardziej podstawowymi modelowanymi jednostkami. W komputerowym modelowaniu neurogenetycznym, aby lepiej symulować procesy odpowiedzialne za aktywność synaps i łączność, modeluje się odpowiedzialne geny dla każdego neuronu .

Sieć regulatorowa genów, sieć regulatorowa białek lub sieć regulatorowa genów / białek to poziom przetwarzania w komputerowym modelu neurogenetycznym, który modeluje interakcje genów i białek istotne dla aktywności synaptycznej i ogólnych funkcji komórki. Geny i białka są modelowane jako pojedyncze węzły , a interakcje, które wpływają na gen, są modelowane jako pobudzające (zwiększa ekspresję genu / białka) lub hamujące (zmniejsza ekspresję genu / białka), które są ważone, aby odzwierciedlić efekt wywierany przez gen lub białko na innym genie lub białku. Sieci regulacyjne genów są zwykle projektowane przy użyciu danych z mikromacierzy .

Modelowanie genów i białek umożliwia indywidualne odpowiedzi neuronów w sztucznej sieci neuronowej, które naśladują odpowiedzi w biologicznych układach nerwowych, takie jak podział (dodanie nowych neuronów do sztucznej sieci neuronowej), tworzenie białek rozszerzających ich błonę komórkową i sprzyjających wzrostowi neurytów ( a tym samym silniejsze połączenia z innymi neuronami), regulują w górę lub w dół receptory na synapsach (zwiększając lub zmniejszając wagę (siłę) bodźców synaptycznych), pobierają więcej neuroprzekaźników , zmieniają się w różne typy neuronów lub umierają z powodu martwicy lub apoptoza . Tworzenie i analizę tych sieci można podzielić na dwa podobszary badań: regulację w górę genów, która jest zaangażowana w normalne funkcje neuronu, takie jak wzrost, metabolizm i synaps; oraz wpływ zmutowanych genów na neurony i funkcje poznawcze.

Sztuczna sieć neuronowa

Modelu danego neuronu. Wejścia, x 0 do x m , są modyfikowane przez wagi wejściowe od w 0 do w m , a następnie łączone w jedno wejście, v k . Funkcja przesyłania,, następnie używa tego wejścia do określenia wyjścia, y k .

Sztuczna sieć neuronowa ogólnie odnosi się do jakiegokolwiek modelu obliczeniowego, który naśladuje ośrodkowy układ nerwowy , z funkcjami takimi jak nauka i Pattern Recognition. Jednak w odniesieniu do komputerowego modelowania neurogenetycznego często używa się go w odniesieniu do modeli zaprojektowanych specjalnie z myślą o dokładności biologicznej, a nie wydajności obliczeniowej. Poszczególne neurony są podstawową jednostką sztucznej sieci neuronowej, a każdy neuron pełni rolę węzła. Każdy węzeł otrzymuje ważone sygnały od innych węzłów, które są pobudzające lub hamujące . Aby określić wyjście, funkcja transferu (lub funkcja aktywacji ) ocenia sumę ważonych sygnałów i, w niektórych sztucznych sieciach neuronowych, ich szybkość wejściową. Wagi sygnałów ulegają wzmocnieniu ( długotrwałe wzmocnienie ) lub osłabieniu ( długotrwała depresja ) w zależności od tego, jak synchroniczne są wskaźniki aktywacji presynaptycznej i postsynaptycznej ( teoria Hebbowska ).

Aktywność synaptyczną poszczególnych neuronów modeluje się za pomocą równań do określenia czasowego (aw niektórych przypadkach przestrzennego) sumowania sygnałów synaptycznych, potencjału błonowego , progu generowania potencjału czynnościowego, bezwzględnego i względnego okresu refrakcji oraz opcjonalnie kinetyki kanału receptora jonowego i Szum Gaussa (w celu zwiększenia dokładności biologicznej poprzez włączenie elementów losowych). Oprócz łączności niektóre typy sztucznych sieci neuronowych, takie jak impulsowe sieci neuronowe , również modelują odległość między neuronami i jej wpływ na wagę synaptyczną (siłę transmisji synaptycznej).

Łączenie sieci regulatorowych genów i sztucznych sieci neuronowych

Aby parametry w sieci regulacyjnej genów wpływały zgodnie z zamierzeniami na neurony w sztucznej sieci neuronowej, musi istnieć między nimi jakieś połączenie. W kontekście organizacyjnym każdy węzeł (neuron) w sztucznej sieci neuronowej ma powiązaną z nim własną sieć regulacyjną genów. Wagi (aw niektórych sieciach częstotliwości transmisji synaptycznej do węzła) i wynikający z nich potencjał błonowy węzła (w tym to, czy potencjał czynnościowy jest wytwarzany, czy nie), wpływają na ekspresję różnych genów w sieci regulatorowej genów. Czynniki wpływające na połączenia między neuronami, takie jak plastyczność synaptyczna , można modelować, wprowadzając wartości genów i białek związanych z aktywnością synaptyczną do funkcji, która ponownie ocenia wagę danych wejściowych z konkretnego neuronu w sztucznej sieci neuronowej.

Włączenie innych typów komórek

Oprócz neuronów można również modelować inne typy komórek. Do sztucznej sieci neuronowej można włączyć komórki glejowe , takie jak astroglej i mikroglej , a także komórki śródbłonka . Umożliwiłoby to modelowanie chorób, w których skutki patologiczne mogą wystąpić ze źródeł innych niż neurony, takich jak choroba Alzheimera.

Czynniki wpływające na wybór sztucznej sieci neuronowej

Podczas gdy termin sztuczna sieć neuronowa jest zwykle używany w komputerowym modelowaniu neurogenetycznym w odniesieniu do modeli ośrodkowego układu nerwowego, które mają posiadać biologiczną dokładność, ogólne użycie tego terminu można również zastosować do wielu sieci regulatorowych genów.

Wariancja czasowa

Sztuczne sieci neuronowe, w zależności od typu, mogą uwzględniać czasy wejść lub nie. Te, które to robią, takie jak impulsowe sieci neuronowe , uruchamiają się tylko wtedy, gdy połączone wejścia osiągną potencjał błonowy. Ponieważ naśladuje to odpalanie biologicznych neuronów, impulsujące sieci neuronowe są postrzegane jako bardziej biologicznie dokładny model aktywności synaptycznej.

Wzrost i kurczenie się

Aby dokładnie modelować ośrodkowy układ nerwowy, należy również modelować tworzenie i śmierć neuronów. Aby to osiągnąć, często wykorzystuje się konstruktywne sztuczne sieci neuronowe, które są w stanie rosnąć lub kurczyć się, dostosowując się do danych wejściowych. Ewoluujące systemy koneksjonistyczne są podtypem konstruktywnych sztucznych sieci neuronowych ( ewoluujących w tym przypadku w odniesieniu do zmiany struktury sieci neuronowej, a nie mutacji i doboru naturalnego ).

Losowość

Zarówno transmisja synaptyczna, jak i interakcje gen-białko mają charakter stochastyczny . Aby modelować biologiczne układy nerwowe z większą dokładnością, często wprowadza się do sieci pewną formę przypadkowości. Sztuczne sieci neuronowe zmodyfikowane w ten sposób są często oznaczane jako probabilistyczne wersje ich podtypu sieci neuronowych (np. P SNN ).

Wprowadzenie logiki rozmytej

Logika rozmyta to system rozumowania, który umożliwia sztucznej sieci neuronowej radzenie sobie ze zmiennymi niebinarnymi i językowymi. Dane biologiczne często nie mogą być przetwarzane za pomocą logiki Boole'a , a ponadto dokładne modelowanie możliwości biologicznych układów nerwowych wymaga logiki rozmytej. Dlatego też sztuczne sieci neuronowe, które go wykorzystują, takie jak ewoluujące rozmyte sieci neuronowe (EFuNN) lub dynamiczne ewoluujące systemy wnioskowania neuronowo-rozmytego (DENFIS) , są często wykorzystywane w komputerowym modelowaniu neurogenetycznym. Zastosowanie logiki rozmytej jest szczególnie istotne w przypadku sieci regulatorowych genów, ponieważ modelowanie siły wiązania białka często wymaga zmiennych niebinarnych.

Rodzaje uczenia się

Sztuczne sieci neuronowe zaprojektowane do symulacji ludzkiego mózgu wymagają umiejętności uczenia się różnorodnych zadań, które nie są wymagane przez te zaprojektowane do wykonania określonego zadania. Uczenie nadzorowane to mechanizm, dzięki któremu sztuczna sieć neuronowa może się uczyć, otrzymując szereg danych wejściowych z już znanym prawidłowym wyjściem. Przykładem sztucznej sieci neuronowej wykorzystującej uczenie nadzorowane jest wielowarstwowy perceptron (MLP). W uczeniu się nienadzorowanym sztuczna sieć neuronowa jest trenowana przy użyciu tylko danych wejściowych. Uczenie się nienadzorowane to mechanizm uczenia się, za pomocą którego uczy się rodzaj sztucznej sieci neuronowej znanej jako samoorganizująca się mapa (SOM). Niektóre typy sztucznych sieci neuronowych, takie jak ewoluujące systemy koneksjonistyczne, mogą uczyć się zarówno w sposób nadzorowany, jak i nienadzorowany.

Poprawa

Zarówno sieci regulatorowe genów, jak i sztuczne sieci neuronowe mają dwie główne strategie poprawy ich dokładności. W obu przypadkach moc wyjściową sieci mierzy się w odniesieniu do znanych danych biologicznych za pomocą jakiejś funkcji, a następnie wprowadza się ulepszenia poprzez zmianę struktury sieci. Powszechnym testem dokładności sztucznych sieci neuronowych jest porównanie niektórych parametrów modelu z danymi uzyskanymi z biologicznych systemów neuronowych, takich jak EEG . W przypadku zapisów EEG pobierany jest lokalny potencjał pola (LFP) sztucznej sieci neuronowej i porównywany z danymi EEG uzyskanymi od pacjentów. Względny stosunek intensywności (RIR) i szybkiej transformaty Fouriera (FFT) w EEG, porównano z tymi, generowane przez sztuczne sieci neuronowe w celu sprawdzenia prawidłowości modelu.

Algorytm genetyczny

Przykład udoskonalania modelu przez kolejne pokolenia przy użyciu algorytmu genetycznego w celu dopasowania danych eksperymentalnych.

Ponieważ ilość danych na temat wzajemnych oddziaływań genów i neuronów oraz ich skutków nie wystarcza do skonstruowania rygorystycznego modelu, obliczenia ewolucyjne są wykorzystywane do optymalizacji sztucznych sieci neuronowych i sieci regulacyjnych genów, a wspólną techniką jest algorytm genetyczny . Algorytm genetyczny to proces, który można wykorzystać do udoskonalenia modeli poprzez naśladowanie procesu doboru naturalnego obserwowanego w ekosystemach biologicznych. Podstawową zaletą jest to, że nie wymaga informacji pochodnych, dzięki czemu może być stosowany do rozwiązywania problemów z czarną skrzynką i optymalizacji multimodalnej . Typowy proces wykorzystania algorytmów genetycznych do udoskonalenia sieci regulacyjnej genów to: po pierwsze, utwórz populację; następnie stworzyć potomstwo poprzez operację krzyżowania i ocenić jego kondycję; następnie, na grupie wybranej ze względu na wysoką sprawność, zasymuluj mutację za pośrednictwem operatora mutacji; na koniec, biorąc teraz zmutowaną grupę, powtarzaj ten proces, aż zostanie zademonstrowany pożądany poziom sprawności.

Ewoluujące systemy

Opracowano metody, za pomocą których sztuczne sieci neuronowe mogą zmieniać swoją strukturę bez symulowanej mutacji i selekcji sprawności. Dynamicznie rozwija sieć neuronowa jest jedno podejście, jak tworzenie nowych połączeń i nowych neuronów może być modelowany jako dostosowuje system do nowych danych. Umożliwia to sieci ewolucję dokładności modelowania bez symulowanej selekcji naturalnej. Jedna metoda optymalizacji dynamicznie rozwijających się sieci, zwana agregacją neuronów warstwy ewoluującej, łączy neurony o wystarczająco podobnych wagach wejściowych w jeden neuron. Może to mieć miejsce podczas uczenia sieci, określanego jako agregacja online lub między okresami uczenia, określanego jako agregacja offline. Eksperymenty sugerują, że agregacja offline jest bardziej wydajna.

Potencjalne aplikacje

Zaproponowano szereg potencjalnych zastosowań dokładnych obliczeniowych modeli neurogenetycznych, takich jak symulacja chorób genetycznych, badanie wpływu potencjalnych terapii, lepsze zrozumienie uczenia się i poznania oraz rozwój sprzętu zdolnego do łączenia się z neuronami.

Symulacja stanów chorobowych jest szczególnie interesująca, ponieważ modelowanie zarówno neuronów, jak i ich genów oraz białek umożliwia powiązanie mutacji genetycznych i nieprawidłowości białek z patologicznymi skutkami w ośrodkowym układzie nerwowym. Wśród chorób sugerowanych jako potencjalne cele analizy opartej na komputerowym modelowaniu neurogenetycznym są epilepsja, schizofrenia, upośledzenie umysłowe, starzenie się mózgu i choroba Alzheimera oraz choroba Parkinsona.

Zobacz też

Bibliografia

Linki zewnętrzne