Компьютерное нейрогенетическое моделирование - Computational neurogenetic modeling

Вычислительное нейрогенетическое моделирование (CNGM) занимается изучением и развитием динамических нейронные модели для моделирования функций мозга по отношению к гены и динамические взаимодействия между генами. К ним относятся модели нейронных сетей и их интеграция с моделями генных сетей. Эта область объединяет знания из различных научных дисциплин, таких как компьютер и информационная наука, нейробиология и наука о мышлении, генетика и молекулярная биология, а также инженерное дело.

Уровни обработки

Молекулярная кинетика

Модели кинетика белков и ионные каналы связана с нейрон активность представляют собой самый низкий уровень моделирования в вычислительной нейрогенетической модели. Измененная активность белков при некоторых заболеваниях, таких как амилоид бета белок в Болезнь Альцгеймера, необходимо моделировать на молекулярном уровне, чтобы точно предсказать влияние на познание.[1] Ионные каналы, жизненно важные для распространения потенциалы действия, являются еще одной молекулой, которую можно смоделировать для более точного отражения биологических процессов. Например, чтобы точно смоделировать синаптическая пластичность (усиление или ослабление синапсы ) и памяти, необходимо моделировать деятельность Рецептор NMDA (NMDAR). Скорость, с которой рецептор NMDA пропускает ионы кальция в клетку в ответ на Глутамат является важным определяющим фактором Долгосрочное потенцирование посредством вставки Рецепторы AMPA (AMPAR) в плазматическая мембрана в синапсе постсинаптической клетки (клетка, которая получает нейротрансмиттеры от пресинаптической клетки).[2]

Генетическая регуляторная сеть

Пример модель генной сети. Гены, грамм1 через грамм4, модифицируются либо подавляющими сигналами, представленными столбиками и отрицательными коэффициентами, либо возбуждающими сигналами, представленными стрелками и положительными коэффициентами. Взаимодействия представлены численно матрицей справа, р.

В большинстве моделей нейронных систем нейроны являются самой базовой моделируемой единицей.[2] В компьютерном нейрогенетическом моделировании, чтобы лучше моделировать процессы, отвечающие за синаптическую активность и связь, гены, ответственные за каждую из них, моделируются. нейрон.

А сеть регуляции генов, регуляторная сеть белка или регуляторная сеть гена / белка - это уровень обработки в вычислительной нейрогенетической модели, которая моделирует взаимодействия гены и белки, относящиеся к синаптической активности и общим функциям клетки. Гены и белки моделируются как отдельные узлы и взаимодействия, которые влияют на ген, моделируются как возбуждающие (увеличивает экспрессию гена / белка) или ингибирующую (снижает экспрессию гена / белка) входы, которые взвешиваются, чтобы отразить эффект, который ген или белок оказывает на другой ген или белок. Сети регулирования генов обычно разрабатываются с использованием данных из микрочипы.[2]

Моделирование генов и белков позволяет индивидуальные ответы нейронов в искусственной нейронной сети, которые имитируют ответы в биологических нервных системах, такие как деление (добавление новых нейронов в искусственную нейронную сеть), создание белков для расширения их клеточной мембраны и стимулирования нейрит разрастание (и, следовательно, более сильные связи с другими нейронами), повышающая или понижающая регуляция рецепторов в синапсах (увеличение или уменьшение веса (силы) синаптических входов), поглощение большего количества нейротрансмиттеры, превращаются в нейроны другого типа или умирают из-за некроз или же апоптоз. Создание и анализ этих сетей можно разделить на две под-области исследований: активация гена, которая участвует в нормальных функциях нейрона, таких как рост, метаболизм и синапс; и влияние мутировавших генов на нейроны и когнитивные функции.[3]

Искусственная нейронная сеть

А модель отдельного нейрона. Входы, Икс0 к Иксм, изменяются входными весами, ш0 к шм, а затем объединены в один вход, vk. Передаточная функция, , затем использует этот ввод для определения вывода, уk.

An искусственная нейронная сеть обычно относится к любой вычислительной модели, которая имитирует Центральная нервная система, с такими возможностями, как обучение и распознавание образов. Что касается вычислительного нейрогенетического моделирования, то оно часто используется для обозначения моделей, специально разработанных для обеспечения биологической точности, а не вычислительной эффективности. Отдельные нейроны являются основной единицей искусственной нейронной сети, причем каждый нейрон действует как узел. Каждый узел получает взвешенные сигналы от других узлов, которые либо возбуждающий или же тормозящий. Чтобы определить выход, функция передачи (или же функция активации ) оценивает сумму взвешенных сигналов и, в некоторых искусственных нейронных сетях, скорость их ввода. Усилены веса сигналов (долгосрочное потенцирование ) или ослабленный (длительная депрессия ) в зависимости от того, насколько синхронны скорости пресинаптической и постсинаптической активации (Хеббийская теория ).[2]

Синаптическая активность отдельных нейронов моделируется с использованием уравнений для определения временного (а в некоторых случаях и пространственного) суммирования синаптических сигналов, мембранный потенциал, порог генерации потенциала действия, абсолютное и относительное период отражения и, необязательно, ионный рецепторный канал кинетика и Гауссов шум (для повышения биологической точности за счет включения случайных элементов). Помимо возможности подключения, некоторые типы искусственных нейронных сетей, такие как всплески нейронных сетей, также моделируют расстояние между нейронами и его влияние на синаптический вес (силу синаптической передачи).[4]

Объединение сетей регуляции генов и искусственных нейронных сетей

Чтобы параметры в сети регуляции генов влияли на нейроны в искусственной нейронной сети, как задумано, между ними должна быть какая-то связь. В организационном контексте каждый узел (нейрон) в искусственной нейронной сети имеет свою собственную сеть регуляции генов, связанную с ним. Веса (а в некоторых сетях частоты синаптической передачи к узлу) и результирующий мембранный потенциал узла (включая то, потенциал действия продуцируется или нет), влияют на экспрессию различных генов в регуляторной сети генов. Факторы, влияющие на связи между нейронами, такие как синаптическая пластичность, может быть смоделирован путем ввода значений генов и белков, связанных с синаптической активностью, в функцию, которая повторно оценивает вес входа от конкретного нейрона в искусственной нейронной сети.

Включение других типов клеток

Кроме нейронов, можно моделировать и другие типы клеток. Глиальные клетки, Такие как астроглия и микроглия, а также эндотелиальные клетки, могут быть включены в искусственную нейронную сеть. Это позволит моделировать заболевания, при которых патологические эффекты могут возникать не из нейронов, а из других источников, таких как болезнь Альцгеймера.[1]

Факторы, влияющие на выбор искусственной нейронной сети

Хотя термин «искусственная нейронная сеть» обычно используется в компьютерном нейрогенетическом моделировании для обозначения моделей центральной нервной системы, которые должны обладать биологической точностью, общее использование этого термина может применяться и ко многим регуляторным сетям генов.

Разница во времени

Искусственные нейронные сети, в зависимости от типа, могут учитывать или не учитывать время ввода. Те, что делают, например пики нейронных сетей, срабатывают только тогда, когда объединенные входы достигают мембранного потенциала. Поскольку это имитирует возбуждение биологических нейронов, нейронные сети с импульсами рассматриваются как более биологически точная модель синаптической активности.[2]

Рост и усадка

Для точного моделирования центральной нервной системы необходимо также моделировать создание и гибель нейронов.[2] Для этого часто используются конструктивные искусственные нейронные сети, которые могут расти или сокращаться, чтобы адаптироваться к входным данным. Развитие коннекционистских систем являются подтипом конструктивных искусственных нейронных сетей (развивающийся в данном случае имеется в виду изменение структуры своей нейронной сети, а не путем мутации и естественного отбора ).[5]

Случайность

И синаптическая передача, и генно-белковые взаимодействия являются стохастический в природе. Чтобы моделировать биологические нервные системы с большей точностью, в сеть часто вводят некоторую форму случайности. Модифицированные таким образом искусственные нейронные сети часто обозначаются как вероятностные версии их подтипа нейронных сетей (например, pSNN ).[6]

Включение нечеткой логики

Нечеткая логика это система рассуждений, которая позволяет искусственной нейронной сети иметь дело с не-двоичный и лингвистические переменные. Биологические данные часто невозможно обработать с помощью Логическая логика Более того, точное моделирование возможностей биологических нервных систем требует нечеткой логики. Следовательно, искусственные нейронные сети, которые его включают, такие как развивающиеся нечеткие нейронные сети (EFuNN) или динамические развивающиеся системы нейронно-нечеткого вывода (DENFIS), часто используются в компьютерном нейрогенетическом моделировании. Использование нечеткой логики особенно актуально в сетях регуляции генов, поскольку для моделирования силы связывания белков часто требуются небинарные переменные.[2][5]

Типы обучения

Искусственные нейронные сети, предназначенные для моделирования человеческого мозга, требуют способности изучать множество задач, которые не требуются для тех, кто предназначен для выполнения конкретной задачи. Контролируемое обучение - это механизм, с помощью которого искусственная нейронная сеть может обучаться, получая ряд входных данных с уже известным правильным выходом. Примером искусственной нейронной сети, использующей контролируемое обучение, является многослойный персептрон (MLP). В обучение без учителя, искусственная нейронная сеть обучается с использованием только входных данных. Обучение без учителя - это механизм обучения, с помощью которого искусственная нейронная сеть, известная как самоорганизующаяся карта (SOM) учится. Некоторые типы искусственных нейронных сетей, такие как развивающиеся системы коннекционистов, могут обучаться как под наблюдением, так и без присмотра.[2]

Улучшение

Как сети регуляции генов, так и искусственные нейронные сети имеют две основные стратегии повышения их точности. В обоих случаях выходные данные сети сравниваются с известными биологическими данными с использованием некоторой функции, а последующие улучшения вносятся путем изменения структуры сети. Обычный тест на точность для искусственных нейронных сетей - сравнение некоторых параметров модели с данными, полученными от биологических нейронных систем, например, от ЭЭГ.[7] В случае записи ЭЭГ потенциал местного поля (LFP) искусственной нейронной сети берется и сравнивается с данными ЭЭГ, полученными от пациентов-людей. В относительная интенсивность (RIR) и быстрое преобразование Фурье (БПФ) ЭЭГ сравнивают с теми, которые генерируются искусственными нейронными сетями, чтобы определить точность модели.[8]

Генетический алгоритм

Пример модели, уточняемой последовательными поколениями с использованием генетического алгоритма для сопоставления экспериментальных данных.

Поскольку количества данных о взаимодействии генов и нейронов и их эффектах недостаточно для построения строгой модели, эволюционные вычисления используется для оптимизации искусственных нейронных сетей и сетей регуляции генов, распространенным методом является генетический алгоритм. Генетический алгоритм - это процесс, который можно использовать для уточнения моделей, имитируя процесс естественного отбора, наблюдаемый в биологических экосистемах. Основные преимущества заключаются в том, что, поскольку он не требует производной информации, он может применяться к черный ящик проблемы и мультимодальная оптимизация. Типичный процесс использования генетических алгоритмов для уточнения сети регуляции генов: во-первых, создание популяции; затем создать потомство с помощью операции кроссовера и оценить их приспособленность; затем в группе, выбранной для высокой приспособленности, смоделировать мутацию с помощью оператора мутации; наконец, взяв мутировавшую группу, повторите этот процесс до тех пор, пока не будет продемонстрирован желаемый уровень приспособленности.[9]

Развивающиеся системы

Были разработаны методы, с помощью которых искусственные нейронные сети могут изменять свою структуру без имитации мутации и отбора пригодности. А динамично развивающаяся нейронная сеть - это один из подходов, поскольку создание новых связей и новых нейронов можно смоделировать по мере того, как система адаптируется к новым данным. Это позволяет сети развивать точность моделирования без имитации естественного отбора. Один метод, с помощью которого можно оптимизировать динамически развивающиеся сети, называемый агрегацией нейронов развивающегося слоя, объединяет нейроны с достаточно схожими входными весами в один нейрон. Это может происходить во время обучения сети, называемого онлайн-агрегированием, или между периодами обучения, называемого автономным агрегированием. Эксперименты показали, что автономное агрегирование более эффективно.[5]

Возможные приложения

Было предложено множество потенциальных приложений для точных вычислительных нейрогенетических моделей, таких как моделирование генетических заболеваний, изучение воздействия потенциальных методов лечения,[10] лучшее понимание обучения и познания,[11] и разработка оборудования, способного взаимодействовать с нейронами.[4]

Моделирование болезненных состояний представляет особый интерес, поскольку моделирование как нейронов, так и их генов и белков позволяет связать генетические мутации и белковые аномалии с патологическими эффектами в центральной нервной системе. Среди тех заболеваний, которые, как предполагается, могут быть объектами анализа на основе компьютерного нейрогенетического моделирования, являются эпилепсия, шизофрения, умственная отсталость, старение мозга и болезнь Альцгеймера, а также болезнь Паркинсона.[2]

Смотрите также

Рекомендации

  1. ^ а б Касабов, Никола К .; Шлибс, Рейнхард; Кодзима, Хироши (2011). «Вероятностное компьютерное нейрогенетическое моделирование: от когнитивных систем до болезни Альцгеймера». IEEE Transactions по автономному умственному развитию. 3 (4): 300–311. Дои:10.1109 / tamd.2011.2159839.
  2. ^ а б c d е ж грамм час я Бенускова, Любица; Касабов, Никола (2007). Компьютерное нейрогенетическое моделирование. Нью-Йорк: Спрингер. ISBN  978-0-387-48353-5.
  3. ^ Бенускова, Л .; Касабов, Н. (2008). «Моделирование динамики мозга с использованием вычислительного нейрогенетического подхода». Когнитивная нейродинамика. 2 (4): 319–334. Дои:10.1007 / s11571-008-9061-1. ЧВК  2585617. PMID  19003458.
  4. ^ а б Касабов, Никола; Бенускова, Любица (2004). «Вычислительная нейрогенетика». Журнал вычислительной и теоретической нанонауки. 1: 47–61. CiteSeerX  10.1.1.149.6631. Дои:10.1166 / jctn.2004.006.
  5. ^ а б c Уоттс, Майкл Дж (2009). "Десятилетие развивающихся коннекционистских систем Касабова: обзор". Транзакции IEEE по системам, человеку и кибернетике - Часть C: Приложения и обзоры. 39 (3): 253–269. Дои:10.1109 / TSMCC.2008.2012254.
  6. ^ Касабов, Н .; Schliebs, S .; Мохеммед А. (2012). Моделирование влияния генов на динамику вероятностных импульсных нейронных сетей для компьютерного нейрогенетического моделирования. Методы вычислительного интеллекта для биоинформатики и биостатистики. Конспект лекций по информатике. 7548. С. 1–9. Дои:10.1007/978-3-642-35686-5_1. HDL:10292/1663. ISBN  978-3-642-35685-8.
  7. ^ Бенускова, Л .; Wysoski, S.G .; Касабов, Н. Вычислительное нейрогенетическое моделирование: методология изучения взаимодействий генов, лежащих в основе нейронных колебаний. 2006 Международная совместная конференция по нейронным сетям. Ванкувер, Британская Колумбия. С. 4638–4644. Дои:10.1109 / IJCNN.2006.1716743. HDL:10292/596.
  8. ^ Касабов, Н .; Бенускова, Л .; Высоски, С. Г. (2005). Вычислительное нейрогенетическое моделирование: интеграция импульсных нейронных сетей, генных сетей и методов обработки сигналов.. Искусственные нейронные сети: формальные модели и их приложения - Icann 2005, Pt 2, Proceedings. 3697. С. 509–514. CiteSeerX  10.1.1.106.5223.
  9. ^ Касабов, Н (2006). Нейро-, генетические и квантовые развивающиеся интеллектуальные системы. Международный симпозиум по эволюционирующим нечетким системам, Труды. С. 63–73. Дои:10.1109 / ISEFS.2006.251165. HDL:10292/603. ISBN  978-0-7803-9718-7.
  10. ^ Касабов, Н .; Бенускова, Л .; Высоски, С. Г. (2005). «Биологически правдоподобные вычислительные нейрогенетические модели: моделирование взаимодействия между генами, нейронами и нейронными сетями». Журнал вычислительной и теоретической нанонауки. 2 (4): 569–573. Bibcode:2005JCTN .... 2..569K. Дои:10.1166 / jctn.2005.012.
  11. ^ Бенускова, Любица; Джайн, вишал; Wysoski, Simei G .; Касабов, Никола К. (2006). «Вычислительное нейрогенетическое моделирование: путь к новым открытиям в генетической нейробиологии». Международный журнал нейронных систем. 16 (3): 47–61. CiteSeerX  10.1.1.149.5411. Дои:10.1142 / S0129065706000627. PMID  17044242.

внешняя ссылка