Get best of the week

Gehirnprothese: Synchronisation künstlicher und biologischer neuronaler Netze



Das Konzept der Prothetik, d.h. Der Versuch, den fehlenden Körperteil durch ein künstliches Analogon zu ersetzen, besteht seit langem. Die erste Erwähnung der Prothetik findet sich in Aufzeichnungen, die nach 1500 v. Chr. Zurückreichen. Und das ist nicht verwunderlich, da die einfachsten Formen der Prothetik wirklich einfach sind und daher auch damals künstlich hätten hergestellt werden können (denken Sie an die Piraten mit ihren Haken und Holzbeinen). Die Prothetik ist jedoch nicht auf scheinbar oberflächliche Gesundheitsprobleme beschränkt. Wir alle kennen künstliche Gelenke, Gefäße, Ventile usw. Aber selbst diese Augmentationen sind nichts im Vergleich zur Prothetik eines Teils des Gehirns, denn das Gehirn ist das komplexeste Organ unseres Körpers. Heute werden wir mit Ihnen eine Studie treffen, in der Wissenschaftler der Universität Tokio einen Weg gefunden haben, echte Neuronen dazu zu bringen, mit künstlichen zusammenzuarbeiten.Welche Technologien und Techniken waren an der Entwicklung beteiligt, wie effektiv ist die Beziehung zwischen synthetisch und biologisch und wie ist die praktische Anwendung dieser Entdeckung? Ein Bericht von Wissenschaftlern wird uns darüber berichten. Gehen.


Das menschliche Gehirn wird regelmäßig mit einem Computer verglichen, und dieser Vergleich ist gerechtfertigt. Jede Krankheit oder Hirnverletzung wirkt sich direkt auf die strukturellen und funktionellen Eigenschaften von Hirnnetzwerken und Schaltkreisen aus und führt zum Zelltod, zum Verlust von Synapsen und zum Axonverlust. Solche Prozesse beeinträchtigen die Fähigkeit der lokalen Informationsverarbeitung und ihren Austausch zwischen entfernten Schaltkreisen und stören den Prozess der Trennung und Integration von Informationen im Gehirn. Es ist logisch, dass solche Probleme angegangen werden müssen. Einige Methoden konzentrieren sich mehr auf die Wiederherstellung - Zellregeneration, während andere dazu neigen, die Prothetik der fehlenden „Autobahnen“ zu ersetzen. Die derzeit entwickelten regenerativen Techniken bewältigen Defekte auf kurzen Strecken recht erfolgreich. Wenn es jedoch darum geht, die Kommunikation zwischen entfernten Teilen des Gehirns zu verlieren,Sie sind aufgrund der Komplexität der Neuprogrammierung und Rekonstruktion neuronaler Schaltkreise machtlos.

Wenn etwas nicht herauskommt, muss es ersetzt werden. Laut Wissenschaftlern wurden in den letzten Jahrzehnten beeindruckende Fortschritte bei der Implementierung der Neuroprothetik erzielt, wenn künstliche gepulste neuronale Schaltkreise lokal in der Lage sind, Eingabedaten in Echtzeit zu empfangen und zu verarbeiten. In diesem Fall können die Eingabedaten sowohl lokal als auch remote bereitgestellt werden. sowohl durch elektrische als auch optogenetische Stimulation.

In der neuromorphen Technik gibt es viele Varianten von Techniken zur Erzeugung gepulster neuronaler Netze (SNNs aus spikenden neuronalen Netzen) und künstlicher Synapsen. Neuroinduzierte SNNs unterscheiden sich stark von ihren biologischen Vorläufern, eignen sich jedoch hervorragend zum Berechnen und Entwickeln künstlicher Intelligenz. Neuromimetische SNNs ahmen jedoch die Aktivität realer Nervenzellen erfolgreicher nach und arbeiten auf einer beschleunigten oder biologischen (Echtzeit-) Skala. Der Nachteil dieser SNN-Option ist, dass sie programmgesteuert reproduziert werden kann, in Wirklichkeit jedoch nicht funktioniert. Im Gegensatz dazu gibt es Hardware-SNNs, die in Echtzeit arbeiten, einen geringen Stromverbrauch haben und integriert sind. Solche Eigenschaften sind am attraktivsten zum Erzeugen eines Hybridsystems, d.h. für die Neuroprothetik.

Die Hardware SNH15-21 kann in zwei Gruppen eingeteilt werden: analoge Implementierung und digitale Implementierung. Die digitale Implementierung hat den Vorteil, dass sie trotz des höheren Stromverbrauchs anpassbar und einfacher zu verarbeiten ist.

Es ist alles großartig, sagen Wissenschaftler, aber all diese SNN-Systeme sind nichts, wenn sie nicht mit echten biologischen Systemen zusammenarbeiten können. Es ist noch nicht gelungen, eine Verbindung zwischen dem Künstlichen und dem Biologischen herzustellen.

In ihrem Bericht demonstrieren die Forscher die erste betriebliche Implementierung von Echtzeitkommunikation und Informationsübertragung von Hardware-SNN, die auf der FPGA- und BNN-Leiterplatte (Biological Neural Network) implementiert sind, indem sie SNNs dynamisch unter Verwendung von Mustern codieren, die zur optogenetischen Stimulation von BNNs verwendet werden.

Aktivitätsmuster werden unter Verwendung von SNN erzeugt und dann in Echtzeit in eindeutige Blaulichtmuster codiert - Binärbilder (8 x 8 Pixel), die unter Verwendung der digitalen Lichtverarbeitung (DLP) unter Verwendung eines modifizierten Videoprojektors mit Mikroprojektion auf ein zweidimensionales neuronales Netzwerk (Kultur) erzeugt wurden auf einer Mehrelektrodenmatrix (MEA).

Die in den Experimenten verwendeten Neuronen wurden * unter Verwendung eines Adeno-assoziierten Virus * (AAV) transduziert, um das ChIEF27-Protein zu exprimieren.
Transduktion * - der Transfer von DNA von einer Zelle zur anderen.
Adeno-assoziiertes Virus * ist ein kleines Virus, das menschliche Zellen infiziert, aber keine Krankheit verursacht und daher eine schwache Immunantwort verursacht.
In Anbetracht dieses Verfahrens wurden Neuronen bei Stimulation mit blauem Licht angeregt und ihre Aktivität wurde sowohl unter Verwendung einer MEA-Vorrichtung als auch einer Calcium-Bildgebung aufgezeichnet (eine CCD-Kamera (CCD von einer ladungsgekoppelten Vorrichtung ) mit einem Elektronenvervielfacher wurde an einem Mikroskop angebracht).

Forschungsergebnisse



Bild Nr. 1 Der

Versuchsaufbau ( 1A ) besteht aus drei Hauptkomponenten, die sich um ein Epifluoreszenzmikroskop befinden.


Schema eines Epifluoreszenzmikroskops.

Die Hauptkomponenten der Installation:
  • gepulstes neuronales Netzwerk ( 1B ), das auf einem FPGA (feldprogrammierbares Gate-Array, d. h. vom Benutzer programmierbares Gate-Array) arbeitet;
  • SNN-FPGA ( 1C);
  • , ChIEF-mCitrine ( hSyn), .



Tabelle Nr. 1

Um die Aktivität eines realen biologischen neuronalen Netzwerks zu simulieren, erzeugte SNN eine spontane Aktivität, die durch neuronale Synchronisationen mit ähnlichen Eigenschaften (in Bezug auf Dauer, Häufigkeit und Anzahl der rekrutierten Neuronen) gekennzeichnet ist, die unter Verwendung von kortikalen BNNs (von 0,1 bis 1 Hz) erzeugt wurden.

Vier verschiedene SNNs (Tabelle 1), die in 12 Experimenten verwendet wurden, bestanden aus 100 in FPGA implementierten Izhikevich- Neuronen (80 exzitatorische und 20 inhibitorische) (Tabelle 2) und lieferten einen Dynamikbereich mit Netzwerksynchronisation (NS), der sich von 0,25 erstreckte bis zu 1 Hz (Tabelle 3).


Tabelle 2: FPGA-Ressourcen. LUT und FF sind die Hauptkomponenten von Logikblöcken im FPGA. LUTRAM und BRAM - Speichertechnologie; DSP (Digital Signal Processing) - Schaltungen, die für komplexe digitale Berechnungen wie Multiplikation verwendet werden.


Tabelle Nr. 3: Versuchsparameter. Für jedes Experiment werden mehrere Variablen gleichzeitig ausgewählt: eine von vier SNNs, der Schwellenwert (N) der Neuronenimpulse und die Dauer (T) der Zeitfenster zur Berechnung der Netzwerksynchronisation.

SNN erzeugte Aktivität mit einer Zeitauflösung von 1 ms, und NSs wurden nachgewiesen, wenn mindestens N von 64 Neuronen im Zeitintervall B einen Impuls erzeugten. Vier SNNs repräsentieren unterschiedliche Aktivität, da sich ihre Neuronen, Synapsen und Konnektivitätsparameter in verschiedenen Experimenten änderten.

Die spontane SNN-Aktivität wurde in Echtzeit in binäre Matrizen mit 8 × 8 Pixeln umgewandelt, wobei jedes Matrixelement gleich Null (d. H. Ohne Licht) war, wenn seine entsprechenden zugewiesenen Impulsneuronen nicht starteten, oder eins (d. H. Lichtemission) ) wenn Neuronen aktiviert sind.

Sobald der NS identifiziert war, wurde das entsprechende transformierte Bild beleuchtet. Ferner erzeugte das Netzwerksynchronisationsdetektormodul basierend auf der SNN-Aktivität ein Transistor-Transistor-Logiksignal (TTL-Signal) an die Stimulatorvorrichtung und bildete die Beleuchtung des VGA-Bildes entsprechend der 8 × 8-Matrix.

Wie wir bereits vermutet haben, ist einer der Hauptteile der Installation ein Videoprojektorsystem. Das als SNN-Ausgabeaktivität erzeugte 8x8-Binärbild wurde über den VGA-Anschluss des Videoprojektors in ein 800x600-Pixel-Bild umgewandelt, wobei anstelle der ursprünglichen Lampe eine leistungsstarke blaue LED verwendet wurde. Die 8 × 8-Binärmatrix (0 = schwarz, 1 = blau) wurde im mittleren Teil von 800 × 600 Pixel angezeigt, und alle anderen Pixel waren Null (schwarz).

Das von der digitalen Mikrospiegelvorrichtung (DMD) des Videoprojektors erzeugte Bild wurde über einen zusätzlichen optischen Pfad in ein Epifluoreszenzmikroskop projiziert Passieren zwischen der Kamera und dem Filterwürfel über der Probe ( 1C) Der Fokus des DMD-Bildes auf den Mikroskopanschluss wurde so optimiert, dass alle erzeugten Bilder im Sichtfeld des Mikroskops durch eine 10-fache Vergrößerung mit ausreichender Leistung projiziert werden konnten, um Aktionspotentiale in Neuronen auszulösen, die ChIEF exprimieren. Das projizierte DMD-Bild befand sich in der Brennebene der Linse mit einer Brennweite von 250 mm, wodurch das Bild etwa vierzehnmal vergrößert werden konnte.

Also, während es ein künstliches neuronales Netzwerk und ein Mittel zum Fixieren von Daten gibt. Die nächste integrale Komponente dieses Experiments ist natürlich BNN, d.h. biologisches neuronales Netzwerk.

Für BNN wurden neuronale Kulturen von 21 bis 28 DIV verwendet (Tage in vitro - Tage "in Glas", dh die Anzahl der Tage, die in vitro oder in einer Petrischale verbracht wurden). Die neuronale Aktivität wurde unter Verwendung eines Standard (8 × 8) MEA * -Bechers mit einem Elektrodenabstand von 200 & mgr; m ( 2A ) aufgezeichnet .
MEA * (Mikroelektrodenarray) - Ein Mikroelektrodenarray ist ein Gerät, bei dem mehrere (von Zehntausenden bis Tausend) Mikroelektroden vorhanden sind, über die neuronale Signale empfangen oder gesendet werden. MEA ist eine neuronale Schnittstelle zwischen Neuronen und elektronischen Schaltkreisen.


Bild Nr. 2

Erregende und hemmende Neuronen wurden (unter dem hSyn-Promotor) bei 7 DIV zur Expression von ChIEF-mCitrin ( 2B ) transduziert . Die Expressionsrate in der gesamten Population von Neuronen bei 21 DIV betrug 70 ± 13%. Die Ergebnisse der Calciumbildgebung ( 2B ) wurden durch 10-fache Vergrößerung mit einer EMCCD-Kamera erhalten, die auf einem Mikroskop mit einem Sichtfeld von 800 × 800 & mgr; m montiert war, was ungefähr dem Abstand zwischen 4 × 4 MEA-Elektroden ( 2A ) entspricht.

Das projizierte Bild (d. H. Der Reiz) wurde im gleichen Sichtfeld, jedoch auf einem etwas kleineren Bereich ( 2C ) angewendet .

Die Zeitsynchronisation der verschiedenen Geräte wurde über das MEA-Datenerfassungssystem durchgeführt, bei dem das Signal von jeder der 60 Elektroden gleichzeitig auf dem TTL-Signal aufgezeichnet, das Stimulationsprotokoll aktiviert, der LED-Treiber (Ein- und Ausschalten des blauen Lichts) und ein von der Kamera empfangenes Einzelbildsignal gesteuert wurden.

Es sollte beachtet werden, dass das MEA-System die BNN-Aktivität vor, während und nach der Aktivierung der Stimulation detektierte (d. H. Wenn die potentielle Verbindung zwischen SNN und BNN aktiviert wurde).


Bilder Nr. 3

Während der Studie wurden 12 Experimente durchgeführt, in denen jeweils eine bestimmte Version von SNN und andere Parameter verwendet wurden, um die Netzwerksynchronisation zu erfassen (Tabelle 3), die die Anzahl der Stimuli pro Minute erhöhen sollte.

Aufgrund der Änderung der Parameter erzeugte SNN unterschiedliche Ausgangsdaten (OUTPUTs) mit unterschiedlichen Frequenzbereichen (gemessen als Intervall zwischen Stimuli, 3A ) und Intensität (100% Stimulusintensität bedeutete, dass alle 64 Quadrate der 8x8-Matrix aktiviert waren, 3B ).

Das Frequenzintervall für die Netzwerksynchronisation für SNN wurde eingestellt [0,25; 1] Hz. Eine solch genaue Auswahl dieser Werte ermöglichte es, jegliche Überlappung von Stimulationen zu neutralisieren, da das Stimulationsprotokoll 310 ms dauert und kortikale BNNs eine durchschnittliche Neuronensynchronisation zwischen 0,1 und 1 Hz erzeugen.

Der Informationstransfer (IT aus der Informationsübertragung) zwischen SNN und BNN wurde unter Berücksichtigung der Korrelation der Ähnlichkeit zwischen INPUT-Paaren (SIP, 4A ) und der Ähnlichkeit zwischen OUTPUT-Paaren (SOP,4C ).


Bild Nr. 4

Unter dem Strich sollten bei der Übertragung von Informationen zwei ähnliche EINGÄNGE für den BNN zwei ähnliche AUSGANGSmuster im BNN aufrufen.

Als nächstes wurde die Informationsübertragung über 12 Experimente mit verschiedenen Parametern (Linearität der Netzwerkantwort, durchschnittliche Frequenz / Stimulationsintensität usw .; 5C - 5G ) und verschiedenen Metriken (Mitnahmekoeffizient BNN und Unterdrückungskoeffizient der Netzwerksynchronisation, SIP wurden durch den Jacquard-Koeffizienten gemessen) bewertet. .

Fig. 4A zeigt die INPUT-Affinitätsmatrix für ein repräsentatives Experiment, bei dem etwa 200 Stimuli von SNN an BNN abgegeben wurden.

SOPs wurden basierend auf dem BNN ( 4B ) -Vektorantwortnetzwerk berechnet . Insbesondere wurde die Anzahl von Impulsen berechnet, die von jeder Elektrode innerhalb des Zeitfensters T nach der SNN-Stimulusabgabe aufgezeichnet wurden. Als nächstes wurde für jeden Stimulus eine Vektornetzwerkcharakteristik (VNR, links auf 4B ) konstruiert und eine Matrix, die SOP ( 4C ) darstellt, berechnet . Zusätzlich wurde die Reaktion des Skalarnetzwerks (SNR) auf jeden Stimulus, berechnet als Summe der VNRs (rechts auf 4B ), ebenfalls berücksichtigt.


Bild Nr. 5

Zunächst wurde bewertet, wie sich das SNR in Abhängigkeit von der Intensität des Stimulus verändert. Bei der Untersuchung des gesamten Antwortzeitfensters (500 ms) nach dem Stimulus wurde festgestellt, dass die Antwort nicht eindeutig war: Das SNR war in Bezug auf die Stimulusintensität mit einer Korrelation von 0,70 ungefähr linear, wenn nur Antworten berücksichtigt wurden, die 1/8 des Maximums nicht überstiegen, während NR wurden ungefähr gleichmäßig über einer solchen Schwelle verteilt. In ähnlicher Weise wurde bei Auswahl einer kürzeren Reaktionszeit (50 ms) und bei Fokussierung auf NR mit einem Schwellenwert unter 1/6 des Maximums eine Korrelation von 0,57 zwischen NR und Stimulusintensität beobachtet.

Daher wurde für jedes Experiment das optimale Reaktionszeitfenster T bestimmt (von 1 bis 50 ms, 5C - 5E) und das optimale Schwellenwert-Antwortnetzwerk ( 5C ). Aufgrund dessen war es möglich, die Informationsübertragung zwischen SNN und BNN zu maximieren. Ein optimaler Informationstransfer wurde in 8 von 12 Experimenten ( 5G ) erhalten.

Die Wissenschaftler untersuchten ferner, wie die Übertragung von Informationen mit der Intensität und Frequenz des Stimulus vom SNN zusammenhängt, die beide durch spontane SNN-Netzwerksynchronisationen gebildet werden, die die im BNN auftretenden nachahmen (Bild unten).


Bild Nr. 6

Die Informationsübertragung korrelierte stark mit der durchschnittlichen Stimulusintensität und zeigte eine glockenförmige Kurve als Funktion der durchschnittlichen Stimulusfrequenz, die bei 0,56 Hz ein Maximum erreichte.

Die Forscher stellen außerdem fest, dass auch spontane Netzwerksynchronisationen ohne externen Stimulus auftreten können, da sie die Beziehung zwischen Netzwerksynchronisation (NS) in BNN und Informationsübertragung weiter untersucht haben. Spontane NS im BNN (in Abwesenheit von Stimuli, d. H. Wenn die Verbindung zwischen SNN und BNN getrennt wurde) traten mit einer durchschnittlichen Frequenz von 0,37 ± 008 Hz auf. Eine hohe Korrelation wurde auch zwischen NS-Unterdrückung und Informationstransfer beobachtet (Bild Nr. 8).


Bild Nr. 7

Die spontane NS-Unterdrückung wurde als das Verhältnis der Häufigkeit spontaner NS-BNNs unter Grundbedingungen (d. H. Wenn SNN und BNN ausgeschaltet waren) zur Frequenz spontaner NS, wenn die Kommunikation zwischen SNN und BNN eingeschaltet war, quantifiziert. Spontane NS in Gegenwart von Stimuli, die vom SNN kommen, wurden als mindestens 500 ms nach Abgabe des letzten Stimulus auftretend angesehen (Bild Nr. 7).


Bild Nr. 8 Die

allgemeinen Ergebnisse zeigten, dass die Informationsübertragung nur mit einer linearen Antwort der Netzwerkantworten auf Stimuli erreicht werden kann. Zusätzlich wurden die besten Ergebnisse während der frühen Reaktionsperiode erzielt, d.h. während der ersten hundert Millisekunden nach Beginn der Stimulation.

Der Maximalwert der Informationsübertragung wurde erhalten, wenn die Frequenz der Reize etwa 0,56 Hz betrug, was nur geringfügig höher ist als die Frequenz der biologischen neuronalen Netze (0,37 Hz).

Die obigen Ergebnisse bestätigen laut dem Autor der Studie die Theorie, dass die BNN-Aktivität durch eingehende Stimuli von SNN stark weggetragen werden sollte, um sie im linearen Modus zuverlässig zu verarbeiten.

Um die Nuancen der Studie genauer kennenzulernen, empfehle ich Ihnen, den Bericht von Wissenschaftlern und zusätzliche Materialien zu lesen.

Epilog


Diese Studie in der Praxis bestätigte, dass die Beziehung zwischen dem künstlichen neuronalen Netzwerk und dem realen durchaus möglich ist. Natürlich sind, wie die Wissenschaftler selbst zugeben, unter den Tausenden von Neuronen, die in den Experimenten verwendet wurden, nur Hunderte in den Synchronisationsmodus eingetreten.

Der Vergleich eines künstlichen Netzwerks mit einem biologischen ist ziemlich schwierig. Eines der Probleme ist die Spontaneität, die realen biologischen neuronalen Netzen innewohnt. Spontane Aktivität in Neuronen verursacht synchrone Aktivität, die einem bestimmten Rhythmus entspricht, der durch die Verbindung zwischen Neuronen, die Arten von Neuronen in dieser Verbindung sowie deren Fähigkeit zur Anpassung und Veränderung aufgrund neuer Arbeitsbedingungen beeinflusst werden kann. Mit anderen Worten, neuronale Netze sind manchmal sehr unvorhersehbar, wenn sie ein so komplexes Synchronisationssystem erzeugen, als ob sie Ordnung im Chaos schaffen.

Um eine Synchronisation von künstlichen und biologischen Netzwerken zu erreichen, war es daher notwendig, das Künstliche an diesen Rhythmus anzupassen. Während der Studie wurden in dieser schwierigen Angelegenheit gute Ergebnisse erzielt, obwohl mehrere erfolglose Experimente erforderlich waren.

Als Hauptziel ihrer Arbeit bezeichnen Wissenschaftler die Entwicklung neuronaler Prothesen, die beschädigte Bereiche des Gehirns erfolgreich ersetzen können. Es klingt sehr futuristisch und erinnert im entferntesten an den Film "Johnny Mnemonics". Trotzdem ist das Ziel nobel, und deshalb möchte ich glauben, dass die Autoren dieser Arbeit ihre Entwicklung in Zukunft erfolgreich verbessern können.

Vielen Dank für Ihre Aufmerksamkeit, bleiben Sie neugierig und haben Sie eine gute Arbeitswoche, Freunde! :) :)

Ein bisschen Werbung :)


Vielen Dank für Ihren Aufenthalt bei uns. Gefällt dir unser Artikel? Möchten Sie weitere interessante Materialien sehen? Unterstützen Sie uns, indem Sie eine Bestellung aufgeben oder Ihren Freunden Cloud-basiertes VPS für Entwickler ab 4,99 US-Dollar empfehlen , ein einzigartiges Analogon von Einstiegsservern, das von uns für Sie erfunden wurde: Die ganze Wahrheit über VPS (KVM) E5-2697 v3 (6 Kerne) 10 GB DDR4 480 GB SSD 1 Gbit / s ab 19 $ oder wie teilt man den Server? (Optionen sind mit RAID1 und RAID10, bis zu 24 Kernen und bis zu 40 GB DDR4 verfügbar).

Dell R730xd 2-mal günstiger im Equinix Tier IV-Rechenzentrum in Amsterdam? Nur wir haben 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2,6 GHz 14C 64 GB DDR4 4 x 960 GB SSD 1 Gbit / s 100 TV von 199 US-Dollar in den Niederlanden!Dell R420 - 2x E5-2430 2,2 GHz 6C 128 GB DDR3 2x960 GB SSD 1 Gbit / s 100 TB - ab 99 US-Dollar! Lesen Sie mehr über den Aufbau eines Infrastrukturgebäudes. Klasse C mit Dell R730xd E5-2650 v4-Servern für 9.000 Euro für einen Cent?

More articles:


All Articles