Get best of the week

Prótesis cerebral: sincronización de redes neuronales artificiales y biológicas.



El concepto de prótesis, es decir. un intento de reemplazar la parte faltante del cuerpo con un análogo artificial ha existido durante mucho tiempo. La primera mención de prótesis se puede encontrar en registros que datan de 1500 a. C. Y esto no es sorprendente, ya que las formas más simples de prótesis son realmente simples y, por lo tanto, podrían haberse hecho artificialmente incluso en esos días (recuerden a los piratas con sus ganchos y patas de madera). Sin embargo, las prótesis no se limitan a problemas de salud aparentemente superficiales. Todos sabemos sobre articulaciones artificiales, vasos, válvulas, etc. Pero incluso estos aumentos no son nada en comparación con las prótesis de una parte del cerebro, porque el cerebro es el órgano más complejo de nuestro cuerpo. Hoy nos reuniremos con usted en un estudio en el que científicos de la Universidad de Tokio encontraron una manera de lograr que las neuronas reales trabajen juntas con las artificiales.¿Qué tecnologías y técnicas estuvieron involucradas en el desarrollo, qué tan efectiva es la relación entre sintético y biológico, y cuál es la aplicación práctica de este descubrimiento? Un informe de los científicos nos contará sobre esto. Vamos.


El cerebro humano se compara regularmente con una computadora y esta comparación está justificada. Cualquier enfermedad o lesión cerebral afecta directamente las propiedades estructurales y funcionales de las redes y circuitos cerebrales, causando muerte celular, pérdida de sinapsis y pérdida de axones. Tales procesos deterioran la capacidad de procesamiento de información local y su intercambio entre circuitos remotos, interrumpiendo el proceso de segregación e integración de información en el cerebro. Es lógico que tales problemas necesiten ser abordados. Algunos métodos se centran más en la restauración (regeneración celular, mientras que otros tienden a reemplazar) las prótesis de las "carreteras" faltantes. Las técnicas regenerativas que se están desarrollando en este momento, hacen frente con bastante éxito a defectos a distancias cortas. Sin embargo, cuando se trata de perder la comunicación entre partes distantes del cerebro,no tienen poder debido a la complejidad de reprogramar y reconstruir circuitos neuronales.

Si algo no sale, entonces necesita ser reemplazado. Según los científicos, en las últimas décadas, se ha logrado un progreso impresionante en la implementación de neuroprótesis, cuando los circuitos neuronales artificiales son localmente capaces de recibir y procesar datos de entrada en tiempo real. En este caso, los datos de entrada se pueden proporcionar tanto local como remotamente; tanto por estimulación eléctrica como optogenética.

Existen muchas variantes de técnicas en ingeniería neuromórfica para crear redes neuronales pulsadas (SNNs a partir de redes neuronales) y sinapsis artificiales. Los SNN neuroinducidos son muy diferentes de sus progenitores biológicos, pero son excelentes para computar y desarrollar inteligencia artificial. Pero los SNN neuromiméticos imitan más exitosamente la actividad de las células nerviosas reales y funcionan en una escala de tiempo acelerada o biológica (real). La desventaja de esta opción SNN es que puede reproducirse mediante programación, pero en realidad no funciona. En contraste, hay SNN de hardware que funcionan en tiempo real, tienen bajo consumo de energía y están integrados. Dichas características son las más atractivas para crear un sistema híbrido, es decir. para prótesis neurológicas.

El hardware SNH15-21 se puede clasificar en dos grupos: implementación analógica e implementación digital. La implementación digital tiene la ventaja de que es personalizable y más fácil de procesar, a pesar del mayor consumo de energía.

Todo es genial, dicen los científicos, pero todos estos sistemas SNN no son nada si no pueden funcionar en conjunto con los sistemas biológicos reales. Crear una conexión entre lo artificial y lo biológico aún no ha tenido éxito.

En su informe, los investigadores demuestran la primera implementación operativa de la comunicación en tiempo real y la transferencia de información desde el SNN de hardware implementado en la placa de circuito FPGA y la red neuronal biológica (BNN) mediante la codificación dinámica de SNN utilizando patrones utilizados para la estimulación optogenética de BNN.

Los patrones de actividad se generan utilizando SNN, luego se codifican en tiempo real en patrones únicos de luz azul: imágenes binarias (8x8 píxeles) generadas mediante procesamiento de luz digital (DLP) utilizando un proyector de video modificado con microproyección en una red neuronal bidimensional (cultivo) en una matriz de electrodos múltiples (MEA).

Las neuronas utilizadas en los experimentos se transdujeron * usando virus adenoasociados * (AAV) para expresar la proteína ChIEF27.
Transducción * : la transferencia de ADN de una célula a otra.
El virus adenoasociado * es un virus pequeño que infecta las células humanas, pero no causa ninguna enfermedad, por lo tanto, causa una respuesta inmune débil.
En vista de este procedimiento, las neuronas se excitaron tras la estimulación con luz azul, y su actividad se registró utilizando un dispositivo MEA y una imagen de calcio ( se montó en un microscopio una cámara CCD (CCD de un dispositivo acoplado a carga ) con un multiplicador de electrones.

Resultados de la investigacion



Imagen No. 1 La

configuración experimental ( 1A ) consta de tres componentes principales ubicados alrededor de un microscopio de epi-fluorescencia.


Esquema de un microscopio de epi-fluorescencia.

Los principales componentes de la instalación:
  • red neuronal pulsada ( 1B ), que opera en una FPGA (matriz de compuerta programable en campo, es decir, matriz de compuerta programable por el usuario);
  • SNN-FPGA ( 1C);
  • , ChIEF-mCitrine ( hSyn), .



Tabla No. 1

Para simular la actividad de una red neuronal biológica real, SNN generó actividad espontánea caracterizada por sincronizaciones neuronales con características similares (en términos de duración, frecuencia y número de neuronas reclutadas) que se generaron usando BNN corticales (de 0.1 a 1 Hz).

Cuatro SNN diferentes (Tabla 1) utilizados en 12 experimentos estaban compuestos por 100 neuronas Izhikevich (80 excitatorias y 20 inhibitorias) implementadas en FPGA (Tabla 2), y proporcionaron un rango dinámico con sincronización de red (NS), que abarcó desde 0.25 hasta 1 Hz (tabla 3).


Tabla 2: recursos de FPGA. LUT y FF son los componentes principales de los bloques lógicos en FPGA; LUTRAM y BRAM - tecnología de memoria; DSP (Procesamiento de señal digital): circuitos utilizados para la informática digital compleja, como la multiplicación.


Tabla No. 3: parámetros del experimento. Para cada experimento, se seleccionan varias variables a la vez: uno de los cuatro SNN, el valor umbral (N) de los pulsos neuronales y la duración (T) de las ventanas de tiempo para calcular la sincronización de la red.

SNN generó actividad con una resolución de tiempo de 1 ms, y los NS se determinaron cuando al menos N de 64 neuronas generaron un impulso en el intervalo de tiempo B. Cuatro SNN representan una actividad diferente, ya que sus neuronas, sinapsis y parámetros de conectividad cambiaron en diferentes experimentos.

La actividad espontánea de SNN se convirtió en tiempo real en matrices binarias de 8x8 píxeles, donde cada elemento de la matriz era igual a cero (es decir, sin luz) si sus neuronas de impulso asignadas correspondientes no se iniciaban, o una (es decir, emisión de luz ) si las neuronas están activadas.

Una vez que se identificó el NS, se iluminó la imagen transformada correspondiente. Además, basándose en la actividad de SNN, el módulo detector de sincronización de red creó una señal de lógica transistor-transistor (TTL) al dispositivo estimulador y formó la iluminación de la imagen VGA correspondiente a la matriz 8x8.

Como ya hemos adivinado, una de las partes principales de la instalación es un sistema de video proyector. La imagen binaria de 8x8 generada como actividad de salida SNN se convirtió en una imagen de 800x600 píxeles a través del puerto VGA del proyector de video, donde en lugar de la lámpara original, se utilizó un potente LED azul. La matriz binaria de 8x8 (0 = negro, 1 = azul) se mostró en la parte central de 800x600 píxeles, y todos los demás píxeles eran cero (negro).

La imagen generada por el dispositivo de microespejo digital (DMD) del proyector de video se proyectó en un microscopio de epi-fluorescencia a través de un camino óptico adicional pasando entre la cámara y el cubo del filtro ubicado encima de la muestra ( 1C) El foco de la imagen DMD en el puerto del microscopio se optimizó para que todas las imágenes generadas en el campo de visión del microscopio se pudieran proyectar a través de un aumento de 10x con potencia suficiente para activar potenciales de acción en las neuronas que expresan ChIEF. La imagen DMD proyectada se ubicó en el plano focal de la lente con una longitud focal de 250 mm, lo que permitió ampliar la imagen unas catorce veces.

Entonces, si bien hay una red neuronal artificial y un medio para corregir los datos. El siguiente componente integral de este experimento es, por supuesto, BNN, es decir. red neuronal biológica

Para BNN, se usaron cultivos neurales de 21 a 28 DIV (días in vitro - días "en vidrio", es decir, el número de días pasados ​​en cultivo in vitro o en una placa de Petri). La actividad neuronal se registró utilizando una copa MEA * estándar (8x8) con una distancia entre electrodos de 200 μm ( 2A ).
MEA * (matriz de microelectrodos) : una matriz de microelectrodos es un dispositivo en el que hay varios (de decenas a miles) microelectrodos a través de los cuales se reciben o envían señales neuronales. MEA es una interfaz neuronal entre neuronas y circuitos electrónicos.


Imagen No. 2 Las

neuronas excitadoras e inhibidoras se transdujeron (bajo el promotor hSyn) a 7 DIV para la expresión de ChIEF-mCitrine ( 2B ). La tasa de expresión en toda la población de neuronas a 21 DIV fue del 70 ± 13%. Los resultados de las imágenes de calcio ( 2B ) se obtuvieron mediante un aumento de 10 veces con una cámara EMCCD montada en un microscopio con un campo de visión de 800x800 μm, que es aproximadamente igual al espacio entre los electrodos MEA 4x4 ( 2A ).

La imagen proyectada (es decir, estímulo) se aplicó en el mismo campo de visión, pero en un área ligeramente más pequeña ( 2C ).

La sincronización horaria de los diversos dispositivos se realizó a través del sistema de adquisición de datos MEA, en el que la señal de cada uno de los 60 electrodos se grabó simultáneamente en la señal TTL, activando el protocolo de estimulación, controlando el controlador LED (encender y apagar la luz azul) y una señal de un solo cuadro recibida por la cámara.

Cabe señalar que el sistema MEA detectó actividad BNN antes, durante y después de la activación de la estimulación (es decir, cuando se activó el enlace potencial entre SNN y BNN).


Imágenes No. 3

Durante el estudio, se realizaron 12 experimentos, en cada uno de los cuales se utilizó una versión específica de SNN y otros parámetros para detectar la sincronización de la red (Tabla 3), que se suponía que aumentaba el número de estímulos por minuto de tiempo.

Debido al cambio en los parámetros, SNN generó diferentes datos de salida (SALIDAS) con diferentes rangos de frecuencia (medidos como el intervalo entre estímulos, 3A ) e intensidad (100% de intensidad de estímulo significaba que todos los 64 cuadrados de la matriz 8x8 estaban encendidos, 3B ).

El intervalo de frecuencia para la sincronización de red para SNN se ha establecido [0.25; 1] Hz. Una elección tan precisa de estos valores permitió neutralizar cualquier superposición de estimulaciones, ya que el protocolo de estimulación dura 310 ms, y los BNN corticales generan una sincronización promedio de neuronas entre 0.1 y 1 Hz.

La transferencia de información (IT de la transmisión de información) entre SNN y BNN se cuantificó teniendo en cuenta la correlación de la similitud entre los pares INPUT (SIP, 4A ) y la similitud entre los pares OUTPUT (SOP,4C ).


Imagen No. 4

La conclusión es que cuando se transmite información, dos ENTRADAS similares para el BNN deben llamar a dos patrones de SALIDA similares en el BNN.

A continuación, se evaluó la transmisión de información en 12 experimentos con diferentes parámetros (linealidad de la respuesta de la red, frecuencia media / intensidad de estimulación, etc .; 5C - 5G ) y diferentes métricas (coeficiente de arrastre BNN y coeficiente de supresión de la sincronización de la red, SIP se midieron por el coeficiente Jacquard) .

La Figura 4A muestra la matriz de afinidad INPUT para un experimento representativo durante el cual se administraron aproximadamente 200 estímulos desde SNN a BNN.

Los SOP se calcularon en base a la red de respuesta de vector BNN ( 4B ). En particular, se calculó el número de pulsos registrados por cada electrodo dentro de la ventana de tiempo T después de la administración del estímulo SNN. A continuación, para cada estímulo, se construyó una característica de red vectorial (VNR, a la izquierda en 4B ) y se calculó una matriz que representa SOP ( 4C ). Además, también se consideró la respuesta de la red escalar (SNR) a cada estímulo, calculada como la suma de los VNR (a la derecha en 4B ).


Imagen no 5

Para comenzar, se realizó una evaluación de cómo variaba la SNR dependiendo de la intensidad del estímulo. Al examinar la ventana de tiempo de respuesta completa (500 ms) después del estímulo, se encontró que la respuesta era ambigua: la SNR era aproximadamente lineal con respecto a la intensidad del estímulo con una correlación de 0,70, cuando solo se consideraban respuestas que no superaban 1/8 del máximo, mientras que NR se distribuyeron aproximadamente de manera uniforme por encima de dicho umbral. Del mismo modo, cuando se eligió un tiempo de respuesta más corto (50 ms) y al enfocarse en NR con un umbral inferior a 1/6 del máximo, se observó una correlación de 0,57 entre NR y la intensidad del estímulo.

Por lo tanto, para cada experimento, se determinó la ventana de tiempo de respuesta óptima T (de 1 a 50 ms, 5C - 5E) y la red de respuesta de umbral óptima ( 5C ). Debido a esto, fue posible maximizar la transferencia de información entre SNN y BNN. Se obtuvo una transferencia de información óptima en 8 de 12 experimentos ( 5G ).

Los científicos examinaron además cómo la transmisión de información está relacionada con la intensidad y la frecuencia del estímulo desde el SNN, que están formadas por sincronizaciones espontáneas de la red SNN que imitan las que ocurren en el BNN (imagen a continuación).


Imagen No. 6

La transmisión de información se correlacionó fuertemente con la intensidad promedio del estímulo y mostró una curva en forma de campana en función de la frecuencia promedio del estímulo, que alcanzó un máximo a 0.56 Hz.

Los investigadores también señalan que también pueden ocurrir sincronizaciones de red espontáneas en ausencia de un estímulo externo, porque examinaron más a fondo la relación entre la sincronización de red (NS) en BNN y la transferencia de información. Las NS espontáneas en el BNN (en ausencia de estímulos, es decir, cuando se desconectó la conexión entre SNN y BNN) ocurrieron con una frecuencia promedio de 0.37 ± 008 Hz. También se observó una alta correlación entre la supresión de NS y la transferencia de información (imagen No. 8).


Imagen no 7

La supresión espontánea de NS se cuantificó como la proporción de la frecuencia de los BNN de NS espontáneos en condiciones básicas (es decir, cuando los SNN y BNN estaban deshabilitados) a la frecuencia de los NS espontáneos cuando se activaba la comunicación entre SNN y BNN. Se consideró que los NS espontáneos en presencia de estímulos procedentes del SNN surgían al menos 500 ms después de la administración del último estímulo (imagen nº 7).


Imagen No. 8 Los

resultados generales mostraron que la transferencia de información solo se puede lograr con una respuesta lineal de las respuestas de la red a los estímulos. Además, los mejores resultados se lograron durante el período de reacción temprano, es decir durante los primeros cien milisegundos desde el inicio de la estimulación.

El valor máximo de la transferencia de información se obtuvo cuando la frecuencia de los estímulos era de aproximadamente 0,56 Hz, que es solo ligeramente superior a la frecuencia de las redes neuronales biológicas (0,37 Hz).

Los resultados anteriores, según el autor del estudio, confirman la teoría de que la actividad de BNN debería ser fuertemente arrastrada por los estímulos entrantes de SNN para procesarla de manera confiable en el modo lineal.

Para un conocimiento más detallado de los matices del estudio, le recomiendo que consulte el informe de los científicos y materiales adicionales .

Epílogo


Este estudio en la práctica confirmó que la relación entre la red neuronal artificial y la real es bastante posible. Por supuesto, como los propios científicos admiten, entre las miles de neuronas utilizadas en los experimentos, solo cientos ingresaron al modo de sincronización.

Comparar una red artificial con una biológica es bastante difícil. Uno de los problemas es la espontaneidad, que es inherente a las redes neuronales biológicas reales. La actividad espontánea en las neuronas causa actividad sincrónica, que corresponde a un cierto ritmo, que puede verse afectado por la conexión entre las neuronas, los tipos de neuronas en esta conexión, así como su capacidad de adaptarse y cambiar debido a las nuevas condiciones de trabajo. En otras palabras, las redes neuronales a veces son muy impredecibles cuando crean un sistema de sincronización tan complejo, como si crearan un orden en el caos.

Por lo tanto, para lograr la sincronización de las redes artificiales y biológicas, fue necesario ajustar el artificial a este ritmo. Durante el estudio, se lograron buenos resultados en este difícil asunto, aunque se requirieron varios experimentos fallidos.

El objetivo principal de su trabajo, los científicos llaman el desarrollo de prótesis neuronales que pueden reemplazar con éxito las áreas dañadas del cerebro. Suena muy futurista, recuerda remotamente a la película "Johnny Mnemonics". Sin embargo, el objetivo es noble y, por lo tanto, quiero creer que los autores de este trabajo podrán mejorar con éxito su desarrollo en el futuro.

¡Gracias por su atención, sigan curiosos y tengan una buena semana laboral, amigos! :)

Un poco de publicidad :)


Gracias por estar con nosotros. ¿Te gustan nuestros artículos? ¿Quieres ver más materiales interesantes? Apóyenos haciendo un pedido o recomendando a sus amigos VPS basado en la nube para desarrolladores desde $ 4.99 , un análogo único de servidores de nivel básico que inventamos para usted: toda la verdad sobre VPS (KVM) E5-2697 v3 (6 núcleos) 10GB DDR4 480GB SSD 1Gbps desde $ 19 o cómo dividir el servidor? (las opciones están disponibles con RAID1 y RAID10, hasta 24 núcleos y hasta 40GB DDR4).

Dell R730xd 2 veces más barato en el centro de datos Equinix Tier IV en Amsterdam? ¡Solo tenemos 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV desde $ 199 en los Países Bajos!Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - ¡desde $ 99! Lea sobre Cómo construir un edificio de infraestructura. clase c con servidores Dell R730xd E5-2650 v4 que cuestan 9,000 euros por un centavo?

More articles:


All Articles