Get best of the week

Prótese cerebral: sincronização de redes neurais artificiais e biológicas



O conceito de próteses, ou seja, existe uma tentativa de substituir a parte que falta do corpo por um análogo artificial há muito tempo. A primeira menção de próteses pode ser encontrada em registros que datam de 1500 aC. E isso não é surpreendente, uma vez que as formas mais simples de próteses são realmente simples e, portanto, poderiam ter sido feitas artificialmente mesmo naqueles dias (lembre-se dos piratas com seus ganchos e pernas de madeira). No entanto, as próteses não se limitam a problemas de saúde aparentemente superficiais. Todos sabemos sobre juntas artificiais, vasos, válvulas, etc. Mas mesmo esses aumentos não são nada comparados às próteses de uma parte do cérebro, porque o cérebro é o órgão mais complexo do nosso corpo. Hoje, encontraremos um estudo no qual cientistas da Universidade de Tóquio encontraram uma maneira de fazer com que os neurônios reais trabalhem em conjunto com os artificiais.Quais tecnologias e técnicas estavam envolvidas no desenvolvimento, qual a eficácia do relacionamento entre sintético e biológico e qual é a aplicação prática dessa descoberta? Um relatório de cientistas nos dirá sobre isso. Vai.


O cérebro humano é regularmente comparado a um computador e essa comparação é justificada. Qualquer doença ou lesão cerebral afeta diretamente as propriedades estruturais e funcionais das redes e circuitos cerebrais, causando morte celular, perda de sinapses e perda de axônios. Tais processos prejudicam a capacidade do processamento local de informações e sua troca entre circuitos remotos, interrompendo o processo de segregação e integração de informações no cérebro. É lógico que esses problemas precisam ser resolvidos. Alguns métodos estão mais focados na restauração - regeneração celular, enquanto outros tendem a substituir - próteses das “rodovias” ausentes. As técnicas regenerativas que estão sendo desenvolvidas no momento lidam com sucesso com defeitos a curtas distâncias. No entanto, quando se trata de perder a comunicação entre partes distantes do cérebro,eles são impotentes devido à complexidade de reprogramar e reconstruir circuitos neurais.

Se algo não sair, ele precisará ser substituído. Segundo os cientistas, nas últimas décadas, houve um progresso impressionante na implementação de próteses neuro, quando os circuitos neurais artificiais pulsados ​​são localmente capazes de receber e processar dados de entrada em tempo real. Nesse caso, os dados de entrada podem ser fornecidos local e remotamente; por estimulação elétrica e optogenética.

Existem muitas variantes de técnicas em engenharia neuromórfica para a criação de redes neurais pulsadas (SNNs a partir de uma rede neural) e sinapses artificiais. Os SNNs neuroinduzidos são muito diferentes de seus progenitores biológicos, mas são ótimos para computar e desenvolver inteligência artificial. Mas os SNNs neuromiméticos imitam com mais sucesso a atividade das células nervosas reais e trabalham em uma escala de tempo acelerada ou biológica (real). A desvantagem dessa opção SNN é que ela pode ser reproduzida programaticamente, mas, na realidade, não funciona. Por outro lado, existem SNNs de hardware que funcionam em tempo real, têm baixo consumo de energia e são integrados. Tais características são as mais atraentes para a criação de um sistema híbrido, ou seja, para próteses neuro.

O hardware SNH15-21 pode ser classificado em dois grupos: implementação analógica e implementação digital. A implementação digital tem a vantagem de ser personalizável e mais fácil de processar, apesar do maior consumo de energia.

É tudo ótimo, dizem os cientistas, mas todos esses sistemas SNN não são nada se não puderem trabalhar em conjunto com sistemas biológicos reais. Criar uma conexão entre o artificial e o biológico ainda não conseguiu.

Em seu relatório, os pesquisadores demonstram a primeira implementação operacional de comunicação e transmissão em tempo real de informações do SNN de hardware implementado na placa de circuito FPGA e da rede neural biológica (BNN), codificando dinamicamente os SNNs usando padrões usados ​​para a estimulação optogenética do BNN.

Os padrões de atividade são gerados usando SNN e, em tempo real, são codificados em padrões de luz azul exclusivos - imagens binárias (8x8 pixels) geradas usando processamento de luz digital (DLP) usando um projetor de vídeo modificado com microprojeção em uma rede neural bidimensional (cultura) cultivada em uma matriz multi-eletrodo (MEA).

Os neurônios usados ​​nas experiências foram transduzidos * usando o vírus adeno-associado * (AAV) para expressar a proteína ChIEF27.
Transdução * - a transferência de DNA de uma célula para outra.
O vírus adeno-associado * é um pequeno vírus que infecta células humanas, mas que não causa nenhuma doença e, portanto, causa uma fraca resposta imune.
Em vista desse procedimento, os neurônios foram excitados quando estimulados com luz azul, e sua atividade foi registrada usando um dispositivo MEA e imagens de cálcio (uma câmera CCD (CCD de um dispositivo acoplado a carga ) com um multiplicador de elétrons foi instalado em um microscópio).

Resultados da pesquisa



Imagem No. 1 A

configuração experimental ( 1A ) consiste em três componentes principais localizados ao redor de um microscópio de epi-fluorescência.


Diagrama esquemático de um microscópio de epi-fluorescência.

Os principais componentes da instalação:
  • rede neural pulsada ( 1B ), operando em um FPGA (matriz de portas programável em campo, isto é, matriz de portas programável pelo usuário);
  • SNN-FPGA ( 1C);
  • , ChIEF-mCitrine ( hSyn), .



Tabela No. 1

Para simular a atividade de uma rede neural biológica real, o SNN gerou atividade espontânea, caracterizada por sincronização neural com características semelhantes (em termos de duração, frequência e número de neurônios recrutados), que foram gerados usando os BNNs corticais usados ​​(de 0,1 a 1 Hz).

Quatro SNNs diferentes (tabela 1) usados ​​em 12 experimentos foram compostos por 100 neurônios Izhikevich (80 excitatórios e 20 inibitórios) implementados no FPGA (tabela 2), e forneceram uma faixa dinâmica com sincronização de rede (NS), que variou de 0,25 até 1 Hz (tabela 3).


Tabela 2: Recursos FPGA. LUT e FF são os principais componentes dos blocos lógicos no FPGA; LUTRAM e BRAM - tecnologia de memória; DSP (Digital Signal Processing) - circuitos usados ​​para computação digital complexa, como multiplicação.


Tabela No. 3: parâmetros do experimento. Para cada experimento, várias variáveis ​​são selecionadas ao mesmo tempo: um dos quatro SNNs, o valor limite (N) dos pulsos de neurônios e a duração (T) das janelas de tempo para calcular a sincronização da rede.

O SNN gerou atividade com uma resolução de tempo de 1 ms e os NSs foram detectados quando pelo menos N de 64 neurônios geraram um impulso no intervalo de tempo B. Quatro SNNs representam atividades diferentes, pois seus parâmetros de neurônios, sinapses e conectividade foram alterados em diferentes experimentos.

A atividade espontânea do SNN foi convertida em tempo real em matrizes binárias de 8x8 pixels, em que cada elemento da matriz era igual a zero (ou seja, sem luz) se seus neurônios de impulso atribuídos correspondentes não fossem iniciados ou um (ou seja, emissão de luz) ) se os neurônios estiverem ativados.

Uma vez identificado o NS, a imagem transformada correspondente foi iluminada. Além disso, com base na atividade SNN, o módulo detector de sincronização de rede criou um sinal lógico transistor-transistor (TTL) para o dispositivo estimulador e formou a iluminação da imagem VGA correspondente à matriz 8x8.

Como já adivinhámos, uma das partes principais da instalação é um sistema de projetor de vídeo. A imagem binária de 8x8 gerada como atividade de saída SNN foi convertida em uma imagem de 800x600 pixels através da porta VGA do projetor de vídeo, onde, em vez da lâmpada original, era usado um poderoso LED azul. A matriz binária de 8x8 (0 = preto, 1 = azul) foi exibida na parte central de 800x600 pixels e todos os outros pixels eram zero (preto)

.A imagem gerada pelo dispositivo de micro-espelho digital (DMD) do projetor de vídeo foi projetada em um microscópio de epi-fluorescência por um caminho óptico adicional passando entre a câmera e o cubo do filtro localizado acima da amostra ( 1C) O foco da imagem DMD na porta do microscópio foi otimizado para que todas as imagens geradas no campo de visão do microscópio pudessem ser projetadas através de uma ampliação de 10x com potência suficiente para acionar potenciais de ação em neurônios que expressam o CHIEF. A imagem DMD projetada estava localizada no plano focal da lente com uma distância focal de 250 mm, o que possibilitou ampliar a imagem cerca de catorze vezes.

Portanto, enquanto houver uma rede neural artificial e um meio de corrigir dados. O próximo componente integral desta experiência é, obviamente, o BNN, ou seja, rede neural biológica.

Para o BNN, foram utilizadas culturas neurais de 21 a 28 DIV (dias in vitro - dias “em vidro”, ou seja, o número de dias passados ​​em cultura in vitro ou em uma placa de Petri). A atividade neuronal foi registrada usando um copo MEA * padrão (8x8) com uma distância entre eletrodos de 200 μm ( 2A ).
MEA * (matriz de microeletrodos) - uma matriz de microeletrodos é um dispositivo no qual existem vários (de dezenas a milhares) microeletrodos através dos quais os sinais neurais são recebidos ou enviados. MEA é uma interface neural entre neurônios e circuitos eletrônicos.


Imagem No. 2

Neurônios excitatórios e inibitórios foram transduzidos (sob o promotor hSyn) às 7 DIV para expressão de ChIEF-mCitrina ( 2B ). A taxa de expressão em toda a população de neurônios aos 21 DIV foi de 70 ± 13%. Os resultados da imagem de cálcio ( 2B ) foram obtidos por uma ampliação de 10 vezes com uma câmera EMCCD montada em um microscópio com um campo de visão de 800x800 μm, que é aproximadamente igual ao espaço entre os eletrodos 4x4 MEA ( 2A ).

A imagem projetada (ou seja, estímulo) foi aplicada no mesmo campo de visão, mas em uma área um pouco menor ( 2C ).

A sincronização do tempo dos vários dispositivos foi realizada através do sistema de aquisição de dados MEA, no qual o sinal de cada um dos 60 eletrodos foi gravado simultaneamente no sinal TTL, ativando o protocolo de estimulação, controlando o driver de LED (ligando e desligando a luz azul) e um sinal de quadro único recebido pela câmera.

Deve-se notar que o sistema MEA detectou a atividade do BNN antes, durante e após a ativação da estimulação (isto é, quando o potencial link entre SNN e BNN foi ativado).


Imagens nº 3

Durante o estudo, foram realizadas 12 experiências, em cada uma das quais uma versão específica do SNN e outros parâmetros foram utilizados para detectar a sincronização da rede (Tabela 3), que deveria aumentar o número de estímulos por minuto.

Devido à mudança nos parâmetros, o SNN gerou diferentes dados de saída (OUTPUTs) com diferentes faixas de frequência (medidas como o intervalo entre estímulos, 3A ) e intensidade (100% de intensidade do estímulo significa que todos os 64 quadrados da matriz 8x8 foram ativados, 3B ).

O intervalo de frequência para sincronização de rede para SNN foi definido [0,25; 1] Hz. Uma escolha tão precisa desses valores tornou possível neutralizar qualquer sobreposição de estímulos, uma vez que o protocolo de estimulação dura 310 ms e os BNNs corticais geram uma sincronização neuronal média entre 0,1 e 1 Hz.

A transferência de informações (TI da transmissão de informações) entre SNN e BNN foi quantificada, levando em consideração a correlação de similaridade entre os pares INPUT (SIP, 4A ) e a similaridade entre os pares OUTPUT (SOP,4C ).


Imagem No. 4

A linha inferior é que, quando a informação é transmitida, duas ENTRADAS similares para o BNN devem chamar dois padrões de SAÍDA semelhantes no BNN.

Em seguida, a transmissão de informações foi avaliada em 12 experimentos com diferentes parâmetros (linearidade da resposta da rede, frequência média / intensidade de estimulação, etc .; 5C - 5G ) e diferentes métricas (coeficiente de arrastamento BNN e coeficiente de supressão da sincronização da rede, o SIP foi medido pelo coeficiente de Jacquard) .

A Figura 4A mostra a matriz de afinidade INPUT para uma experiência representativa durante a qual foram entregues cerca de 200 estímulos de SNN para BNN.

Os POPs foram calculados com base na rede de resposta vetorial BNN ( 4B ). Em particular, o número de pulsos registrados por cada eletrodo dentro da janela de tempo T após o fornecimento do estímulo SNN foi calculado. Em seguida, para cada estímulo, foi construída uma característica de rede vetorial (VNR, à esquerda em 4B ) e calculada uma matriz representando SOP ( 4C ). Além disso, também foi considerada a resposta da rede escalar (SNR) a cada estímulo, calculada como a soma dos VNRs (à direita em 4B ).


Imagem Nº 5

Para começar, foi feita uma avaliação de como o SNR variava, dependendo da intensidade do estímulo. Ao examinar toda a janela de tempo de resposta (500 ms) após o estímulo, verificou-se que a resposta era ambígua: o SNR era aproximadamente linear em relação à intensidade do estímulo, com uma correlação de 0,70, quando apenas foram consideradas respostas não superiores a 1/8 do máximo, enquanto a NR foram distribuídos aproximadamente uniformemente acima desse limite. Da mesma forma, quando um tempo de resposta mais curto (50 ms) foi escolhido e ao focar na NR com um limiar abaixo de 1/6 do máximo, uma correlação de 0,57 foi observada entre a NR e a intensidade do estímulo.

Portanto, para cada experimento, foi determinada a janela de tempo de resposta ideal T (de 1 a 50 ms, 5C - 5E) e a rede de resposta de limite ideal ( 5C ). Devido a isso, foi possível maximizar a transferência de informações entre SNN e BNN. A transferência ideal de informações foi obtida em 8 de 12 experimentos ( 5G ).

Os cientistas examinaram ainda como a transmissão de informações está relacionada à intensidade e frequência do estímulo do SNN, que são formados por sincronizações espontâneas de rede do SNN que imitam as que ocorrem no BNN (imagem abaixo).


Imagem nº 6

A transmissão de informações correlacionou-se fortemente com a intensidade média do estímulo e mostrou uma curva em forma de sino em função da frequência média do estímulo, que atingiu um máximo em 0,56 Hz.

Os pesquisadores também observam que sincronizações de rede espontâneas na ausência de estímulo externo também podem ocorrer, porque examinaram ainda mais a relação entre sincronização de rede (NS) no BNN e transferência de informações. NSs espontâneos no BNN (na ausência de estímulos, ou seja, quando a conexão entre SNN e BNN foi desconectada) ocorreram com uma frequência média de 0,37 ± 008 Hz. Também foi observada uma alta correlação entre a supressão do SN e a transferência de informações (imagem nº 8).


Imagem Nº 7

A supressão espontânea de NS foi quantificada como a razão da frequência de BNNs espontâneos de NS em condições básicas (ou seja, quando SNNs e BNNs foram desativados) para a frequência de NSs espontâneos quando a comunicação entre SNNs e BNNs foi ativada. Os SNs espontâneos na presença de estímulos provenientes do SNN foram considerados como surgindo pelo menos 500 ms após a entrega do último estímulo (imagem nº 7).


Imagem nº 8 Os

resultados gerais mostraram que a transferência de informações pode ser alcançada apenas com uma resposta linear das respostas da rede aos estímulos. Além disso, os melhores resultados foram alcançados durante o período de reação inicial, ou seja, durante os primeiros cem milissegundos desde o início da estimulação.

O valor máximo da transferência de informações foi obtido quando a frequência dos estímulos era de cerca de 0,56 Hz, o que é apenas ligeiramente superior à frequência das redes neurais biológicas (0,37 Hz).

Os resultados acima, de acordo com o autor do estudo, confirmam a teoria de que a atividade do BNN deve ser fortemente levada pelos estímulos recebidos do SNN, a fim de processá-lo de forma confiável no modo linear.

Para um conhecimento mais detalhado das nuances do estudo, recomendo que você analise o relatório dos cientistas e materiais adicionais .

Epílogo


Este estudo na prática confirmou que a relação entre a rede neural artificial e a real é bastante possível. Obviamente, como os próprios cientistas admitem, entre os milhares de neurônios usados ​​nos experimentos, apenas centenas entraram no modo de sincronização.

Comparar uma rede artificial com uma biológica é bastante difícil. Um dos problemas é a espontaneidade, inerente às redes neurais biológicas reais. A atividade espontânea nos neurônios causa atividade síncrona, que corresponde a um certo ritmo, que pode ser afetado pela conexão entre os neurônios, os tipos de neurônios nessa conexão, bem como sua capacidade de se adaptar e mudar devido a novas condições de trabalho. Em outras palavras, as redes neurais às vezes são muito imprevisíveis quando criam um sistema de sincronização tão complexo, como se estivessem criando ordem no caos.

Portanto, para alcançar a sincronização de redes artificiais e biológicas, foi necessário ajustar o artificial a esse ritmo. Durante o estudo, bons resultados foram alcançados nessa questão difícil, embora várias experiências malsucedidas tenham sido necessárias.

O principal objetivo de seu trabalho, os cientistas chamam de desenvolvimento de próteses neurais que podem substituir com sucesso áreas danificadas do cérebro. Parece muito futurista, remotamente reminiscente do filme "Johnny Mnemonics". No entanto, o objetivo é nobre e, portanto, quero acreditar que os autores deste trabalho serão capazes de melhorar com sucesso seu desenvolvimento no futuro.

Obrigado pela atenção, permaneçam curiosos e tenham uma boa semana de trabalho, amigos! :)

Um pouco de publicidade :)


Obrigado por ficar com a gente. Você gosta dos nossos artigos? Deseja ver materiais mais interessantes? Ajude-nos fazendo um pedido ou recomendando aos seus amigos o VPS baseado em nuvem para desenvolvedores a partir de US $ 4,99 , um analógico exclusivo de servidores básicos que foi inventado por nós para você: Toda a verdade sobre o VPS (KVM) E5-2697 v3 (6 núcleos) 10 GB DDR4 480 GB SSD 1 Gbps de US $ 19 ou como dividir o servidor? (as opções estão disponíveis com RAID1 e RAID10, até 24 núcleos e até 40GB DDR4).

Dell R730xd 2 vezes mais barato no data center Equinix Tier IV em Amsterdã? Somente nós temos 2 TVs Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV a partir de US $ 199 na Holanda!Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - a partir de US $ 99! Leia sobre Como criar um prédio de infraestrutura. classe c usando servidores Dell R730xd E5-2650 v4 que custam 9.000 euros por um centavo?

More articles:


All Articles