Get best of the week

大脑假体：人工和生物神经网络的同步



义肢的概念，即很久以来就存在尝试用人造类似物代替人体缺失部分的尝试。假肢的第一次提及可以在公元前1500年以后的记录中找到。这并不奇怪，因为最简单的义肢形式真的很简单，因此即使在那一天也可以人为地完成（记住海盗的钩子和木腿）。然而，假肢不仅仅限于表面上的健康问题。我们都知道人造关节，血管，阀门等。但是，即使这些隆起与大脑一部分的假体相比也算不上什么，因为大脑是人体最复杂的器官。今天，我们将与您会面一项研究，东京大学的科学家们在这项研究中找到了一种使真实神经元与人工神经元协同工作的方法。开发中涉及了哪些技术和技术，合成与生物学之间的关系如何有效，这项发现的实际应用是什么？科学家的一份报告将告诉我们这一点。走。


定期将人脑与计算机进行比较，这种比较是合理的。任何疾病或脑损伤都会直接影响大脑网络和电路的结构和功能特性，从而导致细胞死亡，突触丢失和轴突丢失。这样的过程削弱了本地信息处理及其在远程电路之间交换的能力，从而破坏了大脑中信息的分离和整合过程。顺理成章地需要解决这些问题。有些方法更侧重于修复-细胞再生，而另一些方法倾向于替代-缺失的“公路”假肢。目前正在开发的再生技术非常成功地应对了短距离的缺陷。但是，在失去大脑远处之间的交流时，由于重新编程和重建神经回路的复杂性，它们无能为力。

如果没有出现问题，则需要将其更换。据科学家称，近几十年来，当人工脉冲神经电路在本地能够实时接收和处理输入数据时，在神经假体的实现方面已取得了令人瞩目的进展。在这种情况下，可以在本地和远程提供输入数据。通过电和光遗传学刺激。

在神经形态工程学中，有许多技术变体可以创建脉冲神经网络（来自尖峰神经网络的SNN）和人工突触。神经诱导的SNN与它们的生物祖细胞非常不同，但是对于计算和开发人工智能非常有用。但是，仿神经SNN更成功地模仿了真实神经细胞的活动，并在加速或生物学（真实）的时间尺度上起作用。此SNN选项的缺点是可以以编程方式复制它，但实际上不起作用。相反，有些硬件SNN可以实时工作，功耗低并且是内置的。这样的特性对于创建混合系统（即混合系统）最有吸引力。用于神经修复。

硬件SNH15-21可以分为两类：模拟实现和数字实现。尽管功耗更高，但数字实现的优点是可定制且易于处理。

科学家们说，一切都很好，但是如果所有这些SNN系统都无法与实际的生物系统协同工作，那么它们就什么都不是了。在人造生物和生物之间建立联系尚未成功。

在他们的报告中，研究人员通过使用光遗传刺激BNN的模式对SNN进行动态编码，展示了在FPGA和生物神经网络（BNN）电路板上实现的硬件SNN的实时通信和信息传递的第一个操作实现。

使用SNN生成活动模式，然后将其实时编码为独特的蓝光模式-使用数字光处理（DLP）使用改进的视频投影仪将微投影到二维神经网络（培养物）上，使用数字光处理（DLP）生成的二进制图像（8x8像素）在多电极矩阵（MEA）上。使用腺相关病毒*（AAV）转导*

实验中使用的神经元以表达ChIEF27蛋白。
转导* -DNA从一种细胞转移到另一种细胞。
腺伴随病毒*是一种小型病毒，可​​感染人类细胞，但不会引起任何疾病，因此会导致较弱的免疫反应。
鉴于此过程的，神经元在刺激后用蓝色光激发，并同时使用MEA设备和钙成像（CCD照相机（从CCD他们的活动的记录一个电荷耦合器件）与电子倍增器被安装在显微镜）。

研究成果



第1张图片

实验装置（1A）由位于落射荧光显微镜周围的三个主要组件组成。


落射荧光显微镜的示意图。

安装的主要组件：
  • 在FPGA（现场可编程门阵列，即用户可编程门阵列）上运行的脉冲神经网络（1B）;
  • SNN-FPGA ( 1C);
  • , ChIEF-mCitrine ( hSyn), .



表1

为了模拟真实的生物神经网络的活动，SNN产生了以神经同步为特征的自发活动，具有使用皮质BNN（0.1至1 Hz）产生的相似特征（就持续时间，频率和募集神经元的数量而言）。

在12个实验中使用的四种不同的SNN（表1）由在FPGA（表2）中实现的100个Izhikevich神经元（80个兴奋性神经元和20个抑制性神经元）组成，并提供了网络同步（NS）的动态范围，范围从0.25开始高达1 Hz（表3）。


表2：FPGA资源LUT和FF是FPGA逻辑块的主要组成部分； LUTRAM和BRAM-内存技术； DSP（数字信号处理）-用于复杂数字计算（例如乘法）的电路。


表3：实验参数。对于每个实验，一次选择几个变量：四个SNN中的一个，神经元脉冲的阈值（N）和时间窗的持续时间（T），用于计算网络同步。

SNN产生的活动具有1毫秒的时间分辨率，当在时间间隔B中至少有64个神经元中的N个产生了脉冲时，就确定了NS。四个SNN代表了不同的活动，因为它们的神经元，突触和连接性参数在不同的实验中发生了变化。

自发的SNN活动被实时转换为8x8像素的二进制矩阵，其中每个矩阵元素都等于零（即不发光）（如果其对应的分配脉冲神经元没有开始）或一个（即发光） ）是否激活了神经元。

一旦确定了NS，就照亮了相应的变换图像。此外，基于SNN活动，网络同步检测器模块向刺激器设备创建了一个晶体管晶体管逻辑（TTL）信号，并形成了与8x8矩阵相对应的VGA图像的照明。

正如我们已经猜到的，安装的主要部分之一是视频投影仪系统。通过视频投影仪的VGA端口将作为SNN输出活动生成的8x8二进制图像转换为800x600像素图像，在该端口中使用了强大的蓝色LED代替了原来的灯。在800x600像素的中心部分显示8x8二进制矩阵（0 =黑色，1 =蓝色），其他所有像素均为零（黑色）

，视频投影仪的数字微镜设备（DMD）生成的图像通过附加的光路投射到落射荧光显微镜中。在相机和位于样品上方的滤镜立方体之间通过（1C）优化了DMD图像在显微镜端口上的焦点，以便可以通过10倍放大倍数投影显微镜视野中所有生成的图像，并具有足够的能力来触发表达ChIEF的神经元的动作电位。投影的DMD图像位于焦距为250 mm的镜头焦平面中，这使得将图像放大约14倍成为可能。

因此，尽管有一个人工神经网络和一种固定数据的方法。当然，该实验的下一个组成部分是BNN，即生物神经网络。

对于BNN，使用从21到28 DIV的神经培养（体外培养天数-“在玻璃杯中培养”天数，即在体外培养或培养皿中所用的天数）。使用标准（8x8）MEA *杯，电极间距离为200μm（2A），记录神经元活动。
MEA *（微电极阵列） -微电极阵列是一种设备，其中有数个（从数十到数千个）微电极，通过它们接收或发送神经信号。MEA是神经元和电子电路之间的神经接口。


2号图像

在7 DIV处转导了兴奋性和抑制性神经元（在hSyn启动子下）以表达ChIEF-mCitrine（2B）。在21 DIV时，整个神经元群体的表达率为70±13％。钙成像（2B）的结果是使用安装在显微镜上的EMCCD相机以800x800μm的视野放大10倍获得的，该视野大约等于4x4 MEA电极（2A）之间的空间。

投影的图像（即刺激）应用于相同的视野，但区域略小（2C）。

通过MEA数据采集系统执行各种设备的时间同步，其中来自60个电极中的每个电极的信号同时记录在TTL信号上，激活刺激协议，控制LED驱动器（打开和关闭蓝光）和相机接收的单帧信号。

应当注意，MEA系统在刺激激活之前，期间和之后（即，当激活SNN和BNN之间的潜在链接时）检测到BNN活性。


第3张图片

在研究过程中，进行了12个实验，每个实验都使用特定版本的SNN和其他参数来检测网络同步（表3），这被认为会增加每分钟时间的刺激次数。

由于参数的变化，SNN生成了具有不同频率范围（以刺激之间的间隔3A）和强度（100％刺激强度表示8x8矩阵的所有64平方均已打开3B）的不同输出数据（OUTPUT ）。

SNN的网络同步频率间隔已设置为[0.25; 1] Hz。这些值的如此精确的选择使得抵消刺激的任何重叠成为可能，因为刺激协议持续310毫秒，而皮质BNN产生的平均神经元同步在0.1和1 Hz之间。

考虑到INPUT对之间（SIP，4A）之间的相似性和OUTPUT对之间（SOP，4A）之间的相似性之间的相关性，对SNN和BNN之间的信息传递（信息传输产生的IT）进行了量化。4C）。


图4

底线是，当信息被传输时，BNN的两个相似的INPUT应该在BNN中调用两个相似的OUTPUT模式。

接下来，通过12个实验对信息传输进行了评估，这些实验使用不同的参数（网络响应的线性，平均频率/刺激强度等；5C - 5G）和不同的指标（通过提花系数测量夹带系数BNN和网络同步抑制系数，SIP） 。

图4A显示了一个代表性实验的INPUT亲和力矩阵，在此过程中，大约有200种刺激从SNN传递到BNN。

SOPs是根据BNN（4B）向量响应网络计算的。特别地，计算了在SNN刺激递送之后在时间窗T内每个电极记录的脉冲数。接下来，对于每个刺激，构造一个矢量网络特征（VNR，在4B的左侧），并计算代表SOP（4C）的矩阵。此外，还考虑了标量网络（SNR）对每个刺激的响应，该响应以VNR的总和计算（在4B右侧）。


图片编号5

首先，评估信噪比如何根据刺激强度变化。当检查刺激后的整个响应时间窗口（500毫秒）时，发现响应是模棱两可的：当仅考虑不超过最大值的1/8时，SNR与刺激强度近似呈线性关系，相关系数为0.70。在这样的阈值之上大致均匀地分布。类似地，当选择较短的响应时间（50毫秒）并且关注阈值低于最大值的1/6的NR时，NR和刺激强度之间的相关性为0.57。

因此，对于每个实验，都确定了最佳响应时间窗口T（从1到50 ms，5C - 5E）和最佳阈值响应网络（5C）。因此，可以最大化SNN与BNN之间的信息传递。在12个实验中的8个（5G）中获得了最佳的信息传输。

科学家们进一步研究了信息的传递与SNN刺激的强度和频率之间的关系，这些刺激和强度都是由自发的SNN网络同步形成的，该同步模仿了BNN中发生的刺激（下图）。


6号图片

信息的传递与平均刺激强度密切相关，并且显示出钟形曲线，它是平均刺激频率的函数，在0.56 Hz时达到最大值。

研究人员还注意到，在没有外部刺激的情况下，也可能发生自发的网络同步，因为他们进一步检查了BNN中的网络同步（NS）与信息传输之间的关系。 BNN中的自发NSs（在没有刺激的情况下，即当SNN与BNN之间的连接断开时）发生，平均频率为0.37±008 Hz。在NS抑制和信息传递之间也观察到高度相关性（图8）。


图片编号7

自发性NS抑制的量化为基本条件下（即禁用SNN和BNN时）自发NS BNN的频率与打开SNN和BNN之间的通信时自发性NS的频率之比。在存在来自SNN的刺激的情况下，自发的NS被认为是在最后一次刺激传递后至少500 ms出现的（图7）。


图8

总体结果表明，只有网络对刺激的线性响应才能实现信息传递。另外，在反应的早期，即在反应过程中，获得了最好的结果。从刺激开始的前一百毫秒内。

当刺激的频率约为0.56 Hz时，获得的信息传递的最大值，仅略高于生物神经网络的频率（0.37 Hz）。

根据该研究的作者，以上结果证实了以下理论，即BNN活动应被来自SNN的传入刺激强烈带走，以便可靠地以线性模式对其进行处理。

为了更详尽地了解这项研究的细微差别，我建议您研究一下科学家的报告和其他材料。

结语


这项研究在实践中证实了人工神经网络与真实神经网络之间的关系是完全可能的。当然，正如科学家们自己承认的那样，在实验中使用的数千个神经元中，只有数百个进入了同步模式。

将人工网络与生物网络进行比较非常困难。问题之一是自发性，这是真实生物神经网络固有的。神经元中的自发活动会引起同步活动，这与某个节律相对应，这可能会受到神经元之间的连接，这种连接中的神经元类型以及由于新的工作条件而适应和变化的能力的影响。换句话说，当神经网络创建这样一个复杂的同步系统时，有时很难预测，就像在混乱中创建顺序一样。

因此，为了实现人工和生物网络的同步，必须将人工调整为该节奏。在研究过程中，尽管需要进行几次失败的实验，但在这一难题上仍取得了良好的结果。

科学家的主要目标是开发能够成功替代大脑受损区域的神经假体。听起来很有未来感，让人想起电影《约翰尼·助记符》。但是，目标是崇高的，因此我想相信这项工作的作者将能够在将来成功地改善他们的发展。

谢谢朋友们的关注，保持好奇心，祝您工作愉快，朋友们！:)

一点广告：）


感谢您与我们在一起。你喜欢我们的文章吗？想看更多有趣的资料吗？通过下订单或向您的朋友推荐给开发人员的基于云的VPS，最低价格为4.99美元，这是我们为您发明的入门级服务器 的独特类似物：关于VPS（KVM）E5-2697 v3（6核）的全部真相10GB DDR4 480GB SSD 1Gbps从$ 19还是如何划分服务器？（RAID1和RAID10提供选件，最多24个内核和最大40GB DDR4）。

阿姆斯特丹的Equinix Tier IV数据中心的戴尔R730xd便宜2倍吗？仅在荷兰有2台Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100电视！戴尔R420-2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB-$ 99起！阅读有关如何构建基础设施大厦的信息。使用Dell R730xd E5-2650 v4服务器花费一欧元9000欧元的c类？

More articles:


All Articles