Nedavni tehnološki napredak otvorio je uzbudljive mogućnosti za neuronauku, omogućavajući prikupljanje sve detaljnijih neuronskih podataka. Međutim, davanje smisla velikog broja neuronskih snimaka koje su sakupili neuronaučnici širom sveta, do sada se pokazalo izazovnijim.
Istraživači sa medicinskog instituta Hauard Hjuz (HHMI) Janelia Research Campus razvili su Rastermap, novi računarski metod koji bi mogao da pomogne da se bolje vizuelizuju snimci prikupljeni sa više neurona odjednom. Ova metoda, opisana u radu objavljenom u Nature Neuroscience, prvobitno je primenjena na snimke prikupljene iz korteksa miša i majmuna, hipokampusa pacova, mozga zebrice, pa čak i veštačkih neurona iz neuronskih mreža.
„Pre otprilike 10 godina, počeli smo da imamo pristup mnogo većim skupovima podataka od stotina, hiljada, a ponekad i desetina hiljada istovremeno snimljenih neurona“, rekao je Marius Pachitariu, stariji autor rada, za Medical Kspress.
„Ovo je bilo motivisano shvatanjem da moramo da posmatramo mnoge neurone kako ‘rade zajedno’ u isto vreme u kolu da bismo zaista razumeli neke od osnovnih karakteristika neuronskog računanja. Inženjeri su radili sa neuronaučnicima kako bi stvorili vrste uređaja za snimanje koji mogu nadgledaju neuronsku aktivnost na ovaj način, a stručnjaci za računarstvo su kreirali alate za obradu ovih ogromnih količina podataka.“
Interdisciplinarna saradnja između neuronaučnika i inženjera dovela je do prikupljanja bezbrojnih neuronskih snimaka, u kojima se aktivnost mnogih neurona često otkriva istovremeno. U ovim snimcima, svaki pojedinačni neuron ima svoje posebne obrasce aktivnosti koji se razvijaju tokom vremena, obično se sastoje od desetina hiljada tačaka podataka po neuronu.
„Na ovim snimcima svaki neuron predstavlja dimenziju neuronske aktivnosti u neuronskom prostoru, a kada imate 10.000 neurona imate 10.000 dimenzija“, objasnio je Pachitariu. „Problem je što nismo baš dobri u vizuelizaciji neuronske aktivnosti u tako visokodimenzionalnim prostorima. To je bila motivacija za kreiranje Rastermapa.“
Ključni cilj nedavne studije Pachitariua i njegovih kolega bio je da razviju metod vizualizacije koji omogućava neuronaučnicima da lako proizvedu crteže poznatog izgleda (tj. rasterske dijagrame), koji jasno mapiraju velike količine podataka sa više neurona. Metoda koju su razvili, nazvana Rastermap, prvenstveno se oslanja na algoritam za naručivanje.
„Pretpostavimo da imate 20 čunjeva i da ih morate naručiti na osnovu sličnosti“, rekao je Pachitariu. „Prvo možete primetiti da su različitih veličina, pa ih naručite na osnovu toga.
„Dovoljno lako, ali onda primetite da su i one različite nasumične boje, a takođe bi izgledale lepo poredane po boji. Dakle, malo prilagodite redosled da biste stavili više sličnih boja jednu pored druge, ali onda shvatite da su i one takođe imaju malo drugačije oblike (npr. neki su ravniji, a neki šiljati) i zaista želite da i to uzmete u obzir, pa dalje menjate redosled.
„Sada, umesto 20 čunjeva sa svojstvima veličine, boje i odnosa širine i visine, imamo 50.000 neurona sa apstraktnijim svojstvima, poput brzine pucanja, odgovora na spoljašnje stimuluse, korelacije sa pokretima životinje itd.
Rastermap uzima svojstva pojedinačnih neurona i pokušava da ih uredi na način koji ima smisla. Njegov osnovni algoritam obrađuje podatke slično kao što bi ljudi naručili čunjeve u gore pomenutoj analogiji. Počevši od slučajnog redosleda, algoritam neprekidno pomera neurone okolo, postavljajući ih bliže drugim neuronima sa sličnim obrascima aktivnosti.
„Rastermap nastavlja ovaj proces za veoma mnogo iteracija, koristeći malo pametne algoritme, i na kraju imate lep redosled“, rekao je Pachitariu. „Konačno, ono što radimo sa ovim redosledom je ono što je najvažnije: koristimo redosled da prikažemo stope pokretanja neurona u matrici, gde smo uzeli trag pokretanja svakog neurona kao funkciju vremena (dugački horizontalni trag kroz matricu za svaki neuron) i pomerali smo ih prema redosledu, tako da su neuroni sa sličnim tragovima jedan pored drugog.“
Na kraju, Rastermap proizvodi urednu grafiku, gde su grupe neurona sa sličnim profilima aktivnosti postavljene jedna pored druge. Ovo omogućava istraživačima da brzo shvate guste i opsežne neuronske podatke, što zauzvrat može dovesti do novih zanimljivih otkrića.
„Naš metod vizuelizacije dobro funkcioniše jer neuroni u mozgu nisu potpuno nezavisni jedan od drugog: dele određene obrasce aktivnosti, ali često obrasci koje dele nisu sa njihovim najbližim neuronima u tkivu, već sa neuronima koji su relativno udaljeni od njih. slučajno imaju slične aktivnosti“, rekao je Pachitariu.
„Takođe dobro funkcioniše jer su pojedinačni neuroni obično prilično bučni, tako da vam samo gledanje jednog od njih u izolaciji zapravo ne omogućava da ‘vidite’ odgovore na određeni stimulus ili ponašanje, ali kada imate 20-50 ovih neurona sa sličnim obrascima, njihov prosek je mnogo lakše videti na osnovu jednog pokušaja.
Kao deo svog nedavnog rada, Pachitariu i njegove kolege su koristili svoj metod da vizualizuju podatke prikupljene u prošlim studijama, uključujući istovremene snimke više neurona u korteksu miša, kao i neurone snimljene u celom mozgu zebrice.
U oba ova slučaja, Rastermap je izgleda predstavio prethodno objavljene rezultate na jasniji i vizuelno privlačniji način. Istraživači su takođe počeli da koriste Rastermap u drugim studijama sprovedenim u njihovoj laboratoriji, koje su dale nove zanimljive rezultate.
„Mislimo da će Rastermap postati sve korisniji jer naučnici beleže sve više neurona, što će se sigurno dogoditi“, rekao je Pachitariu. „Nadamo se da će podržati pristup nauci zasnovan na otkrićima, koji je tradicionalno bio snažan pokretač napretka u neuronauci, jednostavno zato što često ne znamo koja svojstva neurona treba da tražimo, a nailazimo na zanimljiva neuronska svojstva uglavnom slučajno. .
„Rastermap vam daje priliku da uradite takvu vrstu istraživanja u eri velikih neuronskih snimaka.
Novi metod vizuelizacije koji je uveo ovaj tim istraživača uskoro bi mogli da koriste drugi neuronaučnici širom sveta da bi dobili smisao za velike skupove podataka koji prate aktivnost nekoliko neurona istovremeno. Ovo bi moglo pomoći da se stekne novi uvid o funkciji specifičnih neurona, kao i o vezama između različitih delova mozga.
„Možda jednog dana, kada snimci velikih razmera stignu u klinička okruženja, Rastermap bi mogao da omogući naučnicima da čitaju i tumače obrasce neuronske aktivnosti u ljudskim mozgovima, na primer, kako bi stvari poput BCI bile efikasnije i lakše interpretirane“, rekao je Pachitariu.
Nadovezujući se na svoje nedavne napore, Pachitariu i njegove kolege sada rade na razvoju više tehnika vizualizacije koje bi mogle unaprediti istraživanje neuronauke. Istovremeno, oni testiraju metode koje su razvili u saradnji sa neuronaučnicima i medicinskim istraživačima u HHMI Janelia Research Campusu.
„Da citiram nedavnog nobelovca: baviti se 14-dimenzionalnim prostorima (ili mnogo većim), vizualizovati (u svojoj glavi) trodimenzionalni prostor i reći 14 sebi zaista glasno“, dodao je Pačitariju. „Ovo je još mnogo teže kada treba da vizualizujete prostor od 50.000 dimenzija, tako da su nam potrebne metode da se protežu od prostora koje ne možemo intuitivno da vizualizujemo do prostora koje možemo.
„I moramo da se uverimo da ne ‘izbacimo bebu sa vodom za kupanje’ tako da kažemo kada radimo ova pojednostavljenja, jer je najlakši način da pojednostavimo da jednostavno izbacimo većinu vaših podataka. To je ono što PCA radi da neuralni podaci, na primer, je jednostavan i popularan algoritam za smanjenje dimenzionalnosti, ali verovatno treba da idemo dalje od toga.“