Eine neue auf arXiv veröffentlichte Studie zeigt, dass Standardansätze zur Ableitung der Gehirnkonnektivität aus neuronalen Aufzeichnungen oft falsche Strukturen erkennen. Forscher der University of Washington und des Allen Institute entwickelten eine Methode, die kontinuierliche normalisierende Flüsse (CNFs) und maximale Entropie verwendet, um Verteilungen über Verbindungsgewichte zu lernen, die maximal unvoreingenommen sind.
Die Forschung
Timothy Doyeon Kim und Kollegen machten es sich zur Aufgabe, das Degenerationsproblem bei der Ableitung von Konnektivität aus Populationsaufzeichnungen zu lösen: Mehrere Konnektivitätsstrukturen können identische neuronale Dynamiken erzeugen. Unter Verwendung von Low-Rank-rekurrenten neuronalen Netzen (lrRNNs) charakterisierten sie zunächst Bedingungen, unter denen eine eindeutige Konnektivitätsstruktur existiert. Dann entwickelten sie einen Inferenzrahmen, der anstelle einer einzelnen Konnektivitätsmatrix eine Verteilung über Verbindungsgewichte lernt. Diese Verteilung wird mittels Flow Matching trainiert, um beobachtete Dynamiken zu reproduzieren, während sie hinsichtlich nicht identifizierbarer Komponenten maximal unvoreingenommen ist. Die Methode erfasste schwer-tailed Konnektivitätsverteilungen, wie sie in empirischen Daten vorkommen. Das Team validierte ihren Ansatz an synthetischen Datensätzen mit multistabilen Attraktoren, Grenzzyklen und Ringattraktoren und wandte ihn auf Aufzeichnungen aus dem Frontalkortex von Ratten während Entscheidungsaufgaben an. Der Rahmen verlagert die Schaltungsinferenz von der Wiederherstellung einer einzelnen Konnektivitätsmatrix hin zur Identifizierung, welche Konnektivitätsstrukturen rechnerisch erforderlich sind.
Warum es wichtig ist
Zu verstehen, wie Neuronen verbunden sind, ist grundlegend für die Erklärung der Kognition. Diese Arbeit zeigt, dass die Annahme eines einzelnen „Verdrahtungsplans“ aus Gehirnaufzeichnungen irreführend sein kann. Durch das Lernen einer Verteilung möglicher Verbindungen können Forscher unterscheiden, welche Merkmale für die Funktion wesentlich und welche Artefakte einer unterbestimmten Inferenz sind. Für alle, die daran interessiert sind, wie ihr Gehirn funktioniert, bedeutet dies, dass zukünftige Gehirn-Computer-Schnittstellen und kognitives Training auf genaueren Modellen neuronaler Berechnung basieren könnten.
Was Sie tun können
Bleiben Sie neugierig, wie Neurowissenschaftler die Gehirnaktivität entschlüsseln. Auch wenn Sie diese Methode nicht zu Hause anwenden können, können Sie Ihre eigenen kognitiven Fähigkeiten mit evidenzbasierten Rätseln und Tests trainieren. Verstehen Sie, dass die Konnektivität Ihres Gehirns dynamisch ist und durch Erfahrung geformt wird – sich auf neuartiges Lernen einzulassen, kann nützliche Schaltkreise stärken.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder versuchen Sie 306 Gehirntrainingslevel.
