باز کردن چشم بلافاصله درک بصری از جهان را فراهم می کند – و به نظر می رسد بسیار آسان است. اما فرایندی که با برخورد فوتونها به شبکیه شروع می شود و با دیدن آن به پایان می رسد بسیار پیچیده است. وظیفه اساسی مغز در “دیدن”، بازسازی اطلاعات مربوط به جهان از نور است که به چشم می خورد. از آنجا که این روند کاملاً پیچیده است، سلولهای عصبی در مغز نیز به روشهای پیچیده ای به تصاویر واکنش نشان می دهند.
رویکردهای تجربی برای توصیف پاسخ نورون ها به تصاویر تا حدودی چالش برانگیز بوده اند. زیرا تعداد تصاویر ممکن، بی پایان است.
محققان دانشکده پزشکی Baylor و دانشگاه Tübingen در آلمان اکنون یک روش جدید محاسباتی را برای تسریع در یافتن این محرکهای بهینه توسعه داده اند. آنها شبکه های عصبی مصنوعی عمیقی ساخته اند که می توانند پاسخ های عصبی تولید شده توسط یک مغز بیولوژیکی به محرک های بصری دلخواه را با دقت پیش بینی کنند.
این شبکه ها را می توان به عنوان یک “نماد مجازی” از جمعیت سلولهای عصبی بیولوژیکی تصور کرد که می توانند برای جدا کردن مکانیسم های عصبی حسی، استفاده شوند. آنها این کار را با ترکیب تصاویر جدید نشان داده اند که باعث شده نورون های خاصی به شدت پاسخ دهند.
مطالعه آنها اخیرا در مجله Nature Neuroscience منتشر شد.
وی توضیح داد: “ما می خواهیم درک کنیم که چگونه این چشم انداز کار می کند. ما با توسعه یک شبکه عصبی مصنوعی که فعالیت عصبی تولید شده هنگام مشاهده تصاویر ایجاد میشود، به این مطالعه نزدیک شدیم. اگر بتوانیم چنین نمایی از سیستم تصویری بسازیم، می توانیم آزمایش های کاملاً نامحدودی انجام دهیم. “ما می توانیم دوباره به عقب برگردیم و در مغز واقعی آزمایش کنیم.
محققان برای یادگیری اینکه چگونه نورونها پاسخ می دهند، ابتدا مقدار زیادی از فعالیتهای مغزی را با استفاده از مزوسکوپ، میکروسکوپ تصویربرداری کاربردی در مقیاس بزرگ، که اخیراً ساخته شده است، ثبت کردند.
دکتر Edgar Y. Walker دانشمند، خاطرنشان می کند “ابتدا ما به موش ها در حدود 5،000 تصویر طبیعی نشان دادیم و فعالیت عصبی را از هزاران نورون ضبط می کردیم.”سپس، ما از این تصاویر و ضبط های مربوط به فعالیت مغز برای آموزش یک شبکه عصبی مصنوعی عمیق استفاده کردیم تا نحوه واکنش نورون های واقعی به محرک های بینایی را نشان دهیم.”
وی ادامه داد: “برای آزمایش اینکه آیا شبکه واقعاً آموخته است که پاسخ های عصبی به تصاویر بصری مانند یک مغز موش زنده را انجام دهد، ما تصاویر شبکه ای را که هنگام یادگیری ندیده بود نشان دادیم و دیدیم که پاسخ های عصبی بیولوژیکی را با دقت بالایی پیش بینی می کند.”
Tolias ، بنیانگذار و مدیر مرکز علوم اعصاب و هوش مصنوعی در Baylor اذعان داشت: “توسط آزمایش با این شبکه ها جنبه هایی از دید را نشان دادیم که انتظار نداشتیم.” “به عنوان مثال، ما دریافتیم که محرک بهینه برای برخی از سلولهای عصبی در مراحل اولیه پردازش در نئوکورتکس، checkerboards است.
وی بیان کرد: “ما فکر می کنیم که این چارچوب، مناسب برای شبکه های عصبی مصنوعی بسیار دقیق، انجام آزمایش های محاسباتی بر روی آنها و تأیید پیش بینی های حاصل از آزمایش های فیزیولوژیکی، می تواند مورد استفاده قرار گیرد تا بررسی شود که نورون ها چگونه اطلاعات را در سراسر مغز نشان می دهند. این در نهایت ایده بهتری را برای ما رقم می زند.
“چگونه فرآیندهای پیچیده عصبی در مغز به ما اجازه می دهد تا ببینیم. “
برای اطلاعات بیشتر به موسسه سلامت مغز دانا مراجعه کنید.
منبع:
Inception loops discover what excites neurons most using deep predictive models. Nature Neuroscience
درباره نویسنده
دکتر علی محمد کمالی فارغ التحصیل دکترای تخصصی علوم اعصاب از دانشگاه علوم پزشکی شیراز، بیش از 15 سال است که در زمینه پژوهش، تدریس و فعالیت های اجرایی در حوزه علوم اعصاب فعالیت و تجربه دارد. وی همچنین در ارتقا عملکرد های شناختی با استفاده از نوروتکنولوژی و مطالعات خواب تخصص ویژه ای دارد. او یکی از بنیانگذاران انستیتو سلامت مغز دانا است، (گروهی که سلامت مغز را اولویت جامعه می داند).