Войти
Компьютерное нейрогенетическое моделирование (CNGM) занимается изучением и разработкой динамических нейронных моделей для моделирования функций мозга по отношению к генам и динамических взаимодействий между генами. К ним относятся модели нейронных сетей и их интеграция с моделями генных сетей. Эта область объединяет знания из различных научных дисциплин, таких как компьютер и информатика, нейробиология и когнитивная наука, генетика. и молекулярная биология, а также инженерия.
Модели кинетики белков и ионных каналов связывают d с активностью нейрона представляют самый низкий уровень моделирования в вычислительной нейрогенетической модели. Измененная активность белков при некоторых заболеваниях, таких как белок бета-амилоид при болезни Альцгеймера, должна быть смоделирована на молекулярном уровне, чтобы точно предсказать влияние на познание. Ионные каналы, которые жизненно важны для распространения потенциалов действия, представляют собой еще одну молекулу, которую можно моделировать для более точного отражения биологических процессов. Например, чтобы точно смоделировать синаптическую пластичность (усиление или ослабление синапсов ) и память, необходимо смоделировать активность рецептора NMDA (NMDAR). Скорость, с которой рецептор NMDA пропускает ионы кальция в клетку в ответ на глутамат, является важным детерминантом долгосрочной потенциации за счет внедрения рецепторов AMPA (AMPAR) в плазматическую мембрану в синапсе постсинаптической клетки (клетка, которая получает нейротрансмиттеры от пресинаптической клетки).
Пример модель генной сети. Гены с G 1 по G 4 модифицируются либо ингибирующими сигналами, представленными столбиками и отрицательными коэффициентами, либо возбуждающими сигналами, представленными стрелками и положительными коэффициентами. Взаимодействия в числовом виде представлены матрицей справа: R.В большинстве моделей нейронных систем нейроны являются самой базовой моделируемой единицей. В компьютерном нейрогенетическом моделировании, чтобы лучше моделировать процессы, ответственные за синаптическую активность и связь, гены, отвечающие за нее, моделируются для каждого нейрона.
A регуляторной сети гена, регуляторной сети белка или регуляторной сети гена / белка, - это уровень обработки в вычислительной нейрогенетической модели, которая моделирует взаимодействия генов и белков, относящихся к синаптической активности и общим функциям клетки. Гены и белки моделируются как отдельные узлы, а взаимодействия, влияющие на ген, моделируются как возбуждающие (увеличивает экспрессию гена / белка) или ингибирующую (снижает экспрессию гена / белка) входы, которые взвешиваются для отражения эффекта ген или белок связан с другим геном или белком. Сети регуляции генов обычно разрабатываются с использованием данных из микрочипов.
Моделирование генов и белков позволяет индивидуальные ответы нейронов в искусственной нейронной сети, которые имитируют ответы в биологических нервных системах, такие как деление (добавление новых нейронов к искусственной нейронной сети). сеть), создание белков для расширения своей клеточной мембраны и стимулирования роста нейритов (и, следовательно, более сильных связей с другими нейронами), повышения или понижения регуляции рецепторов в синапсах (увеличения или уменьшения веса (силы) синаптических входов), поглощают больше нейротрансмиттеров, превращаются в нейроны разных типов или умирают из-за некроза или апоптоза. Создание и анализ этих сетей можно разделить на две под-области исследований: активация гена, которая участвует в нормальных функциях нейрона, таких как рост, метаболизм и синапс; и влияние мутировавших генов на нейроны и когнитивные функции.
A модель отдельного нейрона. Входные данные, от x 0 до x m, модифицируются входными весами от w 0 до w m, а затем объединяются в один вход, v k. Затем передаточная функция 
использует этот вход для определения выходных данных, y k.искусственная нейронная сеть обычно относится к любой вычислительной модели. который имитирует центральную нервную систему с такими возможностями, как обучение и распознавание образов. Что касается вычислительного нейрогенетического моделирования, то оно часто используется для обозначения моделей, специально разработанных для обеспечения биологической точности, а не вычислительной эффективности. Отдельные нейроны являются основной единицей искусственной нейронной сети, причем каждый нейрон действует как узел. Каждый узел получает взвешенные сигналы от других узлов, которые являются либо возбуждающим, либо тормозным. Чтобы определить выходной сигнал, передаточная функция (или функция активации ) оценивает сумму взвешенных сигналов и, в некоторых искусственных нейронных сетях, их скорость ввода. Вес сигналов усиливается (долговременная потенциация ) или ослабляется (длительная депрессия ) в зависимости от того, насколько синхронны скорости пресинаптической и постсинаптической активации (теория Хебба ).
Синаптическая активность отдельных нейронов моделируется с использованием уравнений для определения временного (а в некоторых случаях и пространственного) суммирования синаптических сигналов, мембранного потенциала, порога генерации потенциала действия, абсолютного и относительного рефрактерности. период, и, возможно, канал ионного рецептора кинетика и гауссов шум (для повышения биологической точности за счет включения случайных элементов). Помимо возможности подключения, некоторые типы искусственных нейронных сетей, такие как нейронные сети с пиками, также моделируют расстояние между нейронами и его влияние на синаптический вес (силу синаптической передачи).
Для параметров в гене регулирующая сеть, чтобы воздействовать на нейроны в искусственной нейронной сети, как задумано, между ними должна быть какая-то связь. В организационном контексте каждый узел (нейрон) в искусственной нейронной сети имеет свою собственную сеть регуляции генов, связанную с ним. Вес (а в некоторых сетях, частота синаптической передачи к узлу) и результирующий мембранный потенциал узла (включая то, вырабатывается ли потенциал действия или нет), влияют на экспрессию различных генов в сеть регуляции генов. Факторы, влияющие на связи между нейронами, такие как синаптическая пластичность, могут быть смоделированы путем ввода значений генов и белков, связанных с синаптической активностью, в функцию, которая повторно оценивает вес входного сигнала от конкретного нейрона в искусственная нейронная сеть.
Другие типы клеток, помимо нейронов, также могут быть смоделированы. Глиальные клетки, такие как астроглия и микроглия, а также эндотелиальные клетки могут быть включены в искусственную нейронную сеть. Это позволит моделировать заболевания, при которых патологические эффекты могут возникать не из нейронов, а из других источников, например, болезнь Альцгеймера.
Хотя обычно используется термин искусственная нейронная сеть в компьютерном нейрогенетическом моделировании для обозначения моделей центральной нервной системы, предназначенных для обеспечения биологической точности, общее использование этого термина может применяться и ко многим регуляторным сетям генов.
Искусственные нейронные сети, в зависимости от типа, могут или могут не учитывать синхронизацию входных данных. Те, которые это делают, такие как нейронные сети с пиками, срабатывают только тогда, когда объединенные входные данные достигают мембранного потенциала. Поскольку это имитирует возбуждение биологических нейронов, нейронные сети с импульсами рассматриваются как более биологически точная модель синаптической активности.
Для точного моделирования центральной нервной системы, сотворения и смерти нейронов также следует моделировать. Для этого часто используются конструктивные искусственные нейронные сети, которые могут расти или сокращаться, чтобы адаптироваться к входным данным. Развивающиеся коннекционистские системы представляют собой подтип конструктивных искусственных нейронных сетей (развивающиеся в данном случае относятся к изменению структуры своей нейронной сети, а не путем мутации и естественного отбора ).
И синаптическая передача, и взаимодействие генов с белками имеют стохастический характер по своей природе. Чтобы моделировать биологические нервные системы с большей точностью, в сеть часто вводят некоторую форму случайности. Искусственные нейронные сети, модифицированные в этот способ часто обозначается как вероятностные версии своего подтипа нейронной сети (например, p SNN ).
Нечеткая логика - это система рассуждений, которая позволяет искусственной нейронной сети имеют дело с не двоичными и лингвистическими переменными. Биологические данные часто невозможно обработать с помощью логики, и, более того, точное моделирование возможностей биологических нервных систем требует нечеткой логики. искусственный нерв Все сети, которые включают его, такие как развивающиеся нечеткие нейронные сети (EFuNN) или динамические развивающиеся системы нейронно-нечеткого вывода (DENFIS), часто используются в компьютерном нейрогенетическом моделировании. Использование нечеткой логики особенно актуально в сетях регуляции генов, поскольку для моделирования силы связывания белков часто требуются небинарные переменные.
Искусственные нейронные сети, предназначенные для моделирования Человеческий мозг требует способности изучать множество задач, которые не требуются для тех, кто предназначен для выполнения конкретной задачи. Контролируемое обучение - это механизм, с помощью которого искусственная нейронная сеть может обучаться, получая ряд входных данных с уже известным правильным выходом. Примером искусственной нейронной сети, использующей контролируемое обучение, является многослойный перцептрон (MLP). В обучении без учителя искусственная нейронная сеть обучается с использованием только входных данных. Обучение без учителя - это механизм обучения, с помощью которого обучается тип искусственной нейронной сети, известный как самоорганизующаяся карта (SOM). Некоторые типы искусственных нейронных сетей, такие как развивающиеся коннекционистские системы, могут обучаться как контролируемым, так и неконтролируемым образом.
И сети регуляции генов, и искусственные нейронные сети имеют две основные стратегии улучшения их точность. В обоих случаях выходные данные сети сравниваются с известными биологическими данными с использованием некоторой функции, а последующие улучшения вносятся путем изменения структуры сети. Обычным тестом точности для искусственных нейронных сетей является сравнение некоторых параметров модели с данными, полученными из биологических нейронных систем, например, из ЭЭГ. В случае записи ЭЭГ берется потенциал локального поля (LFP) искусственной нейронной сети и сравнивается с данными ЭЭГ, полученными от пациентов-людей. (RIR) и быстрое преобразование Фурье (FFT) ЭЭГ сравнивается с теми, которые генерируются искусственными нейронными сетями, чтобы определить точность модели.
Воспроизвести media Пример модели, уточняемой последовательными поколениями с использованием генетического алгоритма, чтобы соответствовать экспериментальным данным. Потому что количества данных о взаимодействии генов и нейронов и их эффектах недостаточно для построения строгого модели, эволюционные вычисления используются для оптимизации искусственных нейронных сетей и сетей регуляции генов, распространенным методом является генетический алгоритм. Генетический алгоритм - это процесс, который можно использовать для уточнения моделей, имитируя процесс естественного отбора, наблюдаемый в биологических экосистемах. Основные преимущества заключаются в том, что из-за того, что не требуется производная информация, ее можно применять к проблемам черного ящика и мультимодальной оптимизации. Типичный процесс использования генетических алгоритмов для уточнения сети регуляции генов: во-первых, создание популяции; затем создать потомство с помощью операции кроссовера и оценить их приспособленность; затем в группе, выбранной для высокой приспособленности, смоделировать мутацию с помощью оператора мутации; наконец, взяв мутировавшую группу, повторите этот процесс до тех пор, пока не будет продемонстрирован желаемый уровень приспособленности.
Были разработаны методы, с помощью которых искусственные нейронные сети могут изменять свою структуру без имитации мутации и отбора пригодности. динамически развивающаяся нейронная сеть - это один из подходов, поскольку создание новых соединений и новых нейронов можно моделировать по мере того, как система адаптируется к новым данным. Это позволяет сети развивать точность моделирования без имитации естественного отбора. Один метод, с помощью которого можно оптимизировать динамически развивающиеся сети, называемый агрегацией нейронов развивающегося слоя, объединяет нейроны с достаточно схожими входными весами в один нейрон. Это может происходить во время обучения сети, называемого онлайн-агрегированием, или между периодами обучения, называемого автономным агрегированием. Эксперименты показали, что автономная агрегация более эффективна.
Для точных вычислительных нейрогенетических моделей было предложено множество потенциальных приложений, таких как моделирование генетических заболеваний, изучение воздействия потенциальных методов лечения, лучшее понимание обучения и познания, а также разработка оборудования, способного взаимодействовать с нейронами.
Моделирование болезненных состояний представляет особый интерес, поскольку моделирование как нейронов, так и их генов и белков позволяет связать генетические мутации и белок отклонения от патологического воздействия на центральную нервную систему. Среди заболеваний, которые, как предполагается, могут быть мишенями компьютерного нейрогенетического моделирования, являются эпилепсия, шизофрения, умственная отсталость, старение мозга и болезнь Альцгеймера, а также болезнь Паркинсона.
