محققان با هماهنگ سازی ساختار شبکه های عصبی و زمان بندی پالس های الکتریکی، مدلی ارائه داده اند که بازدهی پردازش اطلاعات را افزایش داده و دقت پیش بینی هوش با زمان بندی مغز را بهبود می بخشد.
یه مطالعه جدید نشون می ده که مغز با هماهنگ کردن سیم کشی فیزیکی شبکه های عصبی با سرعت های متغیر فعالیت های محلی، اطلاعات رو با بازدهی بالایی پردازش می کنه. این تحقیق که در Nature Communications منتشر شده، یه چارچوب ریاضی ارائه می ده که اتصالات ساختاری مغز رو با زمان بندی پالس های الکتریکی اون هم راستا می کنه. یافته ها نشون می دن مدل هایی که این سرعت های داخلی متفاوت رو در نظر می گیرن، نسبت به روش های سنتی، بهتر می تونن پیش بینی هوش با زمان بندی مغز و توانایی های شناختی افراد رو انجام بدن.
پیش بینی هوش با زمان بندی مغز؛ کشف ارتباط ساختار و عملکرد
برای درک این مطالعه، اول باید مفهوم «کانکتوم» (Connectome) رو درک کنیم. مغز انسان از میلیاردها نورون تشکیل شده که با یه شبکه متراکم از فیبرهای ماده سفید به هم متصل شدن. عصب شناس ها به این نقشه جامع از اتصالات عصبی، کانکتوم می گن. این ساختار فیزیکی مثل یه سیستم بزرگراهی عمل می کنه که فعالیت های مغزی روی اون حرکت می کنن. در حالی که این ساختار نسبتا ثابته، فعالیت های درون اون پویا و مدام در حال تغییره.
همه نواحی مغز با یه سرعت واحد کار نمی کنن. بعضی جاها، مثل اون هایی که مسئول پردازش بینایی و شنوایی هستن، باید تقریبا بلافاصله به محرک های ورودی واکنش نشون بدن. بقیه نواحی، مخصوصا اون هایی که درگیر تفکر پیچیده و تصمیم گیری هستن، اطلاعات رو در دوره های طولانی تری ترکیب و پردازش می کنن. این سرعت های خاص به عنوان «مقیاس های زمانی عصبی ذاتی» شناخته می شن.
مهندس ها و ریاضی دان ها اغلب از چارچوبی به اسم «نظریه کنترل شبکه» برای مطالعه سیستم های پیچیده استفاده می کنن. این رویکرد مدل سازی می کنه که چطور یه سیستم بر اساس اتصالات و ورودی هاش از یه حالت به حالت دیگه می ره. عصب شناس ها این نظریه رو برای مدل سازی نحوه تغییر الگوهای فعالیت مغز تطبیق دادن. یه محدودیت همیشگی در این زمینه، این فرض بوده که همه نواحی مغز با سرعت یکسانی کار می کنن.
مدل های استاندارد معمولا یه ثابت زمانی یکنواخت رو به هر گره در شبکه اختصاص می دن. این ساده سازی محاسبات ریاضی رو راحت تر می کنه اما واقعیت بیولوژیکی رو نشون نمی ده. جیسون زد. کیم (Jason Z. Kim) از دانشگاه کورنل و لیندن پارکز (Linden Parkes) از دانشگاه راتگرز سعی کردن این تفاوت رو اصلاح کنن. اونا به همراه همکاراشون مدل جدیدی رو توسعه دادن که مقیاس زمانی خاص هر ناحیه مغز رو بر اساس رفتارش استخراج می کنه، که در نهایت به بهبود پیش بینی هوش با زمان بندی مغز کمک می کند.
محقق ها فرض کردن که مدلی با مقیاس های زمانی متغیر، تصویر دقیق تری از عملکرد مغز ارائه می ده. اونا از داده های «پروژه کانکتوم انسانی» استفاده کردن که شامل اسکن مغزی صدها جوونه. تیم تحقیق از تصویربرداری تشدید مغناطیسی عملکردی (fMRI) برای مشاهده تغییر الگوهای فعالیت مغز در طول زمان استفاده کردن. اونا همچنین از تصویربرداری پخش وزنی برای نقشه برداری از اتصالات ساختاری ماده سفید همون افراد استفاده کردن.
تیم یه الگوریتم طراحی کرد تا نرخ های زوال داخلی نواحی مختلف مغز رو «یاد بگیره». در این متن، نرخ زوال نشون دهنده اینه که یه انفجار فعالیت با چه سرعتی در یه ناحیه خاص محو می شه. زوال سریع تر به معنی مقیاس زمانی کوتاه تره، در حالی که زوال کندتر نشون دهنده پنجره طولانی تری برای پردازش اطلاعاته. الگوریتم این نرخ ها رو تا زمانی تنظیم کرد که مدل بتونه انتقال از یه حالت مغزی به حالت دیگه رو به دقت شبیه سازی کنه.
یکی از معیارهای اصلی که محقق ها بررسی کردن، «انرژی کنترل» بود. در نظریه کنترل، انرژی نشون دهنده مقدار ورودی مورد نیاز برای هدایت یه سیستم از یه نقطه شروع به یه نقطه پایان مطلوبه. یه سیستم با بازدهی بالا برای رسیدن به یه انتقال، به انرژی کنترل کمتری نیاز داره. محقق ها متوجه شدن که مدل بهینه سازی شده اونا نسبت به مدل استاندارد و یکنواخت، به طور مداوم انرژی کمتری نیاز داره.
این کاهش در مصرف انرژی نشون می ده که مغز به طور طبیعی طوری سیم کشی شده که از این مقیاس های زمانی متنوع بهره ببره. با هماهنگ کردن سرعت پردازش محلی با ساختار شبکه جهانی، مغز هزینه متابولیک فکر کردن و واکنش نشون دادن رو به حداقل می رسونه. محقق ها این یافته رو با مقایسه نتایج شون با مدل های تصادفی تایید کردن. اونا فهمیدن که صرفه جویی در انرژی مختص آناتومی واقعی مغز انسانه.
این مطالعه همچنین نشون داد که این بهینه سازی اجازه می ده مغز با ورودی های کمتری کنترل بشه. در مدل یکنواخت، یه شبیه سازی ممکنه برای هدایت موفقیت آمیز حالت مغز به ورودی هایی در تقریبا تمام نواحی نیاز داشته باشه. مدل بهینه سازی شده همون انتقال ها رو با تحریک زیرمجموعه خیلی کوچک تری از نواحی انجام داد. این یافته کاربردهای بالقوه ای در درک چگونگی تاثیر سیگنال های عصبی موضعی بر حالت های کلی مغز و پیش بینی هوش با زمان بندی مغز داره.
برای تایید اینکه مقادیر ریاضی اون ها با واقعیت بیولوژیکی مطابقت داره، نویسنده ها مقیاس های زمانی مدل شون رو با نقشه های بیان ژن مقایسه کردن. اونا از «اطلس مغز انسان آلن» استفاده کردن؛ یه مجموعه داده دقیق که نشون می ده کدوم ژن ها در بخش های مختلف قشر مغز فعال هستن. محقق ها به طور خاص روی ژن های مربوط به اینترنورون های بازدارنده تمرکز کردن، که سلول هایی هستن که زمان بندی شلیک های عصبی رو تنظیم می کنن.
دو نشانگر خاص از سلول های بازدارنده، یعنی سوماتواستاتین (Somatostatin) و پاروالبومین (Parvalbumin)، الگوهای متمایزی رو در سراسر مغز نشون می دن. سلول های بیان کننده پاروالبومین معمولا با سیگنال دهی سریع و پردازش حسی مرتبط هستن. سلول های بیان کننده سوماتواستاتین با فرآیندهای تنظیمی کندتر در ارتباطن. محقق ها همبستگی قوی ای بین مقیاس های زمانی مبتنی بر مدل و تراکم این نشانگرهای مولکولی پیدا کردن.
نواحی ای که مدل به عنوان مقیاس زمانی سریع شناسایی کرده بود، بیان بالاتری از ژن های مرتبط با پاروالبومین رو نشون دادن. برعکس، نواحی با مقیاس زمانی کند در مدل، غنی از ژن های مرتبط با سوماتواستاتین بودن. این اعتبار سنجی بیولوژیکی نشون می ده که بهینه سازی ریاضی با موفقیت معماری سلولی زیربنایی قشر مغز رو ثبت کرده. مدل این مقادیر رو صرفا از داده های تصویربرداری و بدون دانش قبلی از نقشه های ژنی به دست آورده.
تیم همچنین بررسی کرد که آیا این یافته ها در گونه های دیگه هم درسته یا نه. اونا همون رویکرد مدل سازی رو برای داده های اتصالی با وضوح بالا در موش ها به کار بردن. نتایج مشابه نتایج انسانی بود. مدل موش هم بهبودهای مشابهی رو در بازدهی انرژی نشون داد و همون همبستگی ها رو با نشانگرهای سلول های بازدارنده داشت. این سازگاری بین گونه ای نشون می ده که هماهنگی بین اتصالات ساختاری و مقیاس های زمانی عصبی، یه اصل اساسی در سازماندهی مغزه. به نظر می رسه تکامل این معماری کارآمد رو حفظ کرده. این هماهنگی برای عملکرد مغز پستانداران و پیش بینی هوش با زمان بندی مغز ضروری است.
فراتر از اصول کلی بیولوژیکی، محقق ها بررسی کردن که آیا مدل شون می تونه تفاوت های فردی در انسان ها رو توضیح بده یا نه. اونا مدل بهینه سازی شده شون رو با اسکن های مغزی خاص هر شرکت کننده در مطالعه تطبیق دادن. این کار یه مجموعه منحصربه فرد از مقیاس های زمانی برای هر فرد ایجاد کرد. بعدش تیم بررسی کرد که این مدل های شخصی سازی شده چقدر با فعالیت واقعی مغز شرکت کننده ها در زمان استراحت همخونی دارن.
شرکت کننده هایی که مقیاس های زمانی ذاتی شون با اتصالات ساختاری شون هماهنگ تر بود، تمایل داشتن دفعات بیشتری بین حالت های مختلف مغزی جابجا بشن. این نشون می ده که یه مغز خوب تنظیم شده، پویا تر و منعطف تره. محقق ها بعدش سراغ یه تمرین مدل سازی پیش بینی کننده رفتن. اونا سعی کردن نمرات شرکت کننده ها رو در تست های شناختی مختلف بر اساس ویژگی های مدل های مغزی شون پیش بینی کنن.
مدل بهینه سازی شده در پیش بینی هوش با زمان بندی مغز و رفتار شناختی عملکرد بهتری نسبت به مدل استاندارد یکنواخت داشت. ویژگی های به دست اومده از مدل با مقیاس زمانی متغیر، همبستگی های قوی تری با عملکرد در کارهایی داشت که شامل هوش سیال و جهت یابی فضایی بودن. این نشون می ده که تفاوت های جزئی در سرعت عملکرد نواحی مختلف مغز، برای شناخت رده بالاتر اهمیت داره.
نویسنده ها به چندین محدودیت در کارشون اشاره کردن. این مطالعه به تصویربرداری تشدید مغناطیسی متکی بود که در وضوح زمانی محدودیت هایی داره. فعالیت عصبی در مرتبه میلی ثانیه اتفاق می افته، در حالی که داده های تصویربرداری تغییرات رو در حد ثانیه ثبت می کنن. در نتیجه، مدل احتمالا یه تقریب هموار شده از دینامیک واقعی عصبی رو ثبت می کنه، که می تواند دقت پیش بینی هوش با زمان بندی مغز را تحت تاثیر قرار دهد.
علاوه بر این، نقشه های ساختاری استفاده شده در مطالعه نمی تونن جهت جریان اطلاعات در فیبرهای عصبی رو تشخیص بدن. محقق ها مجبور بودن برای داده های انسانی اتصالات دوطرفه رو فرض کنن، که ساده سازی بیولوژی واقعیه. با این حال، تکرار موفقیت آمیز در مجموعه داده های موش، که از داده های اتصالی جهت دار استفاده می کرد، تا حدی این نگرانی رو برطرف می کنه.</
Fascinating new neuroscience model predicts intelligence by mapping the brain’s internal clocks
