Hesaplamalı nörojenetik modelleme - Computational neurogenetic modeling
Hesaplamalı nörojenetik modelleme (CNGM) , genler ve genler arasındaki dinamik etkileşimlere göre beyin fonksiyonlarının modellenmesi için dinamik nöronal modellerin incelenmesi ve geliştirilmesi ile ilgilidir . Bunlar, sinir ağı modellerini ve bunların gen ağı modelleriyle entegrasyonunu içerir. Bu alan, bilgisayar ve bilgi bilimi , sinirbilim ve bilişsel bilim , genetik ve moleküler biyoloji ve mühendislik gibi çeşitli bilimsel disiplinlerden bilgileri bir araya getirir .
İşleme seviyeleri
Moleküler kinetik
Modelleri kinetik protein ve iyon kanalları ile bağlantılı nöron aktivitesi, bir hesaplama nörogenetik modelinde modelleme düşük seviyesini temsil etmektedir. Alzheimer hastalığında amiloid beta proteini gibi bazı hastalıklarda proteinlerin değişen aktivitesi , biliş üzerindeki etkiyi doğru bir şekilde tahmin etmek için moleküler düzeyde modellenmelidir. Aksiyon potansiyellerinin yayılması için hayati öneme sahip olan iyon kanalları, biyolojik süreçleri daha doğru yansıtacak şekilde modellenebilecek başka bir moleküldür. Örneğin, sinaptik plastisiteyi ( sinapsların güçlendirilmesi veya zayıflaması ) ve hafızayı doğru bir şekilde modellemek için NMDA reseptörünün (NMDAR) aktivitesini modellemek gerekir . NMDA reseptörünün Glutamat'a yanıt olarak Kalsiyum iyonlarının hücreye girmesine izin verme hızı , postsinaptik hücrenin (hücre) sinapsında AMPA reseptörlerinin (AMPAR) plazma zarına sokulması yoluyla uzun vadeli potansiyasyonun önemli bir belirleyicisidir. nörotransmiterleri presinaptik hücreden alır).
Genetik düzenleyici ağ
Çoğu sinir sistemi modelinde, nöronlar modellenen en temel birimdir. Hesaplamalı nörojenetik modellemede, sinaptik aktivite ve bağlantıdan sorumlu olan süreçleri daha iyi simüle etmek için, sorumlu genler her nöron için modellenir .
Bir gen düzenleyici ağ , protein düzenleyici ağ veya gen / protein düzenleyici ağ, sinaptik aktivite ve genel hücre işlevleri ile ilgili genlerin ve proteinlerin etkileşimlerini modelleyen bir hesaplamalı nörojenetik modeldeki işleme seviyesidir . Genler ve proteinler ayrı ayrı düğümler olarak modellenir ve bir geni etkileyen etkileşimler, bir gen veya proteinin sahip olduğu etkiyi yansıtacak şekilde ağırlıklandırılan uyarıcı (gen / protein ekspresyonunu artırır) veya inhibe edici (gen / protein ekspresyonunu azaltır) girdiler olarak modellenir. başka bir gen veya protein üzerinde. Gen düzenleyici ağlar tipik olarak mikro dizilerden gelen veriler kullanılarak tasarlanır .
Gen ve proteinlerin modelleme hücre zarı ve koruyucu genişletmek için tek tek bu bölme gibi biyolojik sinir sistemlerinde mimik tepkiler (yapay sinir ağı yeni nöronları ekleyerek) yapay bir sinir ağı nöronların tepkileri, proteinlerin yaratılmasına izin verir nörit aşırı büyümesini ( ve böylece diğer nöronlarla daha güçlü bağlantılar), sinapslarda reseptörleri yukarı düzenler veya aşağı düzenler (sinaptik girdilerin ağırlığını (gücünü) arttırır veya azaltır), daha fazla nörotransmiter alır , farklı nöron türlerine dönüşür veya nekroz nedeniyle ölür veya apoptoz . Bu ağların oluşturulması ve analizi, iki araştırma alanına bölünebilir: büyüme, metabolizma ve sinaps gibi bir nöronun normal işlevlerinde yer alan gen yukarı regülasyonu; ve mutasyona uğramış genlerin nöronlar ve bilişsel işlevler üzerindeki etkileri.
Yapay sinir ağı
Bir yapay sinir ağı , genel olarak her hangi bir hesaplama modeline değinmektedir taklit eden , merkezi sinir sistemi , öğrenme ve örüntü tanıma olarak yetenekleri ile,. Ancak, hesaplamalı nörojenetik modellemeye gelince, genellikle hesaplama verimliliği yerine biyolojik doğruluk için özel olarak tasarlanmış olanlara atıfta bulunmak için kullanılır. Bireysel nöronlar, her nöronun bir düğüm görevi gördüğü yapay bir sinir ağının temel birimidir. Her bir düğüm, uyarıcı veya engelleyici olan diğer düğümlerden ağırlıklı sinyaller alır . Çıkışı belirlemek için, bir transfer fonksiyonu (veya aktivasyon fonksiyonu ) ağırlıklı sinyallerin toplamını ve bazı yapay sinir ağlarında bunların giriş oranını değerlendirir. Sinyal ağırlıkları , presinaptik ve postsinaptik aktivasyon hızlarının ne kadar eşzamanlı olduğuna bağlı olarak güçlendirilir ( uzun vadeli kuvvetlendirme ) veya zayıflatılır ( uzun vadeli depresyon ) ( Hebbian teorisi ).
Tek tek nöronların sinaptik aktivitesi, sinaptik sinyallerin zamansal (ve bazı durumlarda uzamsal) toplamını, membran potansiyelini , aksiyon potansiyeli üretimi için eşiği, mutlak ve göreceli refrakter periyodu ve isteğe bağlı olarak iyon reseptör kanalı kinetiğini belirlemek için denklemler kullanılarak modellenir ve Gauss gürültüsü (rastgele elemanların eklenmesiyle biyolojik doğruluğu artırmak için). Bağlantının yanı sıra, örneğin yapay sinir ağları bazı türleri, sinir ağları spike da nöronlar arasındaki mesafe, ve sinaptik ağırlığı üzerindeki etkisi, (a sinaptik iletim gücü) modeli.
Gen düzenleyici ağları ve yapay sinir ağlarını birleştirmek
Gen düzenleyici ağdaki parametrelerin yapay sinir ağındaki nöronları amaçlandığı gibi etkilemesi için aralarında bir bağlantı olması gerekir. Organizasyonel bir bağlamda, yapay sinir ağındaki her düğümün (nöron) kendisiyle ilişkili kendi gen düzenleyici ağı vardır. Ağırlıklar (ve bazı ağlarda, düğüme sinaptik iletim frekansları) ve düğümün sonuçta ortaya çıkan zar potansiyeli (bir aksiyon potansiyelinin üretilip üretilmediği dahil ), gen düzenleyici ağdaki farklı genlerin ekspresyonunu etkiler. Sinaptik plastisite gibi nöronlar arasındaki bağlantıları etkileyen faktörler , yapay sinir ağındaki belirli bir nörondan gelen bir girdinin ağırlığını yeniden değerlendiren bir işleve sinaptik aktivite ile ilişkili genlerin ve proteinlerin değerleri girilerek modellenebilir.
Diğer hücre türlerinin birleşmesi
Nöronların yanı sıra diğer hücre türleri de modellenebilir. Astroglia ve microglia gibi glial hücrelerin yanı sıra endotelyal hücreler , yapay bir sinir ağına dahil edilebilir. Bu, Alzheimer hastalığı gibi nöronlar dışındaki kaynaklardan patolojik etkilerin ortaya çıkabileceği hastalıkların modellenmesini mümkün kılacaktır.
Yapay sinir ağı seçimini etkileyen faktörler
Yapay sinir ağı terimi genellikle hesaplamalı nörojenetik modellemede biyolojik doğruluğa sahip olması amaçlanan merkezi sinir sistemi modellerine atıfta bulunmak için kullanılırken, terimin genel kullanımı birçok gen düzenleyici ağa da uygulanabilir.
Zaman farkı
Yapay sinir ağları, türe bağlı olarak, girişlerin zamanlamasını hesaba katabilir veya almayabilir. Sinir ağlarını artırmak gibi yapanlar, yalnızca havuzlanan girdiler bir zar potansiyeline ulaşıldığında ateşlenir. Bu, biyolojik nöronların ateşlenmesini taklit ettiğinden, sinir ağları, biyolojik olarak daha doğru bir sinaptik aktivite modeli olarak görülüyor.
Büyüme ve küçülme
Merkezi sinir sistemini doğru bir şekilde modellemek için nöronların oluşumu ve ölümü de modellenmelidir. Bunu başarmak için, girdilere uyum sağlamak için büyüyebilen veya küçülebilen yapıcı yapay sinir ağları sıklıkla kullanılır. İlişkisel sistemler Gelişen (yapıcı yapay sinir ağlarının bir alt tipi vardır gelişen ziyade onun sinir ağının yapısını değiştirerek atıfta bu durumda mutasyon ve doğal seleksiyon ile ).
Rastgelelik
Hem sinaptik iletim hem de gen-protein etkileşimleri doğası gereği stokastiktir . Biyolojik sinir sistemlerini daha yüksek sadakatle modellemek için ağa genellikle bir çeşit rastgelelik eklenir. Bu şekilde modifiye edilen yapay sinir ağları, genellikle sinir ağı alt tiplerinin (örneğin, p SNN ) olasılıksal versiyonları olarak etiketlenir .
Bulanık mantığın birleştirilmesi
Bulanık mantık , yapay bir sinir ağının ikili olmayan ve dilsel değişkenlerle ilgilenmesini sağlayan bir akıl yürütme sistemidir . Biyolojik veriler genellikle Boole mantığı kullanılarak işlenemez ve dahası biyolojik sinir sistemlerinin yeteneklerinin doğru bir şekilde modellenmesi bulanık mantık gerektirir. Bu nedenle, gelişen bulanık sinir ağları (EFuNN) veya Dinamik Evrimleşen Sinir-Bulanık Çıkarım Sistemleri (DENFIS) gibi onu içeren yapay sinir ağları , genellikle hesaplamalı nörojenetik modellemede kullanılır. Bulanık mantığın kullanımı, protein bağlanma gücünün modellenmesi genellikle ikili olmayan değişkenler gerektirdiğinden, özellikle gen düzenleyici ağlarda önemlidir.
Öğrenme türleri
İnsan beynini simüle etmek için tasarlanan Yapay Sinir Ağları, belirli bir görevi yerine getirmek için tasarlananların gerektirmediği çeşitli görevleri öğrenme yeteneği gerektirir. Denetimli öğrenme , yapay bir sinir ağının, zaten bilinen doğru bir çıktıya sahip bir dizi girdiyi alarak öğrenebildiği bir mekanizmadır. Denetimli öğrenmeyi kullanan yapay sinir ağına bir örnek, çok katmanlı bir algılayıcıdır (MLP). Gelen denetimsiz öğrenme , yapay sinir ağı sadece girişler kullanılarak denetlenen. Denetimsiz öğrenme, kendi kendini organize eden harita (SOM) olarak bilinen bir tür yapay sinir ağının öğrendiği öğrenme mekanizmasıdır . Gelişen bağlantıcı sistemler gibi bazı yapay sinir ağı türleri, hem denetimli hem de denetimsiz bir şekilde öğrenebilir.
Gelişme
Hem gen düzenleyici ağlar hem de yapay sinir ağları, doğruluklarını artırmak için iki ana stratejiye sahiptir. Her iki durumda da, ağın çıktısı, bazı işlevler kullanılarak bilinen biyolojik verilere göre ölçülür ve ağın yapısını değiştirerek sonraki iyileştirmeler yapılır. Yapay sinir ağları için ortak bir doğruluk testi, modelin bazı parametrelerini EEG gibi biyolojik sinir sistemlerinden elde edilen verilerle karşılaştırmaktır . EEG kayıtları durumunda , yapay sinir ağının yerel alan potansiyeli (LFP) alınır ve insan hastalardan elde edilen EEG verileri ile karşılaştırılır. Göreceli yoğunluk oranı (RIRC) ve hızlı Fourier dönüşümü EEG (FFT) modeli doğruluğunu saptamak için yapay sinir ağları tarafından üretilenler karşılaştırılmıştır.
Genetik Algoritma
Genlerin ve nöronların karşılıklı etkileşimi ve etkilerine ilişkin veri miktarı titiz bir model oluşturmak için yeterli olmadığından, yapay sinir ağlarını ve gen düzenleyici ağları optimize etmek için evrimsel hesaplama kullanılır, yaygın bir teknik genetik algoritmadır . Genetik algoritma, biyolojik ekosistemlerde gözlemlenen doğal seçilim sürecini taklit ederek modelleri iyileştirmek için kullanılabilen bir süreçtir. Temel avantajları, türev bilgi gerektirmemesi nedeniyle kara kutu problemlerine ve multimodal optimizasyona uygulanabilmesidir . Gen düzenleme ağını iyileştirmek için genetik algoritmaları kullanmanın tipik süreci şudur: ilk olarak, bir popülasyon oluşturmak; daha sonra, çaprazlama işlemi yoluyla yavrular oluşturmak ve uygunluklarını değerlendirmek; daha sonra, yüksek uygunluk için seçilen bir grupta, bir mutasyon operatörü aracılığıyla mutasyonu simüle edin; son olarak, şimdi mutasyona uğramış grubu alarak, istenen uygunluk seviyesi gösterilinceye kadar bu işlemi tekrarlayın.
Gelişen sistemler
Yapay sinir ağlarının, simüle edilmiş mutasyon ve uygunluk seçimi olmadan yapılarını değiştirebilecekleri yöntemler geliştirilmiştir. Bir dinamik gelişen sinir ağı yeni bağlantı ve yeni nöronların oluşturulması yeni veri sistemi adapte olarak modellenebilir gibi bir yaklaşımdır. Bu, ağın doğal seçilim simülasyonu olmadan modelleme doğruluğunda gelişmesini sağlar. Dinamik olarak evrimleşen ağların optimize edilebildiği, evrim geçiren katman nöron kümelemesi adı verilen bir yöntem, yeterince benzer giriş ağırlıklarına sahip nöronları tek bir nöronda birleştirir. Bu, çevrimiçi toplama olarak adlandırılan ağın eğitimi sırasında veya çevrimdışı toplama olarak adlandırılan eğitim dönemleri arasında gerçekleşebilir. Deneyler, çevrimdışı toplamanın daha verimli olduğunu öne sürdü.
Potansiyel uygulamalar
Doğru hesaplamalı nörojenetik modeller için, genetik hastalıkların simülasyonu, potansiyel tedavilerin etkisinin incelenmesi, öğrenme ve bilişin daha iyi anlaşılması ve nöronlarla arayüz oluşturabilen donanımların geliştirilmesi gibi çeşitli potansiyel uygulamalar önerilmiştir.
Hem nöronların hem de genlerinin ve proteinlerinin modellenmesi genetik mutasyonların ve protein anormalliklerinin merkezi sinir sistemindeki patolojik etkilere bağlanmasına izin verdiği için hastalık durumlarının simülasyonu özellikle ilgi çekicidir. Hesaplamalı nörojenetik modellemeye dayalı analizin olası hedefleri olarak önerilen bu hastalıklar arasında epilepsi, şizofreni, zeka geriliği, beyin yaşlanması ve Alzheimer hastalığı ve Parkinson hastalığı bulunmaktadır.