Komputationaalinen neurotiede

Komputationaalinen neurotiede eli laskennallinen neurotiede (joskus myös teoreettinen neurotiede tai matemaattinen neurotiede) tarkoittaa on neurotieteen alan haara, joka soveltaa matematiikkaa, tietojenkäsittelytiedettä ja teoreettista analyysiä keskushermoston kehityksen, rakenteen, fysiologian ja kongitiivisten taitojen ymmärtämiseksi.^[1][2][3][4]

Komputationaalinen neurotiede käyttää laskennallisia simulaatioita matemaattisten mallien todentamiseen ja ratkaisemiseen.^[5] Täten komputationaalinen neurotiede voidaan luokitella teoreettisen neurotieteen alan haaraksi.^[6] Toisaalta näihin kahteen alaan kuitenkin suhtaudutaan synonyymisesti. Matemaattisen neurotieteen termiä käytetään myös joskus korostamaan alan kvantitatiivista luonnetta.^[7]

Komputationaalinen neurotiede keskittyy biologisesti mahdollisten neuronien eli hermosolujen sekä hermostojärjestelmien kuvaamiseen niiden fysiologian ja dynamiikan kautta. Tämän takia komputationaalinen neurotiede ei siksi suoraan käsittele biologisesti epärealistisia malleja, joita käytetään yhteyksissä kuten konnektionismi, säätöteoria, kybernetiikka, kvantitatiivinen psykologia, koneoppiminen, tekoäly ja laskennallinen oppimisteoria.^[8][9][10] Molempien alojen välillä on keskinäistä inspiraatiota eikä niiden välillä ole aina tiukkaa rajaa.^[11][12][13] Laskennallisen neurotieteen mallien abstraktiotaso riippuu tutkimuksen laajuudesta ja siitä, millä biologisilla elementeillä tarkasteltava alue analysoidaan.

Teoreettisen neurotieteen mallit pyrkivät jäljittelemään biologisen järjestelmän olennaisia piirteitä monilla spatiaalis-temporaalisilla asteikoilla, hermosolujen solukalvon sähkötoiminnoist ja kemiallisesta kytkennästä verkkovärähtelyjen, sarakkeellisen ja topografisen arkkitehtuurin, ytimien, aina psykologisten kykyjen kuten muistin, oppimisen ja käyttäytymisen tasolle. Nämä komputationaaliset mallit asettavat hypoteeseja, jotka voidaan suoraan testata biologisilla tai psykologisilla kokeilla.

Historia

Termi 'komputationaalinen neurotiede' otettiin käyttöön Eric L. Schwartzin toimesta, joka järjesti konferenssin vuonna 1985 Carmelissa, Kaliforniassa, Systems Development Foundationin pyynnöstä, tarjotakseen yhteenveto alan nykytilasta, jota siihen asti kutsuttiin eri nimillä, kuten hermomallinnus, aivoteoria ja hermoverkot. Tämän määrittelevän kokouksen tulokset julkaistiin vuonna 1990 kirjassa Computational Neuroscience.^[14] Ensimmäisen vuosittaisen avoimen kansainvälisen laskennalliseen neurotieteeseen keskittyvän kokouksen järjestivät James M. Bower ja John Miller San Franciscossa, Kaliforniassa vuonna 1989..^[15] Ensimmäinen laskennallisen neurotieteen tutkijakoulutusohjelma perustettiin nimellä Computational and Neural Systems Ph.D. ohjelma California Institute of Technologyssa vuonna 1985.

Alan varhaiset historialliset juuret^[16] voidaan jäljittää Louis Lapicquen, Hodgkin & Huxleyn, Hubelin ja Wieselin sekä David Marrin työhön. Lapicque esitteli integrointi- ja laukaisumallin neuronista merkittävässä artikkelissa, joka julkaistiin vuonna 1907,^[17] ja malli on edelleen suosittu keinotekoisten hermoverkkojen tutkimuksessa yksinkertaisuutensa vuoksi (katso viimeaikainen katsaus^[18]).).

Noin 40 vuotta myöhemmin Hodgkin ja Huxley kehittivät jännitepuristin ja loivat ensimmäisen biofysikaalisen mallin toimintapotentiaalista. Hubel ja Wiesel löysivät, että ensisijaisen näköaivokuoren neuronit, jotka ovat ensimmäinen aivokuoren alue, joka käsittelee verkkokalvolta tulevaa tietoa, omaavat suuntautuneita reseptiivisiä kenttiä ja ovat järjestäytyneet kolumneiksi.^[19] David Marrin työ keskittyi neuronien välisiin vuorovaikutuksiin, ehdottaen laskennallisia lähestymistapoja tutkia, kuinka toiminnalliset neuroniryhmät hippokampuksessa ja neokorteksissa vuorovaikuttavat, tallentavat, käsittelevät ja välittävät tietoa. Biofysikaalisesti realististen neuronien ja dendriittien laskennallinen mallinnus alkoi Wilfrid Rallin työstä, joka käytti kaapeliteoriaa ensimmäisessä moniosaisessa mallissa.

Pääaiheet

Tutkimus laskennallisessa neurotieteessä voidaan karkeasti jaotella useisiin tutkimuslinjoihin. Useimmat laskennalliset neurotieteilijät tekevät tiivistä yhteistyötä kokeellisten tutkijoiden kanssa analysoidakseen uusia tietoja ja luodakseen uusia malleja biologisista ilmiöistä.

Yksittäisten hermosolujen mallintaminen

Jopa yksi hermosolu omaa monimutkaisia biofysikaalisia ominaisuuksia ja voi suorittaa laskentatoimintoja.^[20] Hodgkinin ja Huxleyn alkuperäinen malli käytti vain kahta jänniteherkkää virtaa (jänniteherkät ionikanavat ovat glykoproteiinimolekyylejä, jotka ulottuvat lipidikaksoiskalvon läpi ja sallivat ionien kulkea tietyissä olosuhteissa aksoklemman läpi), nopeavaikutteista natriumia ja sisäänpäin korjaavaa kaliumia. Vaikka malli onnistui ennustamaan toimintapotentiaalin ajoituksen ja kvalitatiiviset ominaisuudet, se ei kuitenkaan pystynyt ennustamaan monia tärkeitä ominaisuuksia, kuten sopeutumista ja shunttausta. Tutkijat uskovat nyt, että jänniteherkkiä virtoja on laaja valikoima, ja näiden virtojen erilaisten dynamiikkojen, modulointien ja herkkyyksien vaikutukset ovat tärkeä tutkimusaihe laskennallisessa neurotieteessä.^[21]

Myös monimutkaisten dendriittien laskennallisia toimintoja tutkitaan intensiivisesti. Laaja kirjallisuus käsittelee, kuinka erilaiset virrat vuorovaikuttavat hermosolujen geometristen ominaisuuksien kanssa.^[22]

Useita ohjelmistopaketteja, kuten GENESIS ja NEURON, mahdollistavat realististen hermosolujen nopean ja systemaattisen in silico -mallinnuksen. Henry Markramin johtama Blue Brain -projekti École Polytechnique Fédérale de Lausanne -yliopistossa pyrkii rakentamaan biophysikaalisesti yksityiskohtaisen simulaation kortikaalisesta kolumnista Blue Gene -superkoneella.

Yksittäisen hermosolun biophysikaalisten ominaisuuksien mallintaminen voi tarjota mekanismeja, jotka toimivat rakennuspalikoina verkon dynamiikalle.^[23] Kuitenkin yksityiskohtaiset hermosolujen kuvaukset ovat laskennallisesti kalliita, ja tämä laskentakustannus voi rajoittaa realististen verkkomallinnusten tutkimusta, jossa täytyy simuloida monia hermosoluja. Tämän seurauksena tutkijat, jotka tutkivat suuria hermoverkkoja, yleensä käyttävät yksinkertaistettua mallia jokaiselle hermosolulle ja synapsille, jättäen suuren osan biologisista yksityiskohdista huomiotta. Siksi on tarve tuottaa yksinkertaistettuja hermosolumalleja, jotka voivat säilyttää merkittävän biologisen tarkkuuden alhaisella laskennallisella kuormituksella. Algoritmeja on kehitetty tuottamaan tarkkoja, nopeammin toimivia, yksinkertaistettuja hermosolumalleja laskennallisesti kalliista, yksityiskohtaisista hermosolumalleista.^[24]

Hermosolu-glia -vuorovaikutusten mallintaminen

Gliasolut osallistuvat merkittävästi hermosolujen toiminnan säätelyyn sekä solutasolla että verkostotasolla. Tämän vuorovaikutuksen mallintaminen selventää kaliumkiertoa,^[25][26] joka on tärkeä homeostaasin ylläpitämiseksi ja epileptisten kohtausten estämiseksi. Mallintaminen paljastaa gliasolujen ulokkeiden roolin, jotka voivat joissakin tapauksissa tunkeutua synaptiseen rakoon häiritäkseen synaptista siirtoa ja siten hallita synaptista viestintää.^[27]

Kehitys, aksonaalinen kuviointi ja ohjaus

Laskennallinen neurotiede pyrkii vastaamaan laajaan joukkoon kysymyksiä, mukaan lukien: Kuinka aksonit ja dendriitit muodostuvat kehityksen aikana? Kuinka aksonit tietävät, mihin kohdistaa ja kuinka saavuttaa nämä kohteet? Kuinka hermosolut siirtyvät oikeaan paikkaan keskushermostossa ja ääreishermostossa? Kuinka synapsit muodostuvat? Tiedämme molekyylibiologiasta, että hermoston eri osat vapauttavat erilaisia kemiallisia signaaleja, kasvutekijöistä hormoneihin, jotka moduloivat ja vaikuttavat toiminnallisten yhteyksien kasvuun ja kehitykseen hermosolujen välillä.

Synaptisten yhteyksien ja morfologian muodostumisen ja kuvioinnin teoreettiset tutkimukset ovat edelleen alkuvaiheessa. Yksi hypoteesi, joka on äskettäin saanut huomiota, on minimaalisen johdotuksen hypoteesi, joka postuloituu, että aksonien ja dendriittien muodostuminen minimoi resurssien allokoinnin säilyttäen samalla maksimaalisen tiedon tallennuksen.^[28]

Sensorisen eli aistinelinperäisen informaation prosessointi

Varhaiset mallit sensorisesta prosessoinnista teoreettisessa viitekehyksessä on hyvitetty Horace Barlow'lle. Jossain määrin samanlainen kuin edellisessä osassa kuvattu minimaalisen johdotuksen hypoteesi, Barlow ymmärsi varhaisten sensoristen järjestelmien prosessoinnin olevan eräänlaista tehokasta koodausta, jossa hermosolut koodaavat tietoa minimoiden piikkien määrän. Kokeellinen ja laskennallinen työ ovat sittemmin tukeneet tätä hypoteesia jossain muodossa. Esimerkiksi visuaalisen prosessoinnin kohdalla tehokas koodaus ilmenee tehokkaan spatiaalisen koodauksen, värikoodauksen, ajallisen/liikekoodauksen, stereokoodauksen ja niiden yhdistelmien muodossa.^[29]

Pidemmälle visuaalisessa reitissä, jopa tehokkaasti koodattu visuaalinen tieto on liikaa informaatiokapeikolle, visuaaliselle tarkkaavaisuuskapeikolle.^[30] Seuraava teoria, V1 Saliency Hypothesis (V1SH), on kehitetty eksogeenisen tarkkaavaisuuden valinnalle osalle visuaalista syötettä jatkokäsittelyä varten, ohjattuna alhaalta ylöspäin suuntautuvalla tärkeysjärjestyskartalla primaarissa visuaalisessa aivokuoressa.^[31]

Nykyinen tutkimus sensorisessa prosessoinnissa jakautuu erilaisten osajärjestelmien biofysikaaliseen mallintamiseen ja teoreettisempaan havainnon mallintamiseen. Nykyiset havainnon mallit ovat ehdottaneet, että aivot suorittavat jonkinlaista Bayesilaista päättelyä ja erilaisten sensoristen tietojen integrointia luodakseen käsityksemme fyysisestä maailmasta.^[32][33]

Lähteet

1. Trappenberg, Thomas P.: Fundamentals of Computational Neuroscience, s. 2. United States: Oxford University Press Inc., 2010. ISBN 978-0-19-851582-1. Teoksen verkkoversio. (englanniksi)
2. ”What is computational neuroscience?”, Computational Neuroscience, s. 46–55. MIT Press, 1993. Teoksen verkkoversio. (englanniksi) (Arkistoitu – Internet Archive)
3. Theoretical neuroscience: computational and mathematical modeling of neural systems. Cambridge, Mass: MIT Press, 2001. ISBN 978-0-262-04199-7. (englanniksi)
4. Neuronal Dynamics. Cambridge, UK: Cambridge University Press, 2014. ISBN 9781107447615. (englanniksi)
5. Fan, Xue; Markram, Henry: A Brief History of Simulation Neuroscience. Frontiers in Neuroinformatics, 2019, 13. vsk. PubMed:31133838. PubMed Central:6513977. doi:10.3389/fninf.2019.00032. ISSN 1662-5196.
6. Thomas, Trappenberg: Fundamentals of Computational Neuroscience, s. 2. OUP Oxford, 2010. ISBN 978-0199568413. Teoksen verkkoversio. (englanniksi)
7. Gutkin, Boris; Pinto, David; Ermentrout, Bard: Mathematical neuroscience: from neurons to circuits to systems. Journal of Physiology-Paris, 1.3.2003, 97. vsk, nro 2, s. 209–219. PubMed:14766142. doi:10.1016/j.jphysparis.2003.09.005. ISSN 0928-4257. S2CID:10040483.
8. Kriegeskorte, Nikolaus; Douglas, Pamela K.: Cognitive computational neuroscience. Nature Neuroscience, September 2018, 21. vsk, nro 9, s. 1148–1160. PubMed:30127428. PubMed Central:6706072. doi:10.1038/s41593-018-0210-5. ISSN 1546-1726. Bibcode:2018arXiv180711819K. arXiv:1807.11819. en
10. Brooks, R.; Hassabis, D.; Bray, D.; Shashua, A.: Turing centenary: Is the brain a good model for machine intelligence?. Nature, 22.2.2012, 482. vsk, nro 7386, s. 462–463. PubMed:22358812. doi:10.1038/482462a. ISSN 0028-0836. Bibcode:2012Natur.482..462.. S2CID:205070106. En
11. Browne, A.: Neural Network Perspectives on Cognition and Adaptive Robotics. CRC Press, 1997-01-01. ISBN 9780750304559. Teoksen verkkoversio. en
12. Zorzi, Marco; Testolin, Alberto; Stoianov, Ivilin P.: Modeling language and cognition with deep unsupervised learning: a tutorial overview. Frontiers in Psychology, 20.8.2013, 4. vsk, s. 515. PubMed:23970869. PubMed Central:3747356. doi:10.3389/fpsyg.2013.00515. ISSN 1664-1078.
13. Shai, Adam; Larkum, Matthew Evan: Branching into brains. eLife, 5.12.2017, 6. vsk. PubMed:29205152. PubMed Central:5716658. doi:10.7554/eLife.33066. ISSN 2050-084X. en
14. Schwartz, Eric: Computational neuroscience. Cambridge, Mass: MIT Press, 1990. ISBN 978-0-262-19291-0. (englanniksi)
15. Bower, James M.: 20 years of Computational neuroscience. Berlin, Germany: Springer, 2013. ISBN 978-1461414230. (englanniksi)
16. Fan, Xue; Markram, Henry: A Brief History of Simulation Neuroscience. Frontiers in Neuroinformatics, 2019, 13. vsk. PubMed:31133838. PubMed Central:6513977. doi:10.3389/fninf.2019.00032. ISSN 1662-5196.
17. Lapicque L: Recherches quantitatives sur l'excitation électrique des nerfs traitée comme une polarisation. J. Physiol. Pathol. Gen., 1907, 9. vsk, s. 620–635.
18. Brunel N, Van Rossum MC: Lapicque's 1907 paper: from frogs to integrate-and-fire. Biol. Cybern., 2007, 97. vsk, nro 5–6, s. 337–339. PubMed:17968583. doi:10.1007/s00422-007-0190-0. S2CID:17816096.
19. Hubel DH, Wiesel TN: Receptive fields, binocular interaction and functional architecture in the cat's visual cortex. J. Physiol., 1962, 160. vsk, nro 1, s. 106–54. PubMed:14449617. PubMed Central:1359523. doi:10.1113/jphysiol.1962.sp006837. Artikkelin verkkoversio.
20. Forrest MD: Intracellular Calcium Dynamics Permit a Purkinje Neuron Model to Perform Toggle and Gain Computations Upon its Inputs.. Frontiers in Computational Neuroscience, 2014, 8. vsk, s. 86. PubMed:25191262. PubMed Central:4138505. doi:10.3389/fncom.2014.00086.
21. Foundations of cellular neurophysiology. Cambridge, Mass: MIT Press, 1995. ISBN 978-0-262-10053-3. (englanniksi)
22. Koch, Christof: Biophysics of computation: information processing in single neurons. Oxford [Oxfordshire]: Oxford University Press, 1999. ISBN 978-0-19-510491-2. (englanniksi)
23. Forrest MD: Intracellular Calcium Dynamics Permit a Purkinje Neuron Model to Perform Toggle and Gain Computations Upon its Inputs.. Frontiers in Computational Neuroscience, 2014, 8. vsk, s. 86. PubMed:25191262. PubMed Central:4138505. doi:10.3389/fncom.2014.00086.
24. Forrest MD: Simulation of alcohol action upon a detailed Purkinje neuron model and a simpler surrogate model that runs >400 times faster. BMC Neuroscience, April 2015, 16. vsk, nro 27, s. 27. PubMed:25928094. PubMed Central:4417229. doi:10.1186/s12868-015-0162-6.
25. Dynamics of Ion Fluxes between Neurons, Astrocytes and the Extracellular Space during Neurotransmission cyberleninka.ru.
26. Sibille, Jérémie; Duc, Khanh Dao; Holcman, David; Rouach, Nathalie: The Neuroglial Potassium Cycle during Neurotransmission: Role of Kir4.1 Channels. PLOS Computational Biology, 31.3.2015, 11. vsk, nro 3, s. e1004137. PubMed:25826753. PubMed Central:4380507. doi:10.1371/journal.pcbi.1004137. ISSN 1553-7358. Bibcode:2015PLSCB..11E4137S. en
27. Pannasch, Ulrike; Freche, Dominik; Dallérac, Glenn; Ghézali, Grégory; Escartin, Carole; Ezan, Pascal; Cohen-Salmon, Martine; Benchenane, Karim; Abudara, Veronica: Connexin 30 sets synaptic strength by controlling astroglial synapse invasion. Nature Neuroscience, April 2014, 17. vsk, nro 4, s. 549–558. PubMed:24584052. doi:10.1038/nn.3662. ISSN 1546-1726. S2CID:554918. Artikkelin verkkoversio. en
28. Chklovskii DB, Mel BW, Svoboda K: Cortical rewiring and information storage. Nature, October 2004, 431. vsk, nro 7010, s. 782–8. PubMed:15483599. doi:10.1038/nature03012. Bibcode:2004Natur.431..782C. S2CID:4430167.
    Review article
29. Zhaoping L. 2014, The efficient coding principle , chapter 3, of the textbook Understanding vision: theory, models, and data
30. see visual spational attention https://en.wikipedia.org/wiki/Visual_spatial_attention
31. Li. Z. 2002 A saliency map in primary visual cortex Trends in Cognitive Sciences vol. 6, Pages 9-16, and Zhaoping, L. 2014, The V1 hypothesis—creating a bottom-up saliency map for preattentive selection and segmentation in the book Understanding Vision: Theory, Models, and Data
32. Weiss, Yair; Simoncelli, Eero P.; Adelson, Edward H.: Motion illusions as optimal percepts. Nature Neuroscience, 20 May 2002, 5. vsk, nro 6, s. 598–604. PubMed:12021763. doi:10.1038/nn0602-858. S2CID:2777968.
33. Ernst, Marc O.; Bülthoff, Heinrich H.: Merging the senses into a robust percept. Trends in Cognitive Sciences, April 2004, 8. vsk, nro 4, s. 162–169. PubMed:15050512. doi:10.1016/j.tics.2004.02.002. S2CID:7837073.