Innan du börjar läsa den här artikeln kommer det att finnas några uppfattningar som din hjärna(du) kanske funderar på, varför behöver vi läsa det här? Vad kan vi lära oss av detta? Eller kommer detta innehåll att låta mig veta, hur hjärnan reagerar och löser problem i olika situationer? Ja! Det är all matematik, permutationer, kemiska ekvationer som sker inuti vår egen hjärna. Den här artikeln är uppdelad i tre delar. I den första delen av artikeln introducerar vi i korthet computational neuroscience som inkluderar, den roll som neuronerna spelar, neuronernas anatomi och de modeller som kan förklaras för hjärnans funktioner, så kallade hjärnmodeller.
Nu ska vi se vad allt vi kan bära med oss genom att förstå eller genom att lära oss om en hjärna. Under de senaste åren har vi sett framsteg inom neurala nätverk som är helt inspirerade av denna ”Computational neuroscience”. De algoritmer eller modeller som används inom flera områden av neurala nätverk/datorseende härstammar från en teoretisk förståelse av neurovetenskap. Allt vi vet om våra hjärnor är att de är snabba och intelligenta, att de tar emot information från omgivningen, att vissa kemiska reaktioner/ fusioner sker och att de slutligen ger oss lösningen eller resultatet. Genom att läsa detta kommer du att få veta hur programmen utförs i vår hjärna. Låt oss börja!
Det här är den senaste tweeten som Lex Friedman har skrivit. Han arbetar som forskare vid MIT.
Den mänskliga hjärnan är otrolig. Här visualiseras 3 % av neuronerna och 0,0001 % av synapserna i hjärnan, som utgör en del av hjärnans Thalamocortical system. Visualisering via DigiCortex Engine.
2.0 Neurovetenskap
Uttrycket ”Computational neuroscience” myntades av Eric L. Schwartz, vid en konferens för att ge en översikt över ett område, som fram till dess benämnts med en mängd olika namn, som t.ex. neuronal modellering, hjärnteori och neurala nätverk. Senare upptäckte Hubel & Wiesel att neuroner arbetar över näthinnan i den primära visuella cortexen (det första kortikala området). Detta förklaras i avsnitt 3. Vidare, med ökningen av beräkningskraften, samarbetar de flesta beräkningsneurovetare nära med experimentalister för att analysera olika data och syntetisera nya modeller av biologiska fenomen.
Teoretisk neurovetenskap
Neurovetenskap omfattar tillvägagångssätt som sträcker sig från molekylära och cellulära studier till mänsklig psykofysik och psykologi. Syftet med beräkningsbaserad neurovetenskap är att beskriva hur elektriska och kemiska signaler används i hjärnan för att tolka och bearbeta information. Denna avsikt är inte ny, men mycket har förändrats under det senaste decenniet. Man vet nu mer om hjärnan på grund av framsteg inom neurovetenskapen, mer datorkraft finns tillgänglig för att utföra realistiska simuleringar av neurala system, och nya insikter dras från studiet av förenklade modeller av stora nätverk av neuroner.
Förståelsen av hjärnan är en utmaning som lockar ett ökande antal forskare, från många discipliner. Även om det har skett en explosion av upptäckter under de senaste decennierna när det gäller hjärnans struktur på cellulär och molekylär nivå, förstår vi ännu inte hur nervsystemet gör det möjligt för oss att se, höra, lära oss, minnas och planera vissa handlingar. Men det finns många områden som är beroende av beräkningsneurovetenskap, några är listade nedan,
- Djupinlärning, artificiell intelligens och maskininlärning
- Mänsklig psykologi
- Medicinska vetenskaper
- Mentalmodeller
- Beräkningsteknisk anatomi
- Informationsteori
3.0 Hubel- och Wiesel-experimentet
Detta experiment verkar vara ett förebud om de neuronala insikter som har upptäckts. Det har lagt grunden för att utforska den beräkningsbaserade neurovetenskapen på djupet. Låt oss se vad som finns i detta.
Professorerna David Hubel och Torsten Wiesel har gjort ett experiment på 1950-talet där de spelade in kattens neuronala aktiviteter över näthinnan, när de flyttade ett starkt ljus. De har registrerat några spännande observationer medan experimentet pågick, de är
- Neuronerna avfyrade bara i vissa fall, men inte alltid.
- Neuronernas aktivitet förändrades beroende på ljuslinjens orientering och placering.
(Oroa dig inte för den neuronala jargongen, vi skulle utforska alla termerna i de följande ämnena). De elektriska och kemiska signaler som registrerades i de celler som förbinder näthinnan med hjärnan omvandlades till ljudsignaler. Dessa ljudsignaler spelades sedan upp, vilket resulterade i ”Snap! Pop!” knackande ljud. Dessa var inte kontinuerliga, utan spelades i stället upp endast när neuronen avfyrade. Därefter har man etablerat en grundläggande förståelse för hur neuronerna extraherar den information som kastas av näthinnan, och sedan tydligt förklarat hur de visuella kortikala neuronerna (som finns i den primära visuella cortexen, V1, i hjärnan) kan formulera en bild.
4.0 Neurala celler, neuronernas anatomi och elektriska personlighet
För att få en klar förståelse för hur hjärnan fungerar och hur vi kan uppfatta världen omkring oss, ska vi titta på den primära delen av hjärnan, nämligen neuronerna. Dessa är den mänskliga hjärnans beräkningsenheter.
Hjärnan kan delas upp i enskilda diskreta delar som kallas neuroner. Det finns många neuronala former möjliga, säg, i den visuella cortexen är neuronen pyramidal, och i lillhjärnan kallas de Purkinje-celler.
Neuronernas struktur
En neuron består av tre huvuddelar nämligen Soma, Dendriter och Axon. Soma är cellkroppen. Dendriterna är neuronernas ingångsändar medan axonet är utgångsändan. Inmatningen tas alltså emot av dendriterna från axonerna i den intilliggande neuronen. Dessa ingångar ger upphov till en excitatorisk postsynaptisk potential (EPSP), och när de kombineras med flera andra neuroner ger de upphov till en aktionspotential eller en spik. Denna spikning sker endast när insignalen når en viss tröskel.
Kik på insidan
Intressant nog kan neuroner definieras som en ”läckande påse med laddad vätska”. Så hur kan kemikalier plötsligt dyka upp? Det är en avgörande sak som många av oss inte är medvetna om. Neuroner handlar helt och hållet med kemikalier, och kemiska reaktioner driver alla spikar och synapser. Vi har verkligen Na+, Cl-, K+ och så vidare i våra hjärnor. Fascinerande, eller hur?
Innehållet i en neuron är inneslutet i ett lipiddubbelskikt, och lipiden är ”fett” i enkla termer. Detta bilager är ogenomträngligt för laddade joner, såsom Na+, K+, Cl- m.fl. Så hur rör sig dessa kemikalier mellan neuronerna? För att svara på detta ska vi göra en djupdykning i joniska kanaler.
Ioniska kanaler
De ”joniska kanalerna” gör det möjligt att överföra dessa joner, dvs. att passera in och ut ur neuronerna. Detta resulterar i en potentialskillnad som finns mellan den inre och den yttre delen av neuronen, den inre potentialen är -70mv i förhållande till den yttre.
Vi har Na+, Cl- på utsidan, medan K+, organiska anjoner- finns på insidan av en neuron. Omvänt är också möjligt, men jonkoncentrationerna är lägre i detta fall, vilket framgår av figuren nedan.
Så, hur kommer det sig att potentialen alltid är -70mv? Detta upprätthålls genom att jonerna pumpas in och ut ur neuronen, dvs, genom att Na+ stöts ut och K+ släpps in. Joniska kanaler tillåter endast specifika neuroner att passera och kan klassificeras i tre gated channels,
- Spänningsgated – Sannolikheten att kanalen öppnas beror på membranspänningen.
- Kemiskt gated – Bindning till en kemikalie får kanalen att öppna sig.
- Mekaniskt gated – Tryck eller sträckning påverkar kanalen att öppna/stänga.
Neuronala signaler
Neuronala signaler är den interaktion som sker mellan neuronerna genom överföring av signaler. De gated channels som diskuterats ovan möjliggör neuronal signalering, låt oss se hur,
- För det första aktiverar insignalerna från andra neuroner de kemiskt gated channels, dvs. öppnar kanalerna, vilket leder till förändringar i den lokala membranpotentialen.
- Nästan leder detta till öppning/stängning av spänningsgated channels vilket resulterar i Depolarisering(en positiv förändring i spänningen) och Hyperpolarisering(en negativ förändring i spänningen). Repolarisering är när cellen förs tillbaka till den faktiska potentialen.
- En tillräckligt stark depolarisering leder till spiken eller aktionspotentialen.
- Detta öppnar faktiskt Na+-kanalerna(spänningsstyrda), följt av ett snabbt Na+-inflöde(ut till in) som driver fler kanaler att öppna tills de inaktiveras.
- När Na+-kanalerna långsamt börjar inaktiveras återställer K+-utflödet(in till ut) membranpotentialen eller så öppnas K+-kanalerna, vilket minskar spiken. Detta är repolarisering.
- Därefter blir cellen mer negativ eftersom K+-kanalerna förblir öppna och fortsätter att låta de positiva jonerna lämna neuronen. Detta kallas hyperpolarisering.
- När kaliumkanalerna stängs arbetar natrium-kalium-pumpen för att återställa vilotillståndet igen.
- När spiken genereras fortplantas den längs axonet.
- Längs axonet öppnas Na+-kanalerna först, vilket leder till att aktionspotentialen stiger, följt av att Na+-kanalerna stängs och K+-kanalerna öppnas, vilket leder till att aktionspotentialen faller.
Grafiskt sett är detta hur membranpotentialen registreras när tiden varierar,
Hastighet
Signalerna färdas riktigt snabbt längs axonet främst på grund av 2 skäl; Storlek och myelinskidan. Det är en isolerande substans som inte tillåter joner att passera.
Ranviers knutpunkt, som avbildas i neuronen ovan, är de utrymmen som finns mellan myelinskidans omslag runt axonen. I det perifera nervsystemet finns myelin i Schwann-cellernas membran. I det centrala nervsystemet är det oligodendrocyter som ansvarar för isoleringen.
Det perifera nervsystemet består av nerver och ganglier utanför hjärnan och ryggmärgen. Centrala nervsystemet består av hjärnan och ryggmärgen.
När aktionspotentialen passerar genom axonet finns det chanser att den kan gå förlorad, så närvaron av myelin bevarar den.
En myelinhölje minskar neuronens kapacitans i det område den täcker. Så neuronerna får en massa upprörda negativa joner som måste balanseras ut. Därför sprider de sig ut i slutet av membranet i hopp om att hitta positiva joner. De positiva jonerna närmar sig sedan dessa för att lugna ner dem. Detta leder i sin tur till att det bildas tunna lager av positiva joner på utsidan och negativa joner på insidan. När myelin är lindat runt axonet ansamlas färre negativa joner vid de myelininlindade delarna av axonet, eftersom de då inte kommer att kunna komma åt de positiva jonerna med lätthet. Detta innebär att när aktionspotentialen kommer rusande är det lättare att depolarisera (en positiv spänningsförändring) de områden som är mantlade eftersom det finns färre negativa joner att motverka.
Ranvierknutarna har dessa positivt styrda spänningskanaler, där de positiva jonerna bildar en svärm eftersom de är de omantlade områdena. Så de negativa jonerna i axonerna vill nå noderna i ranvier för att balansera sig själva. Denna utbredning av aktionspotentialen ser ut som en signal som hoppar från nod till nod, vilket kallas ”Saltatory Conduction”.
Detta förklarar också spikens form, där den ökar till en viss grad och sedan minskar.
5.0 Förståelse av hjärnan
När vi nu har sett hur neuronerna är uppbyggda och hur de räknar genom att sända signaler och generera kemikalier, är det dags att gruppera en uppsättning neuroner för att förstå hjärnan. Att förstå hjärnan är alltid en knepig fråga, ibland kan vi inte förutsäga hur människor/hjärnor reagerar i några scenarier, trots att de ägnar sig åt rutinaktiviteter. De lagrar mycket information inuti neuronerna baserat på de handlingar som de hela tiden utlöser. Så frågan här är hur vi ska tolka informationen. Det finns tre beräkningsmodeller för att förstå hjärnor som förklarar de tre frågorna ”vad, hur och varför”. Dessa modeller kallas deskriptiva, mekanistiska respektive tolkningsmodeller. Låt oss nu kortfattat diskutera dessa,
Deskriptiva modeller: Denna modell svarar på frågan ”Vilka är de neuronala reaktionerna på externa stimuli?”. De granskar stora mängder experimentella data och karaktäriserar därmed vad neuroner och neurala kretsar gör. Dessa modeller kan vara löst baserade på biofysiska, anatomiska och fysiologiska fynd, men deras främsta syfte är att beskriva fenomen, inte att förklara dem.
De två viktigaste egenskaperna hos beskrivande modeller är,
- De definierar kvalitativt hur vi kan beskriva en scen eller data med hjälp av neuronal kodning.
- De definierar också hur vi kan extrahera information från neuroner med hjälp av neurala avkodningstekniker.
Mekanistiska modeller: Mekanistiska modeller å andra sidan behandlar frågan ”Hur nervsystem fungerar med hjälp av känd anatomi, fysiologi och kretsar”. Sådana modeller utgör ofta en bro mellan beskrivande modeller på olika nivåer.
De två viktigaste egenskaperna hos mekanistiska modeller är,
- Hur kan vi simulera beteendet hos en enskild neuron på en dator?
- Hur kan vi simulera ett nätverk av neuroner?
Intolkningsmodeller: Dessa använder beräknings- och informationsteoretiska principer för att utforska den beteendemässiga och kognitiva betydelsen av olika aspekter av nervsystemets funktionalitet och svarar på frågan ”Varför fungerar nervsystemen som de gör”.
De två viktigaste egenskaperna hos tolkningsmodellerna är,
- Varför fungerar hjärnor som de gör?
- Vilka beräkningsmässiga principer ligger till grund för dem?