用机器学习构建连接体图

大脑被认为是现存最复杂的系统之一。虽然在理解方面取得了很大的进步，但我们往往问的问题比回答的多。

然而，现在由京都大学领导的一个研究小组开发了一个机器学习模型，该模型允许科学家通过测量神经元自身发出的信号来重建神经元电路。该模型有可能阐明不同脑区神经元计算的差异。

为了理解大脑，我们必须研究组成大脑的神经元。我们的整个感知世界分布在大脑的数十亿个细胞中。此外，它们之间的联系数量成倍增加(称为突触)，这挑战了我们的理解。

项目负责人、京都大学科学学院的Shigeru Shinomoto解释说，尽管大脑中单个神经元的活动可以被记录下来——而且数量在过去十年中急剧增加——但这仍然是一个挑战。画出这些单元是如何相互连接的。

Shinomoto解释说：“有人提出，可以通过分析神经元信号之间的相关性来估计神经元的连通性。”“但很难得到准确的推断，因为有大量来自其他神经元的外部噪声。”

该团队构建了一种分析方法，从单个神经元获得信号尖峰，并估计神经元之间的联系。为了消除“噪声”数据，他们将通用线性模型或GLM(机器学习中的基本模型)应用于互相关图或CC，该图记录了神经元之间的激发相关性。

这项研究的第一作者小林良田(Ryota Kobayashi)说：“我们称这种分析为GLMCC，它根据突触膜电位来估计神经连接的强度。

“为了确认我们的数据是否反映了现实世界的连通性，我们通过模拟大规模神经网络来评估其准确性。我们确认，新模型的准确率为97%，远高于以前的任何方法。”

然后将该模型应用于大鼠海马神经元活动的实验数据。分析时，估计的连接与从其他生理线索推断的结果相匹配。

而且源代码的“即用”版本可以在网上获得，研究小组希望全世界的神经科学家都能使用它。

Shinohamoto总结道：“随着技术的进步，我们收集的神经学数据量将会增加。我们新的分析模型对于处理这些信息至关重要，它将使我们能够更好地理解我们的大脑是如何处理我们周围的世界的。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！