'Caja negra' biológica: ¿cómo probar la lógica subyacente?

En primer lugar, soy neurocientífico, ¡así que tengan paciencia conmigo!

Tengo una colección de células cerebrales conectadas (red) y un medio para registrar la salida eléctrica, así como para manipular la entrada a la red de manera temporal y espacialmente precisa.

Quiero saber cómo funciona el circuito como un todo, y eventualmente los componentes individuales (células cerebrales individuales), con varias entradas.

Creo que lo que quiero es análogo a probar la respuesta de frecuencia de un filtro simple de resistencia y condensador.

Si bien una respuesta de frecuencia es una propiedad probable de mi red de células cerebrales, quiero conocer otros medios (pruebas) que revelen más información sobre la 'caja negra'. Tal vez, patrones invertidos de estimulación de entrada, activación e inactivación simultánea de diferentes entradas.

¿Algo de esto tiene sentido? Cualquier idea o dirección de un texto sería muy apreciada.

No estoy seguro de lo que debería descubrir aquí, pero en sistemas de cualquier complejidad, probar ese tipo de cosas exhaustivamente rápidamente se sale de control debido a la cantidad de permutaciones. Si tuviera algún criterio para el comportamiento "interesante", tal vez podría usar la prueba de Monte Carlo y un algoritmo de descenso más pronunciado para ubicarlo. De lo contrario, me temo que sus pruebas tendrán que depender de su comprensión de la caja negra, a menos que sea una caja negra extraordinariamente simple con elementos bajos de dos dígitos.
Lo que estás tratando de hacer es extraordinariamente difícil. Si no recuerdo mal, solo organismos muy simples como las lombrices de tierra han tenido rutas neuronales exitosas, pero solo porque tienden a tener ~ 100 neuronas. Honestamente, a menos que esté tomando una neurona como entrada y otra como salida y no le importe un "circuito equivalente" muy simple, esto sería excepcionalmente difícil. Las neuronas, estoy bastante seguro, no actúan como un simple filtro RC de primer orden. Si cumple con esas condiciones, entonces podría ejecutar barridos de frecuencia y amplitud en la neurona de entrada, luego solo monitorear la neurona de salida.
Lo que todos dijeron, ay. Considere también que el tiempo y la capacidad de memoria de la red son probablemente elementos inseparables. | Si quisiera la máxima información de un arreglo de este tipo, buscaría registrar todas las entradas y salidas en intervalos de tiempo lo suficientemente pequeños como para capturar todas las variaciones significativas. Los valores de "suficientemente pequeño" y "significativo" se dejan como ejercicio para el investigador :-). es decir, un registrador de datos que permita el procesamiento posterior de los datos deseados parece un excelente comienzo.
Un grupo de neuronas y sus interconexiones no es lineal ni invariable en el tiempo, por lo que la mayoría de las técnicas utilizadas en el análisis de circuitos electrónicos no le serán de ayuda. Vas a tener que proponer una hipótesis que describa cómo crees que se comporta tu sistema, construir un modelo matemático que implemente esa hipótesis y luego ver si tu modelo y el mundo real concuerdan. Pero cuando no lo hacen, usted está solo en cuanto a qué cambiar en su modelo.
Hay MUCHOS modelos de sistemas neuronales basados ​​en sistemas lineales (p. ej., el sistema vestibular) y muchos modelos no lineales. Enorme literatura de investigación que abarca casi 50 años, toneladas de libros, etc. Esto no es nuevo, no se limita a pequeños sistemas y es accesible desde el nivel de una neurona hasta grandes sistemas corticales distribuidos. Todos los métodos mencionados hasta ahora pueden ser un enfoque razonable, además de docenas más.

Respuestas (3)

Hay una matemática de las redes neuronales que debe investigar y muchas otras técnicas no lineales. En resumen, tienes una enorme literatura para ponerte al día. Debe ser mucho más específico sobre lo que está tratando de lograr antes de obtener ayuda real, pero le sugiero que busque en la revista "Neural Networks" para ayudarlo a comenzar a resolver esto. Podría serle útil elegir un campo en el que tales herramientas se utilicen con frecuencia, como la literatura sobre epilepsia, y ver qué se aplica a su campo.

En general, toda la metodología que puede elegir utilizar se encuentra bajo el título "Neurociencia Computacional". La mejor introducción de propósito general que conozco que lo guiará a través de muchos tipos de modelos es "Métodos en el modelado neuronal" de Kristoff Koch. Está un poco anticuado, pero al menos debería enseñarte un poco del lenguaje de lo que estás intentando. Otra referencia posible es el " Tutorial sobre modelado de sistemas neuronales " de Tom Anastasio (Tom es en realidad un amigo mío desde antes de que considerara la neurociencia).

Si está realmente interesado y dispuesto a poner recursos detrás del interés, he oído cosas muy buenas sobre algunos de los cursos de Woods Hole, como http://hermes.mbl.edu/education/courses/special_topics/mcn.html

La gente estudia durante años para llegar a donde está tratando de llegar. La mejor recomendación que probablemente reciba es buscar por todas partes un colaborador que lo ayude en su camino. Averigüe lo que trae a la mesa en tal arreglo y encuentre un ingeniero que pueda estar interesado en su campo, probablemente un ingeniero biomédico.

Gracias por este consejo. Buscaré en Neual Networks y pensaré en posibles colaboradores. ¿Conoces a alguien (tú mismo???) interesado?
Estaría feliz de echar un vistazo a lo que tienes, pero tengo un montón en mi mesa en este momento, y mi carrera se está alejando de ese tipo de actividades. Creo que cualquier plan de investigación en esta dirección para usted necesitaría a alguien con experiencia en el rol de PI, ya que le faltan algunos años para ser financiable en estas áreas.
Es decir, a menos que pueda hacer de estas actividades un objetivo menor con una subvención mayor.

Tienes un conjunto de entradas que corresponden a un conjunto de salidas. Desea predecir cómo funciona el circuito con varias entradas. Este es un problema clásico de aprendizaje automático.

Además, dado que está utilizando una red de células cerebrales, las 'redes neuronales' pueden ser un buen modelo para su sistema. Puede configurar los nodos para imitar la función de activación de las celdas, configurar las capas para que tenga una cantidad similar de conexiones, entradas, salidas, etc.

El siguiente paso es entrenar la red con sus entradas conocidas y salidas medidas. Entrenar la red neuronal implica ajustar los pesos entre los nodos, tal vez incluso descartar nodos o conexiones, de modo que cuando se aplique el conjunto de entradas de entrenamiento, se acerque a las salidas correctas.

Una vez que la red está entrenada, puede aplicar nuevas entradas y ver qué sale. Puede verificar la red aplicando las mismas entradas nuevas a las células cerebrales reales y ver si se obtiene la misma salida. Esto se puede hacer retrospectivamente usando solo la mitad de los datos ya recopilados para entrenar y la otra mitad para probar. La topología de la red se puede ajustar hasta que le proporcione un ajuste realmente agradable.

Creo que necesita un matemático/estadístico/ingeniero con experiencia en aprendizaje automático con redes neuronales. ¿Supongo que estás ubicado en una universidad? Esto sería un gran proyecto de colaboración. Sin embargo, requerirá algo de tiempo.

La aplicabilidad de las redes neuronales realmente dependería de qué tan bien se pueda integrar el sistema bajo investigación en las morfologías utilizadas en ese tipo de simulación, y muchos sistemas neuronales tienden a ser mucho más escasos en términos de conectividad que esos modelos.
@ScottSeidman sí, es cierto, eliminé 'ideal' de la respuesta para reflejar esto. Imagino que los cerebros tienen el equivalente de muchas capas ocultas.

Creo que necesitas aprender mucho más sobre cómo funcionan las células nerviosas antes de intentar experimentos como este. No puedo imaginar por qué piensa que "la respuesta de frecuencia es una propiedad probable" como lo es para una red RC. Responden a tipos de estímulos muy específicos, y pensar en su comportamiento como si fueran simples circuitos eléctricos no te llevará muy lejos.

No juzgue mi comprensión de la neurociencia por la pregunta que he publicado o el lenguaje que he usado. Tengo más de 10 años de experiencia registrando la actividad eléctrica de las células cerebrales. Tengo un nuevo hardware disponible para mí que me permite manipular muchas entradas definidas espacialmente a una sola célula cerebral y, por lo tanto, me permite investigar en nuevas direcciones, de ahí la pregunta.
'Caja negra' biológica: ¿cómo probar la lógica subyacente?
RespuestasAquíPolítica de privacidad1y, 0v