¿Cuáles son los ejemplos clave del uso de métodos computacionales en el estudio de redes neuronales biológicas?

Me gustaría agregar a la excelente respuesta de Chuck; el enfoque computacional está muy bien representado en la neurociencia y, de hecho, involucra una gran cantidad de métodos muy heterogéneos. Por lo tanto, me ha venido a la mente un conjunto muy diferente de neurocientíficos y ejemplos.

En mi opinión, el mejor ejemplo individual de la utilidad de un enfoque computacional para interpretar datos neuronales es la hipótesis del error de predicción de recompensa de la función de la dopamina. Las primeras investigaciones en aprendizaje automático condujeron al desarrollo del algoritmo de aprendizaje por refuerzo de diferencia temporal. Posteriormente, Wolfram Schulz notó que el patrón de disparo en las células dopaminérgicas parecía corresponder estrechamente a lo que se esperaría de una señal de error de diferencia temporal: el núcleo mismo de esta forma de aprendizaje por refuerzo. Posteriormente, se aplicaron algoritmos de aprendizaje por refuerzo similares (por ejemplo, Q-learning) a una variedad de datos neuronales, aunque en la escala mucho más gruesa de fMRI, y proporcionaron una variedad de evidencia que respalda firmemente esta hipótesis.

El segundo ejemplo que me viene a la mente también se refiere a la dopamina; en este caso, la utilidad del enfoque computacional fue comprender el patrón de efectos producido por la liberación de dopamina, más que caracterizar el patrón de liberación de dopamina en sí. A nivel celular, el trabajo de Jeremy Seaman es un gran ejemplo de este enfoque; Ha utilizado el análisis discriminante de Fisher y otras técnicas multivariadas para caracterizar mejor la actividad de unidades múltiples registrada en la corteza prefrontal, bajo diversas condiciones de dopamina. En última instancia, su trabajo ha sido el principal enfoque computacional que contribuye a lo que ahora es la comprensión modal del efecto de la dopamina en la corteza prefrontal, que consiste en mejorar la relación señal/ruido.

Un tercer ejemplo tiene que ver con la aplicación de la teoría de grafos a las redes neuronales y, en particular, nuestra comprensión de los grafos conectados de mundos pequeños. La implicación de este trabajo para la neurociencia no pasó desapercibida para los matemáticos que originalmente siguieron esta línea de trabajo, pero su utilidad real para la neurociencia ha sido demostrada de manera más famosa por Olaf Sporns al comprender lo que se llamará el "conectoma", es decir , el gráfico de sistemas neuronales estructural y funcionalmente conectados. Aunque esta sigue siendo una línea de investigación activa, la conectividad de mundos pequeños parece ser una característica omnipresente de la corteza cerebral.

Sería negligente no mencionar el trabajo de un gran grupo de investigadores formados en la tradición del "procesamiento distribuido en paralelo" o conexionismo, incluidos Matt Botvinick, Jon Cohen, Michael Frank, Ken Norman, Yuko Munakata, Randy O'Reilly. Hay demasiados ejemplos excelentes de su trabajo para nombrarlos, pero todos estos investigadores han utilizado datos neuronales y de comportamiento para construir modelos de redes neuronales de procesamiento cortical y subcortical, en diferentes niveles de detalle biológico; validó estos modelos en términos de su ajuste a los datos neuronales y de comportamiento existentes; y usó estos modelos para derivar predicciones que posteriormente se probaron utilizando una variedad de enfoques. La siguiente es una lista lamentablemente incompleta, pero al menos representativa, del progreso realizado por estos investigadores: el descubrimiento de paralelismos entre las técnicas de reducción de dimensionalidad o "abstracción" que pueden ser útiles en el aprendizaje por refuerzo con el procesamiento cortical (en el caso de Matt Botvinick); el descubrimiento de paralelismos entre el dilema exploración/explotación en el aprendizaje por refuerzo y la función del sistema locus coereleus/noradrenalina (en el caso de Jon Cohen); la comprensión de las consecuencias funcionales de grano fino de las diferencias en los subtipos de receptores de dopamina, así como las interacciones prefrontal/estriatal (en el caso de Michael Frank), el descubrimiento de las consecuencias a gran escala de la depresión a largo plazo a nivel celular y los fenómenos de potenciación para patrones hemodinámicos en tareas de memoria (en el caso de Ken Norman), el descubrimiento del papel de la neurotransmisión inhibitoria prefrontal en tareas que requieren "

Concluiría apoyando la sugerencia de Chuck de hacer una búsqueda en PubMed. ¡Su pregunta es demasiado amplia para una respuesta completa expresada en algo más breve que un libro!

Hay muchos neurocientíficos que utilizan técnicas de matemáticas y estadísticas avanzadas para analizar datos neuronales reales en busca de patrones.

George Gerstein , que ahora está jubilado, ha sido pionero en la aplicación de métodos de "partículas" en el análisis de las interacciones neuronales. El creador de Gravity transform , usó esta herramienta para desenredar algunos de los procesos estocásticos que subyacen a los patrones de disparo. También introdujo herramientas de uso generalizado como el histograma de tiempo de periestímulo conjunto , que permite una vista "de un vistazo" de los disparos conjuntos.

Emery Brown es anestesiólogo y estadístico académico que ha realizado muchos modelos con datos reales de células de lugar del hipocampo en un marco bayesiano, así como modelos de patrones de activación con procesos puntuales. Él, junto con otros grupos, ha utilizado con éxito herramientas como Granger Causality para revelar la conectividad entre células y subcircuitos.

G. Bard Ermentrout es un poco más teórico, ya que es matemático, pero ha trabajado mucho en la determinación de las relaciones del espacio de fase y el acoplamiento en los patrones de activación neuronal, y a menudo ha probado sus modelos con datos neuronales . Ha "escrito el libro" sobre el tema .

Hay cientos de ejemplos más, pero estos son los tres primeros que me vienen a la mente. Los neurocientíficos están ansiosos y dispuestos a colaborar con matemáticos, estadísticos y otros del tipo teórico (como está viendo), por lo que hacer una búsqueda rápida en Pubmed en áreas que son de particular interés para usted es probablemente la mejor manera de encontrarlos. subcampos.

El uso de redes neuronales en las ciencias cognitivas ha existido desde Turing . Sin embargo, muchas de las redes comunes en el conexionismo adolecen de una falta de plausibilidad biológica. De estos abstractos, incluso los que intentan capturar algunas propiedades de las redes neuronales biológicas solo lo hacen metafóricamente. Véase, por ejemplo, las limitaciones de la correlación en cascada como metáfora de la neurogénesis.. Sin embargo, estas redes abstractas todavía se utilizan porque proporcionan un gran puente entre la teoría de la neurociencia y la psicología. Las redes son lo suficientemente abstractas y poderosas para tratar con cuestiones de psicología (por ejemplo, aprendizaje o psicología del desarrollo), pero aún intentan conectarse a tierra de alguna manera (al menos por analogía) en la red biológica. Daré dos ejemplos de este trabajo abstracto hacia el punto de vista de la biología.

La mayoría de los primeros enfoques de las redes neuronales representaban la activación como salidas de valor real que se multiplicaban por los pesos de las conexiones interneuronales. Este enfoque está siendo reemplazado por modelos de neuronas de pico más razonables que incorporan un medio de codificación más realista (tasa de potenciales de acción) mientras mantienen un nivel relativamente abstracto que se puede utilizar en aplicaciones de psicología y aprendizaje automático. Sin embargo, estos modelos todavía tienden a ser demasiado abstractos para modelar organismos específicos de manera realista.

Chris Eliasmith y sus estudiantes han ido un poco más allá en la brecha entre los modelos abstractos útiles para la psicología y los modelos concretos biológicamente útiles al proponer el marco de la ingeniería neuronal . Este modelo computacional permite a los usuarios ejecutar una variedad de simulaciones , desde estudios cercanos a la biología, como el reflejo ocular vestibular traslacional en monos y el reconocimiento del canto del pinzón cebra, hasta estudios psicológicos como la memoria de trabajo paramétrica y otros tipos de modelos cognitivos.

Por lo tanto, estos enfoques le permiten comprender ciertas propiedades de las redes neuronales biológicas al observar las características esenciales de los modelos abstractos.

Por supuesto, puede acercar las cosas a la biología, y la respuesta de @ChuckSherrington brinda algunos excelentes ejemplos de esto.