Pazartesi , 21 Eylül 2020
Home » Teknoloji » Beynin Sanal Simülasyonları ve İlk Biyo-Gerçekçi Dönem Modeli
Beynin Sanal Simülasyonları ve İlk Biyo-Gerçekçi Dönem Modeli 1 – beynin sanal simulasyonlari ve ilk biyo gercekci devre modeli 5dffab022ed84

Beynin Sanal Simülasyonları ve İlk Biyo-Gerçekçi Dönem Modeli

Hesaplamalı Nörobilimci Stefan Mihalas’tan “neyin üstünde çalmış olduğu” anlatması istendiğinde, gözlerinden birini eliyle kapatıyor. “Odaya doğru bu şekilde yürüdüğümü farzedin. Elimin arkasında ne işe yaradığını söyleyebilir misiniz?” diye soruyor. Bu tahmin edilemeyecek bir sual değil; sadece karşısındakinin kati bir cevaba (Mihalas’ın sağ gözü) ulaşabilmesi için fazlaca oranda beyin gücüne ihtiyacı vardır.

Tam olarak listelenmese de beyin, şu şekilde işler:

Beyin; gözlerinin önündeki ışık ve karanlığın gölgelerini tanır. Odaklanmak istediğinde ilgili olmayan görsel alanın yüzde 90’ını yok sayar. Bu görsel, bilgiyi “insan yüzü” kategorisine yerleştirir. Daha ilkin görmüş olduğu insan yüzlerinin depolanan anılarını değiştirir. Bu genellemeden, insan yüzlerinin çoğunun bakışımlı olarak yerleştirilmiş iki göze haiz bulunduğunu söyler. Beyin tüm bu tarz şeyleri tam bir işlem gücüne haiz bulunduğunun bilincinde olmadan; her şeyi bölünmüş bir saniyede yapar.

Görsel bir sahnede tamamlanmamış olanı anlama kabiliyeti insanlara özgü değildir; öteki birçok hayvan da bunu yapabilir. Sadece, beynin bu karmaşık hesaplamaları iyi mi yönettiğini anlamaktan fazlaca uzağız.

Mihalas bunu çözmek istiyor. Bunu yapmak için, o ve Allen Enstitüsü‘ndeki hesaplamalı sinirbilimci meslektaşları beynin (yada bir bölümünün) modellerini yada sanal rekreasyonlarını inşa ediyorlar. Amaçları; yalnızca görünmeyen nesneler hakkında iyi mi eğitimli tahminler yaptığımızı idrak etmek değil, bununla beraber memeli görsel sistemini; başlangıç ​​noktası olarak kullanarak, beynin daha temel ilkelerini ortaya çıkarmaktır.

Allen Beyin Bilimi Enstitüsü Hesaplamalı Sinirbilimci Corinne Teeter: “En temel düzeyde, modelleme bir şeyin iyi mi çalıştığıyla ilgili bir kavram yaratıyor. Bu terimi matematik dilinde resmileştiriyoruz, böylece kontrol edebiliyoruz.”

Beyin fazlaca karmaşık olduğundan, matematiksel modeller inşa etmek ve yürütmek; karmaşık bilgisayar programlarını gerektiriyor.

Allen Beyin Enstitüsü Hesaplamalı Nöro Bilimci Anton Arkhipov: “Bir güllenin iyi mi yada nereye  fırlatılışı hakkında, yalnız kalem, kağıt yada birkaç denklemle tahmin edebilirsiniz. Beyin benzer biçimde karmaşık bir sistem için, bilgisayarın kalem ve kağıdın yerini alması gerekiyor. Bu yaklaşımın deneyleri; beyin hastalıklarının mekanizmaları hakkında öngörü kazandıran tahminler yapmamıza destek olacağını umuyoruz. Mesela, gerçekçi bir modele haiz olduğunuzda, bir beyin devresinin hastalıkta iyi mi hatalı çalıştığını ve bunun potansiyel tedavilere iyi mi yanıt vereceğini tahmin edebilirsiniz. ”

Sanal Beynin Yapı Taşları

Beynin, bir görsel sahnenin tamamlanmamış parçalarını anlama kabiliyetini; araştırmacıların beynin bilgisayardaki davranışını tekrardan yaratmaya odaklandıkları, yukarıdan aşağı modeller olarak adlandırdıkları sisteme dayanıyor. Bu durumda, bu davranışın tekrardan yaratılması; birkaç değişik model gerektirecek kadar karmaşıktır. Arkhipov; araştırmacıların beynin bireysel nöronlarını hesaplama kanalıyla tekrardan yarattıkları ve hemen sonra beynin daha büyük bir bölümünü yansılamak etmek için bu sanal hücreleri yapı taşları benzer biçimde biraraya getirmiş olduğu aşağıdan yukarıya modeller oluşturan bir takıma öncülük ediyor.

Bu Lego benzeri modellerin hepsi; sinirbilim araştırmalarında daima bir ölçü olmayan, kurum içinde toplanan verilerden inşa edilmiştir.

Yapı taşı modellerinde çalışan Hesaplamalı Nörobilimci Nathan Gouwens: “Allen Enstitüsü’nde, modellemenin her şeyde kuvvetli bir halde iç içe olması amaçlanmıştır. Kasten bütünleşmişi bulmak fazlaca nadirdir.”

Allen Enstitüsü’ndeki değişik deneysel araştırma ekipleri; beyin hücrelerinin kati 3D şekli, elektrik sinyallerini iyi mi ve ne vakit yaktıkları ve hepsinin Allen Hücre Tipleri Veritabanı’na beslediği verilerle genleri iyi mi açıp kapattıkları hakkında data toplar. Arkhipov, Gouwens ve meslektaşları bu değişik verileri bir araya getirerek; nöronların kapsamlı, sanal rekreasyonlarında birleştiriyorlar.

Arkhipov: “Veri data değil; modeller de data değildir. Sadece verileri birleştirip bütünleştirerek bilgiye yaklaşmamıza destek olabilirler.”

Bireysel nöronlar; kod satırlarına yerleştirildikten sonrasında, modelciler devrelerin gerçekçi simülasyonlarını oluşturmak için, bu hücresel rekreasyonları bir araya getirirerek, beynin bir takım birbirine bağlı nörondan meydana getirilen data otoyollarını oluştururlar. Ekip, PLOS Computational Biology Dergisi’nde 45.000 sanal nöronu birleştiren, ilk “biyo-gerçekçi dönem modeli”ni tanımlayan ve görsel bölümün en büyük kısmı olan fare birincil görsel korteksinin belirli bir katmanını tekrardan oluşturmak için bir emek verme yayınladı.

Bireysel nöron modelleri; dönem modeli ve araştırmacıların kendileri için kullandıkları tüm araçlar çevrimiçi olarak halka açıktır. Araştırma ekiplerinin bu modelleri geliştirmek için yaptıkları çalışmalarının mühim bir kısmı; Allen Beyin Bilim Enstitüsü Yazılım Mühendisi Kael Dai ve ekibinin, geliştirilen dosya formatı tarafınca yürütülen yeni bir yazılım paketi yaratmasını sağlamış oldu. Beyin Projesi, sinirbilim topluluğundaki öteki kişilerin kendi modellerini oluşturmalarını ve paylaşmalarını sağlamak için açık kaynak olmuştur.

Araştırmacılar; o zamandan beri, şu anda birincil görsel korteksin tüm katmanlarını temsil eden ortalama 230.000 nöron yapı taşı içerecek şekilde dönem modelini genişletti. Beynin bu bölümündeki çeşitli nöron tiplerinin çeşitliliği; her biri binlerce kez tekrarlanan, 100’den fazla değişik nöron modeli kullanılarak tanımlanmıştır.

O zamandan beri, model devrelerini; beynin iyi mi olduğu ve niçin olduğu benzer biçimde, iyi mi yapıldığına dair tahminlerde bulunmak için kullandılar. Bu durumda, farelerin (ve muhtemelen insanların) belirli hareket taraflarını tespit etmelerine müsaade eden nöronlara bakıyorlardı. Bir şey sağdan sola yada yukardan  aşağıya yerine soldan sağa doğru hareket ettiğinde değişik nöronlar ateşleniyor.

Dönem modelleri üstünde çalışan Allen Beyin Bilimi Enstitüsü Hesaplamalı Sinirbilimci Yazan Billeh: “Bir yazılım mühendisi belirli bir hareket yönünü tanımak için bir program tasarlıyorsa; (mesela, kendi kendini devam eden araçlar) bu işlevi bir bilgisayara dönüştürmenin değişik yolları olabilir. Sadece sual şu: Biyoloji bunu iyi mi yapıyor? Bu aşamada modelleme devreye giriyor…”

Beynin Sanal Simülasyonları ve İlk Biyo-Gerçekçi Dönem Modeli 2 – beynin sanal simulasyonlari ve ilk biyo gercekci devre modeli 5dffab022ed84
Allen Enstitüsünde inşa edilmiş ve 230.000 nöron yapı taşı modeli içeren, fare görsel korteks beyin devresinin büyük ölçekli bir modelinin görselleştirilmesi. /Sergey Gratiy/Allen Institute

Soyutlama Düzeyleri

Hangi ayrıntıları dahil edeceğinizi ve hangisinin bir beyin modelinden çıkacağını bulduğunuzda; modelinizin cevaplamasını istediğiniz probleminin türünü bilmenize destek verir.

Teeter: “Bir arabanın ne kadar süratli bulunduğunu motorun gücüne bakmak yerine koltuk döşemeleri benzer biçimde ayrıntıları değerlendirerek söylemek yanlış olur. İşte modelemeyle bu ayrıntıları görmezden gelmiş olarak, aslolan tek bir noktaya ulaşıyoruz.”

Teeter ve Mihalas; nöronların daha kolay rekreasyonlarını meydana getiren, nöronların dallanan ağaç benzeri şekillerini görmezden gelen modeller ve boşlukta tek nokta olarak temsil eden bir ekiple beraber çalıştı. Vakit ve işlem gücünden tutum etmek için, büyük dönem modellerinin ortalama dörtte üçü bu kolay yapı taşlarından yapılmıştır.

Bu kolay modeller; bir ağdaki nöronların aktivitelerini ve uyguladıkları hesaplamaları çoğaltmaya odaklanan modeller için muhteşem bir yapı taşı olabilir. Gerçekte; araştırmacılar boşlukta işaretli nöron modelleri ile inşa edilen devrelerin, beyin aktivitesi simülasyonlarında biyo-gerçekçi nöron modelleri ile meydana getirilen devrelere fazlaca benzer şekilde davrandığını tespit etti. Sadece, beynin bir nöronun yüzeyindeki belirli bir proteinle etkileşime giren, yeni bir ilaca iyi mi tepki verebileceğini kestirmek için, bir hesaplama modeli kullanmak istenirse, daha detaylı sürümlere gerekseme olacaktır.

Washington Üniversitesi Nöronal Dönem ve Hesaplama Teorileri Araştırmacı ve Fizyoloji ve Biyofizik Profesörü Adrienne Fairhall: “Sinirbilimde, beynin hesaplamada kullandığı algoritmaları anlamamıza destek olmak için; yüksek düzeyde, bununla beraber düşük seviyelerde teorilere ihtiyacımız var. Böylece beynin biyofiziksel özelliklerinin bu hesaplamaları iyi mi ürettiğini anlıyoruz. Birçok deneysel emek vermeden data toplayan ve bir topluluk deposu olarak hizmet eden kuvvetli biyofiziksel düzey modelleri oluşturmak, bir çok laboratuvarın kapsamı dışındadır. Bu, Allen Enstitüsü araştırmacıları için muhteşem bir hedef… ”

Modellemenin Tesiri

Beynin Sanal Simülasyonları ve İlk Biyo-Gerçekçi Dönem Modeli 3 – beynin sanal simulasyonlari ve ilk biyo gercekci devre modeli 5dffab025466a
Allen Enstitüsü’nün hususi sunucu odası/Allen Enstitüsü

Allen Beyin Bilimi Enstitüsü Hesaplamalı Teorisyen Michael Buice; sinirbilim verileri ve modellerinin, daha iyi bilgisayar programları oluşturulmasına destek olabileceğini söylüyor.

Buice: “Suni zekanın ilk dalgası, kati ve mantıklı kurallar kullandı. Sadece insan beyni hakkında ne kadar fazlaca şey öğrenirsek, bir o denli da kati olmadığını anlarız. Mesela; bir masaya baktığınızı söylediğinizde; beyniniz masanın ne olduğu ve tanımlanması için kuralların bulunduğunu bilir. Beyinde bir çeşit masa boşluğu vardır. Bunun sebebi; mesela tamamımız bir tablo hakkında azca ya da fazlaca aynı fikre sahibizdir. Geri kalan bulanık alana haiz olmamız ise; objenin işlevselliğiyle ilgilidir.”

Bilgisayar bilimcileri, makine öğrenmesi esnasında bu bulanıklığı yazılımı daha sinirsel hale getirerek yansılamak ediyor. Böylece programlar; insan performans düzeyine fazlaca daha yakınlaşmakta ve çoğunlukla bu tarz şeyleri aşmaktadır.

Buice ve ekibi; araştırmacıların farelerden (değişik görüntüler ve filmler izlerken) gerçek zamanlı olarak ateşlenen beyin hücrelerinde, büyük ölçekli bir deneysel platform olan Allen Brain Observatory’den gelen verilerle çalışıyor. Hangi nöronların belirli bir görüntüye yanıt vereceğini tahmin edebilmek ve sonunda bir beyin aktivitesi paternine bakabilmek ve bu belirli nöronları ateşe veren kati görüntüyü tahmin edebilmek için kafi veri toplamak istiyorlar.

Emek harcamalar; gülünç şekilde işlenen bilim-kurgulardaki zihin okuma düzeyinin zor bulunduğunu ortaya çıkarıyor. Bu sebeple beynin görsel işleme kısmı, araştırmacıların ilk düşündüğünden bile daha bulanık… Fakat eğer nöronları hakkaten yaşayan bir hayvanda davrandıkları benzer biçimde modellemekte başarıya ulaşmış olurlarsa; (daha detaylı seviyelerindeki nöronların modelleri ile beraber) bu, hesaplama sinirbilimi için büyük bir adım olacaktır.

Buice: “Bu bizlere hücreleri hakkaten neyin ateşlediğini öğretir.”

Teeter: “Tüm beynin çalışan bir modelinden hakkaten fazlaca uzaktayız. Ümit ederim bunların hepsini beynin iyi mi çalmış olduğu hakkında küresel bir düşünce olarak birleştirebiliriz.”

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir