Нейробиологи пытаются разобраться, как отдельные нейроны кодируют информацию, которая помогает нам отличать один объект от другого — например, лист от камня. Проблема в том, что существующие компьютерные модели слишком сложны, и ученые не могут понять, что именно делает каждый нейрон.

Чтобы решить эту задачу, исследователи из лабораторий Стрингера и Пачитариу в Janelia разработали упрощенную модель, объясняющую работу первичной зрительной коры — первого «перевалочного пункта» для визуальных данных в мозге.

Первичная зрительная кора — первый участок мозга, куда попадает информация от глаз. Здесь нейроны выделяют базовые признаки изображения: линии, углы, контраст.

Результаты опубликованы в издании Nature Communications.

Мы хотим создать модель, которая сможет предсказывать реакцию каждого отдельного нейрона на визуальные стимулы, — говорит Фэнтонг Ду, аспирант из лаборатории Стрингера, который руководил исследованием.

Понимание работы нейронов в зрительной коре — первый шаг к расшифровке визуального восприятия.

Это поможет ученым разобраться, как другие отделы мозга выполняют более сложные вычисления.

Наша зрительная система постоянно обрабатывает огромные объемы информации, и все эти сложные вычисления строятся на основе сигналов, которые генерируют нейроны первичной зрительной коры, — объясняет Карсен Стрингер, руководитель группы в Janelia. — Если мы поймем, как они работают, мы сможем разобраться в более сложных процессах.

Как создавали модель

Ученые записали активность более 29 000 нейронов в зрительной коре мыши, пока та рассматривала 65 000 изображений природных текстур — листьев, камней и других объектов. Затем они протестировали разные модели, чтобы найти самую простую, но при этом точную.

Лучшая модель смогла воспроизвести 75% визуальной информации — это намного лучше предыдущих попыток, где точность была около 50%. При этом модель обошлась всего двумя слоями вместо четырех.

Обычно в нейросетях каждый новый слой делает анализ более абстрактным, но усложняет понимание того, как именно система принимает решения. Исследователи обнаружили, что можно обойтись двумя слоями: первый — небольшой, второй — более широкий. Нейроны в сети используют общие признаки из первого слоя, а затем комбинируют их с дополнительными данными из второго.

Это позволило создать «мини-модели» для каждого нейрона — индивидуальные комбинации признаков, которые объясняют его реакцию. Оказалось, такие упрощенные модели работают не хуже сложных, но при этом их гораздо легче интерпретировать.

Мы нашли самый простой способ объяснить, как нейроны реагируют на визуальные стимулы, — говорит Ду. — Теперь у нас есть инструмент, который помогает понять, какие именно признаки важны для каждого отдельного нейрона.

Этот подход может привести к нескольким прорывам:

• Медицина — более точные интерфейсы «мозг-компьютер» для людей с нарушениями зрения.
• ИИ — более эффективные алгоритмы распознавания образов, вдохновленные биологическими системами.
• Нейронаука — понимание принципов работы других сенсорных систем (слух, осязание).

Модель тестировали только на мышах, а их зрительная система отличается от человеческой. Кроме того, использовались статичные изображения, тогда как в реальности мозг обрабатывает динамичные сцены.

Ранее мы разбирались, на что способна технология CRISPR.