مقدمه ای کوتاه بر علوم اعصاب محاسباتی- قسمت اول

درک و مدل سازی مغز انسان

1. معرفی

علوم اعصاب محاسباتی تنها حوزه ای است که میتواند به شما در درک چگونگی تفکر و پردازش داده در مغز کمک کند. حتی در حالیکه شما این جمله را میخوانید اعمال زیادی در مغزتان در حال وقوع است که میتوان با مطالعه نرونها آنها را رمزگشایی کرد. هدف نهایی علوم اعصاب محاسباتی توضیح این مساله میباشد که چگونه سیگنالهای الکتریکی و مواد شیمیایی در مغز در جهت تصویر سازی از داده و پردازش آن به کار گرفته میشوند. این حوزه مکانیزمهای بیوفیزیکی محاسبات در مغز را توضیح میدهد و شبیه سازهای مدارهای نورونی و مدلهای یادگیری را بررسی میکند.

نرون عصبی

در این رشته بحث درباره ریاضیات, ترکیبات (permutation) و معادلات شیمیایی که در مغزمان رخ میدهد میباشد. این مقاله در سه قسمت عرضه میگردد. در قسمت اول علوم اعصاب محاسباتی به اختصار توضیح داده میشود که شامل نقش نورونها, آناتومی آنها و مدل هایی میشود که عملکردهای مغز را توضیح میدهند.

در چند دهه اخیر پیشرفتهایی در شبکه های عصبی مشاهده میشود که به طور کامل از علوم اعصاب محاسباتی الهام کرفته اند. الگوریتمها یا مدلهایی که در بسیاری از زمینه ها از جمله شبکه های عصبی و بینایی ماشین مورد استفاده قرار میگیرند از درک نظری علوم اعصاب ناشی شده اند. همه آنچه درباره مغز میدانیم این است که سریع و هوشمند کار میکند, ورودی را از محیط دریافت و در انتهای یک سری فعل و انفعالات شیمیایی راه حل یا خروجی را بدست میدهد.

2. علوم اعصاب

اصطلاح “علوم اعصاب محاسباتی” با نام اریک شوارتز (Eric L. Schwartz) در  کنفرانسی در جهت مروری بر این حوزه گره خورد. تا قبل از آن نامهای متفاوتی مانند مدل سازی عصبی, نظریه مغز و شبکه های عصبی به کار گرفته میشدند. بعدها هوبل (Hubel) و ویسل (Wiesel) عملکرد نورونها در شبکیه و قشر ابتدایی بینایی را کشف کردند (به بخش 3 نگاه شود). در ادامه و به همراه رشد قدرت محاسباتی, بسیاری از دانشمندان این حوزه همکاری نزدیکی را با آزمایشگران در جهت آنالیز داده و طراحی مدلهای جدید از پدیده های زیستی آغاز کردند.

علوم اعصاب نظری

 علوم اعصاب رویکردهای متفاوتی را از مطالعات مولکولی و سلولی گرفته تا فیزیک شناسی روان (Psychophysics) و روانشناسی در بر میگیرد. هدف علوم اعصاب محاسباتی توضیح چگونگی بکارگیری سیگنالهای الکتریکی و مواد شیمیایی توسط مغز در جهت پردازش و تفسیر اطلاعات است. این رویکرد جدید نیست اما تغییرات اصلی در آن در دهه اخیر رخ داده است. اکنون مغز را بهتر میشناسیم و این به خاطر پیشرفتهایی است که درعلوم اعصاب و توانایی محاسباتی کامپیوتر رخ داده است و امکان شبیه سازی واقع گرایانه تر سیستمهای عصبی را فراهم می آورند و این به نوبه خود به بینش جدیدی از شبکه های عظیم نورونی با استفاده از مطالعه مدلهای ساده شده منجر گشته است.

فهم مغز چالشی است که هر روز تعداد بیشتری از دانشمندان از حوزه های گوناگون را به خود جذب میکند. با وجود اینکه با انفجاری از اکتشافات در مورد ساختار مغز در سطوح سلولی و مولکولی در دهه های اخیر مواجه بوده ایم اما هنوز نمیدانیم که سیستم عصبی چگونه ما را قادر به دیدن, شنیدن, یادگیری, به خاطر آوردن و برنامه ریزی اعمالی خاص میکند. حوزه های بسیاری وابسته به علوم اعصاب محاسباتی وجود دارند که از آن جمله شاخه های زیر را میتوان نام برد:

  • یادگیری عمیق, هوش مصنوعی و یادگیری ماشین
  • روانشناسی
  • علوم پزشکی
  • مدلهای ذهنی
  • آناتومی محاسباتی
  • نظریه اطلاعات

3. آزمایش هوبل و ویسل

این آزمایش را میتوان سرچشمه بینش نورونی نامید که سنگ بنای کاوش در علوم اعصاب محاسباتی است. پروفسور دیوید هوبل و پروفسور تورستن ویسل در ده 1950 آزمایشاتی را ترتیب دادند که در طی آنها فعالیتهای نورونی در شبکیه گربه را در حال نگاه کردن به نور متحرک ثبت میکردند. آنها به مشاهدات هیجان انگیزی در طی آزمایشات رسیدند. از جمله:

  • نورونها تنها در بعضی از حالتهای نوری عمل میکنند و نه همه آنها.
  • فعالیت نورونها وابسته به جهت و مکان خطوط نوری تغییر میکند.

سیگنالهای الکتریکی و شیمیایی ثبت شده از سلولهایی که شبکیه را به قشر بینایی متصل میکنند به صوت مبدل شد.     این اصوات در هنگام بازپخش ممتد نبوده بلکه تنها زمانی که نورون عمل میکرد شنیده میشدند. بدین ترتیب اساس چگونگی استخراج اطلاعات از شبکیه مشخص شد که میتواند به توضیح نحوه رمزگذاری این اطلاعات توسط نورونهای قشر ابتدایی بینایی یا V1 کمک کند.

4. سلولهای عصبی, آناتومی و هویت الکتریکی نورونها

برای درک چگونگی عملکرد مغز و اینکه ما چگونه میتوانیم فدنای پیرامونمان را درک کنیم در ابتدا نگاهی به بخش اصلی مغز یا همان نورون می اندازیم. نورونها واحدهای محاسباتی مغز هستند. آنها اشکال مختلفی دارند. از نورونهای قشر بینایی گرفته که هرمی (Pyramidal) هستند تا نورونهای مخچه که به آنها سلولهای پورکینی (Purkinje) میگویند.

ساختار نورونها

نورون از سه بخش اصلی به نام سوما (Soma) یا بدن, دندریتها (Dendrites) و آکسون (Axon) تشکیل شده اند. سوما جسم سلول است. دندریتها پایانه ورودی نورونها و آکسون پایانه خروجی نورون می باشد. بدین ترتیب ورودی ها از طریق دندریتها از آکسون نورون همجوار دریافت میشوند. این ورودی ها باعث تولید یک پتانسیل پس سیناپسی برانگیز (Excitatory Post-Synaptic Potential – EPSP) میشوند که وقتی به صورت ورودی جمعی از نورونها در نظرگرفته شوند باعث تولید پتانسیل عمل (Action Potential) یا اسپایک (Spike) میشوند. تولید اسپایک تنها در صورتی ممکن است که ورودی نورون به یک آستانه خاص برسد.

neuron

جالب است که بدانید نورون را میتوان ظرفی از مایع تعریف کرد که چکه میکند. حال این سوال مطرح است که فعل و انفعالات شیمیایی در نورون چگونه رخ می دهند. این یک مساله اساسی است که بسیاری از آن غافلند. نورونها کاملا در غالب شیمیایی فعالیت میکنند و همین شیمی نورون است که اسپایک و سیناپس را شکل میدهد. ما در اینجا با یونهای سدیم, کلر, پتاسیم و دیگر همکارانشان سر و کار داریم.

محتویات یک نورون در پوششی دوجداره از لیپیدها که از جنس چربی هستند محبوسند. این لایه دو جداره برای یونهایی مانند سدیم, پتاسیم و کلر غیر قابل نفوذ است. در این صورت مواد شیمیایی چگونه بین نورونها منتشر میشوند؟ برای پاسخ باید کانالهای یونی را بشناسیم.

کانالهای یونی

کانالهای یونی امکان انتقال یونها یا به کلامی بهتر گذر از داخل به خارج و برعکس آنها را فراهم میسازد. این مساله باعث ایجاد اختلاف پتانسیل بین محیط داخل و خارج نورون میشود. این اختلاف پتانسیل -70 mv در داخل نسبت به خارج است.

ionic channel

سدیم و کلر در خارج و سدیم و دیگر آنیون های ارگانیک در داخل نورون قرار دارند. برعکس این حالت نیز امکان پذیر است اما غلظت یونی کمتر میشود.

Organic Anion

سوال اینجاست که اختلاف پتانسیل -70 mv از کجا می آید؟ این عدد با پمپ کردن یونها به داخل و خارج نورون یا در واقع بیرون راندن سدیم و وارد شدن پتاسیم امکان پذیر میشود. کانالهای یونی بر اساس نوع دروازه هایشان طبقه بندی میشوند:

  • دروازه ای ولتاژی (Voltage-Gated) – که در آنها احتمال باز بودن کانال بستگی به ولتاژ غشا دارد.
  • دروازه ای شیمیایی (Chemically Gated) – که با اتصال مواد شیمیایی به کانال باز میشوند.
  • دروازه ای مکانیکی (Mechanically Gated) – که اعمال فشار یا کشیدگی باعث باز یا بسته شدن کانال میشود.

Ionic passage

تولید سیگنال در نورون

تولید سیگنال نورونی تعاملی است که میان نورونها در راستای انتقال اطلاعات انجام میشود. کانالهای دروازه ای که در بالا به آنها اشاره شد امکان تولید سیگنال را در روند زیر فراهم می آورند:

  • ابتدا ورودی ها از نورونهای دیگر باعث فعال شدن کانالهای دروازه ای شیمیایی میشوند که در واقع این کانالها گشوده شده و این خود باعث تغییر در پتانسیل محلی غشا میشود.
  • سپس این تغییر پتانسیل باعث بسته یا باز شدن کانالهای دروازه ای ولتاژی میشود که به غیرقطبی کردن (Depolarization) و به تعبیری تغییر مثبت در ولتاژ و یا بیش قطبی کردن (Hyperpolarization) که یک تغییر منفی در ولتاژ است می انجامد. مفهوم دیگر بازقطبی کردن (Repolarization) است که در آن سلول به پتانسیل واقعی خود بازمیگردد.
  • یک دپولاریزیشن که به اندازه کافی قوی باشد به اسپایک یا پتانسیل عمل منتهی میشود. در اینجا در واقع کانالهای دروازه ای ولتاژ برای سدیم باز شده و این یون از خارج به داخل سرازیر میشود و به نوبه خود باعث باز شدن کانالهای دیگر میشود تا زمانی که غیر فعال گردند.
  • هنگامی که کانالهای سدیم به آهستگی شروع به غیر غعال شدن میکنند, خروج یونهای پتاسیم باعث بازیابی پتانسیل غشا و بازشدن کانالهای بیشتر این یون و کاهش اسپایک میشود. در این هنگام به ریپولاریزیشن میرسیم.
  • سپس سلول همگام با باز ماندن کانالهای پتاسیمی منفی تر شده و امکان خروج بیشتر یونهای مثبت را میدهد. در این هنگام به هایپرپولاریزیشن میرسیم.
  • وقتی کانالهای پتاسیم بسته شوند نوبت به عمل پمپ سدیم-پتاسیم میرسد تا حالت استراحت سلول بازیابی شود.
  • بعد از تولید اسپایک در راستای آکسون منتشر میشود.
  • در طول آکسون کانالهای سدیم اول از همه گشوده میشوند و باعث افزایش در پتانسیل عمل میگردند که این خود بسته شدن کانالهای سدیم و باز شدن کانالهای پتاسیم را در پی دارد و به افت در پتانسیل عمل منجر میشود.

در زیر پتانسیل ثبت شده غشا در طول زمان به تصویر کشیده شده است:

Membrane potential

سرعت

سیگنالها بسیار سریع طول آکسون را طی میکنند و این دو دلیل دارد: اندازه آکسون و پوشش میلین (Myelin Sheath)  که ماده ای است محافظ و اجازه تردد یونها را نمیدهد.

Velocity

نقاط رانویه (Node of Ranvier) که در شکل بالا نمایش داده شده است مکانهایی هستند که بین هر کدام از پوششهای میلین واقع شده اند. در سیستم اعصاب محیطی میلین در غشا سلولهای شوان (Schwann) یافت میشود. در حالی که در سیستم اعصاب مرکزی الیگودندروسیتها (Olygodendrocyte) مسولیت محافظت را بر عهده دارند.

لازم به ذکر است که سیستم اعصاب محیطی از عصبها و گانگلیاهایی ساخته شده اند که خارج از مغز و نخاع قرار دارند. سیستم اعصاب مرکزی شامل مغز و نخاع میشود.

هنگامی که پتانسیل عمل طول آکسون را می پیماید احتمال از دست رفتن آن وجود دارد و اینجا است که وجود میلین به کار می آید.

Myelinated vs Unmyelinated Axon

پوشش میلین ظرفیت خازنی نورون را در نواحی تحت پوشش کاهش میدهد.  نورون تعداد زیادی یونهای منفی آشفته در طول غشا دارد که نیازمند است در جهت ایجاد تعادل تخلیه شوند بنابراین در دیواره غشا تجمع میکنند تا یونهای مثبت به کار آیند و آشفتگی آنها را بهبود بخشند. در نتیجه لایه ای از یونهای مثبت در بیرون و یونهای منفی در درون شکل میگیرد. پوشش میلین باعث میشود تعداد یونهای منفی کمتری به دیواره بچسبند بنابراین دسترسی آنها به یونهای مثبت کمتر میشود. این بدان معناست که هنگامی که پتانسیل عمل فرا میرسد راحت تر میتواند حالت دپولاریزه (تغییر مثبت در ولتاژ) در نواحی تحت پوشش میلین ایجاد کند و این بدان جهت است که یونهای منفی کمتری در این نواحی وجود دارند. نقاط رانویه کانالهای دروازه ای ولتاژی را در بر میگیرند که مکانی ایده آل برای تجمع یونهای منفی در جهت رسیدن به تعادل هستند. چنین روش پراکندگی پتانسیل عمل همانند جهش سیگنال از نقطه ای به نقطه بعدی است و به اصطلاح “هدایت پرشی” (Saltatory Conduction) نامیده میشود. این پدیده همچنین قادر است شکل موج یک اسپایک را توضیح دهد زیرا تا حد خاصی اوج میگیرد و دوباره کاهش میابد.

5. درک مغز

بعد از شناخت ساختار نورون و اینکه آنها چگونه با ارسال سیگنال و تولید مواد شیمیایی محاسبات انجام میدهند وقت آن است که رفتار مجموعه ای از نورونها را بررسی کرده تا مغز را بهتر درک کنیم. درک مغز همیشه مساله ای اسرارآمیز است زیرا گاهی نمیتوان عکس العمل مغز یا انسان را در بعضی موقعیتها پیشبینی کرد با وجود اینکه درگیر عملی با قاعده هستند. مغز اطلاعات فراوانی در نورونها و بر اساس نوع عملی که از آن سر میزند ذخیره میکند.. حال پرسش اینجا است که چگونه میتوانیم این اطلاعات را تفسیر کنیم؟

سه مدل محاسباتی برای درک مغز وجود دارند که به توضیح این سه پرسش اساسی میپردازند, “چه, چگونه و چرا”. این مدلها به نام توصیفی (Descriptive) , مکانیستی (Mechanistic) و تفسیری (Interpretative) شناخته میشوند.

مدل توصیفی: این مدل به پرسش “پاسخ نورونی به محرکهای بیرونی چه است؟” پاسخ میدهد. این دسته از مدلها حجم زیادی اطلاعات آزمایشی را مرور کرده و به توصیف آنچه که نورونها و مدارهای نورونی انجام میدهند میپردازد. هرچند آنها ریشه ای نه چندان قوی در یافته های بیوفیزیک, آناتومی و فیزیولوژیک دارند اما هدف اصلیشان توصیف پدیده ها است و نه توضیح آنها. دو مشخصه اصلی مدلهای توصیفی اینها هستند:

  • آنها به دنبال روشهای کیفی در جهت توصیف یک موقعیت یا داده از طریق رمزگذاری نورونی هستند.
  • همچنین سعی دارند دریابند که ما چگونه میتوانیم اطلاعات را از نورونها توسط تکنیکهای رمزگشایی نورونی استخراج کنیم.

مدل مکانیستی: این مدلها به این پرسش پاسخ میدهند که “چگونه سیستمهای عصبی بر اساس آناتومی, فیزیولوژی و مدارهای شناخته شده عمل میکنند. آنها میتوانند پلی میان مدلهای توصیفی و تفسیری باشند. دو پرسش اصلی این دسته عبارتند از:

  • چگونه میتوان رفتار تک نورون را با استفاده از کامپیوتر شبیه سازی کرد؟
  • شبکه ای از نورونها چگونه شبیه سازی میشوند؟

مدلهای تفسیری: این دسته مدلها از قواعد محاسباتی و علوم اطلاعات استفاده میکنند و سعی در کشف معنای رفتاری و شناختی جوانب مختلف عملکرد سیستم عصبی دارند و به پرسش “چرا سیستمهای عصبی به گونه ای خاص عمل میکنند؟” پاسخ میدهند. مدلهای تفسیری توضیح میدهند:

  • چرامغز به گونه ای خاص عمل میکند؟
  • اصول محاسباتی در بستر عملکرد مغز به گونه ای خاص چه هستند؟

ما را دنبال کنید که در بخش بعدی به بررسی “رمزگذاری و رمزگشایی در مغز” میپردازیم.

 

منبع

0 پاسخ به "مقدمه ای کوتاه بر علوم اعصاب محاسباتی- قسمت اول"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد.

*

code

تمام حقوق مادی و معنوی این سایت مربوط به آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی می باشد
X