日本研究人员开发了一种机器学习模型，通过测量来自神经元本身的信号，科学家可以重建大脑的神经回路。

 

据该领域的专家称，沐鸣测速地址大脑被认为是现存最复杂的系统之一。虽然在了解大脑如何工作方面取得了重大进展，但研究人员往往会对这个实体产生更多的疑问，而不是答案。

 

然而，机器学习模型的创造者——来自京都大学的一个团队——相信它有潜力更清楚地解释不同大脑区域神经元计算的差异。

 

为了理解大脑，神经病学家必须观察构成大脑的神经元。我们的整个感知世界贯穿着我们大脑中数十亿个细胞，而这些细胞之间的联系——即所谓的突触——以指数级的数量增加。因此，这对我们理解大脑是一个挑战。

 

茂Shinomoto从京都大学科学学院的领导该项目,解释说,虽然可以记录个人大脑中的神经元的活动,这一数字在过去的十年里急剧增加,这仍然是一个挑战,在地图上标出这些细胞如何连接到对方。

 

Shinomoto解释说:“研究表明，通过分析神经元信号之间的相关性，可以估计神经元之间的连通性。”“但由于来自其他神经元的大量外部噪音，很难做出准确的推断。”

 

作为研究的一部分，该团队构建了一种分析方法，从单个神经元中提取信号峰值，并据此估计神经元间的连接。

 

为了消除数据污染的“噪音”，研究人员将机器学习的基本模型广义线性模型(GLM)应用到一个交叉相关图(相关统计的图像)中，记录神经元之间的放电相关性。

 

“我们称我们的分析为GLMCC，它估计了突触膜电位单位的神经连接强度，”东京国立信息学研究所(NII)的Ryota Kobayashi说。

 

“为了确认我们的数据是否反映了真实世界的连通性，我们通过一个大型神经元网络的模拟来评估其准确性。我们证实，新模型的准确率高达97%，远远高于以前的任何方法。”

 

应用GLMCC程序可以得到大脑电路图

 

应用GLMCC程序可以得到大脑电路图

 

然后将该模型应用于大鼠海马(一种深嵌于各大脑皮层颞叶的大脑结构)神经元活动的实验数据。当分析时，研究小组发现这些估计的联系与其他生理线索的推断结果相吻合。

 

深度学习模型的“即时可用”版本已经在网上发布，研究小组希望它能被世界各地的神经科学家所利用。

 

Shinomoto总结道:“随着技术的进步，我们收集的神经学数据量将会增加。我们的新分析模型对处理这些信息至关重要，它将使我们更好地理解我们的大脑是如何处理我们周围的世界的。”

 

《自然通讯》杂志上发表了一篇论文，题为《从平行脉冲序列重建神经回路》。

 

今年4月,来自加州大学伯克利分校的研究人员和美国研究所分子制造(iMM)预测,指数在纳米技术方面的进展,纳米,人工智能和计算的发展将导致“人类大脑/云接口”,会给人即时访问大量知识和计算能力通过觉得孤单。

 

2018年10月，E&T探索了神经成像方面的进展，沐鸣测速这可能为研究人员实时观察大脑活动铺平道路，研究这些新技术如何重塑精神疾病的诊断和治疗方式。