Каждый день наш мозг принимает бесчисленное количество решений - от выбора перехода через дорогу до выбора наиболее эффективного маршрута до супермаркета. Тем не менее, многие из этих решений, даже те, которые требуют от нашего мозга одновременного учета нескольких источников информации, принимаются так быстро, что мы почти не осознаем вовлеченный процесс.
Ян Другович, доцент кафедры нейробиологии Института Блаватника Гарвардской медицинской школы, заинтригован этим процессом. Как нейробиолог с докторской степенью в области машинного обучения, он использует вычислительную линзу для изучения того, как работает мозг. Его особенно интересует, как мозг воспринимает информацию об окружающем мире и использует эту информацию для информирования о своем поведении. Лаборатория Друговича занимается теорией, объединяясь с экспериментаторами для проверки теорий с помощью вычислительных инструментов.
В беседе с Harvard Medicine News Другович подробно останавливается на своем исследовании того, как мозг обрабатывает информацию, чтобы принимать решения за доли секунды. Он также обсуждает роль вычислений и важность сотрудничества в разгадывании тайн принятия решений, пишет medicalxpress.com.
HMNews: Какие аспекты мозга и поведения вы изучаете?
Другович: Большая часть нашей работы сосредоточена на сенсорном восприятии в очень короткие сроки - от миллисекунд до секунд - и на том, как мы превращаем эти ощущения в решения. Например, повседневный человеческий опыт принимает решение о переходе дороги. Для этого нам нужно выяснить, безопасна ли дорожная ситуация, в том числе успеем ли мы перейти дорогу до прибытия машины. Для большинства людей это решение происходит неосознанно с использованием различных источников информации, таких как поток транспорта слева и справа и звук встречных машин. В моей лаборатории мы изучаем процессы, подобные этому, которые происходят автоматически и эффективно в мозгу. Мы спрашиваем, как мозг объединяет несколько источников информации во времени, чтобы принимать такие решения?В последние несколько лет мы изучаем все более сложные области того, как мы делаем этот выбор. Мы показали, что многие из этих вариантов выбора следуют принципам принятия статистических решений, поскольку информация, которой мы располагаем, является неопределенной, поэтому мы должны сопоставить различные источники информации друг с другом и спросить: «Достаточно ли мы уверены, чтобы сделать выбор? " Моя лаборатория разрабатывала статистические модели, отражающие процесс, включая такие сложности, как компромисс между скоростью и точностью.
Теперь мы переходим к пониманию более непрерывного поведения, такого как навигация. Например, отслеживание направления во время навигации - это процесс, в котором нет отдельных шагов - мы постоянно отслеживаем свое направление и используем эту информацию для принятия поведенческих решений. Мы хотим знать, как мозг делает это в непрерывном масштабе времени.
HMNews: В своих исследованиях вы используете вычислительные инструменты. Что такое вычислительная нейробиология?
Другович: В настоящее время существует две формы вычислительной нейробиологии. Традиционная вычислительная нейробиология включает построение моделей на языке математики, физики и инженерии для описания гипотез о том, как мозг выполняет вычисления. Эти вычисления обычно связаны с тем, как мозг обрабатывает информацию об окружающем мире. Также появилась новая форма вычислительной нейробиологии, которая способна собирать гораздо большие наборы данных о мозге. Этот вид вычислительной нейробиологии включает разработку и использование более сложных инструментов для обработки сложных нейронных данных. И то, и другое мы используем в своей работе.В центре внимания моей лаборатории - то, как люди и животные справляются с недостоверной информацией. По сути, вся информация о мире, которой мы располагаем, является неопределенной, и работа с неопределенной информацией перемещает нас в сферу статистики. Мы используем множество статистических инструментов, потому что они обеспечивают адекватный язык, чтобы говорить о убеждениях о вещах в мире. В частности, мы используем байесовскую статистику, чтобы сформулировать модели того, как неопределенная информация обрабатывается в абстрактном смысле. Затем мы используем инструменты из физики, чтобы определить, как обработка информации, с которой мы работали на статистическом уровне, может быть реализована в мозгу. Здесь на помощь приходит биология - она вводит ограничения на то, как работает мозг и как он выполняет эти статистические вычисления.
HMNews: В вашей недавно опубликованной статье в Neuron о навигации в мозге используются некоторые из вышеперечисленных подходов. Не могли бы вы рассказать нам об этой работе поподробнее?
Другович: Наше исследование основано на более раннем экспериментальном наблюдении за клетками места , популяцией клеток в гиппокампе мозга, которые представляют наше местоположение в космосе. Это наблюдение, сделанное на мышах и крысах, заключается в том, что пока грызун стоит на месте, клетки места внезапно становятся активными в быстрой последовательности всплесков, которые, кажется, имитируют траекторию движения животного в окружающей среде. Есть две гипотезы о роли этой деятельности. Во-первых, это помогает нам запомнить то, что мы делали раньше, и перенести это в долговременную память. Во-вторых, это помогает нам планировать навигацию в будущем.Прежде чем рассматривать эти гипотезы, мы хотели уточнить наше понимание того, что на самом деле делают эти всплески, за счет лучшего понимания данных. Мы использовали существующие данные о крысах, добывающих пищу в среде с расстояния два на два метра, и применили байесовские статистические методы, чтобы получить более полную картину активности клеток места.
Раньше ученые думали, что только небольшая часть всплесков в клетках места стимулировала траектории через открытую среду. Однако мы обнаружили, что большинство всплесков являются частью этих траекторий. Кроме того, траектории этих всплесков имеют импульс, как если бы животное действительно двигалось в пространстве, даже если оно неподвижно. Это интересно, потому что более ранние исследования активности клеток места во время сна показали, что траектории этих всплесков не имеют импульса. Таким образом, наши результаты показывают, что всплески активности в клетках места могут играть принципиально разную роль в зависимости от того, бодрствует ли животное или спит. Теперь, когда у нас есть эта информация, мы можем вернуться к построению вычислительных моделей, чтобы понять, как ячейки мест помогают нам планировать мир и ориентироваться в нем.
HMNews: Как вы думаете, почему нейробиология движется в направлении вычислений?
Другович: Я думаю, что использование большего количества вычислительных инструментов является отчасти ответом на многочисленные современные возможности для сбора сложных данных. Раньше, если мы записывали с одного нейрона, когда животное выполняло простую задачу, мы могли интерпретировать наши данные без использования сложных моделей. Теперь мы регулярно записываем данные от сотен или тысяч нейронов мозга, пока животные выполняют сложные задачи, что приводит к данным, которые можно проанализировать только с помощью сложных вычислительных моделей. Было осознание того, что большинству нейробиологов необходимо хотя бы базовое понимание того, как работают эти вычислительные модели, что дало толчок к большей грамотности в вычислительной нейробиологии.С этой целью я являюсь одним из руководителей сертификационной программы по вычислительной нейробиологии для аспирантов HMS. Программа началась, потому что мы заметили растущую потребность студентов в обучении количественным навыкам, однако предлагаемые нами курсы в этой области были недостаточно широкими. Наша цель - разработать новые курсы, которые предоставят студентам навыки, необходимые для понимания всего набора вычислительных инструментов , разрабатываемых для анализа данных нейробиологии. Мы также хотим повысить сплоченность сообщества вычислительной нейробиологии в HMS и предоставить больше форумов, где студенты могут обсуждать вопросы в этой области.
HMNews: Что побудило вас заняться компьютерной нейробиологией?
Другович: Я хотел стать вычислительным нейробиологом, потому что я твердо убежден, что понимание мозга требует сложного мышления, которого нельзя достичь с помощью одной лишь интуиции - и многие традиционные эксперименты полагаются на интуицию. Очень часто я обнаруживаю, что все идет не так, как я ожидал, что укрепляет мою веру в то, что мы должны строить формальные модели того, как работает мозг, чтобы добиться прогресса в нашем понимании. Формулировка этих моделей расширяет нашу способность думать о сложных взаимодействиях в мозге, которые выходят за рамки того, что мы можем держать в голове. Мы отдаем эту сложность на аутсорсинг инструментам, разработанным в области математики и физики.В общем, мной движет любопытство, я пытаюсь понять что-то новое и пытаюсь открыть для себя принципы, определяющие нашу деятельность. В моей лаборатории мы любим задавать конкретные вопросы, потому что это единственный способ делать экспериментально проверяемые прогнозы. Однако мы надеемся обнаружить общие принципы, лежащие в основе этих вопросов. Если мы изучаем, как животное выполняет определенное поведение, мы пытаемся извлечь из этой конкретной ситуации обобщение, которое мы можем проверить в другой серии экспериментов. Вычислительная нейробиология дает нам инструменты, необходимые для изучения этих вопросов.
HMNews: В своей работе вы часто объединяетесь с коллегами из других областей нейробиологии. Почему?
Другович: Построение теорий и проведение экспериментов требуют другого набора навыков, поэтому сотрудничество позволяет теоретикам вроде меня плодотворно работать с одаренными экспериментаторами.В вычислительной нейробиологии существует множество теорий, которые остаются непроверенными, поэтому, сотрудничая с экспериментаторами, мы можем проверить эти теории, чтобы увидеть, подтверждаются ли они данными.
В некоторых случаях мы работаем с учеными, проводящими эксперименты на людях. Преимущество экспериментов над людьми состоит в том, что обучение происходит быстро - люди могут сразу выполнять сложные задачи. Недостаток в том, что им сложно заглядывать в мозг. По другим вопросам, особенно о конкретных нейронных связях, мы сотрудничаем с учеными, изучающими животных. Например, мы работаем с Рэйчел Уилсон, которая изучает нейрофизиологию дрозофилы <плодовой мушки>. Мы спрашиваем, как конкретная нейронная цепь в мозге дрозофилы выполняет определенные вычисления? Мы надеемся, что обнаруженные нами мотивы могут быть обобщены для разных видов, включая людей.
В моей лаборатории мы, возможно, сможем разработать теории голубого неба, но, в конце концов, нам нужно связать эти теории с данными, собранными в реальном мире. Это позволяет нам работать с людьми, которые проводят эксперименты.
