Poboljšavanje modela mozga s ZAPBench

U suradnji s HHMI Janelia i Harvardom, predstavljamo ZAPBench, skup podataka i benchmark aktivnosti cijelog mozga s razlučivosti pojedinačnih stanica na larvi ribe zebrice, kako bismo omogućili razvoj i usporedbu preciznijih modela aktivnosti mozga. Brzi linkovi: Članak, Skupovi podataka, Kod i Tutoriali

Unutar svakog mozga krije se ogroman broj neurona koji šalju složene uzorke električnih impulsa kroz ogroman i složeni mrežni sistem sinapsi. Razumijevanje ovih uzoraka ključno je za razumijevanje kako generiraju složeno ponašanje. Potraga za konektomom – potpunim mapiranjem svih neuralnih veza u mozgu – nudi moćan pristup ovom problemu. Google je u posljednjih deset godina donio fundamentalne doprinose konektomu, stvarajući mape u nekoliko vrsta, uključujući i ljude. Ali ove strukturalne mape mogu nas odvesti samo do određene mjere. Govore nam kako su stanice povezane, ali da bismo razumjeli kako se te veze koriste, trebamo podatke koji snimaju dinamičku aktivnost neurona tijekom vremena.

Istraživači su ranije snimili veliku razinu aktivnosti mozga i razvili modele na temelju tih promatranja, ali takvi napori nikada nisu istovremeno mapirali detaljnu strukturalnu konektomu i snimali funkcionalnu aktivnost preko značajnijeg dijela istog mozga. Da bismo popunili tu prazninu, zajedno s suradnicima iz HHMI Janelia i Harvardskog univerziteta, stvorili smo skup podataka cijelog mozga larve ribe zebrice. Ovaj skup podataka sadrži snimke otprilike 70.000 neurona, a u procesu smo generiranja potpunog konektoma za uzorak za koji su snimljene podatke o aktivnosti. Ova jedinstvena kombinacija omogućit će, prvi put, direktno istraživanje odnosa između točne strukturalne provodnice i dinamičkih uzoraka neuralne aktivnosti preko cijelog kičmenjačkog mozga.

U ovom članku opisujemo skup podataka aktivnosti cijelog mozga i Zebrafish Activity Prediction Benchmark, ZAPBench, koji ovu sedmicu objavljujemo na ICLR 2025. S otvorenim izvorom skupom podataka ZAPBench, istraživači raspolažu detaljnim snimkama koje mogu koristiti za izgradnju modela aktivnosti mozga, a pomoću benchmarka mogu kvantificirati točnost prediktivnih modela.

Benchmarkiranje modela mozga

Uvod u benchmarkiranje

Pojava podataka o benchmarkima, koji omogućuju procjenu i usporedbu modela strojnog učenja (ML), dovele su do ogromnih napretaka u različitim domenama. Slično kao što su ML benchmarkovi potaknuli napredak u prognoziranju vremena, računalnom vidu i modeliranju jezika, sada daju poticaj i polju neuroznanosti. Postojeći napori poput Dynamic Sensorium Competition, koji su poboljšali naše razumijevanje kako se vidni kortekis miševa obrađuje vizualne stimuluse, pokrivaju samo mali dio mozga koji su proučavali (manje od 0,1%). ZAPBench je jedinstven jer pokriva gotovo cijeli mozak male kičmenjačke životinje.

Cjeloviti mozak aktivnosti u maloj kičmenjačkoj životinji

Tradicionalno, neuroznanstvenici proučavaju neuralnu aktivnost razlažući složena ponašanja na manje dijelove. Na primjer, da bi proučavali lov, mogli bi posmatrati sposobnosti osjetanja gladi stanica i organa, olfaktorni sustav koji životinji omogućuje da osjete svoju plijen, vizualni sustav za praćenje i sl. Ali složena ponašanja gotovo uvijek uključuju više područja istovremeno, uključujući osjet, donošenje odluka, memoriju i pokret. Da bismo to još više komplikovali, neuralna obrada je distribuirana kroz cijeli mozak. ZAPBench uzima jedinstven pristup koji se fokusira na aktivnost u cijelom mozgu kičmenjačke životinje. Ispoljavajući pionirski rad na snimanju cjelovite aktivnosti mozga od suradnika iz Janelije, izgradili smo naš skup podataka i benchmark s slikama snimljenim iz cijelog mozga larve ribe zebrice. Odabrali smo larvu ribe zebrice iz nekoliko razloga. Samo šest dana star, sposobna je izvoditi složene zadatke koji uključuju učenje motora i memoriju, kao što su prilagođavanje kretanju struja i svjetlosnim uvjetima, lov na malu plijen i sjećanje na opasne okoline. Nadalje, i najvažnije, mala je i prozirna, a cijeli njen mozak može se snimiti pod specijaliziranom mikroskopom.

Da bismo prikupili podatke za naš benchmark, suradnici Alex Chen i Misha Ahrens iz HHMI Janelije snimili su aktivnost mozga ribe pod specijaliziranom svjetlosnom mikroskopom koja koristi laserski zrak da skenira mozak po tankom sloju po tanak sloj i generira 3D sliku. Ribu su inženirali da izražavaju GCaMP, genetski kodirani indikator kalcija koji sjaji svijetlozeleno kada se veže za kalcijeve ione koji ulaze u aktivne neurone. Da bismo dobili jasnu sliku ovih proteina dok su sjajali, ribu su imobilizirali u želatinoznu tvar. Da bismo mjereni odgovor njenog mozga na različite stimuluse, generirali smo računalne simulacije različitih okruženja i promatrali odgovor mozga.

Prednosti ZAPBench

Detaljan skup podataka

ZAPBench pruža detaljne snimke koje istraživači mogu koristiti za izgradnju modela aktivnosti mozga. Skup podataka sadrži snimke otprilike 70.000 neurona i generiranje potpunog konektoma za uzorak za koji su snimljene podatke o aktivnosti. Ova jedinstvena kombinacija omogućit će, prvi put, direktno istraživanje odnosa između točne strukturalne provodnice i dinamičkih uzoraka neuralne aktivnosti preko cijelog kičmenjačkog mozga.

Benchmark za kvantificiranje točnosti

Pomoću benchmarka ZAPBench, istraživači mogu kvantificirati točnost prediktivnih modela. Ovo omogućuje usporedbu različitih modela i odabir najpreciznijih za daljnje istraživanje. Benchmark također pruža standard za procjenu napretka u polju neuroznanosti, što može potaknuti daljnja istraživanja i razvitak novih metoda.

Primjena u različitim poljima

ZAPBench može se primijeniti u različitim poljima, uključujući neuroznanost, biotehnologiju i medicinu. Može pomoći u razumijevanju složenih neuralnih procesa, razvoju novih terapija za neurološke poremećaje i razvoju novih tehnologija za rehabilitaciju. Također može biti koristan u razvoju autonomnih sustava koji trebaju razumjeti i reagirati na složene okoline.

Zaključak

ZAPBench predstavlja revolucionaran korak u polju neuroznanosti, pružajući detaljne snimke aktivnosti mozga i benchmark za kvantificiranje točnosti prediktivnih modela. Ovaj skup podataka i benchmark mogu pomoći u razumijevanju složenih neuralnih procesa, razvoju novih terapija za neurološke poremećaje i razvoju novih tehnologija za rehabilitaciju. Također može biti koristan u razvoju autonomnih sustava koji trebaju razumjeti i reagirati na složene okoline.

Česta pitanja

Koji su prednosti ZAPBench?

ZAPBench pruža detaljne snimke koje istraživači mogu koristiti za izgradnju modela aktivnosti mozga. Skup podataka sadrži snimke otprilike 70.000 neurona i generiranje potpunog konektoma za uzorak za koji su snimljene podatke o aktivnosti. Ova jedinstvena kombinacija omogućit će, prvi put, direktno istraživanje odnosa između točne strukturalne provodnice i dinamičkih uzoraka neuralne aktivnosti preko cijelog kičmenjačkog mozga. Također pruža benchmark za kvantificiranje točnosti prediktivnih modela, što omogućuje usporedbu različitih modela i odabir najpreciznijih za daljnje istraživanje.

Kako se ZAPBench može primijeniti?

ZAPBench može se primijeniti u različitim poljima, uključujući neuroznanost, biotehnologiju i medicinu. Može pomoći u razumijevanju složenih neuralnih procesa, razvoju novih terapija za neurološke poremećaje i razvoju novih tehnologija za rehabilitaciju. Također može biti koristan u razvoju autonomnih sustava koji trebaju razumjeti i reagirati na složene okoline.

Koliko je skup podataka ZAPBench?

Skup podataka ZAPBench sadrži snimke otprilike 70.000 neurona i generiranje potpunog konektoma za uzorak za koji su snimljene podatke o aktivnosti. Ova jedinstvena kombinacija omogućit će, prvi put, direktno istraživanje odnosa između točne strukturalne provodnice i dinamičkih uzoraka neuralne aktivnosti preko cijelog kičmenjačkog mozga.

Kako se ZAPBench koristi?

ZAPBench pruža detaljne snimke koje istraživači mogu koristiti za izgradnju modela aktivnosti mozga. Pomoću benchmarka ZAPBench, istraživači mogu kvantificirati točnost prediktivnih modela. Ovo omogućuje usporedbu različitih modela i odabir najpreciznijih za daljnje istraživanje. Benchmark također pruža standard za procjenu napretka u polju neuroznanosti, što može potaknuti daljnja istraživanja i razvitak novih metoda.