Μια επιστήμη νευρικών δεδομένων: πώς και γιατί

Ο γενικός οδηγός για την επιστήμη δεδομένων σχετικά με τους νευρώνες

Ένας εγκέφαλος που κάνει επιστήμη δεδομένων. Πίστωση: Brain από τον Matt Wasser από το Noun Project

Αθόρυβα, κρυφά, διαμορφώνεται ένας νέος τύπος νευροεπιστήμονα. Από μέσα στις μυριάδες τάξεις των θεωρητικών έχουν αυξηθεί ομάδες νευροεπιστημόνων που κάνουν επιστήμη με δεδομένα σχετικά με τη νευρική δραστηριότητα, σχετικά με τα αραιά κατακερματισμό εκατοντάδων νευρώνων. Όχι η δημιουργία μεθόδων για την ανάλυση δεδομένων, αν και όλοι το κάνουν επίσης. Όχι η συλλογή αυτών των δεδομένων, για αυτό απαιτεί ένα άλλο, τρομερό, σύνολο δεξιοτήτων. Όμως οι νευροεπιστήμονες χρησιμοποιούν το πλήρες φάσμα των σύγχρονων υπολογιστικών τεχνικών σε αυτά τα δεδομένα για να απαντήσουν σε επιστημονικές ερωτήσεις σχετικά με τον εγκέφαλο. Έχει εμφανιστεί μια επιστήμη νευρικών δεδομένων.

Αποδεικνύεται ότι είμαι ένας από αυτούς, αυτή η γενιά επιστημόνων νευρωνικών δεδομένων. Κατά λάθος. Από όσο μπορώ να πω, έτσι γεννιούνται όλοι οι επιστημονικοί τομείς: κατά λάθος. Οι ερευνητές ακολουθούν τις μύτες τους, αρχίζουν να κάνουν νέα πράγματα και ξαφνικά βρίσκουν ότι υπάρχει ένα μικρό πλήθος από αυτούς στην κουζίνα σε πάρτι (επειδή είναι εκεί που βρίσκονται τα ποτά, στο ψυγείο - οι επιστήμονες είναι έξυπνοι). Λοιπόν, εδώ είναι ένα μικρό μανιφέστο για την επιστήμη των νευρικών δεδομένων: γιατί εμφανίζεται και πώς μπορούμε να το κάνουμε.

Ο λόγος είναι ο ίδιος με όλους τους τομείς της επιστήμης που έχουν εκτοξεύσει μια επιστήμη δεδομένων: η ποσότητα των δεδομένων ξεφεύγει. Για την επιστήμη της καταγραφής πολλών νευρώνων, αυτός ο κατακλυσμός δεδομένων έχει επιστημονική λογική. Οι εγκέφαλοι λειτουργούν μεταδίδοντας μηνύματα μεταξύ νευρώνων. Τα περισσότερα από αυτά τα μηνύματα έχουν τη μορφή μικροσκοπικών παλμών ηλεκτρικής ενέργειας: αιχμές, τα ονομάζουμε. Έτσι, σε πολλούς φαίνεται λογικό ότι εάν θέλουμε να καταλάβουμε πώς λειτουργούν οι εγκέφαλοι (και όταν δεν λειτουργούν) πρέπει να καταγράψουμε όλα τα μηνύματα που μεταδίδονται μεταξύ όλων των νευρώνων. Και αυτό σημαίνει καταγραφή όσο το δυνατόν περισσότερων αιχμών από όσο το δυνατόν περισσότερους νευρώνες.

Ένας εγκέφαλος μωρού ζέβραφ έχει περίπου 130.000 νευρώνες και τουλάχιστον 1 εκατομμύριο συνδέσεις μεταξύ τους. ένας εγκέφαλος με μέλισσα έχει περίπου ένα εκατομμύριο νευρώνες. Μπορείτε να δείτε πώς θα ξεφύγει πολύ γρήγορα. Αυτήν τη στιγμή καταγράφουμε κάπου μεταξύ δεκάδων έως μερικές εκατοντάδες νευρώνες ταυτόχρονα με τυποποιημένο κιτ. Στα όρια οι άνθρωποι καταγράφουν μερικές χιλιάδες, και ακόμη και μερικοί παίρνουν δεκάδες χιλιάδες (αν και αυτές οι ηχογραφήσεις καταγράφουν τη δραστηριότητα των νευρώνων με ρυθμούς πολύ πιο αργούς από τους νευρώνες που στέλνουν τις αιχμές τους).

Ονομάζουμε αυτό το σύστημα τρέλας νευροεπιστήμη: νευροεπιστήμη, για τη μελέτη των νευρώνων. συστήματα, για τολμηρό να καταγράφουν από περισσότερους από έναν νευρώνες κάθε φορά. Και τα δεδομένα είναι πολύπλοκα. Αυτό που έχουμε είναι δεκάδες έως χιλιάδες ταυτόχρονα καταγεγραμμένες χρονοσειρές, κάθε μία από τις ροές των γεγονότων spiking (πραγματικές αιχμές ή κάποιο έμμεσο μέτρο) από έναν νευρώνα. Εξ ορισμού, δεν είναι σταθερές, οι στατιστικές τους αλλάζουν με την πάροδο του χρόνου. Οι ρυθμοί δραστηριότητάς τους εξαπλώθηκαν σε πολλές τάξεις μεγέθους, από ήσυχο σκεπτικό μοναχού ως «τύμπανο σε μια σήραγγα αέρα». Και τα μοτίβα δραστηριότητάς τους κυμαίνονται από κανονικότητα ρολογιού, μέχρι τραύλισμα και θρυμματισμό, έως εναλλαγή μεταξύ περιόδων μανίας και περιόδων εξάντλησης.

Τώρα παντρευτείτε με τη συμπεριφορά του ζώου από το οποίο έχετε καταγράψει τους νευρώνες. Αυτή η συμπεριφορά είναι εκατοντάδες δοκιμές επιλογών. ή κινήσεις βραχιόνων ή διαδρομές που λαμβάνονται μέσω περιβάλλοντος. Ή την κίνηση ενός αισθητικού οργάνου, ή ολόκληρη τη στάση του μυϊκού συστήματος. Επαναλάβετε για πολλά ζώα. Ενδεχομένως πολλαπλές περιοχές του εγκεφάλου. Και μερικές φορές ολόκληροι εγκέφαλοι.

Δεν έχουμε αλήθεια. Δεν υπάρχει σωστή απάντηση. δεν υπάρχουν ετικέτες εκπαίδευσης για τα δεδομένα, εκτός από τη συμπεριφορά. Δεν γνωρίζουμε πώς ο εγκέφαλος κωδικοποιεί τη συμπεριφορά. Έτσι μπορούμε να κάνουμε πράγματα με ετικέτες συμπεριφοράς, αλλά σχεδόν πάντα γνωρίζουμε ότι αυτές δεν είναι η απάντηση. Είναι απλά στοιχεία για την «απάντηση».

Τα συστήματα νευροεπιστήμης είναι τότε μια πλούσια παιδική χαρά για όσους μπορούν να συνδυάσουν τις γνώσεις τους σχετικά με τη νευροεπιστήμη με την τεχνογνωσία τους για την ανάλυση δεδομένων. Μια επιστήμη νευρικών δεδομένων γεννιέται.

Πώς γίνεται - ή θα μπορούσε - να γίνει; Εδώ είναι ένας τραχύς οδηγός. Ο λόγος ύπαρξης του επιστήμονα νευρικών δεδομένων είναι να υποβάλει επιστημονικές ερωτήσεις δεδομένων από συστήματα νευροεπιστήμης. να ρωτήσω: πώς όλοι αυτοί οι νευρώνες συνεργάζονται για να κάνουν το πράγμα τους;

Υπάρχουν περίπου τρεις τρόποι για να απαντήσουμε σε αυτήν την ερώτηση. Μπορούμε να δούμε αυτούς τους τρεις τρόπους εξετάζοντας την αντιστοιχία μεταξύ καθιερωμένων τάξεων προβλημάτων στη μηχανική μάθηση και των υπολογιστικών προκλήσεων στη νευροεπιστήμη των συστημάτων. Ας ξεκινήσουμε κοιτάζοντας τι πρέπει να εργαστούμε.

Έχουμε ορισμένα δεδομένα από νευρώνες που έχουμε συλλέξει με την πάροδο του χρόνου. Θα τα ενσωματώσουμε σε έναν πίνακα που θα ονομάσουμε X - τόσες στήλες ως νευρώνες και τόσες σειρές όσο χρονικά σημεία που έχουμε καταγράψει (όπου εξαρτάται από εμάς πόσο διαρκεί ένα "χρονικό σημείο": ίσως κάντε το σύντομο, και απλώς κάθε εγγραφή καταγράφει 1 για μια ακίδα, και 0 διαφορετικά. Ή θα μπορούσαμε να το κάνουμε μεγάλο, και κάθε καταχώρηση καταγράφει τον αριθμό των αιχμών κατά τη διάρκεια αυτού του παρελθόντος χρόνου). Με την πάροδο του χρόνου, πράγματα έχουν συμβεί στον κόσμο - συμπεριλαμβανομένου του τι κάνει το σώμα. Ας προσθέσουμε λοιπόν όλα αυτά σε μια μήτρα που θα ονομάσουμε S - όσες στήλες υπάρχουν λειτουργίες στον κόσμο που μας ενδιαφέρει και τόσες σειρές όσο χρονικά σημεία που έχουμε καταγράψει για αυτά τα χαρακτηριστικά.

Παραδοσιακά, η μηχανική μάθηση περιλαμβάνει τη δημιουργία τριών κατηγοριών μοντέλων σχετικά με την κατάσταση του κόσμου και τα διαθέσιμα δεδομένα: γενετικά, διακρίσεις και πυκνότητα. Ως γενικός οδηγός, αυτός ο πίνακας δείχνει πώς κάθε τάξη αντιστοιχεί σε ένα θεμελιώδες ερώτημα στη νευροεπιστήμη των συστημάτων:

1 / Μοντέλα πυκνότητας P (X): υπάρχει δομή στις ακίδες; Ακούγεται θαμπό. Αλλά στην πραγματικότητα αυτό είναι το κλειδί για μεγάλες έρευνες της νευροεπιστήμης, στην οποία θέλουμε να μάθουμε την επίδραση κάτι (φάρμακο, συμπεριφορά, ύπνος) στον εγκέφαλο. στο οποίο ρωτάμε: πώς άλλαξε η δομή της νευρικής δραστηριότητας;

Με την καταγραφή μιας δέσμης νευρώνων, μπορούμε να το απαντήσουμε με τρεις τρόπους.

Πρώτον, μπορούμε να ποσοτικοποιήσουμε το spike-train κάθε νευρώνα, μετρώντας τα στατιστικά στοιχεία κάθε στήλης του X, όπως ο ρυθμός spiking. Και μετά ρωτήστε: ποιο είναι το μοντέλο P (X) για αυτά τα στατιστικά στοιχεία; Μπορούμε να συγκεντρώσουμε αυτά τα στατιστικά στοιχεία για να βρούμε «τύπους» νευρώνων. ή απλά προσαρμόστε μοντέλα σε ολόκληρη την κοινή τους διανομή. Είτε έτσι είτε αλλιώς, έχουμε κάποιο μοντέλο της δομής δεδομένων στην ευαισθησία των μονών νευρώνων.

Δεύτερον, μπορούμε να δημιουργήσουμε γενετικά μοντέλα της δραστηριότητας ολόκληρου του πληθυσμού, χρησιμοποιώντας τις σειρές του Χ - τα διανύσματα της στιγμής προς στιγμή της δραστηριότητας ολόκληρου του πληθυσμού. Τέτοια μοντέλα στοχεύουν συνήθως να κατανοήσουν πόσο από τη δομή του Χ μπορεί να αναδημιουργηθεί από λίγους περιορισμούς, ανεξάρτητα από το εάν είναι η κατανομή πόσων διανυσμάτων έχουν πόσες αιχμές. ή οι συσχετισμοί ανά ζεύγη μεταξύ νευρώνων. ή συνδυασμούς αυτών. Αυτά είναι ιδιαίτερα χρήσιμα για την άσκηση αν υπάρχει κάποια ειδική σάλτσα στη δραστηριότητα του πληθυσμού, εάν είναι κάτι περισσότερο από τη συλλογική δραστηριότητα ενός συνόλου ανεξάρτητων ή βαρετών απλών νευρώνων.

Τρίτον, μπορούμε να πάρουμε τη θέση ότι η νευρική δραστηριότητα στο Χ είναι κάποια πραγματοποίηση υψηλής διάστασης ενός χαμηλού διαστάσεων χώρου, όπου ο αριθμός των διαστάσεων D << n. Συνήθως εννοούμε με αυτό: ορισμένοι νευρώνες στο Χ συσχετίζονται, οπότε δεν χρειάζεται να χρησιμοποιήσουμε ολόκληρο το Χ για να κατανοήσουμε τον πληθυσμό - αντ 'αυτού μπορούμε να τους αντικαταστήσουμε με μια πολύ απλούστερη αναπαράσταση. Θα μπορούσαμε να ομαδοποιήσουμε άμεσα τις χρονοσειρές, οπότε αποσυνθέτοντας το Χ σε ένα σύνολο Ν μικρότερων πινάκων X_1 έως X_N, καθένας από τους οποίους έχει (σχετικά) ισχυρούς συσχετισμούς μέσα του και έτσι μπορεί να αντιμετωπιστεί ανεξάρτητα. Ή θα μπορούσαμε να χρησιμοποιήσουμε κάποιο είδος προσέγγισης μείωσης διαστάσεων, όπως η Ανάλυση Κύριων Εξαρτημάτων, για να πάρουμε ένα μικρό σύνολο χρονοσειρών που το καθένα περιγράφει μια κυρίαρχη μορφή παραλλαγής στη δραστηριότητα του πληθυσμού με την πάροδο του χρόνου.

Μπορούμε να κάνουμε περισσότερα από αυτό. Τα παραπάνω υποθέτουν ότι θέλουμε να χρησιμοποιήσουμε τη μείωση των διαστάσεων για να καταρρεύσουμε νευρώνες - ότι εφαρμόζουμε μείωση στις στήλες του Χ. Αλλά θα μπορούσαμε εξίσου εύκολα να καταρρεύσουμε χρόνο, εφαρμόζοντας μείωση διάστασης στις σειρές του Χ. Αντί να ρωτάμε εάν η νευρική δραστηριότητα είναι περιττή , αυτό ρωτά αν διαφορετικές χρονικές στιγμές έχουν παρόμοια μοτίβα νευρικής δραστηριότητας. Εάν υπάρχουν μόνο λίγα από αυτά, σαφώς η δυναμική των καταγεγραμμένων νευρώνων είναι πολύ απλή.

Μπορούμε επίσης να κάνουμε προσεγγίσεις δυναμικών συστημάτων. Εδώ προσπαθούμε να προσαρμόσουμε απλά μοντέλα στις αλλαγές στο Χ με την πάροδο του χρόνου (δηλ. Χαρτογράφηση από τη μία σειρά στην επόμενη) και να χρησιμοποιήσουμε αυτά τα μοντέλα για να ποσοτικοποιήσουμε τους τύπους δυναμικής που περιέχει το Χ - χρησιμοποιώντας όρους όπως "ελκυστήρας", "separatrix", " κόμβος σέλας "," διακλάδωση pitchfork "και" κατάρρευση της Άρσεναλ "(μόνο ένα από αυτά δεν είναι πραγματικό πράγμα). Θα μπορούσε κανείς να ισχυριστεί εύλογα ότι τα δυναμικά μοντέλα που ταιριάζουν είναι όλα τα μοντέλα πυκνότητας P (X), καθώς περιγράφουν τη δομή των δεδομένων.

Κόλαση, θα μπορούσαμε να δοκιμάσουμε και να χωρέσουμε ένα ολόκληρο δυναμικό μοντέλο ενός νευρικού κυκλώματος, μια δέσμη διαφορικών εξισώσεων που περιγράφουν κάθε νευρώνα, έως το Χ, έτσι ώστε το μοντέλο μας P (X) να λαμβάνεται στη συνέχεια δείγμα κάθε φορά που εκτελούμε το μοντέλο από διαφορετικές αρχικές συνθήκες .

Με αυτά τα μοντέλα πυκνότητας, μπορούμε να τα προσαρμόσουμε ξεχωριστά στη νευρωνική δραστηριότητα που καταγράψαμε σε μια δέσμη διαφορετικών καταστάσεων (S1, S2,…, Sm) και να απαντήσουμε σε ερωτήσεις όπως: πώς αλλάζει η δομή ενός πληθυσμού νευρώνων μεταξύ ύπνου και ξυπνάω; Ή κατά την ανάπτυξη του ζώου; Ή κατά τη διάρκεια της εκμάθησης μιας εργασίας (όπου το S1 μπορεί να είναι η δοκιμή 1 και η δοκιμή S2 2 ή το S1 είναι η περίοδος 1 και η συνεδρία 2 του S2 ή πολλοί συνδυασμοί τους). Μπορούμε επίσης να ρωτήσουμε: πόσες διαστάσεις καλύπτει η δραστηριότητα των νευρώνων; Είναι οι διαστάσεις διαφορετικές μεταξύ διαφορετικών περιοχών του φλοιού; Και κάποιος έχει δει τα κλειδιά μου;

2 / Γενετικά μοντέλα P (X | S): τι προκαλεί μια ακίδα; Τώρα μιλάμε. Πράγματα όπως γραμμικά-μη γραμμικά μοντέλα ή γενικευμένα γραμμικά μοντέλα. Συνήθως αυτά τα μοντέλα εφαρμόζονται σε απλούς νευρώνες, σε κάθε στήλη του Χ. Με αυτά ταιριάζουμε σε ένα μοντέλο που χρησιμοποιεί την κατάσταση του κόσμου S ως είσοδο και εκτοξεύει μια σειρά νευρικής δραστηριότητας που ταιριάζει όσο πιο κοντά γίνεται με τη δραστηριότητα του νευρώνα. Έπειτα, ελέγχοντας τη στάθμιση που δίνεται σε κάθε χαρακτηριστικό του S στην αναπαραγωγή της δραστηριότητας του νευρώνα, μπορούμε να βρούμε αυτό που φαίνεται να δίνει ο νευρώνας.

Ίσως θέλουμε να επιλέξουμε ένα μοντέλο που έχει κάποια ευελιξία σε αυτό που μετράει ως «η κατάσταση του κόσμου». Μπορούμε να συμπεριλάβουμε τη δραστηριότητα του νευρώνα στο παρελθόν ως χαρακτηριστικό και να δούμε αν ενδιαφέρεται για το τι έκανε στο παρελθόν. Για ορισμένους τύπους νευρώνων, η απάντηση είναι ναι. Η έκρηξη μπορεί να πάρει πολλά από έναν νευρώνα και πρέπει να ξαπλώσει για ξεκούραση πριν μπορέσει να πάει ξανά. Μπορούμε επίσης να σκεφτούμε ευρύτερα, και να συμπεριλάβουμε τον υπόλοιπο πληθυσμό - τον υπόλοιπο Χ - ως μέρος της κατάστασης του κόσμου S ενώ ο νευρώνας πυροβολεί. Σε τελική ανάλυση, οι νευρώνες επηρεάζουν περιστασιακά το καύσιμο του άλλου, ή έτσι οδηγώ να πιστεύω. Υπάρχει λοιπόν μια μικρή πιθανότητα ότι η απόκριση ενός νευρώνα στον οπτικό φλοιό δεν καθοδηγείται μόνο από τον προσανατολισμό ενός άκρου στον έξω κόσμο, αλλά μπορεί επίσης να εξαρτάται από το τι κάνουν και οι 10000 φλοιώδεις νευρώνες που συνδέονται με αυτόν. Αυτό που μαθαίνουμε τότε είναι οι περίπου πιο σημαντικοί νευρώνες στον πληθυσμό.

Δεν χρειάζεται να εφαρμόσουμε αυτά τα γενετικά μοντέλα σε απλούς νευρώνες. Μπορούμε να τα εφαρμόσουμε εξίσου στα μοντέλα πυκνότητας. μπορούμε να ρωτήσουμε τι κωδικοποιεί κάθε σύμπλεγμα ή διάσταση για τον κόσμο. Ή, όπως έκαναν μερικοί άνθρωποι εδώ, μπορούμε να χρησιμοποιήσουμε το ίδιο το μοντέλο πυκνότητας ως την κατάσταση του κόσμου και να ρωτήσουμε ποια χαρακτηριστικά αυτού του μοντέλου καθορίζουν νευρώνες.

Οι τύποι ερωτήσεων που μπορούμε να απαντήσουμε με αυτά τα γενετικά μοντέλα είναι αρκετά προφανείς: ποιος συνδυασμός χαρακτηριστικών προβλέπει καλύτερα την απόκριση ενός νευρώνα; Υπάρχουν νευρώνες επιλεκτικοί για ένα μόνο πράγμα; Πώς επηρεάζουν οι νευρώνες ο ένας τον άλλον;

3 / Διακριτικά μοντέλα P (S | X): ποιες πληροφορίες φέρουν οι ακίδες; Αυτό είναι ένα βασικό ερώτημα στη νευροεπιστήμη των συστημάτων, καθώς είναι η πρόκληση που αντιμετωπίζουν όλοι οι νευρώνες που βρίσκονται κατάντη από τον καταγεγραμμένο πληθυσμό μας - όλοι οι νευρώνες που λαμβάνουν εισροές από τους νευρώνες από τους οποίους καταγράψαμε και γεμίστηκαν στη μήτρα X μας. πρέπει να γνωρίζουν για τον εξωτερικό κόσμο που βασίζεται αποκλειστικά στις αιχμές.

Εδώ μπορούμε να χρησιμοποιήσουμε τυπικούς ταξινομητές, οι οποίοι χαρτογραφούν τις εισόδους σε εξόδους με ετικέτα. Μπορούμε να χρησιμοποιήσουμε τις σειρές του Χ ως είσοδο, κάθε ένα στιγμιότυπο της δραστηριότητας του πληθυσμού και να προσπαθήσουμε να προβλέψουμε ένα, μερικά ή όλα τα χαρακτηριστικά στις αντίστοιχες σειρές του S. Ενδεχομένως με κάποια χρονική καθυστέρηση, επομένως χρησιμοποιούμε τη σειρά X_t έως προβλέψτε την κατάσταση S_t-n που ήταν n βήματα στο παρελθόν εάν ενδιαφερόμαστε για τον τρόπο με τον οποίο οι πληθυσμοί αναφέρουν τον κώδικα που εισάγονται στον εγκέφαλο. ή μπορούμε να χρησιμοποιήσουμε τη σειρά X_t για να προβλέψουμε την κατάσταση S_t + n που είναι n βήματα στο μέλλον εάν ενδιαφερόμαστε για τον τρόπο με τον οποίο οι πληθυσμοί κωδικοποιούν κάποια επίδραση του εγκεφάλου στον κόσμο. Όπως η δραστηριότητα στον κινητικό φλοιό που συμβαίνει πριν πληκτρολογήσω κάθε γράμμα τώρα.

Είτε έτσι είτε αλλιώς, παίρνουμε μερικές (αλλά όχι όλες, γιατί δεν υπερβάλλουμε) σειρές του Χ και εκπαιδεύουμε τον ταξινομητή για να βρούμε την καλύτερη δυνατή χαρτογράφηση του Χ στο αντίστοιχο κομμάτι του S. Στη συνέχεια, δοκιμάζουμε τον ταξινομητή για το πόσο καλά μπορεί προβλέψτε το υπόλοιπο S από το αντίστοιχο υπόλοιπο του X. Εάν είστε εξαιρετικά τυχεροί, τα X και S σας θα μπορούσαν να είναι τόσο μεγάλα ώστε να μπορείτε να τα χωρίσετε σε τρένα, δοκιμές και επικύρωση σετ. Κρατήστε το τελευταίο σε κλειδωμένο κουτί.

Φυσικά θα μπορούσαμε να χρησιμοποιήσουμε τόσο ισχυρό έναν ταξινομητή όσο θέλουμε. Από τη λογιστική παλινδρόμηση, μέσω Bayesian προσεγγίσεων, έως τη χρήση ενός νευρικού δικτύου 23 επιπέδων. Εξαρτάται μάλλον από το τι θέλετε από την απάντηση και από την ανταλλαγή μεταξύ της ερμηνείας και της δύναμης με την οποία είστε άνετοι. Τα γραπτά μου αλλού κατέστησαν σαφές ποια πλευρά αυτού του συμβιβασμού τείνω να προτιμώ. Αλλά χαίρομαι που αποδεικνύομαι λάθος.

Τα μοντέλα κωδικοποίησης νευρώνων είναι διορατικά, αλλά αγγίζουν ορισμένα παλιά και βαθιά φιλοσοφικά τεταμένα. Η δοκιμή κωδικοποίησης χρησιμοποιώντας ένα διακριτικό μοντέλο προϋποθέτει ότι κάτι κατάντη προσπαθεί να αποκωδικοποιήσει το S από τη νευρική δραστηριότητα. Υπάρχουν δύο προβλήματα με αυτό. Οι νευρώνες δεν αποκωδικοποιούν. Οι νευρώνες λαμβάνουν αιχμές ως είσοδο και έξοδο των δικών τους αιχμών. Αντίθετα, κωδικοποιούν εκ νέου, από ένα σύνολο καρφιών σε ένα άλλο σύνολο αιχμών: ίσως λιγότερες ή πιο αργές. ίσως περισσότερο, ή πιο γρήγορα? ίσως από ένα σταθερό ρεύμα σε μια ταλάντωση. Έτσι, τα διακριτικά μοντέλα ρωτούν με μεγαλύτερη ακρίβεια ποιες πληροφορίες ξανακωδικοποιούν τους νευρώνες μας. Αλλά ακόμα κι αν έχουμε αυτήν την άποψη, υπάρχει ένα βαθύτερο πρόβλημα.

Με πολύ λίγες εξαιρέσεις, δεν υπάρχει «νευρώνας». Οι νευρώνες που καταγράψαμε στο Χ είναι μέρος του περίπλοκα ενσύρματου εγκεφάλου, γεμάτο ατελείωτους βρόχους. η παραγωγή τους επηρεάζει τη δική τους είσοδο. Ακόμη χειρότερα, μερικοί από τους νευρώνες στο Χ είναι κατάντη από τους άλλους: μερικοί από αυτούς εισάγονται απευθείας στους άλλους. Διότι, όπως προαναφέρθηκε, οι νευρώνες επηρεάζουν ο ένας τον άλλον.

Ένα τραχύ, ίσως χρήσιμο, μανιφέστο για μια επιστήμη νευρικών δεδομένων. Είναι ατελές. αναμφίβολα κάτι παραπάνω είναι λάθος (απαντήσεις σε μια ταχυδρομική κάρτα στη συνήθη διεύθυνση). Τα παραπάνω είναι μια προσπάθεια να συνθέσουμε το έργο μιας ομάδας εργαστηρίων με πολύ διαφορετικά ενδιαφέροντα, αλλά μια κοινή προσπάθεια να χρησιμοποιήσουμε αυτά τα είδη μοντέλου σε μεγάλα σύνολα νευρωνικών δεδομένων για να απαντήσουμε σε βαθιά ερωτήματα σχετικά με τον τρόπο λειτουργίας του εγκεφάλου. Πολλά από αυτά είναι εργαστήρια δεδομένων, ομάδες που αναλύουν πειραματικά δεδομένα για να απαντήσουν στις δικές τους ερωτήσεις. για να αναφέρουμε μερικά - Johnathan Pillow; Christian Machens; Konrad Kording; Κανάκα Ρατζάν; John Cunningham; Adrienne Fairhall; Φίλιπ Μπέρενς; Cian O'Donnell; Il Memming Park; Jakob Macke; Gasper Tkacik; Όλιβερ Μάρε. Ε, εγώ. Άλλοι είναι πειραματικά εργαστήρια με ισχυρές κλίσεις της επιστήμης δεδομένων: Anne Churchland; Mark Churchland; Nicole Rust; Κρίσνα Σενόι Κάρλος Μπρόντι πολλοί άλλοι ζητώ συγγνώμη που δεν ονόμασα.

Υπάρχουν συνέδρια όπου αυτό το είδος εργασίας είναι ευπρόσδεκτο, ακόμη και ενθαρρύνεται. Ένα περιοδικό για την επιστήμη των νευρικών δεδομένων βρίσκεται στο δρόμο. Κάτι χτίζει. Ελάτε, τα δεδομένα είναι υπέροχα *.

* Ναι, έπρεπε να αναφερθώ στα δεδομένα ως μοναδικά για να λειτουργήσω αυτό το αστείο. Το γεγονός ότι γράφω αυτήν την υποσημείωση για να το εξηγήσω αυτό θα σας δώσει κάποια ιδέα για την προσεκτική προσοχή στη λεπτομέρεια των νευρωνικών δεδομένων που αναμένουν οι επιστήμονες.

Θέλουν περισσότερα? Ακολουθήστε μας στο The Spike

Twitter: @markdhumphries