La cascada de neuronas puede ser similar a la selección neutral en evolución

La cascada de neuronas puede ser similar a la selección neutral en la evoluciónEnlargeMiguel Navarro / Getty Images

“Lo siento, pero tu cerebro sufre avalanchas” es un diagnóstico que debería ser una cosa. La cura debe involucrar un St. Bernard sacando neuronas de debajo de pilas de neurotransmisores. Desafortunadamente, el cerebro de todos sufre avalanchas. De hecho, yo puede diagnosticar de forma segura a cualquiera que no sufra de avalanchas como muerto. (Y pensaste que las barreras para graduarse eran �intelectual?)

Una avalancha en el cerebro es básicamente una pequeña, generalmente evento discreto que desencadena una cascada masiva de neuronal actividad. Se observa que estos ocurren sin ningún tipo externo disparadores

Entonces, ¿por qué ocurren? Se ha pensado que estas avalanchas debería conferir algún tipo de beneficio, pero una nueva investigación sugiere que Puede ser un accidente ruidoso.

�Por qué las neuronas caen en cascada?

En un nivel, la explicación de las avalanchas cerebrales es bastante Simple y muy poco esclarecedor. El cerebro no es lineal, si el la neurona derecha se dispara en el momento adecuado, puede desencadenar una respuesta desproporcionada de las neuronas a las que está conectada. Estos también pueden desencadenar una gran respuesta, con una cascada que se extiende rápido, lejos y ancho. Pero, esa explicación, mientras tiene la beneficio de ser correcto, en realidad no nos dice mucho.

Por ejemplo, no nos dice por qué se permiten estos eventos. que se produzca. Si su computadora hiciera esto, se estrellaría. Y es posible que partes del cerebro se estrellen durante una cascada. Ese suena como algo malo, por lo que puede esperar que las avalanchas Proporcionar alguna ventaja. Quizás están obligados a mejorar �cálculo? Quizás son la consecuencia indeseable de operar el cerebro en un punto donde el aprendizaje es tan rápido como �posible?

Se han tomado dos enfoques generales para descubrir �Qué hay detrás de este fenómeno? Hay personas que realmente saben cómo se ve una neurona y puede distinguir con éxito el cerebro tejido de tostadas quemadas dos veces de cada tres. Ellos investigan la neurona cae en cascada al examinar cómo funciona realmente el cerebro. Los físicos no y no pueden, por lo que hacen modelos matemáticos en lugar. Estos modelos se prueban exhaustivamente bajo todo tipo de condiciones (Este tipo de investigación representa un gran ahorro en tostadas quemadas)

Estos modelos tienen el mismo parecido con el cerebro y el neurona como lo hace mi bicicleta con un albatros. Todos, incluidos los los físicos lo saben, entonces, ¿por qué creen que el modelado funcionará? Bueno, están tratando de comprender preguntas más amplias sobre el Comportamiento general del cerebro como red. Y estas preguntas pueden ser respondido usando modelos que son realmente sombras de lo real cosa.

�Por qué funcionan estos modelos?

Nuestra confianza en estos modelos relativamente simples se remonta a física del estado sólido y la idea de una transición de fase. Fase las transiciones son cosas como el hielo derritiéndose en agua líquida, o un El imán pierde su magnetismo cuando se calienta. Las transiciones de fase son, físicamente, todo muy diferente el uno del otro. Sin embargo, las matemáticas que describe la forma en que ocurre la transición de fase tiene un extraño similitud con esos ejemplos. Incrustado en eso está la idea de un punto crítico. En un lado del punto crítico, el material se comporta de una manera; por otro lado, el material se comporta en otro.

Resultó que esta idea es mucho más amplia que este tipo de transición: todo tipo de cosas, como grifos, animales poblaciones, reacciones químicas, el comportamiento de los mercados y muchos más, parecía ser susceptible al mismo análisis. Y sí, el el cerebro está incluido en eso. La epilepsia, por ejemplo, parece ser bien descrito por estos modelos.

Así que traigamos esto a las avalanchas neuronales. Este tipo de el comportamiento es muy similar al comportamiento de, por ejemplo, el orientación de espines magnéticos durante una fase paramagnética transición. Pero las avalanchas neuronales ocurren con relativa frecuencia, lo que significaría que el cerebro opera cerca de un punto crítico. Los investigadores han sugerido que la eficiencia computacional de la el cerebro se mejora al operar cerca del punto crítico, lo que significa que es una característica adaptativa.

Pero hay una idea en la teoría evolutiva que nos dice que No todos los rasgos existen porque proporcionan un beneficio. Algunos los rasgos terminan en su lugar debido a la deriva y otros porque son un efecto secundario de algo útil. Resulta que este concepto puede ambos describen la utilidad de las avalanchas neuronales, así como también cómo terminó siendo una característica del cerebro en primer lugar.

Ahora, lo que sigue es un físico hablando de evolución; aquellos con una aversión al abuso de la biología debería mirar hacia otro lado ahora. Era es bastante impactante para mí saber que muchos rasgos no están seleccionados a favor o en contra por la selección natural, pero puede surgir inadvertidamente. Si bien algunas mutaciones son ventajosas y otras son simplemente malas, la mayoría no provoque que se note un cambio lo suficientemente grande: son neutrales. Los cambios neutrales pueden extenderse en una población porque son accidentalmente vinculado a algo que está seleccionado para. Un neutral rasgo también puede terminar propagándose de la misma manera que una avalancha ocurre: sucede que está en el lugar correcto en el momento correcto. los señalan que los rasgos neutrales en genética exhiben población dinámicas tan complejas como fenómenos de puntos críticos pero sin puntos críticos

Si podemos obtener ese tipo de comportamiento en genética de poblaciones sin estar cerca de un punto crítico, tal vez estamos viendo �Es exactamente lo mismo en el cerebro con cascadas de neuronas?

Usar un modelo de neurona bien aceptado, conectado como parte de Una red neuronal, los investigadores trataron de determinar si neuronal las avalanchas podrían describirse por un comportamiento neutral. Y esto es donde el poder de los modelos cobra importancia. Los parámetros del modelo son bien conocidos, y los puntos críticos pueden ser descubiertos y Caracterizado con precisión. Entonces, se hace posible catalogar los diferentes tipos de comportamiento vistos, dependiendo de cómo las neuronas están conectados y el umbral de cuándo se activarán las neuronas respuesta a otras neuronas. Este es exactamente el tipo de experimento eso es casi imposible cuando se juega con neuronas reales.

No todo está bien con los modelos.

En particular, los investigadores eligieron la configuración para la cual era sabe que la red neuronal tuvo una transición discontinua entre un estado muy activo (muchas neuronas disparando con frecuencia) y un estado de baja actividad (muchas neuronas se disparan con poca frecuencia). En el estado activo, cascadas o avalanchas habían sido observadas por otros investigadores, y la actividad de la red es consistente con el comportamiento observado en cerebros reales.

Este análisis utilizó un truco que no se puede utilizar en realidad observaciones Los investigadores buscaron los datos computacionales para Identificar la neurona que desencadenó la avalancha y, a partir de ahí, rastreó la cadena de actividad para determinar cosas como la duración y tamaño de la avalancha. En una medida real, nunca se sabe qué neurona causó la avalancha; en cambio, tienes que disparar neuronas grupales por tiempo y usar proximidad temporal para determinar qué neuronas causaron qué disparar.

Sin embargo, si hace esto con los datos computacionales, el las avalanchas de las neuronas modelo no se parecen a las de las verdaderas sesos. Eso parece un poco malo si quieres hacer predicciones. Entonces no está claro si la otra información que estamos obteniendo de El modelo computacional es relevante.

Para ir más allá, los investigadores desarrollaron un modelo simplificado. que tenía varias características deseables Dependiendo de los parámetros, tuvo una transición de fase discontinua (por lo que un salto repentino de un estado activo a un estado de reposo) y una fase continua transición (la tasa de actividad cambia suavemente de un estado a otro, pero la tasa de cambio exhibe un salto repentino).

Y, por supuesto, cerca de las transiciones de fase, la neural la red mostró cascadas, pero, lo que es más importante, la red tiene cascadas incluso cuando no hay transición de fase cerca.

Considerando las ventajas que se le atribuyeron al cerebro operando cerca de un punto crítico, opera en neutral territorio tiene alguna ventaja? Los investigadores ofrecen algunos especulación en este sentido. Por ejemplo, el orden y La intensidad de las neuronas que disparan en una red puede codificar información. Los investigadores especulan que las avalanchas neutrales, porque son causales (por ejemplo, cada neurona provoca que otras se disparen) después de haber disparado), podría proporcionar la fuente para la inicial actividad de disparo que se puede asociar y codificar, información.

Pero, francamente, aquí es donde todo sale mal. El modelo, a lo largo con otros similares, ofrece una gran visión de las estadísticas de comportamiento de la red. Desafortunadamente, vincular eso con hechos reales actividades, como reconocer una cara o sumar dos números, es bastante más tenue La fortaleza aquí es que la investigación podría Sugerir algunas nuevas vías para comprender cómo aprende el cerebro. Pero incluso si lo hace, será difícil vincular la investigación en tiempo real neuronas de vuelta a los modelos.

Physical Review X, 2017, DOI: 10.1103 / PhysRevX.7.041071

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: