Об этом сообщает «Politexpert» со ссылкой на SciTechDaily
Ученые из Стэнфордского университета разработали цифрового двойника зрительной коры мозга мыши, способного точно моделировать нейронную активность при визуальных стимулах. Используя искусственный интеллект и массивы нейробиологических данных, исследователи обучили алгоритм распознавать и воспроизводить реакции десятков тысяч нейронов на новые изображения и видеоряд. Это открытие обещает коренное изменение подходов к изучению мозга, позволяя проводить миллионы экспериментов без необходимости вмешательства в биологическую ткань.
Новая система моделирования основана на принципах фундаментальных ИИ-моделей, способных обобщать знания за пределами обучающей выборки. В отличие от прежних технологий, цифровой двойник мозга не просто имитирует реакцию на ранее видимые стимулы, но и предсказывает поведение нейронов в принципиально новых условиях. Такой уровень адаптивности открывает путь к глубинному пониманию организации мозга и может стать основой будущих нейроинтерфейсов и когнитивных систем.
Как был создан цифровой двойник мозга
Создание модели началось с масштабной записи активности мозга у мышей, которым показывали фрагменты динамичных фильмов. Исследователи выбрали видеоряд, содержащий максимальное количество движения, чтобы стимулировать зрительную систему животных. Это позволило получить более 900 минут детализированных данных о реакции мозга на визуальные сигналы.
Далее все собранные данные были объединены и использованы для обучения базовой ИИ-модели. С её помощью создавались индивидуальные цифровые двойники, способные воспроизводить поведение конкретных мышей. Для этого требовалась лишь минимальная дополнительная настройка. Такой подход позволил точно воспроизводить реакцию нейронов на новые стимулы без дополнительных экспериментов с реальными животными.
Возможности новой технологии для науки
Главным достижением разработки стало то, что цифровые двойники могут использоваться для проведения масштабных виртуальных экспериментов. Одна модель позволяет воспроизводить миллионы сценариев в ускоренном темпе, экономя годы традиционной лабораторной работы. Это открывает огромные перспективы для изучения принципов работы мозга на уровне отдельных нейронов и их связей.
Также модель позволяет выявлять структурные особенности мозга, включая типы нейронов и характер их соединений. Такие прогнозы были проверены при помощи микроскопии, что подтвердило высокую точность алгоритма. Технология не только воспроизводит функциональные процессы, но и предоставляет представление о физической структуре исследуемого участка мозга.
Интеллект через обобщение: фундаментальный принцип модели
Цифровой двойник относится к классу фундаментальных моделей, обладающих способностью к широкому обобщению. Это означает, что система может применять знания из одного контекста в другой, распознавая закономерности даже в ранее не встречавшихся данных. Такое свойство делает модель универсальным инструментом в задачах нейровизуализации и анализа данных о мозговой активности.
Обобщение вне обучающей выборки — ключ к созданию по-настоящему интеллектуальных систем. Подход, реализованный в этом исследовании, показывает, как можно приблизиться к моделированию сложных когнитивных функций и предсказанию поведения биологических нейросетей. Это направление объединяет достижения в области ИИ, нейронауки и биоинформатики.
Что открывает цифровой мозг: новые открытия и перспективы
С помощью цифровых двойников исследователи уже смогли открыть принцип выбора нейронами своих партнёров для соединения. Оказалось, что при формировании связей важнее не пространственное расположение, а сходство в реакции на определённые стимулы, такие как конкретные цвета или движения. Это открытие уточняет представления о том, как формируется нейросеть и как передаётся информация.
Планы учёных включают расширение модели на другие зоны мозга и виды животных, включая приматов. Цель — создать цифровые двойники частей человеческого мозга, чтобы исследовать память, восприятие и мышление в цифровой среде. Это может привести к появлению новых методов диагностики, терапии и даже взаимодействия человека с машиной на принципиально новом уровне.
Напомним, ранее мы писали о том, как ИИ учится распознавать болезни по данным с фитнес-гаджетов.
Комментировать