علوم اعصاب محاسباتی

از ویکی‌پدیا، دانشنامهٔ آزاد
(تغییرمسیر از علوم محاسباتی اعصاب)
پرش به: ناوبری، جستجو

علوم اعصاب محاسباتی (Computational neuroscience) مطالعه عملکرد مغز در پردازش خصوصیات ساختاری است که سیستم عصبی را تشکیل می دهند می باشد.از جملهٔ زمینه‌های علمی وسیع و گسترده بین رشته‌ای که شاخه‌های علمی متنوّعی همچون علوم اعصاب، علوم شناختی، روانشناسی، علوم رایانه، فیزیک، نظریه اطلاعات و ریاضیات کاربردی را به همدیگر پیوند می‌دهد. علوم اعصاب محاسباتی مجزا از ارتباط گرایی روانی و از نظریه های رشته هایی مانند یادگیری ماشین، شبکه های عصبی، سیستم های دینامیکی و تئوری یادگیری محاسباتی است که در آن بر توصیف از سلول های عصبی عملکردی و بیولوژیکی واقعی (و سیستم عصبی) و فیزیولوژی خود و مسائل یادگیری تاکید دارد. این مدل ضبط ویژگی های ضروری از سیستم بیولوژیکی در چند مقیاس فضایی-زمانی، از جریان های غشاء و فرآیندهای غشایی، پروتئین ها، و اتصال شیمیایی به نوسانات شبکه، معماری ستونی و توپوگرافی، و یادگیری و حافظه است.

تاریخچه[ویرایش]

واژه‎ی «علوم اعصاب محاسباتی»، توسط اریک.ال شوارتز معرفی شد، کسی که کنفرانسی که در سال 1985 در کارمل-بای-د-سی، کالیفرنیا برگزار شد را ترتیب داد. این کنفرانس به درخواست بنیاد توسعه‎ی سیستم برای تهیه‎ی خلاصه‎ای از وضعیت فعلی رشته‎ای که تا آن زمان به اسامی مختلفی مانند: مدل‎سازی عصبی، تئوری مغز و شبکه‎ی عصبی اشاره می‎کرد، برگزار شد. اقدامات این جلسه‎ی تعیین کننده، در سال 1990 تحت عنوان کتاب «علوم اعصاب محاسباتی» منتشر شد. اولین نشست باز بین‎المللی با تمرکز بر روی موضوع علوم اعصاب محاسباتی، توسط جیمز ام. باوئر و جان میلر در سان فرانسیسکو در سال 1989 ترتیب داده شد. این ملاقات، به عنوان نشست سالانه‎ی CNS ادامه یافته است.اولین برنامه‎ی آموزشی دوره‎ی کارشناسی ارشد در علوم اعصاب محاسباتی تحت عنوان برنامه‎ی دکترای سیستم‎های محاسباتی و عصبی در سال 1985 در مؤسسه فناوری کالیفرنیا برگزار شد.

موضوعات اصلی[ویرایش]

مهم ترین پرسش علوم شناختی محاسباتی، چگونگی پردازش اطلاعات در سطوح مختلف مغز است. موضوعات و مسائل اصلی مورد مطالعه و پژوهش در حوزه پهناور علوم اعصاب محاسباتی را می‌توان به صورت‌های گوناگون شمارش و دسته‌بندی کرد.

مدل‌سازی تک نورون

حتی تک نورون‎ها دارای شاخصه‎های پیچیده‎ی بیوفیزیکی هستند و می‎توانند محاسبات را انجام دهند. مدل هاجکین و هاکسلی، تنها دو جریان حساس به ولتاژ یعنی سدیم سریع‎الأثر و پتاسیم درون‎اصلاح را به کار گرفت (کانال‎های یونی حساس به ولتاژ، مولکول‎های گلیکوپروتئینی هستند که از طریق لایه‎ی لیپیدی گسترش یافته‎اند و به یون‎ها اجازه می‎دهند که تحت شرایط خاصی از طریق آکسولما عبور کنند.). اگرچه این مدل در پیش‎بینی زمان‎بندی و ویژگی‎های کیفی پتانسیل عمل موفق بوده، در پیش‎بینی چند ویژگی مهم مانند انطباق و شانت شکست خورد. دانشمندان هم‌اکنون بر این باورند که طیف گسترده‎ای از جریان‎های حساس به ولتاژ، مفاهیم دینامیک متفاوت، مدلاسیون‎ها و حساسیت این جریان‎ها، مبحث مهمی در علوم اعصاب محاسباتی است.

هم‎چنین توابع محاسباتی از دندریت‌های پیچیده، تحت بررسی‎های قوی هستند. تعداد زیادی منبع درباره‎ی نحوه‎ی تعامل جریان‎های مختلف با خواص هندسی نورون‎ها وجود دارد.

یکسری از مدل‎ها نیز خط سیر زیست شیمیایی را در مقیاس کوچک دنبال می‎کنند، مانند: شکاف ستون فقراتی یا سیناپسی.

بسته‌های نرم‎افزاری زیادی مانند GENESIS و NEURON وجود دارد که امکان مدل‎سازی سیلیکونی سریع و سیستماتیک از نورون‎های واقع‎بین را فراهم می‎کند. پروژه بلو برین که توسط هنری مارکرام از مؤسسه پلی‌تکنیک فدرال لوزان احداث شد، قصد دارد که شبیه‎سازی بیوفیزیکی دقیقی از ستون قشری در ابررایانه بسازد.

یک مشکل در این زمینه این است که توصیف‌های دقیق نورونی از لحاظ محاسباتی هزینه‎بر هستند و این می‎تواند مانع دستیابی به تحقیقات واقع بینانه شبکه‎ای که در آن بسیاری از نورون‎ها نیاز به شبیه‎سازی دارند، بشود. بنابراین محققانی که مدارهای بزرگ نورونی که به طور معمول هر نورون و سیناپس را به سادگی نشان می‎دهد، بررسی می‎کنند، بسیازی از جزئیات زیستی را نادیده می‎گیرند. متأسفانه شواهدی وجود دارد که غنای خواص بیوفیزیکی در مقیاس یک تک نورون می‎تواند مکانیزم‎هایی را تأمین کند که مانند بلوک‎های سازنده‎ی حرکتی شبکه‎ای خدمت کند. بنابراین یک مسیری وجود دارد برای تولید مدل‎های نورونی ساده که صحت بیولوژیکی قابل توجهی را در مخارج پایین محاسباتی حفظ کند. الگوریتم‎هایی برای تولید پایدار، سریع الاجراتر، مدل جانشین نورونی ساده از هزینه‎بر محاسباتی و مدل نورونی دقیق، توسعه یافته است.

توسعه، الگودهی آکسونی و راهنمایی

چگونه آسه‌ها و دندریت‌ها در حین ایجاد، شکل می‎گیرند؟ چگونه آکسون‎ها متوجه می‎شوند کجا را نشانه‎گذاری کنند و چگونه به این جاهای نشانه‎گذاری شده دست می‎یابند؟ چگونه نرون‎ها به وضعیت مناسب در سیستم‎های مرکزی و خارجی مهاجرت می‎کنند؟ چگونه سیناپس‎ها شکل می‎گیرند؟ ما از زیست‌شناسی مولکولی می‌دانیم که بخش‎های متفاوت سیستم عصبی، سرنخ‎های شیمیایی مختلفی را از عوامل رشد گرفته تا هورمون‎هایی که رشد و گسترش ارتباط عملکردی بین نورون‎ها را تنظیم کرده و تحت تأثیر قرار می‎دهند، منتشر می‎کنند.

بررسی‎های نظری درمورد شکل‎گیری و الگودهی اتصال سیناپسی و مورفولوژی هنوز در دست تولید هستند. یک فرضیه که اخیراً مقداری توجه را به سوی خود جلب کرده، فرضیه‎ی سیم‎کشی حداقلی است که ادعا می‎کند که شکل‎گیری آکسون‎ها و دندریت‎ها به طرز مؤثری تخصیص منابع را کاهش می‎دهد در حالی که انباره‎ی اطلاعاتی حداکثری را نگهداری می‎کند.

پردازش حسی

مدل‎های اولیه‎ی پردازش حسی که در حدود یک چارچوب نظری قابل درک هستند، به هوراس بارلو نسبت داده شده‎اند. تا حدودی شبیه به فرضیه‎ی سیم‎کشی حداقلی که در بخش قبل توصیف شد، بارلو پردازش سیستم‎های اولیه‎ی حسی را به عنوان شکلی از برنامه‎نویسی کارآمد که در آن نرون‎ها اطلاعاتی را که تعداد نقطه‎ها را کاهش می‎دهند کدگذاری می‎کنند، دریافت کرد. کارهای تجربی و محاسباتی از آن زمان، این فرضیه را در یک شکل یا شکل‎های دیگر، پشتیبانی کرده‎است.

تحقیقات کنونی در پردازش حسی میان یک مدل‎سازی بیوفیزیکی از زیرسیستم‎های مختلف و تعداد بیشتری مدل‎سازی نظری از ادراک تقسیم شده‎است. مدل‎های کنونی از ادراک اظهار دارند که مغز شکل‎هایی از استنتاج بیزی و یکپارچه‌سازی اطلاعات مختلف حسی در ایجاد کردن درک ما از جهان فیزیکی را انجام می‌دهد.

حافظه و انعطاف پذیری سیناپسی

مدل‎های آغازین حافظه (جانداران) بر پایه‎ی نظریه هبین استوار بودند. مدل‎هایی که از لحاظ بیولوژیکی مربوط بودند مثل: شبکه هاپفیلد، که برای آدرس‎دهی خواص انجمنی به جای نشانی پذیری از روی محتوا، سبکی از حافظه که در سیستم‎های بیولوژیکی رخ می‎دهد گسترش داده شده است. این تلاش‎ها عمدتاً بر شکل‎گیری حافظه‎ی میان مدت و بلند مدت که در اسبک مغز (هیپوکامپ) متمرکز هستند، تمرکز می‎کنند. مدل‎های حافظه کاری با تکیه بر نظریه‎های نوسانات شبکه‎ای و فعالیت‎های مداوم، جهت اخذ یکسری ویژگی قشر جلویی مغز در حافظه‎ی مربوط به زمینه، ساخته شده‎اند.

یکی از مشکلات عمده در حافظه‎ی فیزیولوژی عصبی، این است که آن چگونه حفظ شده و در مقیاس‎های زمانی مختلف تغییر می‎کند. سیناپس‎های ناپایدار برای تربیت آسان هستند ولی هم‎چنین متمایل به تخریب اتفاقی می‎باشند. سیناپس‎های پایدار کمتر به آسانی فراموش می‎کنند اما از طرفی سخت‎تر تحکیم می‎شوند. یک فرضیه‎ی محاسباتی اخیر، آبشارهای انعطاف‌پذیری که سیناپس‎ها را به عملکرد در مقیاس‎های زمانی مختلف، قادر می‎سازد، درگیر می‎سازد. مدل‎های استریوشیمیایی دقیق برای سیناپس استیل کولین مبتنی بر گیرنده، با روش مونت کارلو که در مقیاس زمانی میکروثانیه کار می‎کنند، ساخته شده‎اند. این احتمال وجود دارد که ابزارهای محاسباتی به میزان زیادی به فهم ما از چگونگی کارکرد سیناپس‎ها و تغییر در رابطه با محرک خارجی در دهه‎های آینده، کمک خواهد کرد.

رفتارهای شبکه‎ها

نورون‎های بیولوژیکی به شکل پیچیده و بازگشت‎کننده به یکدیگر متصل هستند. این ارتباطات برخلاف اکثر شبکه عصبی مصنوعی، پراکنده و به طور معمول ویژه هستند. اینکه اطلاعات چگونه از طریق این شبکه‎های متصل پراکنده منتقل می‎شوند، معلوم نیست. هم‎چنین اینکه توابع محاسباتی این الگوهای اتصالی خاص در صورت وجود، جه هستند، شناخته شده نیست.

فعل و انفعالات نرون‌ها در یک شبکه‎ی کوچک، اکثراً می‎توانند به مدل‎های ساده مثل مدل آیزینگ کاهش یابند. مکانیزم‎های آماری چنین سیستم‎های ساده‎ای، به طور نظری به خوبی شناخته شده‎اند. اخیراً شواهدی وجود دارد که نشان می‎دهد که حرکت‎های اختیاری شبکه‎های نورونی می‎توانند به تعاملات دوتایی کاهش یابند. اما با این حال اینکه آیا این‎گونه حرکت‎های توصیفی هیج کارکرد محاسباتی مهم را بیان می‎کنند یا نه، مشخص نیست. با ظهور میکروسکوپ دو فوتونی و تصویربرداری کلسیمی، ما در حال حاضر، روش‎های تجربی قدرتمندی که با آن‎ها نظریه‎های جدید مربوط به شبکه‎های نورونی را امتحان کنیم، در اختیار داریم.

در بعضی موارد فعل و انفعالات پیچیده بین سلول‌های عصبی مهاری و تحریکی می‎تواند با نظریه‎ی مین فیلد ساده شود که منجر به مدل جمعیتی شبکه عصبی می‎شود. در حالی که خیلی از نظریه پردازان عصبی، این مدل با پیچیدگی کمتر را ترجیح می‎دهند، گروهی دیگر اصرار بر این دارند که کشف ارتباطات ساختمانی و عملکردی وابسته به بررسی هر چه بیش‎تر ساختمان‎ها و شبکه‏‎های عصبی است. مدل‎هایی از این نوع به طور نمونه شامل پایه یکسان‎سازی وسیع است مثل: تکوین یا عصب. تلاش هایی شده است برای اینکه متودهای یکسانی فراهم شود که این سطح از پیچیدگی را اصلاح کند.

شناخت، تمایز و آموزش

مذل‎های محاسباتی با عملکرد شناختی بالاتر، اخیراً آغاز شده است. داده‎های تجربی ابتدا از گزارشات واحد در نخستی‌سانان اولیه به‎دست می‎آید. لوب پیشانی و لوب آهیانه‌ای مغز به عنوان گردآورنده‎ی اطلاعات از ابزارهای حسی متعدد عمل می‎کنند. یکسری ایده‎های آزمایشی وجود دارد در ارتباط با اینکه چگونه فعالیت‎های مهاری ساده دوطرفه که در این نواحی جریان دارند، می‎توانند محاسبات مربوط به بیولوژیک مرتبط را انجام دهند.

به نظر می‎رسد مغز قادر است در زمینه‎های خاصی به خوبی تشخیص داده و تطابق کند. به طور مثال به نظر می‎رسد انسان ظرفیت بالایی برای تشخیص و به خاطر سپردن چهره‎ها داشته باشد. یکی از اهداف کلیدی علوم اعصاب محاسباتی این است که موشکافی و تشریح کند که چگونه سیستم‎های بیولوژیکی می‎توانند این محاسبات پیچیده را به صوورت مؤثر انجام دهند و این را در ساخت ماشین‌های هوشمند منعکس کنند.

اصول گسترده‎ی ساختمان مغز به وسیله‎ی بیولوژی، فیزیولوژی و تمرینات درمانگاهی زیادی روشن شده است. علوم اعصاب یکپارچه در تلاش هستند تا این مشاهدات را از طریق مدل‎های تشریحی یکسان و پایگاه‎داده‎ی اندازه‎گیری‎های رفتاری و گزارش آن‎ها یکی کنند. این‎ها پایه و اساسی برای مدل‎سازی کمیتی در فعالیت‎های گسترده‎ی مغز هستند.

هشیاری

یکی از اهداف هایی فیزیولوژی/نوروساینس این است که قادر باشد تجربیات زندگی آگاهانه روزمره را تفسیر کند. فرانسیس کریک و کریستف کخ تلاش‎هایی را درجهت فرموله کردن یک چارچوب یکسان برای اقدامات آینده در ارتباطات عصبی آگاهی انجام داد. هر چند بیشتر کارهای انجام شده در این زمینه فعلاً در حد حدس و گمان می‎باشد.

علوم اعصاب محاسباتی بالینی

این علم زمینه‎ای است که تجربیات نوروساینس، عصب‌شناسی، روان‌پزشکی، علم تصمیم‏‎گیری و مدل‎های محاسباتی را گرد هم می‎آورد تا مشکلات بیماری‎های اعصاب و روان را به صورت کمّی تعریف و جستجو کند و دانشمندان و پزشکانی را پرورش و تعمیم دهد که امیدوار به به کار بردن این روش‌ها در تشخیص و درمان هستند.

مدل‌سازی‌های محاسباتی[ویرایش]

مدل‌های محاسباتی مربوط به عمل‌کردهای مغز رواج فراوانی یافته‌اند و روز بروز بر اهمیت آن‌ها افزوده می‌شود. انگیزه‌ها و علل این امر را باید در تولید سریع مجموعه‌های حجیم داده‌های تجربی از یک سو، و پیشرفت‌های عمده در حوزه‌های فناوری و علوم محاسباتی نظیر هوش ماشینی، کاوش در داده‌ها، پایگاه‌های داده‌ها، و ظهور رایانه‌های سریع و پر قدرت از سوی دیگر جستجو کرد. از سوی دیگر، علاوه بر رویکرد، مدل سازی های محاسباتی به طور خاص تر به مطالعه در کارکرد های عالی تر مغز در سطوح کلان (بیشتر مرتبط با فرایندهای شناختی و شبکه های نورونی) و یا سطوح خرد (سطح تک نورونی) می پردازد.

بنابر نظر غالب پژوهشگران علوم اعصاب، مدل 'هاجکین-هاکسلی' نخستین و شاید از مهمترین مدل های ارائه شده در این زمینه است. این مدل ریاضی که برای نخستین بار در سال 1952 توسط آلن لوید هاجکین و اندرو فیلدینگ هاکسلی دو فیزیولوژیست و زیست‌شناس سرشناس بریتانیایی ارائه شد، برای به تبیین و تشریح چگونگی تولید و انتشار پتانسیل عمل در نورون می پردازد. هاجکین و هاکسلی مطالعات خود را بر روی آکسون اره ماهی انجام دادند و سپس موفق به نمایش نتایج بدست آمده به صورت دستگاهی متشکل از چهار معادله دیفرانسیل معمولی شدند که تولید و انتشار پتانسیل عمل را به ارتباطات متقابل و چرخه ای یون های سدیم ، پتاسیم و کلسیم در غشای نورون نسبت می دهند. بسیاری از تاریخ نگاران علم ، ارائه این مدل را از بزرگترین دستاوردهای تاریخ قرن بیستم می دانند. بعدها نسخه ها و تغییرات جدیدتری از این مدل ارائه شد که از مهمترین آنها می توان به مدل فیتزهوگو-ناگومو اشاره کرد که برخلاف مدل نخستین و به دلیل پیشرفت فن آوری های پزشکی، چگونگی انتشار پتانسیل عمل را در نورون های مغز انسان بررسی کرد. همچنین نتایج این مدل ها توسط کامپیوتر شبیه‌سازی شد.

جستارهای وابسته[ویرایش]

منابع[ویرایش]