Новое программное обеспечение позволяет моделировать работу мозга, которое не только детально имитирует процессы в мозге, но и может решать сложные когнитивные задачи. Программа была разработана исследовательской группой в рамках Кластера передового опыта «Машинное обучение: новые перспективы для науки» Тюбингенского университета. Таким образом, программное обеспечение формирует основу для моделирования мозга нового поколения, позволяющего глубже понять его функционирование. Статья тюбингенских исследователей была опубликована в журнале Nature Methods.
На протяжении десятилетий исследователи пытались создать компьютерные модели мозга, чтобы лучше понять этот орган и процессы, которые в нем происходят. Используя математические методы, они смоделировали поведение и взаимодействие нервных клеток и их соединений.
Однако предыдущие модели имели существенные недостатки: они либо основывались на чрезмерно упрощенных моделях нейронов и поэтому значительно отличались от биологической реальности, либо детально описывали биофизические процессы внутри клеток, но были неспособны выполнять задачи, аналогичные задачам мозга.
«Либо путь аналогичен пути в мозге, но результат отличается, либо результат правильный, но процесс, который ведет к нему, не идет ни в какое сравнение с процессами в мозге», — объясняет Майкл Дейстлер, первый автор исследования и исследователь из рабочей группы профессора Якоба Маке. Jaxley, как называется новая программа, позволяет обучать модели мозга таким образом, чтобы они были применимы одновременно, что является важным шагом на пути к тому, чтобы на основе модели можно было делать выводы о реальных процессах в мозге.
Это было достигнуто с помощью метода, который также используется для обучения искусственных нейронных сетей: «обратного распространения ошибки». С помощью обратного распространения искусственная нейронная сеть настраивает свои параметры во время обучения таким образом, чтобы заданный ввод приводил к желаемому результату. Сеть продолжает адаптироваться до тех пор, пока не достигнет желаемой цели.
Таким образом, сеть узнает, какие функции и связи в данных важны для конкретного процесса, чтобы также получать правильные результаты с учетом новых аналогичных примеров. Тюбингенские исследователи применили этот принцип обучения к моделированию мозга.
Детализированные модели мозга позволяют выполнять сложные задачи
Когда мозг выполняет какую-либо задачу, задействованы сотни важных параметров нейронов. Это может быть, например, размер нейронов, прочность связей или количество ионных каналов. «Многие из этих параметров невозможно измерить. До сих пор это не позволяло разработать точные модели, которые давали бы хорошие результаты», — говорит Дейстлер.
«Джаксли может тренировать эти неизмеримые параметры в моделях мозга. Программное обеспечение многократно изменяет их значения, перестраивается до тех пор, пока моделирование не достигнет желаемого результата». После обучения полученные модели мозга были способны классифицировать изображения или сохранять воспоминания и получать к ним доступ.
«Благодаря Джаксли мы теперь можем изучать, как нейронные механизмы способствуют решению задач», — говорит Макке, профессор машинного обучения в области естественных наук в Университете Тюбингена и последний автор исследования. «Программное обеспечение позволит нейробиологам исследовать сложность мозга и отображать ее в компьютерном моделировании». В долгосрочной перспективе такое моделирование также может быть применено в медицине, например, для лучшего понимания неврологических заболеваний или для заблаговременного виртуального изучения действия лекарств.
Дополнительная информация: Майкл Дейстлер и др., Джаксли: дифференцируемое моделирование позволяет проводить крупномасштабное обучение детальным биофизическим моделям нейронной динамики, Nature Methods (2025). DOI: 10.1038/s41592-025-02895-w
Информация о журнале: Nature Methods