La Investigación descansa base para desarrollar neuroprosthetics biomimetic del ` realista'

Aplicando un algoritmo nuevo del ordenador para imitar cómo el cerebro aprende, las personas de investigadores - con el socorro del superordenador del Cometa basó en el Centro del Superordenador de San Diego (SDSC) en Uc San Diego y el Gateway de la Neurología del Centro - han determinado y el conjunto de circuitos de los nervios replegado que se asemeja a la manera un cerebro intacto controlan el movimiento del limbo.

La investigación, publicada en la aplicación De marzo-mayo de 2017 el Gorrón de IBM de la Investigación y desarrollo, descansa la base para desarrollar “neuroprosthetics biomimetic realista” -- implantes del cerebro que el cerebro replegado circula y su función -- ese un día podía reemplazar las neuronas perdidas o dañadas o el tejido de tumores, del recorrido, o de otras enfermedades.

“En pacientes con parálisis del motor, el neuroprosthetic biomimetic se podría utilizar para reemplazar la corteza de motor deteriorada donde podría obrar recíprocamente directamente con regiones sanas del pre-motor del cerebro, y envía mandos y recibe feedback vía la médula espinal a una arma prostética,” dijo a W.W. Lytton, profesor de la fisiología y de la farmacología en la Universidad de Estado del Centro Médico de Nueva York (SUNY) Downstate en Brooklyn, la N.Y., y el investigador principal del estudio.

Este decorado, retratado en el papel de IBM titulado “optimización Evolutiva del algoritmo de parámetros de aprendizaje biológicos en un neuroprosthesis biomimetic”, requirió ordenador de alto rendimiento y experiencia simular y evaluar los modelos de ordenador potenciales de una manera automatizada, junto con el Gateway de la Neurología (NSG) basado en SDSC, que proporcionó a una entrada a estos recursos.

“La complejidad cada vez mayor de la arma virtual, que incluyó muchos procesos biomecánicos realistas, y la dinámica más desafiadora del sistema de los nervios, pedida métodos más sofisticados y calcular altamente paralelo en un sistema tal como Cometa para abordar millares de posibilidades modelo,” dijo a Amit Majumdar, director de la división Que Calculaba Científica Activada los Datos en SDSC, investigador principal del NSG, y co-autor del papel del Gorrón de IBM.

“Combinar estas ventajas de cómputo puede ser una aproximación efectiva para construir los neuroprostheses biomimetic aún más realistas para las aplicaciones clínicas futuras,” él agregó.

Fusión de Principios De Cómputo y Biológicos

Durante la última década o Así pues, los investigadores han estado intentando fundir de cómputo y los principios biológicos para crear los modelos de ordenador realistas que formarían la base para los circuitos o los implantes de los nervios silicio-basados que reemplazarían dañaron el tejido cerebral. En este campo emergente, una meta fundamental ha sido el decodificar de las señales eléctricas registradas del cerebro para mover, por ejemplo, una arma prostética. En la ciencia ficción una vez considerada de los decorados, las técnicas que codifican señales de los nervios de una arma virtual prostética al cerebro ahora están permitiendo que los utilizadores aserraran al hilo lo que están tocando.

Eso dicha, investigadores ahora reconoce que controlando sistemas aún más realistas y complejos, incluyendo los limbos prostéticos que implican números más grandes de huesos, las juntas y los músculos, requieren los modelos de ordenador que se asemejan más de cerca al conjunto de circuitos real del cerebro.

Para conseguir más cercano a esta meta, se inspiras a los investigadores en este estudio confiaron en varios conceptos por la biología creen una red neuronal artificial más realista que permite que la corteza de motor aprenda dirigir una arma virtual - consistiendo en ocho huesos, siete juntas y 14 ramificaciones del músculo - a un target.ere especificado, H

El modelo biomimetic en la pregunta implicó más de 8.000 neuronas que clavaban y cerca de 500.000 conexiones sinápticas. El componente principal consistió en los microcircuitos primarios de la corteza de motor basados en la correspondencia de la actividad cerebral, conectada con un modelo del conjunto de circuitos de la médula espinal y de la arma virtual.

“Sostenemos eso para que el modelo responda de una manera biophysiologically realista a las entradas de información dinámicas en curso del cerebro real, necesita reproducir lo más posible la estructura y función o las células y los microcircuitos corticales reales,” dijo Salvador Dura-Bernal, profesor adjunto de la investigación en fisiología y farmacología con Downstate, y autor del papel el primer.

Según Lo contorneado, los investigadores entrenaron a su modelo usando plasticidad relacionada de la pico-sincronización (STDP) y al refuerzo que aprendían, creídos ser la base para la memoria y aprendiendo en cerebros mamíferos. Abreviadamente, el proceso refiere a la capacidad de conexiones sinápticas de convertirse en más fuerte basado en cuando los activan en relación a uno a, engranado con un sistema de recompensas o de castigos bioquímicos que se aten para corregir o las decisiones incorrectas.

En este caso, la señal de la recompensa se basa en la capacidad del modelo de ordenador de controlar cómo está cercano una mano virtual viene a una meta. Si la mano consiguió cerca de la meta, las sinapsis que generaban ese movimiento fueron recompensadas; si la mano estaba más lejos, esas sinapsis fueron castigadas.

Determinar el mejor refuerzo que aprendía el modelo requirió la identificación de un conjunto óptimo de características o de parámetros; entre otros, éstos incluyen el aprendizaje y los índices exploratorios del movimiento, duración del entrenamiento, y umbral del mando del motor medido en picos.

Algoritmo “Evolutivo” Empleado

Para aislar el refuerzo que aprendía los parámetros que rindieron el mejor mando sobre una arma virtual, los investigadores giraron a los “algoritmos evolutivos.” La metodología sigue los principios de la evolución biológica, donde una población de individuos, cada uno que representa un conjunto de genes o de parámetros, se desarrolla sobre las generaciones hasta que una de ellas los alcances un nivel deseado de la aptitud física. Con cada generación, evalúan y se seleccionan a los individuos para la reproducción, producen al nuevo descendiente cruzando sus genes y aplicando mutaciones al azar, y son reemplazados posteriormente por un descendiente más apto.

“Solamente los individuos más aptos permanecen,” dijo a Dura-Bernal, “esos modelos que pueden aprender mejor, sobrevivir y propagar sus genes.”

Aplicado a este sistema, cada gen individual representa un modelo con un conjunto determinado de aprender parámetros. La aptitud física del individuo es la capacidad del modelo de aprender controlar la arma virtual basada en señales reales del cerebro.

Para su estudio, los investigadores desarrollaron una población de 60 individuos (modelos con diversos parámetros de aprendizaje) sobre 1.000 generaciones, donde en cada generación un nuevo conjunto de características fue evaluado para medir su aptitud física. La Medición de la aptitud física requirió el entrenamiento del sistema entero (entrada de información del pre-motor, corteza de motor, médula espinal, arma virtual) por un periodo de tiempo y después la prueba de cada uno de las dos direcciones (left and right) para controlar cómo se realiza. El proceso necesitó ser relanzado para cada individuo y cada generación.

Seis Años Usando un Único Procesador

A aumento posterior las ocasiones de encontrar una solución óptima, los investigadores girados a una aproximación modelo de la “isla”, que dividió la población total de 60 individuos en los subgrupos, que se desarrollaron independientemente. Una Vez Más después de principios de la evolución biológica, emigrarían a un individuo periódicamente a una diversa isla, introduciendo nuevos genes para aumentar las ocasiones de encontrar una nueva combinación de genes con una mejor aptitud física o funcionamiento.

La “Integración “del modelo paralelo de la isla” en el Cometa requirió un cierto trabajo, pero en el extremo hicimos que trabaja para apresurar más lejos el proceso,” dijo a Subhashini Sivagnanam, especialista que calculaba científico mayor en SDSC, co-PI del proyecto NSF-financiado del NSG, y un co-autor del papel del Gorrón de IBM.

“Puesto Que los millares de combinaciones del parámetro necesitan ser evaluados, esto es solamente posible ejecutando las simulaciones usando recursos de la HPC tales como ésos proporcionados por SDSC,” Dura-Bernal dijo. “Estimábamos que eso usando un único procesador en vez del sistema del Cometa habría tardado casi seis años para obtener los mismos resultados.”

Los estudios Futuros se centrarán en desarrollar los modelos aún más realistas de los microcircuitos primarios de la corteza de motor para ayudar a entender y a descifrar el código de los nervios - cómo la información se codifica y se transmite en el cerebro.

“Acentuamos el concepto de revestir escalas múltiples, del molecular, con el celular, hasta el nivel de red,” dijo a Dura-Bernal. “Esto será instrumental en la comprensión y tratar de desordenes del cerebro tales como epilepsia, esquizofrenia, Parkinson, parálisis del motor, depresión, o amnesia.”

Fuente: http://ucsdnews.ucsd.edu/pressrelease/sdscs_comet_helps_replicate_brain_circuitry_to_direct_a_realistic_prostheti