Naučnici mogu bolje razumjeti i predvidjeti veze između različitih područja mozga zahvaljujući novom algoritmu za strojno učenje baziranom na GPU-u koji su kreirali istraživači s Indijskog instituta za nauku (IISc).
Algoritam, poznat kao Regularized, Accelerated, Linear Fascicle Evaluation ili ReAl-LiFE, sposoban je za efikasnu analizu ogromnih količina podataka proizvedenih difuzionom magnetnom rezonancom (dMRI) skeniranja ljudskog mozga.
Timsko korištenje ReAL-LiFE-a omogućilo im je da analiziraju dMRI podatke više od 150 puta brže nego što bi mogli sa trenutnim najsavremenijim tehnikama.
Kako funkcionira model povezivanja mozga?
Svake sekunde se aktiviraju milioni neurona u mozgu, stvarajući električne impulse koji se kreću putem neuronskih mreža – poznatih i kao “aksoni” – od jednog dijela mozga do drugog.
Da bi mozak funkcionirao kao kompjuter, ove veze su neophodne. Međutim, tradicionalne metode za proučavanje moždanih veza često uključuju korištenje invazivnih životinjskih modela.
Međutim, dMRI skeniranje nudi neinvazivan način za ispitivanje veza ljudskog mozga.
Informacijski putevi mozga su kablovi (aksoni) koji povezuju njegove različite regije. Molekuli vode putuju zajedno sa snopovima aksona duž njihove dužine na usmjeren način jer su formirani poput cijevi.
Konektom, koji je detaljna mapa mreže vlakana koja se proteže kroz mozak, može biti omogućen dMRI, koji omogućava istraživačima da prate ovaj pokret.
Nažalost, identificiranje ovih konektoma nije jednostavno. Podaci skeniranja pokazuju samo neto protok molekula vode na svakoj lokaciji u mozgu.
Razmotrite molekule vode kao automobile. Bez znanja o putevima, jedine prikupljene informacije su smjer i brzina automobila u svakom trenutku i na svakom mjestu.
Praćenjem ovih saobraćajnih obrazaca, zadatak je uporediv sa zaključivanjem mreže puteva. Konvencionalni pristupi blisko poklapaju očekivani dMRI signal iz pretpostavljenog konektora sa stvarnim dMRI signalom kako bi se te mreže ispravno identificirale.
Da bi izvršili ovu optimizaciju, naučnici su ranije kreirali algoritam nazvan LiFE (Linear Fascicle Evaluation), ali jedan od njegovih nedostataka je bio to što je radio na konvencionalnim centralnim procesorskim jedinicama (CPU), zbog čega je računanje oduzimalo mnogo vremena.
Pravi zivot je revolucionarni model koji su kreirali indijski istraživači
U početku su istraživači kreirali algoritam nazvan LiFE (Linear Fascial Evaluation) da bi izvršili ovu prilagodbu, ali jedan od njegovih nedostataka je bio taj što je ovisio o običnim centralnim procesorskim jedinicama (CPU), za koje je bilo potrebno vrijeme za izračunavanje.
Sridharanov tim je poboljšao svoju tehniku u najnovijoj studiji kako bi minimizirao rad obrade koji je potreban na različite načine, uključujući uklanjanje suvišnih veza i značajno poboljšanje performansi LiFE-a.
Istraživači su dodatno poboljšali tehnologiju tako što su je konstruisali za rad na grafičkim procesorskim jedinicama (GPU), koje su specijalizovani električni čipovi koji se koriste u vrhunskim računarima za igre.
To im je omogućilo da istražuju podatke 100-150 puta brže od prethodnih pristupa. Tnjegov ažurirani algoritam, ReAl-LiFE, također bi mogao predvidjeti kako će se ljudski ispitanik ponašati ili obavljati određeni posao.
Drugim riječima, koristeći projektovanu snagu veze algoritma za svakog pojedinca, tim je uspio objasniti varijacije u rezultatima testova ponašanja i kognitivnih sposobnosti na uzorku od 200 pojedinaca.
Takva analiza može imati i medicinske svrhe.” Obrada podataka velikih razmjera postaje sve važnija za aplikacije neuronauke velikih podataka, posebno u razumijevanju zdravih funkcija mozga i moždanih poremećaja.
zaključak
Zaključno, ReAl-LiFE bi također mogao predvidjeti kako će se ljudski ispitanik ponašati ili obavljati određeni posao.
Drugim riječima, koristeći projektovanu snagu veze algoritma za svakog pojedinca, tim je uspio objasniti varijacije u rezultatima testova ponašanja i kognitivnih sposobnosti na uzorku od 200 pojedinaca.
Takva analiza može imati i medicinske svrhe.” Obrada podataka velikih razmjera postaje sve važnija za aplikacije neuronauke velikih podataka, posebno u razumijevanju zdravih funkcija mozga i moždanih poremećaja.
Ostavite odgovor