فهرست مندرجات[پنهان شدن][نمایش]
به لطف الگوریتم جدید یادگیری ماشینی مبتنی بر GPU که توسط محققان موسسه علوم هند (IISc) ایجاد شده است، دانشمندان می توانند بهتر بتوانند ارتباطات بین مناطق مختلف مغز را درک و پیش بینی کنند.
این الگوریتم که بهنام منظم، شتابدار، ارزیابی فاسیکل خطی یا ReAl-LiFE شناخته میشود، قادر است حجم عظیمی از دادههای تولید شده توسط اسکنهای تصویربرداری تشدید مغناطیسی انتشار (dMRI) از مغز انسان را بهطور مؤثر تحلیل کند.
استفاده تیم از ReAL-LiFE به آنها این امکان را میدهد که دادههای dMRI را بیش از 150 برابر سریعتر از آنچه با تکنیکهای پیشرفته فعلی انجام میدهند، تجزیه و تحلیل کنند.
مدل اتصال مغز چگونه کار می کند؟
در هر ثانیه، میلیونها نورون مغز شلیک میکنند و پالسهای الکتریکی ایجاد میکنند که از طریق شبکههای عصبی - که به عنوان "آکسون" نیز شناخته میشوند - از یک قسمت مغز به قسمت دیگر حرکت میکنند.
برای اینکه مغز به عنوان یک کامپیوتر عمل کند، این ارتباطات ضروری هستند. با این حال، روشهای سنتی برای مطالعه اتصالات مغزی اغلب شامل استفاده از مدلهای حیوانی مهاجم است.
با این حال، اسکن dMRI یک راه غیر تهاجمی برای بررسی اتصالات مغز انسان ارائه می دهد.
شاهراه های اطلاعاتی مغز کابل ها (آکسون ها) هستند که مناطق مختلف آن را به هم متصل می کنند. مولکولهای آب همراه با دستههای آکسون در طول خود حرکت میکنند، زیرا مانند لولههایی تشکیل شدهاند.
کانکتوم که نقشه ای دقیق از شبکه فیبرهای پوشاننده مغز است، می تواند توسط dMRI امکان پذیر شود که محققان را قادر می سازد این حرکت را دنبال کنند.
متأسفانه، شناسایی این اتصالات ساده نیست. تنها جریان خالص مولکول های آب در هر مکان در مغز توسط داده های اسکن نشان داده می شود.
مولکول های آب را مانند اتومبیل در نظر بگیرید. بدون دانستن چیزی در مورد جاده ها، تنها اطلاعات جمع آوری شده جهت و سرعت خودروها در هر نقطه از زمان و مکان است.
با نظارت بر این الگوهای ترافیکی، این کار با استنباط شبکه های جاده ها قابل مقایسه است. رویکردهای مرسوم به منظور شناسایی صحیح این شبکهها، سیگنال dMRI مورد انتظار از کانکتوم استنباطشده را با سیگنال dMRI واقعی مطابقت میدهند.
برای انجام این بهینهسازی، دانشمندان قبلاً الگوریتمی به نام LiFE (ارزیابی فاسیکل خطی) ایجاد کردند، اما یکی از اشکالات آن این بود که روی واحدهای پردازش مرکزی معمولی (CPU) کار میکرد که محاسبات را وقتگیر میکرد.
زندگی واقعی یک مدل انقلابی است که توسط محققان هندی ایجاد شده است
در ابتدا، محققان الگوریتمی به نام LiFE (ارزیابی فاشیال خطی) برای انجام این تنظیم ایجاد کردند، اما یکی از معایب آن این بود که به واحدهای پردازش مرکزی معمولی (CPU) وابسته بود که محاسبه آن زمان می برد.
تیم Sridharan تکنیک خود را در جدیدترین مطالعه برای به حداقل رساندن کار پردازشی مورد نیاز به روشهای مختلف، از جمله حذف اتصالات اضافی و بهبود قابل توجه عملکرد LiFE، بهبود بخشید.
این فناوری توسط محققان با مهندسی کردن آن برای کار بر روی واحدهای پردازش گرافیکی (GPU) که تراشههای الکتریکی تخصصی مورد استفاده در رایانههای شخصی بازی پیشرفته هستند، اصلاح شد.
این به آنها اجازه داد تا داده ها را 100 تا 150 برابر سریعتر از رویکردهای قبلی بررسی کنند. تیالگوریتم به روز شده او، ReAl-LiFE، همچنین می تواند پیش بینی کند که یک آزمودنی انسانی چگونه عمل می کند یا کار خاصی را انجام می دهد.
به عبارت دیگر، با استفاده از نقاط قوت پیوند پیشبینیشده الگوریتم برای هر فرد، تیم قادر به توضیح واریانس در نمرات آزمون رفتاری و شناختی در میان نمونهای متشکل از 200 نفر بود.
چنین تحلیلی می تواند کاربردهای دارویی نیز داشته باشد.» پردازش داده ها در مقیاس بزرگ برای کاربردهای علوم اعصاب داده های بزرگ، به ویژه در درک عملکرد سالم مغز و اختلالات مغزی، اهمیت فزاینده ای پیدا می کند.
نتیجه
در نتیجه، ReAl-LiFE همچنین می تواند پیش بینی کند که یک آزمودنی انسانی چگونه عمل می کند یا کار خاصی را انجام می دهد.
به عبارت دیگر، با استفاده از نقاط قوت پیوند پیشبینیشده الگوریتم برای هر فرد، تیم قادر به توضیح واریانس در نمرات آزمون رفتاری و شناختی در میان نمونهای متشکل از 200 نفر بود.
چنین تحلیلی می تواند کاربردهای دارویی نیز داشته باشد.» پردازش داده ها در مقیاس بزرگ برای کاربردهای علوم اعصاب داده های بزرگ، به ویژه در درک عملکرد سالم مغز و اختلالات مغزی، اهمیت فزاینده ای پیدا می کند.
پاسخ دهید