과학자들은 인도 과학 연구소(IISc)의 연구원들이 만든 새로운 GPU 기반 기계 학습 알고리즘 덕분에 다양한 뇌 영역 간의 연결을 더 잘 이해하고 예측할 수 있습니다.
Regularized, Accelerated, Linear Fascicle Evaluation 또는 ReAl-LiFE로 알려진 이 알고리즘은 인간 뇌의 확산 자기 공명 영상(dMRI) 스캔으로 생성된 대량의 데이터를 효율적으로 분석할 수 있습니다.
이 팀은 ReAL-LiFE를 사용하여 현재 최첨단 기술로 할 수 있는 것보다 150배 이상 빠르게 dMRI 데이터를 분석할 수 있었습니다.
뇌 연결 모델은 어떻게 작동합니까?
매초 뇌의 수백만 개의 뉴런이 발화하여 뇌의 한 부분에서 다른 부분으로 신경망("축삭"이라고도 함)을 통해 이동하는 전기 펄스를 생성합니다.
뇌가 컴퓨터로 기능하려면 이러한 연결이 필요합니다. 그러나 뇌 연결을 연구하는 전통적인 방법은 종종 침습적인 동물 모델을 사용하는 것을 포함합니다.
그러나 dMRI 스캔은 인간의 뇌 연결을 검사하는 비침습적 방법을 제공합니다.
뇌의 정보 고속도로는 다양한 영역을 연결하는 케이블(축삭)입니다. 물 분자는 튜브처럼 형성되어 있기 때문에 방향이 있는 방식으로 축삭 다발을 따라 이동합니다.
뇌를 가로지르는 섬유 네트워크의 상세한 지도인 커넥톰은 연구원들이 이 움직임을 추적할 수 있게 해주는 dMRI에 의해 가능해질 수 있습니다.
불행하게도 이러한 커넥톰을 식별하는 것은 간단하지 않습니다. 뇌의 각 위치에서 물 분자의 순 흐름만 스캔 데이터로 표시됩니다.
자동차로 물 분자를 고려하십시오. 도로에 대해 아무것도 모르는 상태에서 수집되는 유일한 정보는 각 시점과 장소에서 자동차의 방향과 속도입니다.
이러한 교통 패턴을 모니터링함으로써 작업은 도로 네트워크를 추론하는 것과 비슷합니다. 기존의 접근 방식은 이러한 네트워크를 올바르게 식별하기 위해 추정된 커넥톰의 예상 dMRI 신호를 실제 dMRI 신호와 밀접하게 일치시킵니다.
이 최적화를 수행하기 위해 과학자들은 이전에 LiFE(Linear Fascicle Evaluation)라는 알고리즘을 만들었지만 그 단점 중 하나는 기존의 중앙 처리 장치(CPU)에서 작동하여 계산 시간이 많이 걸린다는 점이었습니다.
실생활 인도 연구자들이 만든 혁신적인 모델입니다.
초기에 연구원들은 이 조정을 위해 LiFE(Linear Fascial Evaluation)라는 알고리즘을 만들었지만, 단점 중 하나는 계산하는 데 시간이 걸리는 일반 중앙 처리 장치(CPU)에 의존한다는 점이었습니다.
Sridharan의 팀은 최신 연구에서 기술을 개선하여 중복 연결을 제거하고 LiFE의 성능을 크게 개선하는 등 다양한 방법으로 필요한 처리 작업을 최소화했습니다.
이 기술은 하이엔드 게임용 PC에 사용되는 특수 전기 칩인 GPU(Graphics Processing Unit)에서 작동하도록 엔지니어링함으로써 연구원들에 의해 더욱 개선되었습니다.
이를 통해 이전 접근 방식보다 100-150배 빠르게 데이터를 검사할 수 있었습니다. 티그의 업데이트된 알고리즘인 ReAl-LiFE는 또한 인간 테스트 대상이 어떻게 행동하거나 특정 작업을 수행할지 예상할 수 있습니다.
즉, 각 개인에 대한 알고리즘의 예상 링크 강도를 사용하여 팀은 200명의 개인 샘플에서 행동 및 인지 테스트 점수의 차이를 설명할 수 있었습니다.
이러한 분석은 의약 용도로도 사용할 수 있습니다.” 대규모 데이터 처리는 특히 건강한 뇌 기능과 뇌 장애를 이해하는 빅 데이터 신경 과학 응용 분야에서 점점 더 중요해지고 있습니다.
결론
결론적으로 ReAl-LiFE는 인간 실험 대상이 어떻게 행동하거나 특정 작업을 수행할지 예상할 수도 있습니다.
즉, 각 개인에 대한 알고리즘의 예상 링크 강도를 사용하여 팀은 200명의 개인 샘플에서 행동 및 인지 테스트 점수의 차이를 설명할 수 있었습니다.
이러한 분석은 의약 용도로도 사용할 수 있습니다.” 대규모 데이터 처리는 특히 건강한 뇌 기능과 뇌 장애를 이해하는 빅 데이터 신경 과학 응용 분야에서 점점 더 중요해지고 있습니다.
댓글을 남겨주세요.