Ang mga siyentipiko ay maaaring mas mahusay na maunawaan at mahulaan ang mga koneksyon sa pagitan ng iba't ibang bahagi ng utak salamat sa isang bagong GPU-based na machine learning algorithm na ginawa ng mga mananaliksik sa Indian Institute of Science (IISc).
Ang algorithm, na kilala bilang Regularized, Accelerated, Linear Fascicle Evaluation o ReAl-LiFE, ay may kakayahang mahusay na pag-aralan ang napakalaking volume ng data na ginawa ng diffusion magnetic resonance imaging (dMRI) scan ng utak ng tao.
Ang paggamit ng koponan ng ReAL-LiFE ay nagbigay-daan sa kanila na pag-aralan ang data ng dMRI nang higit sa 150 beses na mas mabilis kaysa sa maaari nilang makuha sa mga kasalukuyang makabagong pamamaraan.
Paano gumagana ang modelo ng koneksyon sa utak?
Bawat segundo, ang milyun-milyong neuron ng utak ay nagpapaputok, na lumilikha ng mga de-koryenteng pulso na gumagalaw sa pamamagitan ng mga neural network—kilala rin bilang “axons”—mula sa isang bahagi ng utak patungo sa isa pa.
Para gumana ang utak bilang isang computer, kailangan ang mga koneksyong ito. Gayunpaman, ang mga tradisyonal na pamamaraan para sa pag-aaral ng mga koneksyon sa utak ay kadalasang kinabibilangan ng paggamit ng mga invasive na modelo ng hayop.
Gayunpaman, ang mga pag-scan ng dMRI ay nag-aalok ng hindi invasive na paraan upang suriin ang mga koneksyon sa utak ng tao.
Ang mga information highway ng utak ay ang mga cable (axon) na nag-uugnay sa iba't ibang rehiyon nito. Ang mga molekula ng tubig ay naglalakbay kasama ng mga bundle ng axon kasama ang kanilang haba sa isang direktang paraan dahil sila ay nabuo tulad ng mga tubo.
Ang connectome, na isang detalyadong mapa ng network ng mga fibers na sumasaklaw sa utak, ay maaaring gawing posible ng dMRI, na nagbibigay-daan sa mga mananaliksik na sundin ang kilusang ito.
Sa kasamaang palad, ang pagtukoy sa mga koneksyon na ito ay hindi simple. Tanging ang netong daloy ng mga molekula ng tubig sa bawat lokasyon sa utak ang ipinapakita ng data ng mga pag-scan.
Isaalang-alang ang mga molekula ng tubig bilang mga sasakyan. Nang walang nalalaman tungkol sa mga daanan, ang tanging impormasyon na nakolekta ay ang direksyon at bilis ng mga sasakyan sa bawat punto sa oras at lugar.
Sa pamamagitan ng pagsubaybay sa mga pattern ng trapiko na ito, ang gawain ay maihahambing sa paghihinuha sa mga network ng mga daanan. Ang mga conventional approach ay malapit na tumutugma sa inaasahang dMRI signal mula sa inferred connectome sa aktwal na dMRI signal para matukoy nang tama ang mga network na ito.
Para magawa ang optimization na ito, gumawa ang mga scientist ng algorithm na tinatawag na LiFE (Linear Fascicle Evaluation), ngunit isa sa mga disbentaha nito ay ang pagpapatakbo nito sa conventional Central Processing Units (CPUs), na naging dahilan ng pag-ubos ng oras ng computation.
Totoong buhay ay isang rebolusyonaryong modelo na nilikha ng mga mananaliksik ng India
Sa una, ang mga mananaliksik ay lumikha ng isang algorithm na tinatawag na LiFE (Linear Fascial Evaluation) upang gawin ang pagsasaayos na ito, ngunit ang isa sa mga disadvantage nito ay ang pagdepende nito sa mga ordinaryong Central Processing Units (CPU), na nagtagal sa pag-compute.
Pinahusay ng koponan ni Sridharan ang kanilang diskarte sa pinakabagong pag-aaral upang mabawasan ang gawaing pagpoproseso na kinakailangan sa iba't ibang paraan, kabilang ang pag-alis ng mga paulit-ulit na koneksyon at makabuluhang pagpapabuti ng pagganap ng LiFE.
Ang teknolohiya ay pinahusay pa ng mga mananaliksik sa pamamagitan ng pag-engineer nito upang gumana sa Graphics Processing Units (GPU), na mga espesyal na electrical chip na ginagamit sa mga high-end na gaming PC.
Ito ay nagpapahintulot sa kanila na suriin ang data ng 100-150 beses na mas mabilis kaysa sa mga nakaraang diskarte. Tang kanyang na-update na algorithm, ang ReAl-LiFE, ay maaari ring mahulaan kung paano kikilos o gagawa ng isang partikular na trabaho ang isang paksa ng pagsubok ng tao.
Sa madaling salita, gamit ang inaasahang lakas ng link ng algorithm para sa bawat indibidwal, nagawa ng team na ipaliwanag ang mga pagkakaiba-iba sa mga marka ng pagsusulit sa pag-uugali at nagbibigay-malay sa isang sample ng 200 indibidwal.
Ang ganitong pagsusuri ay maaari ding magkaroon ng mga gamit na panggamot. Lalong nagiging mahalaga ang malakihang pagpoproseso ng data para sa mga big-data neuroscience application, lalo na sa pag-unawa sa malusog na paggana ng utak at mga sakit sa utak.
Konklusyon
Sa konklusyon, ang ReAl-LiFE ay maaari ring mahulaan kung paano kikilos o gagawa ng isang partikular na trabaho ang isang paksa ng pagsubok ng tao.
Sa madaling salita, gamit ang inaasahang lakas ng link ng algorithm para sa bawat indibidwal, nagawa ng team na ipaliwanag ang mga pagkakaiba-iba sa mga marka ng pagsusulit sa pag-uugali at nagbibigay-malay sa isang sample ng 200 indibidwal.
Ang ganitong pagsusuri ay maaari ding magkaroon ng mga gamit na panggamot. Lalong nagiging mahalaga ang malakihang pagpoproseso ng data para sa mga big-data neuroscience application, lalo na sa pag-unawa sa malusog na paggana ng utak at mga sakit sa utak.
Mag-iwan ng Sagot