El modelado biofísico sirve como una herramienta valiosa para comprender la función cerebral al vincular la dinámica neural a nivel celular con actividad cerebral a gran escala. Estos modelos se rigen por parámetros biológicamente interpretables, muchos de los cuales se pueden medir directamente a través de experimentos. Sin embargo, algunos parámetros siguen siendo desconocidos y deben ajustarse para alinear simulaciones con datos empíricos, como la fMRI en estado de reposo. Los enfoques de optimización tradicionales, incluida la búsqueda exhaustiva, el descenso de gradiente, los algoritmos evolutivos y la optimización bayesiana, solicitan la integración numérica repetida de ecuaciones diferenciales complejas, lo que los hace computacionalmente intensivos y difíciles de escala para modelos que involucran numerosos parámetros o regiones cerebrales. Como resultado, muchos estudios simplifican el problema al ajustar solo unos pocos parámetros o asumiendo propiedades uniformes entre regiones, lo que limita el realismo biológico.
Los esfuerzos más recientes tienen como objetivo mejorar la plausibilidad biológica al contabilizar la heterogeneidad espacial en las propiedades corticales, utilizando técnicas de optimización avanzadas como estrategias bayesianas o evolutivas. Estos métodos mejoran la coincidencia entre la actividad cerebral simulada y real y pueden generar métricas interpretables como la relación de excitación/inhibición, validada a través de imágenes farmacológicas y PET. A pesar de estos avances, queda un cuello de botella significativo: el alto costo computacional de integrar ecuaciones diferenciales durante la optimización. Se han propuesto redes neuronales profundas (DNN) en otros campos científicos para aproximar este proceso aprendiendo la relación entre los parámetros del modelo y las salidas resultantes, acelerando significativamente el cálculo. Sin embargo, la aplicación de DNN a los modelos de cerebro es más desafiante debido a la naturaleza estocástica de las ecuaciones y la gran cantidad de pasos de integración requeridos, lo que hace que los métodos actuales basados en DNN no sean insuficientes sin una adaptación sustancial.
Investigadores de instituciones como la Universidad Nacional de Singapur, la Universidad de Pensilvania y Universitat Pompeu Fabra han introducido Delssome (Aprendizaje profundo para la optimización de estadísticas sustitutas en el modelado de campo medio). Este marco reemplaza la costosa integración numérica con un modelo de aprendizaje profundo que predice si los parámetros específicos producen una dinámica cerebral biológicamente realista. Aplicado al modelo de control de inhibición de retroalimentación (FIC), Delssome ofrece una aceleración de 2000 × y mantiene la precisión. Integrado con la optimización evolutiva, se generaliza a través de conjuntos de datos, como HCP y PNC, sin ajuste adicional, logrando una aceleración de 50 ×. Este enfoque permite un modelado a gran escala y basado en biológicamente en estudios de neurociencia a nivel de población.
El estudio utilizó datos de neuroimagen de los conjuntos de datos HCP y PNC, procesamiento de FMRI en estado de reposo y escane de resonancia magnética de difusión para calcular la conectividad funcional (FC), la dinámica de conectividad funcional (FCD) y las matrices de conectividad estructural (SC). Se desarrolló un modelo de aprendizaje profundo, Delssome, con dos componentes: un clasificador de rango dentro para predecir si las tasas de disparo se encuentran dentro de un rango biológico y un predictor de costos para estimar las discrepancias entre los datos de FC/FCD simulados y empíricos. La capacitación utilizó la optimización de CMA-ES, generando más de 900,000 puntos de datos en los conjuntos de entrenamiento, validación y prueba. Las entradas integradas de MLP separadas como parámetros FIC, SC y FC/FCD empírico para admitir una predicción precisa.
El modelo FIC simula la actividad de las neuronas excitadoras e inhibitorias en las regiones corticales utilizando un sistema de ecuaciones diferenciales. El modelo se optimizó utilizando el algoritmo CMA-ES para que sea más preciso, lo que evalúa numerosos conjuntos de parámetros a través de una integración numérica computacionalmente costosa. Para reducir este costo, los investigadores introdujeron Delssome, un sustituto basado en el aprendizaje profundo que predice si los parámetros del modelo producirán tasas de disparo biológicamente plausibles y FCD realista. Delssome logró una aceleración de 2000 × en la evaluación y una aceleración de 50 × en optimización, al tiempo que mantuvo una precisión comparable al método original.
En conclusión, el estudio introduce Delssome, un marco de aprendizaje profundo que acelera significativamente la estimación de parámetros en modelos cerebrales biofísicos, logrando una aceleración de 2000 × sobre la integración tradicional de Euler y un impulso de 50 × cuando se combina con la optimización de CMA-ES. Delssome comprende dos redes neuronales que predicen la validez de la tasa de disparo y el costo de FC+FCD utilizando incrustaciones compartidas de parámetros del modelo y datos empíricos. El marco se generaliza en los conjuntos de datos sin ajuste adicional y mantiene la precisión del modelo. Aunque se requiere reentrenamiento para diferentes modelos o parámetros, el enfoque central de Delssome, predicción de estadísticas sustitutas en lugar de series de tiempo, ofrece una solución escalable para el modelado cerebral a nivel de población.
Aquí está el Papel. Además, no olvides seguirnos Gorjeo y únete a nuestro Canal de telegrama y LinkedIn GRsalpicar. No olvides unirte a nuestro 90k+ ml de subreddit.
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble grado en IIT Madras, le apasiona aplicar tecnología e IA para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.
