De interdisciplinariteit van neurowetenschappen: bruggen tussen hersenen, kunstmatige intelligentie en natuurkunde
Deze vertaling is gemaakt met vertaler DeepL, het is mogelijk dat er fouten in staan
In de afgelopen jaren is de erkenning van de neurowetenschappen als een zeer interdisciplinaire tak van kennis meer dan duidelijk geworden. Enerzijds is er de recente vooruitgang op het gebied van kunstmatige intelligentie, waarvan de fundamenten zijn gebaseerd op het ontlenen van inspiratie aan onze hersenen om efficiëntere algoritmen voor informatieverwerking te bouwen. Concepten zoals leren, synaptische plasticiteit, receptieve velden of aandacht, die typisch worden geassocieerd met de klassieke neurowetenschappen en psychologie, zijn nu gemeengoed op gebieden zoals computervisie of ChatGPT-achtige taalmodellen. Aan de andere kant zijn onderzoekers zich steeds meer bewust van de dringende noodzaak om interdisciplinaire benaderingen te gebruiken (waarbij bijvoorbeeld disciplines als neurowetenschappen, complexe systeemfysica en kunstmatige intelligentie worden gecombineerd) om het functioneren van de hersenen en psychische aandoeningen te begrijpen. Verschillende baanbrekende onderzoekers op het gebied van computationele neurowetenschappen – een vakgebied dat gebruik maakt van theoretische en computationele technieken om de werking van de hersenen te bestuderen – hebben onlangs prijzen van topniveau gewonnen, zoals de Brain Prize (aan Larry Abbot, Haim Sompolinsky en Terry Sejnowski) en, meer recent, de Nobelprijs voor natuurkunde (in het geval van John Hopfield en Geoffrey Hinton).
Dit wijst op een symbiose tussen wiskunde en neurobiologie: wiskunde gebruiken om neurowetenschappelijke concepten te vertalen naar verschillende technische problemen is enorm nuttig gebleken (zie de voorbeelden hierboven), maar we kunnen wiskunde en computerwetenschap ook gebruiken om het oorspronkelijke probleem beter te begrijpen: hoe de hersenen werken. Dit is geen nieuw concept: vrijwel alle wetenschappelijke disciplines maken gebruik van computermodellen om complexe verschijnselen beter te begrijpen, van de beweging van sterrenstelsels tot vulkaanuitbarstingen en interacties tussen atomen. In het geval van de neurowetenschappen wordt de kwestie echter enigszins misleidend, omdat dit het enige geval is waarin we neurale netwerkalgoritmen gebruiken om niet zomaar een object te bestuderen, maar het object dat deze algoritmen oorspronkelijk inspireerde. Met andere woorden: als we een neuraal netwerksimulatie op onze computer implementeren, willen we dan kunstmatige algoritmen genereren die in staat zijn om een concreet probleem op te lossen, zoals het evalueren van de beste aandelenmarktinvestering of het identificeren van voetgangers die de straat oversteken? Of is ons doel misschien om het “echte” neurale netwerk te simuleren, om te begrijpen hoe onze hersenen handelen wanneer we iets waarnemen of ons iets herinneren?Dit is een subtiel maar zeer relevant onderscheid: in het eerste geval, dat we een neuronetwerktool kunnen noemen, moet biologische inspiratie wijken voor meer praktische overwegingen, zoals het maximaliseren van de efficiëntie van het algoritme of het evalueren van het energieverbruik van het algoritme. In het tweede geval, dat we red-neuronal-as-model zullen noemen, gaat het erom een model te ontwikkelen dat, in meer of mindere mate van detail, gericht is op het verbeteren van ons begrip van het fysieke object zelf (de hersenen), wat inhoudt dat we dicht bij de biologische aspecten ervan blijven.
Een duidelijk voorbeeld is het gebruik van neurale netwerkmodellen voor klinische toepassingen. Vanuit een meer pragmatisch oogpunt, of neuraal netwerk-als-gereedschap, kan een onderzoeker een algoritme van een convolutie neuraal netwerk programmeren en het trainen op beelden van hersenscans om tekenen van veranderingen in de hersenen te identificeren die verband houden met verschillende ziekten. In dit geval zijn we niet geïnteresseerd in hoe biologisch realistisch het gebruikte neurale netwerk is, zolang het maar goede resultaten oplevert.
Neurale netwerken als model
Aan de andere kant kan een onderzoeker vanuit een fundamenteler oogpunt, of neural-network-as-model, een neuraal netwerk zo programmeren dat neuronen en synapsen een vergelijkbare structuur en eigenschappen hebben als die in de echte hersenen. In het geval van het simuleren van een heel brein, zou ons model gebruikt kunnen worden om de oorzaken van bepaalde mentale ziektes te identificeren – zoals verminderde connectiviteit tussen neuronen in frontale en pariëtale regio’s in het geval van schizofrenie.
Neurale-netwerken-als-model vereist niet per se een extreem hoog detailniveau, maar eerder het afstemmen van het bestaande detailniveau in het model op het neurobiologische bewijs. Zo heeft mijn lab (het Computational Neuroscience Lab aan de Universiteit van Amsterdam) onlangs samengewerkt met experimentele medewerkers om de biologische oorsprong van de zogenaamde wet van Yerkes-Dodson te bestuderen. Deze wet, die inmiddels meer dan honderd jaar oud is, is een psychologisch principe volgens welke mensen taken optimaal uitvoeren wanneer hun stressniveau gematigd is (d.w.z. niet slaperig, maar ook niet extreem gejaagd). Dit is een van de redenen waarom we het bijvoorbeeld beter doen tijdens examens als we goed uitgerust en niet te nerveus zijn. Hoewel de wet al meer dan honderd jaar oud is, is de neurobiologische oorsprong ervan nog steeds onduidelijk. Onze studie (Beerendonk, Mejias et al., PNAS 2024 ) presenteert een computationeel model dat de wet van Yerkes-Dodson repliceert en tegelijkertijd voorstelt dat het onderliggende biologische mechanisme bestaat uit interacties tussen verschillende soorten neuronen in de neocortex, die bij mensen sensorische informatie combineren met aandachts- of waaksignalen. Dit is een voorbeeld van hoe eenvoudige computationele modellen kunnen helpen om complexe psychologische processen beter te begrijpen.
Aangezien de focus van modelachtige neurale netwerken niet ligt op het maximaliseren van de efficiëntie van het resulterende algoritme, is het duidelijk dat deze modellen niet zo effectief zijn als gereedschapsachtige neurale netwerken op specifieke taken zoals beeldherkenning. Dit betekent echter niet dat ze niet in staat zijn om eenvoudige taken uit te voeren. In een parallelle onderzoekslijn ontwikkelt ons lab ‘digitale brein’-modellen die een aanzienlijk niveau van biologisch realisme bevatten en in staat zijn om eenvoudige cognitieve taken met betrekking tot het kortetermijngeheugen na te bootsen. (Mejias and Wang, eLife 2022; Feng et al. BioRxiv 2023) o besluitvorming ( Zou et al. BioRxiv 2024 ). Deze modellen stellen ons in staat om voor het eerst de experimenteel waargenomen patronen van neuronale activiteit en de cognitieve basisvaardigheden van perceptie en geheugen te combineren in één enkel theoretisch kader. Het gebruik van dergelijke modellen zal ons in staat stellen om het verband tussen onregelmatigheden in neurale activiteit en cognitieve problemen die geassocieerd worden met mentale stoornissen beter te begrijpen, een onderzoekslijn met hoog klinisch potentieel die we momenteel aan het ontwikkelen zijn.
Ten slotte hoeven neurale netwerken als hulpmiddel of als model elkaar niet uit te sluiten. Hoewel er momenteel een zekere mate van scheiding, of liever specialisatie, tussen de twee takken bestaat, zal de ambitie om beide benaderingen te combineren in de nabije toekomst waarschijnlijk een punt van intensief onderzoek zijn. (van Holk and Mejias, Curr. Op. Behav. Sci. 2024). De resulterende modellen zouden de voordelen van beide benaderingen in één enkel theoretisch kader kunnen bieden en zouden bijvoorbeeld het biologisch realisme en de hoge rekenkracht kunnen integreren die nodig zijn voor hersenimplantaten die beschadigde hersengebieden kunnen vervangen. Hoewel er nog geen volledige voorbeelden van zulke modellen bestaan, weten we dat ze aannemelijk zijn – we hebben tenslotte het sterkste bewijs op onze schouders.
Kun je ons helpen om meer te worden? Word lid en doe mee. Zeg het voort op de netwerken. Neem contact met ons op en vertel ons over uzelf en uw project.
Jorge Mecías
Principal Investigator and Assistant Professor, University of Amsterdam
Geboren in Cáceres en opgegroeid in Cádiz, ontstond mijn interesse in neurowetenschappen tijdens mijn studie Natuurkunde, waar ik de hersenen leerde zien als het perfecte voorbeeld van een “complex systeem”. Ik specialiseerde me in Computational Neuroscience tijdens mijn Master en PhD aan de Universiteit van Granada, en later als postdoctoraal onderzoeker aan de universiteiten van Ottawa (Canada), New York (VS) en NYU Shanghai (China). In 2017 verhuisde ik naar de Universiteit van Amsterdam als Assistant Professor om mijn lab en een onderzoekslijn op te zetten die zich richt op de ontwikkeling van wiskundige en computationele modellen van de hersenen voor de studie van cognitieve processen. De benadering van mijn lab staat heel dicht bij de neurobiologie: in plaats van kunstmatige neurale netwerkmodellen te ontwikkelen, die rekenkrachtig zijn maar weinig verband houden met de biologie, richten onze computationele modellen zich op het nabootsen van de dynamiek en het gedrag van echte neurale circuits, met behulp van structurele neuroanatomie en neuroimaging-gegevens. Deze neurobiologische modellering, gecombineerd met technieken uit de statistische natuurkunde, complexe systemen en machinaal leren, heeft ons in staat gesteld om een reeks theoretische en computationele modellen op te stellen waarmee we hersendynamica op meerdere schalen kunnen reproduceren, van de activiteit van individuele neuronen tot complex gedrag bij dieren zoals geheugen of besluitvorming.
