MIT的三位科學家首次用大腦視覺神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了控制動物大腦的神經(jīng)元活動。這是使用人工神經(jīng)網(wǎng)絡(luò)來理解真實神經(jīng)網(wǎng)絡(luò)的一大突破，相關(guān)研究發(fā)表在本周Science雜志。

5月2日發(fā)表在Science雜志的一篇論文中，來自MIT的三位神經(jīng)科學家對模擬大腦視覺皮層的計算模型進行了迄今為止最嚴格的測試。

三位作者分別是MIT大腦與認知科學系的負責人、麥戈文腦研究所調(diào)查員James DiCarlo，以及博士后研究員Pouya Bashivan和Kohitij Kar。

他們利用目前最好的大腦視覺神經(jīng)網(wǎng)絡(luò)模型，設(shè)計了一種新方法來精確地控制單個神經(jīng)元和位于網(wǎng)絡(luò)中間的神經(jīng)元群。

在一項動物研究中，研究團隊隨后表明，他們利用從計算模型中獲得的信息創(chuàng)建了一些圖像，這些圖像能夠強烈地激活所選定的大腦神經(jīng)元。

具體來說，Bashivan等人建立了一個人工神經(jīng)網(wǎng)絡(luò)來模擬目標視覺系統(tǒng)的行為，并用它來構(gòu)建圖像，這些圖像要么能夠廣泛地激活大量神經(jīng)元，要么選擇性地激活一個神經(jīng)元群，同時保持其他神經(jīng)元不變。

神經(jīng)網(wǎng)絡(luò)模型設(shè)計了這些圖像，它們能夠刺激單個神經(jīng)元的活動

然后，他們分析了這些圖像在獼猴視覺皮層產(chǎn)生預(yù)期效果的有效性。結(jié)果顯示，這些操作有很強的效果，并對神經(jīng)元群產(chǎn)生了相當大的選擇性影響。利用這些圖像，神經(jīng)網(wǎng)絡(luò)被證明可以再現(xiàn)動物神經(jīng)反應(yīng)的整體行為。

研究結(jié)果表明，這些模型與大腦非常相似，可以用來控制動物的大腦狀態(tài)。

James DiCarlo表示，這項新研究有助于確定視覺模型在腦科學研究中的有用性。此前，關(guān)于這類視覺模型是否準確地模擬了視覺皮層的工作方式存在激烈的爭論。

James DiCarlo

“人們質(zhì)疑這些模型是否能夠提供對視覺系統(tǒng)的理解，”James DiCarlo說：“我們沒有在學術(shù)意義上爭論這個問題，而是證明了這些模型已經(jīng)足夠強大，能夠支持一項重要的新應(yīng)用。不管你是否理解這個模型的工作原理，從這個意義上說，它已經(jīng)很有用了。”

他們在下面的視頻采訪更詳細地闡述了這個研究。

訓練神經(jīng)網(wǎng)絡(luò)，4步神經(jīng)控制實驗

在過去幾年里，DiCarlo等人開發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)模型。每個網(wǎng)絡(luò)都以一個由模型神經(jīng)元(model neurons)或節(jié)點(nodes)組成的任意架構(gòu)開始，這些神經(jīng)元或節(jié)點可以以不同的強度(也稱為權(quán)重)相互連接。

然后，研究人員用一個包含超過100萬張圖像的庫中訓練這些模型。當研究人員向模型展示每張圖像，以及圖像中最突出的物體(比如飛機或椅子)的標簽時，模型通過改變連接的強度來學習識別物體。

很難準確地了解這個模型是如何實現(xiàn)這種識別的，但是DiCarlo和他的同事之前已經(jīng)證明，這些模型中的“神經(jīng)元”產(chǎn)生的活動模式與動物視覺皮層響應(yīng)相同圖像時的活動模式非常相似。

在這項新研究中，研究人員想要測試他們的模型是否能夠執(zhí)行一些以前尚未被證明的任務(wù)。特別是，他們想看看這些模型是否可以用來控制動物視覺皮層的神經(jīng)活動。

他們進行了幾個閉環(huán)的神經(jīng)生理學實驗：在將模型神經(jīng)元與每個記錄的大腦神經(jīng)位置匹配之后，使用該模型合成了全新的“控制器”(controller)圖像。

合成程序概述

如上圖所示，神經(jīng)控制實驗分四步完成：（1）通過訓練大量標記的自然圖像來優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)；（2）ANN “神經(jīng)元” 被映射到每個記錄的 V4 神經(jīng)位點，構(gòu)成可計算的預(yù)測模型。（3）然后將得到的模型用于合成單個位點或群體控制的 “控制器” 圖像。（4）最后由實驗者將由這些圖像指定的發(fā)光模式應(yīng)用于受試者的視網(wǎng)膜，并測量神經(jīng)部位的控制程度。

上圖（D）顯示了猴 M（黑色），猴 N（紅色）和猴 S（藍色）大腦中神經(jīng)位點的感受野。

然后，研究人員將這些圖像呈現(xiàn)給每個受試者，以測試模型控制受試者神經(jīng)元的能力。在一項測試中，他們要求模型嘗試控制每個神經(jīng)元，使其激活程度超過其通常觀察到的最大激活水平。研究人員發(fā)現(xiàn)，模型生成的合成刺激成功地驅(qū)動了68%的神經(jīng)位點超出了它們的自然觀察激活水平。

單個神經(jīng)控制的一個示例

在令一項更嚴格的測試中，該模型顯示，它能夠選擇性地控制整個神經(jīng)亞群，激活一個特定的神經(jīng)元，同時使其他記錄的神經(jīng)元失活(成功率達到76%)。

神經(jīng)元群的控制

接下來，研究人員使用這些合成的controller圖像來研究模型預(yù)測大腦反應(yīng)的能力是否適用于這些圖像。他們發(fā)現(xiàn)該模型確實相當準確，預(yù)測了54%的由圖像引起的大腦反應(yīng)模式，但它顯然還不完美。

“到目前為止，對這些模型所做的工作是預(yù)測神經(jīng)會對其他刺激產(chǎn)生什么反應(yīng)，這些刺激是他們以前從未見過的。”Bashivan說：“這次的研究主要的不同之處在于，我們更進了一步，利用這些模型將神經(jīng)元驅(qū)動到所需的狀態(tài)。”

為了實現(xiàn)這一目標，研究人員首先創(chuàng)建了大腦的視覺區(qū)域V4中的神經(jīng)元和計算模型中的節(jié)點的一對一映射。他們通過分別向動物和模型展示圖像，并比較它們對相同圖像的反應(yīng)來實現(xiàn)這一點。V4區(qū)域有數(shù)百萬個神經(jīng)元，但在這項研究中，研究人員每次為5到40個神經(jīng)元的亞群創(chuàng)建映射。

DiCarlo說：“一旦每個神經(jīng)元都有一個任務(wù)，這個模型就可以讓你對那個神經(jīng)元做出預(yù)測。”

然后，研究人員開始研究他們是否能利用這些預(yù)測來控制視覺皮層中單個神經(jīng)元的活動。第一種類型的控制，他們稱之為“拉伸”(stretching)，即向?qū)嶒炚哒故疽环鶊D像，該圖像將驅(qū)動特定神經(jīng)元的活動，其強度遠遠超出通常由“自然”圖像引發(fā)的活動，，這些“自然”圖像與用于訓練神經(jīng)網(wǎng)絡(luò)的圖像類似。

單個神經(jīng)位點的最大驅(qū)動(拉伸)

研究人員發(fā)現(xiàn)，當他們向動物展示這些“合成”圖像時，目標神經(jīng)元的反應(yīng)與預(yù)期相符。這些“合成”圖像是由模型生成的，不像自然物體。平均而言，神經(jīng)元對這些圖像的反應(yīng)要比它們看到自然圖像時活躍約40%。

這是科學家第一次實現(xiàn)這種控制。

控制大腦神經(jīng)元，有助于治療情緒障礙

神經(jīng)科學的一個普遍趨勢是，實驗數(shù)據(jù)收集和計算建模在某種程度上是獨立進行的，導(dǎo)致很少有模型驗證，因此沒有可測量的進展。這項的工作使這種“閉環(huán)”方法重現(xiàn)生機，同時進行模型預(yù)測和神經(jīng)測量，這對成功構(gòu)建和測試最接近大腦的模型至關(guān)重要。

研究人員還表示，他們可以利用該模型來預(yù)測V4區(qū)域的神經(jīng)元對合成圖像的反應(yīng)。之前對這些模型的大多數(shù)測試都使用了與訓練模型相同的自然圖像。MIT的研究團隊發(fā)現(xiàn)，這些模型在預(yù)測大腦對合成圖像的響應(yīng)方面的準確率約為54%，而使用自然圖像時的準確率接近90%。

Bashivan說：“從某種意義上說，我們正在量化這些模型在訓練領(lǐng)域之外做出預(yù)測的準確性。理想情況下，無論輸入是什么，模型都應(yīng)該能夠準確預(yù)測。”

研究人員希望在接下來的研究中，通過讓模型吸收他們從合成圖像中學到的新信息來提高模型的準確性。

研究人員表示，這種控制可能對想要研究不同神經(jīng)元之間如何相互作用以及它們之間如何連接的神經(jīng)科學家有用。將來，這種方法有助于治療抑郁癥等情緒障礙。研究人員目前正致力于將他們的模型擴展到下顳葉皮層，進入杏仁核，這是參與情緒處理的區(qū)域。

Bashivan說：“如果我們有一個很好的神經(jīng)元模型，這個模型可以讓我們的神經(jīng)元參與體驗情緒，或者引發(fā)各種各樣的紊亂，那么我們就可以用這個模型來驅(qū)動神經(jīng)元，從而幫助改善這些紊亂。”

“他們成功地做到了這一點，真的很了不起。就好像，至少對那個神經(jīng)元來說，它的理想圖像突然變成焦點，神經(jīng)元突然被提供了它一直在尋找的刺激，”匹茲堡大學生物工程副教授Aaron Batista評價道：“這是一個了不起的想法，一項了不起的壯舉。這可能是迄今為止，對使用人工神經(jīng)網(wǎng)絡(luò)來理解真實神經(jīng)網(wǎng)絡(luò)的最強有力的驗證。”