Российские ученые воссоздали динамику модели нейрона мозга с помощью нейросети

© iStock

Исследователи из НИУ ВШЭ в Нижнем Новгороде показали, как с помощью нейросети воссоздавать динамику нейрона мозга, имея всего один ряд измерений, например запись его электрической активности. Разработанная нейросеть научилась восстанавливать полную динамику системы и предсказывать ее поведение при изменении условий. Такой метод может помочь изучать сложные биологические процессы, даже если нет возможности провести все необходимые измерения. Исследование опубликовано в журнале Chaos, Solitons & Fractals.

Нейроны — это клетки, с помощью которых мозг обрабатывает информацию и передает сигналы. Они общаются друг с другом электрическими импульсами, которые заставляют соседние нейроны активироваться или, наоборот, замедляться. Каждый нейрон имеет мембрану (оболочку), через которую могут проходить заряженные частицы, называемые ионами. Ионы движутся через специальные каналы в мембране, и их движение и вызывает электрические импульсы.

Рис. 1. Схема организации электрически активной клетки в культуре нейроноподобных клеток и процесс записи ее трансмембранного потенциала для дальнейшего анализа

© Наталия Станкевич

Исследовать работу нейронов помогают математические модели. Часто в их основе лежит подход Ходжкина — Хаксли. Он позволяет строить сравнительно простые модели, однако при этом требует большого количества параметров и расчетов. Чтобы предсказать поведение нейрона, обычно измеряются несколько параметров и характеристик: напряжение на мембране, токи разных ионов, состояние каналов клетки. Исследователи НИУ ВШЭ и Саратовского филиала Института радиотехники и электроники им. В.А. Котельникова РАН показали, что достаточно учитывать изменения только одной характеристики — электрического потенциала мембраны нейрона, а с помощью нейросети восстановить недостающие данные. 

Метод, предложенный учеными, содержал два этапа. Сначала анализировалось, как изменяется потенциал нейрона во времени. Эти данные передавались в нейросеть — вариационный автокодировщик, который выделял в них ключевые закономерности, отбрасывал лишнее и на выходе выдавал набор характеристик, описывающих состояние нейрона. На втором этапе нейросеть уже другого типа — нейросетевое отображение — использовала эти характеристики, чтобы предсказать, как нейрон поведет себя дальше. Нейросеть фактически брала на себя функции модели Ходжкина — Хаксли, но вместо сложных уравнений училась на данных.

Рис. 2. Реконструкция характеристик нейрона при помощи вариационного автокодировщика. Исходный временной ряд (запись измерений) R сжимается кодировщиком (Encoder) и превращается в динамические характеристики μ. Затем декодировщик (Decoder) старается максимально точно распаковать μ в исходный временной ряд — R’. Процесс похож на прохождение через узкое горлышко бутылки: только самая важная информация может «пройти» дальше, а все лишнее отбрасывается. Чтобы получить μ, автокодировщик должен выявлять наиболее важную информацию о нейроне.

© Pavel V. Kuptsov, Nataliya V. Stankevich, Reconstruction of neuromorphic dynamics from a single scalar time series using variational autoencoder and neural network map, Chaos, Solitons & Fractals, Volume 191, 2025, 115818, ISSN 0960-0779.

Павел Купцов

«С развитием математических и компьютерных методов пересматриваются старые подходы, это не только помогает улучшить их, но и может привести к новым открытиям. Обычно восстанавливаемые по данным модели основаны на полиномиальных уравнениях небольшого, 4–5-го порядка — они обладают ограниченной нелинейностью, то есть не могут описывать очень сложные зависимости без увеличения погрешности, — объясняет ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Павел Купцов. — В новом методе вместо полиномов используются нейросети. Их нелинейность задается сигмоидами — плавными функциями от 0 до 1, которым соответствуют полиномиальные уравнения (ряды Тейлора) бесконечно большого порядка. Это делает моделирование гибче и точнее». 

Обычно, чтобы смоделировать сложную систему, требуется полный набор параметров, но в реальных условиях получить его трудно. В экспериментах, особенно в биологии и медицине, данные часто бывают неполными или зашумленными. В своем подходе ученые показали, что, используя нейросеть, даже при ограниченном количестве данных можно восстановить недостающие величины и спрогнозировать поведение системы. 

«Мы берем всего один ряд данных — единственный пример поведения, обучаем на нем модель и встраиваем в нее управляющий параметр. Его можно представить как “переключатель”, который можно крутить, чтобы наблюдать разные варианты поведения. Если после обучения начать крутить “переключатель”, т.е. менять этот параметр, мы увидим, что модель воспроизводит различные типы поведения, характерные для исходной системы», — объясняет Павел Купцов. 

При моделировании нейросеть не просто повторила режимы системы, на которых ее обучали, но и выявила новые. Один из них связан с переходом от серии частых импульсов к одиночным всплескам. Такие переключения возникают при изменении параметров, но нейросеть обнаружила их сама, не видя таких примеров в обучающих данных. Это значит, что нейросеть не просто запоминает примеры, а действительно распознает скрытые закономерности.

Наталия Станкевич

«Важно, что нейросеть может выявлять новые закономерности в данных, — комментирует ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Наталия Станкевич. — Она находит связи, которые в явном виде не представлены в обучающей выборке, и делает выводы о поведении системы в новых условиях». 

Сейчас нейросеть работает на сгенерированных компьютером данных. В будущем исследователи планируют использовать ее на реальных экспериментальных данных. Это открывает возможности для изучения сложных динамических процессов, где нельзя заранее задать все возможные сценарии.

Работа выполнена в рамках проекта «Зеркальные лаборатории» НИУ ВШЭ и поддержана грантом РНФ.