Neyroloqlar fərdi neyronların yarpağı qayadan ayırmaq kimi obyektləri ayırd etməyə imkan verən məlumatları necə kodladığını anlamaq istəyirlər. Lakin onlar fərdi neyronların nə etdiyini anlamaq üçün kifayət qədər sadə hesablama modelləri yaratmaq üçün mübarizə apardılar.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=7587637799&adk=1434173251&adf=4198688998&pi=t.ma~as.7587637799&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1751526704&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fmedicalxpress.com%2Fnews%2F2025-07-layer-neural-complex-visual-brain.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM3LjAuNzE1MS4xMjAiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJDaHJvbWl1bSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJOb3QvQSlCcmFuZCIsIjI0LjAuMC4wIl1dLDBd&dt=1751526703951&bpp=1&bdt=166&idt=28&shv=r20250630&mjsv=m202507010101&ptt=9&saldr=aa&abxe=1&cookie=ID%3De77740426f8da9bc%3AT%3D1735295852%3ART%3D1751526627%3AS%3DALNI_MbHbvhLj3WydQ3lYshQhNgDg8E9nQ&gpic=UID%3D00000f80ad9e2337%3AT%3D1735295852%3ART%3D1751526627%3AS%3DALNI_MYM9zSDwUrvOLsQ-H1E20L0IjGeMw&eo_id_str=ID%3Df152d1a4517561f1%3AT%3D1751526315%3ART%3D1751526627%3AS%3DAA-AfjYXsAMYxawkCSjU_EMOR4gg&prev_fmts=0x0&nras=1&correlator=1570327301732&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1128&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95353386%2C95362656%2C95363434%2C95365225%2C31093263%2C95365113%2C95359266%2C95365120%2C31093116&oid=2&pvsid=4588039133967927&tmod=1927961752&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=251

Bu problemi həll etmək üçün Janeliadakı Stringer və Pachitariu laboratoriyalarında tədqiqatçılar ilkin vizual korteksdə baş verənləri izah etmək üçün daha sadə bir model yaratmağa başladılar – vizual məlumat üçün beyində ilk dayanacaq . Onların məqaləsi Nature Communications jurnalında dərc olunub .

Yeni tədqiqata rəhbərlik edən Stringer Laboratoriyasının aspirantı Fengtong Du deyir: “Biz hər bir fərdi neyronun vizual reaksiyalarını proqnozlaşdıra bilən bir model qurmağa çalışırıq”.

Vizual korteksdəki fərdi neyronlarda nə baş verdiyini müəyyən etmək vizual emalın başa düşülməsində mühüm ilk addımdır və tədqiqatçılara beynin digər hissələrinin daha mürəkkəb hesablamaları necə həyata keçirdiklərini anlamağa kömək edə bilər.

Janelia Qrupunun Rəhbəri Carsen Stringer deyir: “Əgər siz vizual sisteminiz haqqında düşünürsünüzsə, biz bütün bu məlumatları hər zaman emal edirik və bütün bu həqiqətən mürəkkəb vizual hesablamalar hər zaman gedir və hamısı ilkin vizual korteksdən olan bu əsas neyron dəstindən qurulmalıdır”.

“Bu, bir ton neyrondur, bu, həqiqətən böyük xüsusiyyətlər dəstidir, o zaman bütün bu beyin sahələri hesablama üçün istifadə edə bilər . Beləliklə, əgər biz bunu daha yaxşı başa düşsək, bütün bu mürəkkəb vizual hesablamaların necə həyata keçirildiyini başa düşə bilərik.”Oyna

00:0000:10SəssizParametrlərPIPTam ekrana daxil olun

Oynaİlkin vizual korteksin sadələşdirilmiş modelini yaratmaq üçün Janelia tədqiqatçıları ilk olaraq yarpaqlar və qayalar kimi təbii teksturaların 65.000-ə qədər şəklinə baxarkən siçanın ilkin vizual korteksindəki 29.000-dən çox neyronda sinir fəaliyyətini qeyd etdilər. Bu video yuxarıda təqdim olunan təbii şəkilləri və aşağıda 30 Hz tezliyi ilə dörd görüntüləmə dərinliyində qeydə alınmış xam kalsium görüntüləmə məlumatlarını göstərir. Video 0,5x sürətlə göstərilir. Kredit: Nature Communications (2025). DOI: 10.1038/s41467-025-61171-9

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=7099578867&adk=1328126233&adf=1100001614&pi=t.ma~as.7099578867&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1751526704&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fmedicalxpress.com%2Fnews%2F2025-07-layer-neural-complex-visual-brain.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM3LjAuNzE1MS4xMjAiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJDaHJvbWl1bSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJOb3QvQSlCcmFuZCIsIjI0LjAuMC4wIl1dLDBd&dt=1751526703951&bpp=1&bdt=166&idt=42&shv=r20250630&mjsv=m202507010101&ptt=9&saldr=aa&abxe=1&cookie=ID%3De77740426f8da9bc%3AT%3D1735295852%3ART%3D1751526627%3AS%3DALNI_MbHbvhLj3WydQ3lYshQhNgDg8E9nQ&gpic=UID%3D00000f80ad9e2337%3AT%3D1735295852%3ART%3D1751526627%3AS%3DALNI_MYM9zSDwUrvOLsQ-H1E20L0IjGeMw&eo_id_str=ID%3Df152d1a4517561f1%3AT%3D1751526315%3ART%3D1751526627%3AS%3DAA-AfjYXsAMYxawkCSjU_EMOR4gg&prev_fmts=0x0%2C750x280&nras=1&correlator=1570327301732&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=2292&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95353386%2C95362656%2C95363434%2C95365225%2C31093263%2C95365113%2C95359266%2C95365120%2C31093116&oid=2&pvsid=4588039133967927&tmod=1927961752&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=3&uci=a!3&btvi=2&fsb=1&dtd=253

Sadələşdirilmiş modelin qurulması

Sadələşdirilmiş modelini qurmaq üçün komanda ilk olaraq yarpaqlar və qayalar kimi təbii teksturaların 65.000-ə qədər şəklinə baxarkən siçanın ilkin vizual korteksindəki 29.000-dən çox neyronda sinir fəaliyyətini qeyd etdi. Sonra vizual məlumatı təkrarlaya bilən ən sadə modeli tapmaq üçün müxtəlif modelləri sınaqdan keçirdilər.

Onlar vizual məlumatın 75%-ni təkrar edə bilən bir modeldə yerləşdilər – bu, məlumatın təxminən 50%-ni əks etdirən əvvəlki modellərlə müqayisədə böyük irəliləyişdir. Yeni model həm də daha az konvolyusiya qatı ilə bu yüksək performans səviyyəsinə nail oldu.

Bu təbəqələr filtr kimi fəaliyyət göstərir və modelə təsviri aşkar etmək üçün birləşdirdiyi xüsusiyyətləri çıxarmağa imkan verir. Qatların sayı artdıqca xüsusiyyətlər daha mücərrəd olur. Əlavə təbəqələr modeli məlumatı çıxarmaqda və vizual xüsusiyyətləri təhlil etməkdə daha yaxşı edir, lakin bu, həm də modelin nə etdiyini və hansı funksiyalardan istifadə etdiyini öyrənməyi çətinləşdirir.

Qatlarını daha geniş etməklə və hər bir süni neyronun qəbuledici ölçüsünü artırmaqla komanda, yalnız iki təbəqədən ibarət daha böyük dörd qatlı modellərlə eyni yüksək performansa nail ola biləcəklərini tapdı: kiçik birinci təbəqə və ikinci daha böyük təbəqə. Şəbəkədəki bütün neyronların daha kiçik birinci təbəqənin xüsusiyyətlərini paylaşa biləcəyini, sonra fərdi neyronların bu xüsusiyyətləri daha böyük ikinci təbəqədən əldə edilən əlavə xüsusiyyətlərlə birləşdirə biləcəyini kəşf etdilər.

Bu, komandaya hər bir fərdi neyron üçün “minimodellər” yaratmağa imkan verdi, burada çəkilər və ya xüsusiyyətlərin birləşməsi hər bir fərdi neyron üçün spesifikdir. Ümumilikdə, onlar tapdılar ki, bu tək neyron “minimodelləri” böyük modellər qədər güclüdür və tədqiqatçılara vizual hesablamaları öyrənmək üçün dəqiq və şərh edilə bilən bir yol verir.

“Biz ən müasir performansa nail ola biləcək ən sadə modeli tapdıq və tək neyronlarda vizual xüsusiyyət seçiciliyini izah etmək üçün fərdi neyronlarda öyrədilmiş “minimodel”dən istifadə edə bilərik” dedi Du.

Daha çox məlumat: Fengtong Du et al, Vizual kortikal neyronların sadələşdirilmiş minimodeli, Nature Communications (2025). DOI: 10.1038/s41467-025-61171-9

Jurnal məlumatı: Nature Communications Howard Hughes Tibb İnstitutu tərəfindən təmin edilmişdir