DETECCIÓN DE CIRCUITOS NEURONALES BIOLÓGICOS USANDO REDES NEURONALES ARTIFICIALES

DETECCIÓN DE CIRCUITOS NEURONALES BIOLÓGICOS USANDO REDES NEURONALES ARTIFICIALES

Resumen

Una de las múltiples posibilidades para estudiar las redes neuronales biológicas, es mediante el estudio de la conectividad funcional, para ello se hacen registros de múltiples neuronas que pueden durar varias horas, con la cantidad de información que se obtiene es necesario contar con metodologías que faciliten tener resultados en tiempos considerablemente menores, es por esto que se propone hacer el reconocimiento del tipo de conexión que hay entre las neuronas registradas mediante una red neuronal artificial.

Una sección de la inteligencia artificial del enfoque simbólico se denomina redes neuronales, las cuales se basan en el procesamiento de la información en el cerebro. En la actualidad las computadoras han sido utilizadas como herramientas para modelar neuronas individuales, así como agrupaciones de las mismas, denominadas redes neuronales.

Es posible construir redes neuronales que puedan interpretar tramas complejas de información, las cuales son una solución factible para resolver problemas, y obtener información interna acerca de la naturaleza del problema.

1        Correlación cruzada

Uno de los métodos usados en el estudio del cerebro es analizar los circuitos neuronales que contiene la zona de interés, para ello se recurre al registro extracelular masivo con arreglos de microelectrodos, implantados en condiciones tales que permitan al cerebro realizar sus funciones con la menor cantidad de perturbaciones. Cada electrodo, por sus características eléctricas, permite registrar la actividad de las neuronas más próximas (entre una y cuatro), dado que, el registro hecho con múltiples electrodos puede contener la actividad de grandes cúmulos neuronales, por lo que toda la información obtenida debe ser separada por neurona y analizada en conjunto para poder estudiar el circuito neuronal del que proviene, para esto se han desarrollado herramientas matemáticas, como la correlación cruzada, que tiene como entrada los respectivos  registros de dos neuronas y como salida un histograma de correlación.

La correlación cruzada consiste en calcular las distancias temporales que hay entre todos los disparos de los dos registros y contar las ocurrencias de cada distancia temporal; con este resultado traza un histograma de correlación en el que se grafican las distancias negativas y positivas. En la figura 1 se puede observar un ejemplo del calculo de la correlación cruzada, en la que es posible observar las diferencias temporales que hay entre el disparo que se presenta en el tiempo [pic 1], así se tienen diferencias negativas [pic 2], [pic 3], [pic 4] y las diferencias positivas [pic 5], [pic 6], [pic 7]. Con las diferencias temporales del registro 1 con respecto del registro 2 se forma un histograma, en el que se grafican distancias temporales contra numero de ocurrencias de estas; la información importante a analizar en el histograma de correlación está contenida alrededor del cero, es decir, si queremos ver la relación entre dos neuronas (excitación y/o inhibición) esta solo se puede ver en los disparos que tiene una neurona inmediatamente (de 1 a 3 milisegundos) después de que una de ellas ha disparado

[pic 8]

Figura 1. La correlación cruzada consiste en contar cada una de las distancias temporales en que ocurrieron disparos de ambas neuronas, tomando como referencia los tiempos de disparo de un registro.

Del histograma de correlación podemos saber si entre el par analizado hay o no conexión y el tipo de esta, es decir si es excitadora, inhibidora y el sentido de esta relación, además se puede saber si el par analizado comparte una entrada de otra neurona.

Cuando se tiene un registro con muchas neuronas, el análisis por correlación cruzada se complica, debido a que solo se puede aplicar a un par de registros neuronales por vez, esto es que se deben calcular [pic 9] correlaciones, donde [pic 10] es el número de neuronas registradas. Por ello entre mayor sea el número de neuronas se hace más difícil determinar la naturaleza del circuito neuronal, dado que se debe hacer una inspección visual a cada uno de los histogramas de correlación.

2        Solución con Redes Neuronales Artificiales

Como ya se ha mencionado, de un registro se puede contar con una gran cantidad de neuronas, para las que se necesita encontrar el tipo de relación que tienen, de no contar con una herramienta rápida y eficaz el investigador requerirá hacer un análisis visual de cada uno de los histogramas de correlación. Para facilitar el análisis de los histogramas de correlación, se ha entrenado una red neuronal artificial con el algoritmo de la retropropagación del error, la que recibe como entrada los histogramas de correlación y la salida será el tipo de conexión (excitadora, inhibidora, entrada compartida o sin conexión).

2.1        Base de datos

La base de datos con la que se entrenó la red neuronal se usó en un simulador de redes neuronales biológicas para generar el registro de 200 neuronas con diferentes conexiones; como se usará con registros reales es necesario también generar simulaciones que cumplan con la cantidad de disparos que una neurona biológica real, mismo que puede variar dependiendo de la zona en la que se tome el registro, por ello se han simulado neuronas con actividades que en promedio están entre los 7 y los 40 disparos por segundo.

...