Komputációs Rendszerszintű Idegtudományi Csoport – Orbán Gergő

A kutatócsoport neve
Komputációs Rendszerszintű Idegtudományi Csoport

A kutatócsoport vezetője
Orbán Gergő, agykutató, csoportvezető, MTA Wigner Fizikai Kutatóközpont, Komputációs Tudományok Osztálya

Telefon
+36 30 657 4108

Email
orban.gergo@wigner.mta.hu

Web
http://golab.wigner.mta.hu

Neuron sokaság aktivitásmintázatainak populációs analízise

Az idegtudomány párhuzamos változásokon megy keresztül, melyek alapvetően változtatják meg a kutatási lehetőségeket: a mérési technológiákon történő fejlesztések mellett hasonlóan intenzív fejlődésen mennek keresztül az analízistechnikák is. A korábbi megközelítésekkel szemben, melyek mindössze egy maréknyi neuron aktivitását tudták követni, a jelenlegi technológiák több tucatnyi, vagy néhány esetben százat is meghaladó számú neuron regisztrálását teszi lehetővé. Míg az egyedi neuronok viselkedésének leírását lehetővé tevő technológiák szintén hasznos diagnosztikus eszközt kínálnak, az újabb technológiák nyújtotta lehetőségeket csak új analitikai eszközök segítségével lehet teljesen kihasználni. Ez olyan interdiszciplináris kutatásokat motivál, melyek neuronok együttműködését is képesek leírni.

Az idegrendszer hatékony működését a neuronok együttműködése határozza meg. A csoport kutatásai fókuszában olyan statisztikai analitikai eszközök kifejlesztése áll, melyek lehetővé teszik, hogy több idegsejt viselkedési mintázatait hatékonyabban tudják leírni, s ezen keresztül elérhetővé váljon az, hogy megérthessék, hogy az idegsejtek populációi miképpen járulnak hozzá együttesen a viselkedéshez. Három stratégiai irányt jelöltek ki a NAP keretei közt zajló kutatásaikhoz:

1. Nagyobb idegsejtpopulációk válaszainak mérésére fejlesztett képalkotó eljárások által mért, úgynevezett kalciumjelek megértése, hogy a hagyományos módon, elektromos jelek mérésével szerzett adatokkal könnyen integrálhatóak legyenek a tapasztalatok.
2. Az idegsejtek együttes aktivitását leíró eszközök fejlesztése, melyekkel lehetővé válik egyedi kísérletekben a teljes populáció viselkedésének hatékony nyomonkövetése.
3. Populációk kölcsönhatása ok-okozati viszonyainak felfedezése. Ezek a kutatások közelebb visznek ahhoz, hogy megértsük az egészséges és ezen keresztül a rendellenességgel küzdő idegrendszerben azokat az elveket, melyek az idegsejtek együttműködését szabályozzák.

Orbán Gergő agykutató, a látás, tanulás, és a memória folyamatait vizsgálja matematikai módszerek segítségével. Ehhez a mesterséges intelligencia, avagy közelebből a gépi tanulás eszközeit használja, s célja az, hogy mind a viselkedés, mind pedig idegsejthálózatok válaszai alapján beazonosítsa azt a matematikát, melyet az idegrendszer használ. Ezt az interdiszciplináris megközelítést támogatja a korábbi pályája során szerzett szakmai tapasztalata, mely hűen tükrözi a kutatási terület változatos eszközigényét: az MTA RMKI-ban végzett doktori kutatásai után a Collegium Budapest Institute for Advanced Studies-ban Szathmáry Eörs evolúcióbiológus csoportjában dolgozott, majd a Brandeis University pszichológia tanszékén végzett kutatásokat, ezután a University of Cambridge mérnöki tanszékén zajló kutatások segítségével szélesítette tudományos eszköztárát. Magyarországra 2012-ben a Lendület Program támogatásával tért vissza, ennek nyomán megalakította a Komputációs Rendszerszintű Idegtudományi Csoportot, ahol elméleti eszközökkel, de pszichológusokkal, elektrofiziológusokkal együttműködve dolgozik azon, hogy a mesterségesintelligencia-kutatás legfrissebb eredményeit felhasználva megértse, hogy miriádnyi idegsejt miképpen rendeződik hierarchikus rendszerré, hogy olyan számolásokat végezzenek el, melyek a mai napig kihívást jelentenek a mesterséges rendszereknek.

látás, tanulás, elmélet, modellezés, mesterséges intelligencia, gépi tanulás, kódolás, információelmélet, hálózatok

Neurális mintázatok és kölcsönhatási szabályaik elemzése eltérő dinamikájú agykérgi állapotokban

A kutatócsoport a NAP program keretében azt tárta fel, hogy a környezetből nyert gazdag információ kódolását miképpen végzik az idegsejtpopulációk . A látórendszerben több tanulmányban vizsgálták a kódolás természetét. Elsőként az idegsejtek válaszaiban megfigyelt zaj forrását próbálták beazonosítani. Neuronpárok válaszait vizsgálva megmutatták, hogy a megfigyelhető zaj forrása sokkal inkább arra vezethető vissza, hogy az információt közvetítő akciós potenciálok létrejötte előtt van variancia a sejtek membránpotenciáljában, mint inkább az akciós potenciálok keletkezésekor keletkezik zaj. Következőként megvizsgálták, hogyan lehetséges egy olyan kódot kialakítani az idegrendszerben, mely akkor is hatékonyan tud kódolni bizonyos környezeti változókat, ha az egyedi sejtek több változóra egyidejűleg érzékenyek, ám egyik változónak az értékében sem lehetünk bizonyosak. Egy, a mesterséges intelligenciában hatékonynak bizonyult idegsejt-tulajdonságról, az úgynevezett tüzelési nemlinearitásról megmutatták, hogy ki tud alakítani egy működési optimumot, mely lehetővé teszi ezen bizonytalanság közepette is a különféle információk hatékony dekódolását. A látókéregben az információfeldolgozás hierarchikusan szerveződik. Egy feltáratlan terület volt, hogy a hierarchia magasabb szintjein lévő területek miért juttatnak vissza információt az alacsonyabb szinteken lévő agyterületekre. Megmutatták, hogy ez a vizuális információfeldolgozás során optimálisan használt stratégiaként értelmezhető, s bebizonyították, hogy az optimális hierarchikus számítások következményei tetten érhetőek az idegsejtek kölcsönhatásaiban is. Ezek az eredmények közelebb visznek ahhoz, hogy megértsük, hogyan működnek együtt az idegsejtek, hogy létrehozzanak egy hatékony matematikai kódot a környezet összefüggéseinek megjelenítésére.

Bányai M, Koman Z, Orbán G (2017)
Population activity statistics dissect subthreshold and spiking variability in V1
Journal of Neurophysiology, 118:29-46

Vágó L, Ujfalussy B. B. (2018) Robust and efficient coding with grid cells. PLoS Comput Biol 14(1): e1005922

Bányai M, Lazar A, Klein L, Klon-Lipok J, Singer W, Orbán W (2017)
Stimulus content shapes cortical response statistics
BioRxiv. doi: https://doi.org/10.1101/238774

Gáspár M. E., Polack P.-O., Golshani P., Lengyel M.,
Orbán G., Representational untangling by the firing rate nonlinearity in V1 simple cells