Nuovi modelli per la ricerca neuroscientifica collaborativa

Recenti successi nella scienza, come la mappatura del genoma umano e la ricerca sulla fisica delle particelle, hanno ispirato i neuroscienziati a collaborare a grandi progetti. Tuttavia, non c'è ancora un modo chiaro per organizzare queste collaborazioni in modo efficace. Alcuni dei progetti più grandi, come l'International Brain Laboratory e altri, riuniscono molti ricercatori di diversi laboratori. Anche se questi progetti rappresentano passi avanti, seguono ancora modelli più vecchi in cui i laboratori lavorano separatamente e condividono i risultati solo quando pubblicano. Questa situazione rende difficile per i nuovi partecipanti unirsi, poiché devono lavorare in un laboratorio partecipante, creare una partnership o aspettare che vengano pubblicati articoli di ricerca. Trovare modi migliori per organizzare questi progetti è cruciale.

#Competizione nella Ricerca

Un'idea per migliorare il coinvolgimento è creare competizioni in cui i ricercatori cercano di ottenere i migliori risultati su compiti specifici. Questo metodo ha funzionato in aree come l'apprendimento automatico e il ripiegamento delle proteine, ed è ora applicato nelle neuroscienze. Ad esempio, in un progetto chiamato Brain-Score, i ricercatori inviano modelli per eseguire un compito visivo, e i modelli vengono valutati in base a quanto bene imitano i dati reali del Cervello.

Competizioni come questa abbassano le barriere d'ingresso, poiché chiunque può partecipare e inviare il proprio lavoro in modo indipendente. Tuttavia, la natura competitiva può spostare l'attenzione dalla collaborazione alla vittoria, e richiede un modo chiaro e quantificabile per misurare il successo, il che può essere difficile nelle neuroscienze.

#Progetti di Ricerca Collaborativa

Un altro modo di lavorare insieme è attraverso progetti collaborativi in cui tutti puntano allo stesso obiettivo. Il Polymath Project, ad esempio, consente alle persone di lavorare insieme su problemi matematici irrisolti online, condividendo idee e soluzioni. Allo stesso modo, la Busy Beaver Challenge ha recentemente risolto una congettura di lunga data grazie ai contributi di appassionati. Ispirata a questi modelli, un gruppo ha avviato COMOB, che sta per Collaborative Modelling of the Brain. Questa iniziativa mira ad affrontare domande nelle neuroscienze in modo aperto e Collaborativo.

Per illustrare come funziona COMOB, il gruppo ha condotto un progetto incentrato su come il cervello localizza i suoni. Hanno prima delineato la struttura del progetto e poi documentato i loro risultati.

#Avviare un Progetto Collaborativo

Il progetto COMOB è iniziato durante un tutorial a una conferenza, in cui hanno condiviso video e codice online per i partecipanti. Coloro che erano interessati sono stati incoraggiati a familiarizzare con il materiale e seguire un notebook Python che li guidava nella costruzione di un modello per la Localizzazione del suono.

I partecipanti potevano controllare un sito web dove il team elencava domande scientifiche e sfide tecniche per ispirazione. Ad esempio, hanno esaminato come l'uso di diversi modelli neuronali potesse influenzare le prestazioni della rete studiata. I partecipanti erano liberi di affrontare queste domande a modo loro. La maggior parte delle persone lavorava da sola ma condivideva i propri risultati durante incontri online mensili.

Il team ha fornito risorse per aiutare i nuovi partecipanti a iniziare, rendendo la ricerca accessibile. Volevano vedere se un approccio più rilassato e organico avrebbe funzionato nella scienza di squadra, piuttosto che un sistema rigido dall'alto in basso. Hanno messo in evidenza i vantaggi e le sfide di questo sistema man mano che procedevano.

#Un Inizio User-Friendly

Il team ha creato un Starting Notebook che fungeva da percorso semplice per i nuovi partecipanti. Questo notebook interattivo basato su Python combinava testo, immagini e codice in modo che gli utenti potessero seguire facilmente. I partecipanti potevano eseguire il notebook sui propri computer o usare un servizio basato su cloud come Google Colab, che non richiedeva configurazioni ed era gratuito.

Lo Starting Notebook utilizzava una combinazione di librerie come NumPy, Matplotlib e PyTorch. Il codice di base si basava su un tutorial che guidava i partecipanti nell'uso del metodo del gradiente surrogato per addestrare i loro modelli.

È importante notare che i partecipanti non erano obbligati a utilizzare questo punto di partenza, quindi alcuni hanno sviluppato i loro modelli in modo indipendente.

#Collaborazione Open-Source

Uno dei componenti chiave del progetto era un repository pubblico su GitHub, che fungeva da hub centrale. Questo ha reso facile per le persone unirsi semplicemente clonando il repository. La collaborazione poteva avvenire in modo asincrono, consentendo ai ricercatori di contribuire al proprio ritmo. Tracciare i contributi era anche semplice, con 28 individui che hanno contribuito a vari aspetti del progetto. Tuttavia, è stato notato che misurare i contributi può essere complicato poiché varia ampiamente.

#Costruzione di un Sito Web per il Progetto

Per coloro che volevano avviare progetti simili, il repository poteva fungere da modello. La raccolta di documenti scritti in Markdown insieme a Jupyter Notebooks eseguibili permetteva ai partecipanti di vedere facilmente i progressi del progetto. Ogni aggiornamento del repository costruiva automaticamente i documenti in un sito web, rendendolo accessibile a tutti i coinvolti.

#Integrazione Educativa

Il progetto COMOB è iniziato come un tutorial, e il codice fornito era anche utile per insegnare vari concetti nelle neuroscienze. Il team ha incorporato il progetto in un corso universitario, dove gli studenti lavoravano sia individualmente che in coppie, modificando le impostazioni della rete e testando le loro idee. Le presentazioni consentivano agli studenti di condividere i loro progressi e partecipare a discussioni, portando a un ambiente di apprendimento collaborativo. Studenti di diversi livelli di abilità partecipavano, colmando il divario tra insegnamento e ricerca effettiva.

#Addestramento di Reti Neurali Spike

Durante il tutorial iniziale, l'attenzione era su un compito di localizzazione del suono, che permetteva ai partecipanti di esplorare come il cervello elabora il suono attraverso reti neurali spike (SNN). Gli animali localizzano i suoni in base ai segnali ricevuti alle orecchie, cercando principalmente differenze nel livello del suono o nei tempi tra le due orecchie.

Un modello classico proponeva un modo per il cervello di rilevare le differenze temporali, in cui i Neuroni ricevono input da entrambe le orecchie con ritardi variabili. Quando il tempismo corrispondeva alla posizione del suono, un neurone diventava attivo. Tuttavia, questo modello ha ricevuto critiche per essere inefficiente in presenza di rumore neurale e non funzionare bene in condizioni complesse.

Il progetto mirava a chiedere quali intuizioni potessero essere tratte ottimizzando le SNN specificamente per la localizzazione dei suoni, cercando soluzioni che potessero migliorare la robustezza al rumore e fornire comprensione dei diversi sistemi uditivi degli animali.

#Un Semplice Modello SNN

Il team ha sviluppato un modello base di rete neurale spike per affrontare la localizzazione sonora. L'architettura prevedeva di passare i segnali audio attraverso popolazioni di neuroni, che elaboravano il suono per fornire una stima della sua provenienza. Il compito era di prevedere la differenza di tempo interaurale (ITD) di un suono, che è essenziale per determinare la sua posizione.

Il modello era composto da vari strati: i neuroni di input generavano spike in base allo stimolo sonoro, che venivano poi trasmessi ai neuroni nascosti. Questi neuroni, a loro volta, fornivano output che stimavano l'ITD in base al neurone più attivo nello strato.

#Risultati Iniziali di Addestramento

Utilizzando questa configurazione, i ricercatori sono riusciti ad addestrare le SNN per eseguire il compito di localizzazione. Hanno scoperto che ottimizzando la costante di tempo della membrana delle unità dello strato nascosto, la precisione migliorava. Questo suggeriva che la rilevazione coincidente, in cui i neuroni sparano in sincronia, giocava un ruolo importante inizialmente. Tuttavia, ulteriori analisi hanno mostrato che la rete non utilizzava questa strategia in modo efficace.

Invece, sembrava seguire un metodo simile a una teoria sull'elaborazione del suono che coinvolge la sottrazione di segnali accoppiati per trovare il loro punto di cancellazione. Il modello addestrato poteva essere approssimato con un modello più semplice a sei parametri che spiegava il suo funzionamento in modo convincente.

#Esplorazione di Modelli Neurali Alternativi

Il progetto ha esplorato come diversi tipi di modelli neuronali influenzassero il comportamento della rete. I neuroni biologici rilasciano tipicamente gli stessi neurotrasmettitori, portando a effetti eccitatori o inibitori. I ricercatori hanno testato un range di rapporti di neuroni eccitatori e inibitori e hanno scoperto che avere un equilibrio portava a prestazioni migliori rispetto all'utilizzo di un solo tipo.

#Apprendimento dei Ritardi nelle Reti

Il progetto ha anche indagato su come i ritardi tra i neuroni potessero essere appresi piuttosto che impostati come valori fissi. Un metodo utilizzava uno strato differenziabile che poteva apprendere i ritardi appropriati affinché la rete funzionasse in modo ottimale. Un altro approccio prevedeva l'introduzione di ritardi sinaptici attraverso strati di convoluzione apprendibili, consentendo al sistema di addestrare insieme pesi e ritardi.

#Costruzione di un Modello Dettagliato

Man mano che il team progrediva, costruì un modello più complesso con oltre 170.000 unità per imitare la struttura dei circuiti nel tronco encefalico dei mammiferi. Utilizzarono spettrogrammi sonori come input, che venivano poi elaborati attraverso varie popolazioni di neuroni. Questo modello generava risposte realistiche basate su principi appresi dai dati neurofisiologici.

#Riflessioni sul Progetto

Sebbene il progetto avesse i suoi successi, ci sono state anche sfide. La configurazione inizialmente aperta rendeva difficile standardizzare il lavoro tra i partecipanti, e alcuni trovavano frustrante la mancanza di obiettivi chiari. Hanno suggerito che progetti futuri potrebbero beneficiare dalla definizione di fasi chiare o consentendo ai partecipanti di votare su quale progetto concentrarsi.

Inoltre, assegnare il credito in modo equo si è rivelato essere una sfida, poiché i partecipanti avevano diversi livelli di coinvolgimento. Il team ha realizzato che era importante stabilire linee guida per l'assegnazione del credito fin dall'inizio per evitare confusione in seguito.

#Considerazioni Finali

Anche se il progetto non ha portato a scoperte scientifiche rivoluzionarie, ha dimostrato che è possibile condurre ricerche aperte coinvolgendo numerosi partecipanti di diversi background. Questo modello collaborativo potrebbe aprire la strada per progetti futuri che mirano ad affrontare argomenti intricati nelle neuroscienze.

Le esperienze e le lezioni apprese da COMOB informeranno la pianificazione di progetti successivi, cercando miglioramenti nel mantenimento dello spirito collaborativo che ha guidato l'iniziativa iniziale.