วิทยาศาสตร์ข้อมูลประสาท: อย่างไรและทำไม

คู่มือคร่าวๆในการทำวิทยาศาสตร์ข้อมูลเกี่ยวกับเซลล์ประสาท

สมองกำลังทำวิทยาศาสตร์ข้อมูล เครดิต: Brain โดย Matt Wasser จาก Noun Project

นักประสาทวิทยารูปแบบใหม่อย่างเงียบ ๆ หลบ ๆ ซ่อน ๆ นักทฤษฎีจำนวนมากได้เพิ่มจำนวนทีมของนักประสาทวิทยาที่ทำวิทยาศาสตร์กับข้อมูลเกี่ยวกับกิจกรรมของระบบประสาทในการสาดกระเซ็นของเซลล์ประสาทนับร้อย ไม่ใช่การสร้างวิธีการวิเคราะห์ข้อมูล แต่ทุกคนก็ทำเช่นกัน ไม่ใช่การรวบรวมข้อมูลนั้นเพราะต้องมีทักษะที่น่ากลัวอีกชุดหนึ่ง แต่นักประสาทวิทยาใช้ขอบเขตของเทคนิคการคำนวณสมัยใหม่กับข้อมูลเพื่อตอบคำถามทางวิทยาศาสตร์เกี่ยวกับสมอง วิทยาศาสตร์ข้อมูลประสาทได้เกิดขึ้น

ปรากฎว่าฉันเป็นหนึ่งในนั้นนักวิทยาศาสตร์กลุ่มข้อมูลประสาท โดยไม่ตั้งใจ เท่าที่ฉันบอกได้นั่นคือสิ่งที่เกิดขึ้นในสาขาวิทยาศาสตร์ทั้งหมด: โดยบังเอิญ นักวิจัยติดตามจมูกของพวกเขาเริ่มทำสิ่งใหม่และทันใดนั้นพบว่ามีกลุ่มเล็ก ๆ ของพวกเขาอยู่ในห้องครัวในงานปาร์ตี้ (เพราะเป็นที่ที่เครื่องดื่มอยู่ในตู้เย็น - นักวิทยาศาสตร์ฉลาด) ดังนั้นนี่คือการประกาศเล็กน้อยสำหรับวิทยาศาสตร์ข้อมูลประสาท: ทำไมมันเกิดขึ้นและวิธีที่เราอาจตั้งค่าเกี่ยวกับการทำมัน

เหตุใดจึงเหมือนกับวิทยาศาสตร์ทุกแขนงที่กระจายข้อมูลทางวิทยาศาสตร์ออกไป: ปริมาณข้อมูลกำลังหลุดออกจากมือ สำหรับวิทยาศาสตร์ในการบันทึกจำนวนมากของเซลล์ประสาทน้ำท่วมข้อมูลนี้มีเหตุผลทางวิทยาศาสตร์แปลก ๆ สมองทำงานโดยส่งข้อความระหว่างเซลล์ประสาท ข้อความเหล่านี้ส่วนใหญ่มีรูปแบบของคลื่นไฟฟ้าเล็ก ๆ : แหลมเราเรียกมันว่า ดังนั้นสำหรับหลาย ๆ คนดูเหมือนว่ามีเหตุผลว่าถ้าเราต้องการที่จะเข้าใจว่าสมองทำงานอย่างไร (และเมื่อมันไม่ทำงาน) เราจำเป็นต้องรวบรวมข้อความทั้งหมดที่ถูกส่งผ่านระหว่างเซลล์ประสาททั้งหมด และนั่นหมายถึงการบันทึกสไปค์เป็นจำนวนมากจากเซลล์ประสาทมากที่สุด

สมองซีเบริชทารกมีเซลล์ประสาทประมาณ 130,000 เซลล์และมีการเชื่อมต่อระหว่างกันอย่างน้อย 1 ล้านเซลล์ สมองผึ้งมีเซลล์ประสาทประมาณหนึ่งล้านตัว คุณสามารถดูว่าสิ่งนี้จะออกจากมืออย่างรวดเร็ว ตอนนี้เราบันทึกบางส่วนระหว่างสิบถึงสองสามร้อยเซลล์ประสาทในเวลาเดียวกันด้วยชุดมาตรฐาน ที่ขีด จำกัด คือคนที่บันทึกสองสามพันคนและแม้แต่น้อยที่ได้รับหลายหมื่นคน (แม้ว่าการบันทึกเหล่านี้จะจับกิจกรรมของเซลล์ประสาทด้วยอัตราที่ช้ากว่าเซลล์ประสาทที่สามารถส่ง spikes ได้)

เราเรียกสิ่งนี้ว่าระบบประสาทบ้า: neuroscience สำหรับการศึกษาของเซลล์ประสาท; ระบบสำหรับการกล้าที่จะบันทึกจากเซลล์ประสาทมากกว่าหนึ่งครั้ง และข้อมูลนั้นซับซ้อนอย่างเหลือเชื่อ สิ่งที่เรามีคืออนุกรมเวลาที่บันทึกไว้พร้อมกันหลายหมื่นถึงหลายพันรายการสตรีมของเหตุการณ์ที่น่าตื่นเต้น (spikes จริงหรือการวัดทางอ้อมบางส่วน) จากเซลล์ประสาทหนึ่ง ตามคำจำกัดความพวกเขาจะไม่หยุดนิ่งสถิติของพวกเขาเปลี่ยนไปตามกาลเวลา อัตรากิจกรรมของพวกเขาแพร่กระจายไปทั่วคำสั่งมากมายตั้งแต่การไตร่ตรองอย่างเงียบสงบของพระสงฆ์จนถึง“ กลองชุดในอุโมงค์ลม” และรูปแบบกิจกรรมของพวกเขามีตั้งแต่แบบปกติเหมือนนาฬิกาจนถึงการพูดติดอ่างและกระเซ็นไปจนถึงสลับระหว่างอุบาทว์ของความบ้าคลั่งและความเหนื่อยล้า

ตอนนี้แต่งงานกับพฤติกรรมของสัตว์ที่คุณบันทึกเซลล์ประสาทจาก พฤติกรรมนี้เป็นทางเลือกหลายร้อยครั้ง หรือการเคลื่อนไหวของแขน หรือเส้นทางที่นำมาผ่านสภาพแวดล้อม หรือการเคลื่อนไหวของอวัยวะความรู้สึกหรือท่าทางทั้งหมดของกล้ามเนื้อ ทำซ้ำสำหรับสัตว์หลายตัว อาจมีหลายส่วนของสมอง และสมองบางครั้งก็

เราไม่มีพื้นดินจริง ไม่มีคำตอบที่ถูก ไม่มีฉลากการฝึกอบรมสำหรับข้อมูลยกเว้นพฤติกรรม เราไม่รู้ว่าสมองเข้ารหัสพฤติกรรมอย่างไร ดังนั้นเราสามารถทำสิ่งต่าง ๆ ที่มีป้ายกำกับพฤติกรรม แต่เรามักจะรู้ว่าสิ่งเหล่านี้ไม่ใช่คำตอบ พวกเขาเป็นเพียงร่องรอยของ "คำตอบ"

ระบบประสาทเป็นสนามเด็กเล่นที่อุดมไปด้วยสำหรับผู้ที่สามารถแต่งงานกับความรู้ของประสาทวิทยาศาสตร์กับความรู้ของพวกเขาสำหรับการวิเคราะห์ข้อมูล วิทยาศาสตร์ข้อมูลประสาทกำลังเกิดขึ้น

มันเป็นอย่างไร - หรือทำได้ - นี่คือคำแนะนำคร่าวๆ raison d'etre ของนักวิทยาศาสตร์ข้อมูลประสาทคือการถามคำถามทางวิทยาศาสตร์ของข้อมูลจากระบบประสาท; ถาม: เซลล์ประสาททั้งหมดเหล่านี้ทำงานร่วมกันเพื่อทำสิ่งที่พวกเขาได้อย่างไร

มีสามวิธีที่เราสามารถตอบคำถามนั้นได้ เราสามารถเห็นทั้งสามวิธีโดยดูที่การติดต่อระหว่างชั้นเรียนที่สร้างปัญหาในการเรียนรู้ของเครื่องและความท้าทายด้านการคำนวณในระบบประสาท เริ่มต้นด้วยการดูสิ่งที่เราต้องทำงานด้วย

เรามีข้อมูลบางส่วนจาก n เซลล์ประสาทที่เรารวบรวมเมื่อเวลาผ่านไป เราจะรวบรวมสิ่งเหล่านี้เป็นเมทริกซ์เราจะเรียก X - คอลัมน์หลาย ๆ เซลล์เท่ากับเซลล์ประสาทและอีกหลายแถวตามเวลาที่เราบันทึกไว้ (ซึ่งขึ้นอยู่กับเราว่า "จุดเวลา" นานแค่ไหน: เราอาจ ทำให้สั้นและให้แต่ละรายการบันทึก 1 สไปค์และ 0 เป็นอย่างอื่นหรือเราอาจทำให้มันยาวและแต่ละรายการบันทึกจำนวนสไปค์ในช่วงเวลาที่ผ่านไป) เมื่อเวลาผ่านไปมีสิ่งต่าง ๆ เกิดขึ้นในโลก - รวมถึงสิ่งที่ร่างกายทำอยู่ งั้นลองมารวมกันเป็นเมทริกซ์เราจะเรียกว่า S - คอลัมน์ให้มากที่สุดเท่าที่มีฟีเจอร์ในโลกที่เราสนใจและมากที่สุดเท่าที่เวลาที่เราบันทึกไว้สำหรับฟีเจอร์เหล่านั้น

ตามเนื้อผ้าการเรียนรู้ของเครื่องจักรเกี่ยวข้องกับการสร้างแบบจำลองสามชั้นเกี่ยวกับสถานะของโลกและข้อมูลที่มี: การกำเนิดการเลือกปฏิบัติและความหนาแน่น ตารางนี้แสดงให้เห็นว่าแต่ละชั้นเรียนสอดคล้องกับคำถามพื้นฐานในระบบประสาทอย่างไร

1 / โมเดลความหนาแน่น P (X): มีโครงสร้างในเดือยหรือไม่ ฟังดูน่าเบื่อ แต่ที่จริงแล้วนี่คือกุญแจสำคัญในการวิจัยทางประสาทวิทยาศาสตร์ที่เราต้องการทราบถึงผลกระทบของบางสิ่ง (ยา, พฤติกรรม, การนอนหลับ) ในสมอง สิ่งที่เราถาม: โครงสร้างของกิจกรรมประสาทเปลี่ยนแปลงอย่างไร

ด้วยการบันทึกเซลล์ประสาทจำนวนมากเราสามารถตอบคำถามนี้ได้สามวิธี

อันดับแรกเราสามารถหาจำนวนสไปค์รถไฟของแต่ละเซลล์ประสาทโดยการวัดสถิติของแต่ละคอลัมน์ของ X เช่นอัตราสปิน แล้วถามว่า: โมเดล P (X) สำหรับสถิติเหล่านี้คืออะไร? เราสามารถจัดกลุ่มสถิติเหล่านี้เพื่อค้นหา "ประเภท" ของเซลล์ประสาท หรือเพียงแค่ปรับโมเดลให้พอดีกับการกระจายข้อต่อทั้งหมด ไม่ว่าจะด้วยวิธีใดเรามีโมเดลโครงสร้างข้อมูลบางส่วนที่มีความละเอียดของเซลล์ประสาทเดี่ยว

ประการที่สองเราสามารถสร้างแบบจำลองกำเนิดของกิจกรรมทั้งหมดของประชากรโดยใช้แถวของ X - เวกเตอร์ของกิจกรรมช่วงเวลาต่อนาทีของประชากรทั้งหมด แบบจำลองดังกล่าวมักมุ่งหวังที่จะเข้าใจว่าโครงสร้างของ X สามารถสร้างขึ้นใหม่ได้จากข้อ จำกัด เพียงไม่กี่ข้อไม่ว่าจะเป็นการกระจายตัวของเวกเตอร์จำนวนเท่าไร หรือสหสัมพันธ์ระหว่างนิวรอน หรือการรวมกันของมัน สิ่งเหล่านี้มีประโยชน์อย่างยิ่งสำหรับการออกกำลังกายหากมีซอสพิเศษในกิจกรรมของประชากรถ้ามีอะไรมากกว่ากิจกรรมร่วมกันของชุดของเซลล์ประสาทที่อิสระหรือน่าเบื่อ

ประการที่สามเราสามารถรับตำแหน่งที่กิจกรรมทางประสาทใน X คือการรับรู้มิติสูงของพื้นที่มิติต่ำซึ่งจำนวนมิติ D << n โดยทั่วไปแล้วเราหมายถึงสิ่งนี้: เซลล์ประสาทบางตัวใน X มีความสัมพันธ์กันดังนั้นเราจึงไม่จำเป็นต้องใช้ X ทั้งหมดเพื่อทำความเข้าใจกับประชากร - แต่เราสามารถแทนที่พวกมันด้วยการเป็นตัวแทนที่ง่ายกว่ามาก เราอาจจัดกลุ่มอนุกรมเวลาโดยตรงดังนั้นการแยก X เป็นชุดของเมทริกซ์ขนาดเล็ก N_1 ถึง X_N แต่ละชุดมีความสัมพันธ์ที่ค่อนข้างรุนแรง (ภายใน) และสามารถรักษาได้อย่างอิสระ หรือเราอาจใช้วิธีการลดขนาดบางชนิดเช่นการวิเคราะห์ส่วนประกอบหลักเพื่อรับชุดอนุกรมเวลาขนาดเล็กที่แต่ละชุดจะอธิบายรูปแบบที่แตกต่างกันอย่างหนึ่งในกิจกรรมของประชากรเมื่อเวลาผ่านไป

เราทำได้มากกว่านี้ ข้างต้นสมมติว่าเราต้องการใช้การลดขนาดเพื่อยุบเซลล์ประสาท - ว่าเราใช้การลดลงในคอลัมน์ของ X แต่เราสามารถยุบเวลาได้อย่างง่ายดายเพียงแค่ใช้การลดมิติกับแถวของ X แทนที่จะถามว่ากิจกรรมของระบบประสาทซ้ำซ้อนหรือไม่ นี่เป็นการถามว่าช่วงเวลาที่แตกต่างกันมีรูปแบบของกิจกรรมประสาทที่คล้ายกันหรือไม่ หากมีเพียงไม่กี่คนสิ่งเหล่านี้ชัดเจนว่าการเปลี่ยนแปลงของเซลล์ประสาทที่บันทึกไว้นั้นง่ายมาก

เราสามารถเข้าใกล้ระบบพลวัตด้วยเช่นกัน ที่นี่เราพยายามที่จะทำให้แบบจำลองง่าย ๆ กับการเปลี่ยนแปลงใน X เมื่อเวลาผ่านไป (เช่นการทำแผนที่จากแถวหนึ่งไปยังอีกแถว) และใช้แบบจำลองเหล่านั้นเพื่อระบุประเภทของพลศาสตร์ X ที่มี - ใช้คำศัพท์เช่น โหนด saddle "," pitchfork bifurcation "และ" Arsenal ล่มสลาย "(มีเพียงอันเดียวเท่านั้นที่ไม่ใช่ของจริง) ใครบางคนอาจโต้แย้งแบบจำลองพลวัตเพื่อความเหมาะสมเป็นแบบจำลองความหนาแน่น P (X) ทั้งหมดที่พวกเขาอธิบายโครงสร้างของข้อมูล

นรกเราสามารถลองทั้งแบบจำลองพลวัตของวงจรประสาทซึ่งเป็นสมการเชิงอนุพันธ์ที่อธิบายแต่ละเซลล์ประสาทถึง X เพื่อให้ตัวอย่าง P (X) ของเรานั้นถูกสุ่มตัวอย่างทุกครั้งที่เราเรียกใช้แบบจำลองจากเงื่อนไขเริ่มต้นที่แตกต่างกัน .

ด้วยโมเดลความหนาแน่นเหล่านี้เราสามารถปรับให้เข้ากับกิจกรรมของระบบประสาทที่เราบันทึกไว้ในสถานะต่าง ๆ (S1, S2, …, Sm) และตอบคำถามเช่น: โครงสร้างของเซลล์ประสาทมีการเปลี่ยนแปลงอย่างไรระหว่างการนอนหลับและ ตื่น? หรือระหว่างการพัฒนาของสัตว์? หรือในระหว่างการเรียนรู้งาน (โดยที่ S1 อาจเป็นรุ่นทดลองที่ 1 และรุ่นทดลองใช้ S2 2 หรือรุ่นที่ 1 เป็นเซสชัน 1 และ S2 เซสชัน 2 หรือหลายชุดรวมกัน) นอกจากนี้เรายังสามารถถามได้ว่ากิจกรรมของเซลล์ประสาทมีขนาดเท่าใด? ขนาดต่างกันระหว่างภูมิภาคต่าง ๆ ของเยื่อหุ้มสมอง? มีใครเห็นกุญแจของฉันบ้างเหรอ?

2 / Generative models P (X | S): อะไรทำให้ขัดขวางได้ ตอนนี้เรากำลังพูดถึง สิ่งต่าง ๆ เช่นโมเดลเชิงเส้นไม่ใช่เชิงเส้นหรือโมเดลเชิงเส้นทั่วไป โดยทั่วไปแล้วโมเดลเหล่านี้จะใช้กับเซลล์ประสาทเดี่ยวในแต่ละคอลัมน์ของ X เรามีโมเดลที่เหมาะสมกับสถานะของโลก S เป็นอินพุตและกระจายชุดกิจกรรมประสาทที่ตรงกับกิจกรรมของเซลล์ประสาทให้ใกล้เคียงที่สุด จากนั้นตรวจสอบน้ำหนักที่กำหนดให้กับแต่ละคุณลักษณะของ S ในการทำซ้ำกิจกรรมของเซลล์ประสาทเราสามารถหาสิ่งที่เซลล์ประสาทนั้นดูเหมือนจะเป็นคำสาปแช่ง

เราอาจต้องการเลือกแบบจำลองที่มีความยืดหยุ่นในสิ่งที่นับว่าเป็น "สถานะของโลก" เราสามารถรวมกิจกรรมที่ผ่านมาของเซลล์ประสาทเป็นคุณสมบัติและดูว่ามันสนใจเกี่ยวกับสิ่งที่ทำในอดีตหรือไม่ สำหรับเซลล์ประสาทบางประเภทคำตอบคือใช่ การระเบิดสามารถดึงเซลล์ประสาทออกมาได้จำนวนมากและต้องนอนเพื่อการพักผ่อนก่อนที่จะกลับไปอีกครั้ง เราสามารถคิดได้กว้างขึ้นและรวมถึงส่วนที่เหลือของประชากร - ส่วนที่เหลือของ X - เป็นส่วนหนึ่งของสถานะของโลกในขณะที่เซลล์ประสาทถูกยิง ท้ายที่สุดแล้วบางครั้งเซลล์ประสาทก็มีอิทธิพลต่อการยิงของกันและกันดังนั้นฉันจึงเชื่อ ดังนั้นจึงมีโอกาสเล็กน้อยที่การตอบสนองของเซลล์ประสาทในคอร์เทกซ์สายตาไม่เพียง แต่ขับเคลื่อนโดยการวางแนวของขอบในโลกภายนอก แต่อาจขึ้นอยู่กับสิ่งที่เซลล์ประสาทเยื่อหุ้มสมอง 10,000 อันเชื่อมต่อกับมันกำลังทำอยู่ สิ่งที่เราเรียนรู้คือเซลล์ประสาทที่มีอิทธิพลมากที่สุดโดยประมาณในประชากร

เราไม่จำเป็นต้องใช้โมเดลเชิงกำเนิดเหล่านี้กับเซลล์ประสาทเดี่ยว เราสามารถใช้มันกับโมเดลความหนาแน่นของเราได้อย่างเท่าเทียมกัน เราสามารถถามสิ่งที่แต่ละกลุ่มหรือมิติกำลังเข้ารหัสเกี่ยวกับโลก หรืออย่างที่บางคนทำที่นี่เราสามารถใช้แบบจำลองความหนาแน่นเป็นสถานะของโลกและถามว่าคุณลักษณะใดของเซลล์ประสาทแบบปลายน้ำแบบนั้นให้คำด่า

ประเภทของคำถามที่เราสามารถตอบได้กับโมเดลเชิงกำเนิดเหล่านี้ค่อนข้างชัดเจน: การรวมกันของคุณสมบัติใดที่ทำนายการตอบสนองของเซลล์ประสาทได้ดีที่สุด เซลล์ประสาทมีการคัดเลือกเพียงสิ่งเดียวหรือไม่? เซลล์ประสาทมีอิทธิพลต่อกันและกันอย่างไร

3 / Discriminative model P (S | X): spikes มีข้อมูลอะไรบ้าง? นี่เป็นคำถามหลักในระบบประสาทเนื่องจากมันเป็นความท้าทายที่ต้องเผชิญกับเซลล์ประสาททั้งหมดที่อยู่ท้ายน้ำจากประชากรที่เราบันทึกไว้ - เซลล์ประสาททั้งหมดที่รับอินพุตจากเซลล์ประสาทที่เราบันทึกและยัดไว้ในเมทริกซ์ X ของเราสำหรับเซลล์ประสาทล่องนั้น พวกเขาจำเป็นต้องรู้เกี่ยวกับโลกภายนอกโดยอาศัยหนามแหลม

ที่นี่เราสามารถใช้ตัวแยกประเภทมาตรฐานซึ่งอินพุตแผนที่ไปยังเอาต์พุตที่มีป้ายกำกับ เราสามารถใช้แถวของ X เป็นอินพุตแต่ละภาพรวมของกิจกรรมของประชากรและพยายามคาดเดาหนึ่งคุณลักษณะบางส่วนหรือทั้งหมดในแถวที่สอดคล้องกันของ S. อาจเป็นไปได้ที่จะมีการหน่วงเวลาดังนั้นเราจึงใช้แถว X_t เพื่อ ทำนายสถานะ S_t-n ที่เป็นขั้นตอนในอดีตหากเราสนใจว่ารหัสประชากรระบุว่าเป็นข้อมูลเข้าสู่สมองอย่างไร หรือเราสามารถใช้แถว X_t เพื่อทำนายสถานะ S_t + n ซึ่งเป็นขั้นตอนในอนาคตหากเราสนใจว่ารหัสประชากรสำหรับผลกระทบบางอย่างของสมองในโลก เหมือนกิจกรรมในคอร์เทกซ์ยนต์ที่เกิดขึ้นก่อนที่ฉันจะพิมพ์ตัวอักษรแต่ละตัวในขณะนี้

ไม่ว่าจะด้วยวิธีใดเราใช้แถว (แต่ไม่ใช่ทั้งหมดสำหรับเราที่ไม่เหมาะสม) และฝึกอบรมลักษณนามเพื่อค้นหาการทำแผนที่ X ที่ดีที่สุดเท่าที่จะเป็นไปได้เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากนั้นเราทดสอบลักษณนาม ทำนายส่วนที่เหลือของ S จากส่วนที่เหลือของ X ที่ตรงกันหากคุณโชคดีมาก X และ S ของคุณอาจยาวจนคุณสามารถแบ่งพวกมันออกเป็นชุดฝึกทดสอบและตรวจสอบความถูกต้องได้ เก็บล่าสุดในกล่องล็อค

แน่นอนเราสามารถใช้ลักษณนามที่ทรงพลังเท่าที่เราต้องการ จากการถดถอยโลจิสติกผ่านแนวทางแบบเบย์ไปจนถึงการใช้โครงข่ายใยประสาท 23 ชั้น มันขึ้นอยู่กับสิ่งที่คุณต้องการจากคำตอบและการแลกเปลี่ยนระหว่างการตีความและพลังที่คุณพอใจ งานเขียนของฉันที่อื่นทำให้มันชัดเจนว่าการแลกเปลี่ยนด้านนี้ฉันมักจะชอบ แต่ฉันมีความสุขที่ได้รับการพิสูจน์ผิด

แบบจำลองการเข้ารหัสของเซลล์ประสาทมีความชาญฉลาด แต่สัมผัสกับความเชื่อในปรัชญาที่เก่าและลึก การทดสอบการเข้ารหัสโดยใช้แบบจำลองจำแนกนั้นสมมติว่ามีบางสิ่งที่ปลายน้ำกำลังพยายามถอดรหัส S จากกิจกรรมของระบบประสาท มีสองปัญหากับสิ่งนี้ เซลล์ประสาทไม่ถอดรหัส เซลล์ประสาทรับ spikes เป็นอินพุทและเอาท์พุทเดือยของพวกมันเอง ค่อนข้างพวกเขา re-code จากชุดหนึ่งไปยังอีกชุดหนึ่ง: อาจน้อยลงหรือช้าลง; อาจจะมากกว่าหรือเร็วกว่า; อาจจะมาจากกระแสมั่นคงสู่ความผันผวน ดังนั้นรูปแบบการเลือกปฏิบัตินั้นถูกต้องมากกว่าการถามว่าเซลล์ประสาทของเราให้ข้อมูลอะไรอีก แต่แม้ว่าเราจะใช้มุมมองนี้มีปัญหาลึก

มีข้อยกเว้นน้อยมากไม่มีสิ่งเช่นเซลล์ประสาท“ ล่อง” เซลล์ประสาทที่เราบันทึกไว้ใน X เป็นส่วนหนึ่งของสมองที่มีสายอย่างประณีตเต็มไปด้วยลูปที่ไม่มีที่สิ้นสุด เอาท์พุทของพวกเขาส่งผลกระทบต่อการป้อนข้อมูลของตัวเอง ยิ่งไปกว่านั้นบางส่วนของเซลล์ประสาทใน X จะล่องจากที่อื่น: บางส่วนของพวกเขาเข้าโดยตรงกับคนอื่น ๆ เพราะดังที่กล่าวไว้ข้างต้นเซลล์ประสาทมีอิทธิพลต่อกันและกัน

คร่าว ๆ อาจเป็นประโยชน์สำหรับการประกาศข้อมูลวิทยาศาสตร์ประสาท มันไม่สมบูรณ์ ไม่ต้องสงสัยเลยว่ามีข้อผิดพลาดเกิดขึ้น (ตอบบนโปสการ์ดตามที่อยู่ปกติ) ข้างต้นเป็นความพยายามที่จะสังเคราะห์งานของกลุ่มห้องปฏิบัติการที่มีความสนใจแตกต่างกันมาก แต่เป็นแรงผลักดันที่ใช้รูปแบบเหล่านี้กับชุดข้อมูลประสาทขนาดใหญ่เพื่อตอบคำถามเชิงลึกเกี่ยวกับการทำงานของสมอง หลายแห่งเป็นห้องปฏิบัติการข้อมูลทีมที่วิเคราะห์ข้อมูลเชิงทดลองเพื่อตอบคำถามของตัวเอง เพื่อชื่อไม่กี่ - หมอน Johnathan; คริสเตียนมาเชนส์; Konrad Kording; Kanaka Rajan; จอห์นคันนิงแฮม; Adrienne Fairhall; ฟิลิปเบเรน; เซียนดอนเนลล์; Il Memming Park; จาคอบแมค; แกสเปอร์ Tkacik; Oliver Marre อืมฉัน ห้องอื่น ๆ เป็นห้องทดลองทดลองที่มีความเอียงด้านวิทยาศาสตร์ข้อมูลที่แข็งแกร่ง: Anne Churchland; มาร์คเชิร์ชแลนด์; Nicole Rust; Krishna Shenoy; คาร์ลอสโบรดี้; อื่น ๆ อีกมากมายฉันขอโทษที่ไม่ได้ตั้งชื่อ

มีการประชุมที่ยินดีทำงานประเภทนี้ไม่สนับสนุนแม้แต่ วารสารด้านวิทยาศาสตร์ข้อมูลประสาทกำลังมาถึงแล้ว บางสิ่งบางอย่างกำลังสร้าง มาเลยข้อมูลน่ารัก *

* ใช่ฉันต้องอ้างถึงข้อมูลเป็นเอกพจน์เพื่อให้เรื่องตลกที่ทำงาน ความจริงที่ฉันกำลังเขียนเชิงอรรถนี้เพื่ออธิบายสิ่งนี้จะทำให้คุณมีความคิดที่จะพิถีพิถันใส่ใจในรายละเอียดของข้อมูลที่นักวิทยาศาสตร์คาดหวัง

ต้องการมากขึ้น? ติดตามเราได้ที่ The Spike

Twitter: @markdhumphries