Российские ученые воссоздали динамику модели нейрона мозга с помощью нейросети
Исследователи из НИУ ВШЭ в Нижнем Новгороде показали, как с помощью нейросети воссоздавать динамику нейрона мозга, имея всего один ряд измерений, например запись его электрической активности. Разработанная нейросеть научилась восстанавливать полную динамику системы и предсказывать ее поведение при изменении условий. Такой метод может помочь изучать сложные биологические процессы, даже если нет возможности провести все необходимые измерения. Исследование опубликовано в журнале Chaos, Solitons & Fractals.
Нейроны — это клетки, с помощью которых мозг обрабатывает информацию и передает сигналы. Они общаются друг с другом электрическими импульсами, которые заставляют соседние нейроны активироваться или, наоборот, замедляться. Каждый нейрон имеет мембрану (оболочку), через которую могут проходить заряженные частицы, называемые ионами. Ионы движутся через специальные каналы в мембране, и их движение и вызывает электрические импульсы.

Исследовать работу нейронов помогают математические модели. Часто в их основе лежит подход Ходжкина — Хаксли. Он позволяет строить сравнительно простые модели, однако при этом требует большого количества параметров и расчетов. Чтобы предсказать поведение нейрона, обычно измеряются несколько параметров и характеристик: напряжение на мембране, токи разных ионов, состояние каналов клетки. Исследователи НИУ ВШЭ и Саратовского филиала Института радиотехники и электроники им. В.А. Котельникова РАН показали, что достаточно учитывать изменения только одной характеристики — электрического потенциала мембраны нейрона, а с помощью нейросети восстановить недостающие данные.
Метод, предложенный учеными, содержал два этапа. Сначала анализировалось, как изменяется потенциал нейрона во времени. Эти данные передавались в нейросеть — вариационный автокодировщик, который выделял в них ключевые закономерности, отбрасывал лишнее и на выходе выдавал набор характеристик, описывающих состояние нейрона. На втором этапе нейросеть уже другого типа — нейросетевое отображение — использовала эти характеристики, чтобы предсказать, как нейрон поведет себя дальше. Нейросеть фактически брала на себя функции модели Ходжкина — Хаксли, но вместо сложных уравнений училась на данных.

Павел Купцов
«С развитием математических и компьютерных методов пересматриваются старые подходы, это не только помогает улучшить их, но и может привести к новым открытиям. Обычно восстанавливаемые по данным модели основаны на полиномиальных уравнениях небольшого, 4–5-го порядка — они обладают ограниченной нелинейностью, то есть не могут описывать очень сложные зависимости без увеличения погрешности, — объясняет ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Павел Купцов. — В новом методе вместо полиномов используются нейросети. Их нелинейность задается сигмоидами — плавными функциями от 0 до 1, которым соответствуют полиномиальные уравнения (ряды Тейлора) бесконечно большого порядка. Это делает моделирование гибче и точнее».
Обычно, чтобы смоделировать сложную систему, требуется полный набор параметров, но в реальных условиях получить его трудно. В экспериментах, особенно в биологии и медицине, данные часто бывают неполными или зашумленными. В своем подходе ученые показали, что, используя нейросеть, даже при ограниченном количестве данных можно восстановить недостающие величины и спрогнозировать поведение системы.
«Мы берем всего один ряд данных — единственный пример поведения, обучаем на нем модель и встраиваем в нее управляющий параметр. Его можно представить как “переключатель”, который можно крутить, чтобы наблюдать разные варианты поведения. Если после обучения начать крутить “переключатель”, т.е. менять этот параметр, мы увидим, что модель воспроизводит различные типы поведения, характерные для исходной системы», — объясняет Павел Купцов.
При моделировании нейросеть не просто повторила режимы системы, на которых ее обучали, но и выявила новые. Один из них связан с переходом от серии частых импульсов к одиночным всплескам. Такие переключения возникают при изменении параметров, но нейросеть обнаружила их сама, не видя таких примеров в обучающих данных. Это значит, что нейросеть не просто запоминает примеры, а действительно распознает скрытые закономерности.
Наталия Станкевич
«Важно, что нейросеть может выявлять новые закономерности в данных, — комментирует ведущий научный сотрудник факультета информатики, математики и компьютерных наук НИУ ВШЭ в Нижнем Новгороде Наталия Станкевич. — Она находит связи, которые в явном виде не представлены в обучающей выборке, и делает выводы о поведении системы в новых условиях».
Сейчас нейросеть работает на сгенерированных компьютером данных. В будущем исследователи планируют использовать ее на реальных экспериментальных данных. Это открывает возможности для изучения сложных динамических процессов, где нельзя заранее задать все возможные сценарии.
Работа выполнена в рамках проекта «Зеркальные лаборатории» НИУ ВШЭ и поддержана грантом РНФ.
Вам также может быть интересно:
НИУ ВШЭ, Университет Дели и «Геоскан» запускают проект по космическим исследованиям
Высшая школа экономики и Университет Дели (Индия) в партнерстве с «Геосканом» (портфельная компания негосударственного института развития «Иннопрактика») договорились о создании международной научной зеркальной лаборатории в области хранения, обработки и передачи данных в космических системах. Соглашение об этом было подписано 15 января 2025 года в рамках визита в Индию делегации НИУ ВШЭ во главе с ректором Никитой Анисимовым.
Подведены итоги конкурса проектов «Зеркальные лаборатории» — 2024
«Зеркальные лаборатории» — одна из флагманских программ НИУ ВШЭ, которая направлена на развитие внутрироссийских научных партнерств, сосредоточенных на выявлении точек роста с помощью объединения усилий двух высококлассных научно-исследовательских коллективов. Проекты реализуются в различных областях науки и охватывают всю страну. В пятом, юбилейном конкурсе приняли участие 18 научных подразделений НИУ ВШЭ с партнерами из 17 регионов России.
Проект «Зеркальные лаборатории» НИУ ВШЭ отмечает пятилетие
«Зеркальные лаборатории» — одна из флагманских программ Высшей школы экономики, направленная на развитие внутрироссийских научных партнерств. За время реализации проекта было инициировано 41 научное исследование в партнерстве с 30 региональными вузами и научными организациями. К пятилетию «Зеркальных лабораторий» приурочена серия круглых столов, которые пройдут в ВШЭ 24–25 апреля.
В НИУ ВШЭ стартует пятый открытый конкурс проектов «Зеркальные лаборатории»
В конкурсе могут принять участие научные (научно-исследовательские) структурные подразделения Вышки, планирующие проведение совместных научных исследований с научными структурными подразделениями российских образовательных организаций высшего образования, научных организаций и государственных научных центров Российской Федерации. Заявки принимаются до 12 апреля.
В НИУ ВШЭ – Пермь состоялся Всероссийский круглый стол музейных экспертов
Дискуссия прошла в рамках совместного проекта НИУ ВШЭ – Пермь и СахГУ «Индустриальная культура: цифровые решения для исследовательской экосистемы» конкурса «Зеркальные лаборатории». На встречу приехали музейные эксперты и научные сотрудники университетов из Пермского края, Свердловской, Кемеровской, Челябинской, Сахалинской областей и Ямало-Ненецкого автономного округа. Нетрадиционный формат мероприятия позволил не только обсудить актуальные вопросы сохранения индустриального наследия, но и в ходе практикума и стратегической сессии определить новые направления сотрудничества вузов и музеев.
Исследователи из ВШЭ и Института угля помогут противодействовать санкциям в угольной отрасли
Один из проектов, победивших на конкурсе «Зеркальные лаборатории» НИУ ВШЭ в июне этого года, — «Трансформации цепочек создания стоимости угольной отрасли и связанных с ней отраслей в условиях глобального энергоперехода и санкционного давления на российскую экономику». Его реализацией займутся Центр исследований структурной политики (ЦИСП) НИУ ВШЭ и Институт угля Федерального исследовательского центра угля и углехимии Сибирского отделения РАН (Кемерово). «Вышка.Главное» рассказывает, чем интересен этот проект и каких результатов планируют достичь его авторы.
НИУ ВШЭ и Национальный университет Узбекистана откроют зеркальную лабораторию по экономике
Высшая школа экономики и Национальный университет Узбекистана имени Мирзо Улугбека (НУУ) договорились о создании зеркальной лаборатории по изучению актуальных экономических вопросов. Протокол о намерениях подписали ректор НИУ ВШЭ Никита Анисимов и ректор НУУ Ином Маджидов в рамках Межрегиональной конференции ректоров вузов Российской Федерации и Республики Узбекистан.
Инобр ВШЭ и КамГУ создадут модель развития человеческого потенциала в регионах с тяжелым климатом
В России несколько климатических зон, и в таких регионах, как Дальний Восток или Камчатка, условия намного более суровые, а их жителям приходится преодолевать больше трудностей, чем, например, людям в центральной части страны. Можно ли целенаправленно готовить выпускников вузов в отдельных регионах так, чтобы им было легче добиваться успеха в работе и повседневной жизни? Ответ исследователей — да, и нацеленный на это проект зеркальной лаборатории Института образования ВШЭ и Камчатского государственного университета победил в рамках конкурса «Зеркальные лаборатории» Вышки.
Подведены итоги конкурса проектов «Зеркальные лаборатории» НИУ ВШЭ
В этом году Высшая школа экономики в четвертый раз проводила конкурс проектов «Зеркальные лаборатории». На конкурс было подано 19 заявок от 16 научных подразделений НИУ ВШЭ, партнерами которых выступили 16 организаций из 14 регионов России. По итогам конкурса было поддержано 10 научно-исследовательских проектов.
В НИУ ВШЭ стартует четвертый открытый конкурс проектов «Зеркальные лаборатории»
В конкурсе могут принять участие научные (научно-исследовательские) структурные подразделения НИУ ВШЭ, планирующие проведение совместных научных исследований с научными структурными подразделениями российских образовательных организаций высшего образования, научных организаций и государственных научных центров Российской Федерации.