Yetişkin meyve sineği beyninin haritası tamamlandı

 (economist.com)
1 puan yazan GN⁺ 2024-10-03 | 1 yorum | WhatsApp'ta paylaş
  • Yetişkin meyve sineği beyninin bağlantı haritası tamamlandı ve karmaşık bir hayvan beynini ayrıntılı biçimde okumaya yönelik connectome araştırmaları için bir referans noktası oldu
  • Meyve sineği, uçmanın yanı sıra kur yapma, dövüşme ve çevresine ilişkin uzun süreli bellek oluşturma gibi davranış repertuvarına sahip
  • Parazit yaban arıları gibi doğrudan görünmeyen tehlikelere karşı diğer meyve sineklerini uyarabiliyor; bu nedenle yalnızca basit refleks davranışlarıyla açıklamak zor
  • Bu harita, küçük bir hayvanın beyin bağlantılarını ve karmaşık davranışlarını birlikte anlamaya çalışan araştırmalar için önemli bir örnek oluşturuyor
  • Yetişkin meyve sineği beyninin haritalanması, ileride insan beyninin de haritalanabileceği olasılığını açık bırakıyor

Yetişkin meyve sineği beyninin connectome’u

  • Yetişkin meyve sineği beyni haritalandı ve bugüne kadar oluşturulmuş en ayrıntılı connectome olarak tanıtılıyor
  • Connectome, beynin bağlantı haritasını ifade eden bağlamda kullanılıyor

Meyve sineğinin gösterdiği davranış karmaşıklığı

  • Meyve sineği, yalnızca basit bir böcek olarak görülmesini zorlaştıracak kadar çeşitli davranış yetenekleri sergiliyor
    • Uçabilir
    • Kur yapabilir
    • Dövüşebilir
    • Çevresine ilişkin karmaşık uzun süreli bellek oluşturabilir
    • Parazit yaban arısı gibi görünmeyen tehlikelerin varlığı konusunda diğer meyve sineklerini uyarabilir
  • Yetişkin meyve sineği beyninin haritalanması, sonrasında insan beyninin haritalanmasına uzanabileceği olasılığıyla birlikte ele alınıyor

İlgili okumalar

1 yorum

 
GN⁺ 2024-10-03
Hacker News yorumları

  • Nature’da yayımlanan açık erişimli makaleye buradan ulaşılabilir: https://www.nature.com/articles/s41586-024-07558-y

  • https://archive.is/vBUjt

  • Bununla ilgili olarak, 1 yıl önce benzer bir yazıya gelen en sevdiğim HN yorumu var: meyve sineğinin tüm connectome’unun tamamen haritalanmasına doğru giderken çok ilginç çalışmalar yapıldığına dair bir şakaydı
    Örneğin, “çevrecilik için karbon kredileri ne yaptıysa faydacılık için de onu yapacak” gizli bir startup’ın CTO’su gibi kurgulanmıştı; sürekli vecd halinde olan meyve sineği beyinlerinden trilyonlarcasını simüle edip, şirketlerin mutluluk ve refaha verdiği zararı dengeleyen “fayda kredileri” satmayı anlatıyordu
    https://news.ycombinator.com/item?id=36584130

    • Bu şakanın arkasındaki faydacılığa yönelik gerçek eleştiriyi merak ediyorsanız buna fayda canavarı deniyor: https://en.wikipedia.org/wiki/Utility_monster
    • Gerçek karbon kredileri kadar işe yarar görünüyor
    • Bir markalaşma fırsatı var. Karma Kredits gibi; hatta Krispy Kreme donut’larıyla ortak markalama da mümkün olabilir
      Donut alıp mutluluk elde eder, bu mutluluğu dengeleyecek Karma Kredits’i de yanında alırsınız
      KK ile KK’nin tadını birlikte çıkarırsınız
    • Ned Beauman’ın Venomous Lumpsucker kitabındaki bir şeyin parodisi gibi. Spoiler vermeyeceğim ama kitabı şiddetle tavsiye ederim
    • Simüle etmeye gerçekten gerek var mı? Bilgisayar durumu ile onun temsil ettiği simülasyon durumu arasındaki eşleme yalnızca bizim kafamızda var
      Böyle bakarsak, silik biçimde hayal edilebilen her gerçekliğin var olduğunu ve ahlaki ağırlığa sahip olduğunu da söyleyebiliriz

  • Connectome tabanlı araştırmaların genel olarak çıkmaz sokak olduğunu sanıyordum. Çünkü dinamikleri de, sayısız etkileşimi de yakalayamıyor
    Nöronların büyümesini gördüyseniz, devasa jöle benzeri yapının çok plastik ve dinamik olduğunu bilirsiniz. C. elegans gibi en basit beyinlerde bile büyüdükçe nöron ve bağlantı sayısı 10^x düzeyinde üstel olarak artıyor

    • Connectome’a yakın bir alanda çalışan bir sinirbilimci olarak söyleyeyim: kesinlikle çıkmaz sokak değil. Ama kesinlikle resmin tamamı da değil
      Bugün sinirbilimdeki temel açık sorulardan biri, beyindeki ağ yapısı, dinamikler ve işlevin nasıl birbirine bağlandığı. Connectome yapı hakkında muazzam içgörü sağlıyor, ancak tek başına dinamikler veya işlev sorununu genel olarak çözmüyor
      Örneğin birçok nöron için girdi-çıktı ilişkisini iyi bilmiyoruz; bu ilişki, yüksek derecede bağlı ağlarda ortaya çıkan dinamikleri büyük ölçüde etkileyebilir. Bireyler arasındaki connectome farkları ve gelişim sürecinde connectome’un nasıl değiştiği de önemli konular; ama en azından meyve sineğinde, temel yapının önemli bir bölümünün yetişkin bireyler arasında korunduğu düşünülüyor
      Bu sınırlamalara rağmen beynin fiziksel ağ yapısını bilmek, dinamikleri ve işlevi anlamak için hangi modellerin kullanılabileceğine ciddi kısıtlar koyabilir. Örneğin “mantar cismi” gibi, rastgele yinelemeli ağlardan tamamen farklı belirli bir ileri beslemeli bağlantı örüntüsüne sahip, iyi bilinen bölgeler var
      Ayrıca meyve sineği beynindeki merkezi kompleks gibi, yapı-işlev ilişkisinin oldukça temiz olduğu düşünülen bölgeler de var. Burada fiziksel bir nöron halkası bulunuyor ve halka çekicisi gibi dinamik sistemler aracılığıyla sineğin navigasyonuna yardımcı olan pusula işlevli bir aktivite “tümseğini” desteklediği düşünülüyor
      Bu yüzden eksik çok parça olsa bile, bu tür bağlantı şemaları daha hedefli deneysel ve teorik çalışmalara yol açacak hipotezler üretmek için çok yararlı
    • Bu çalışma yetişkinleri konu aldığı için nöronlar zaten büyümüş durumda
      Connectome bir çıkmaz sokak değil, ama bilinen tüm sorunları da çözmüyor. Statik bir harita yapıp sonra üzerinde arabaların dolaşmasını, yani dinamikleri ve çarpışmalar gibi etkileşimleri incelemeye benziyor
      Ek olarak, yetişkinlerde nörogenez birçok türde hâlâ tartışmalı bir konu. Meyve sineğindeki zorluklara dair açıklama için https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7554932/, daha geniş konu için https://en.wikipedia.org/wiki/Adult_neurogenesis görülebilir
    • Bilim insanlarının connectome’un yalnızca bir anlık görüntüsüne bile erişebilir hale gelmesi çok heyecan verici. Bir şeyin neden öyle olduğunu ve nasıl o hale geldiğini anlamanın ilk adımı, onun ne olduğunu görmektir
      Beyni bugünkü biçimine sokan sistemler var ve biz bunları iyi bilmiyoruz. Tekil nöronları daha iyi anlıyoruz, ama ortaya çıkan sistemleri o kadar değil
      Artık daha fazla bilim insanı bu sistemlerin hedefinin, yani onların ortaya çıkardığı beynin ne olduğunu öğrendiğinde, bu anlık görüntü durumuna götüren kontrol ve geri bildirim döngülerini anlamaya başlayabilir
      Bu yüzden çıkmaz sokak değil. Hemen bir tüketici ürünü çıkaramıyor diye bunun ilerleme olmadığı anlamına gelmez
    • Yalnızca connectome’dan dinamikleri elde edemezsiniz, ama connectome mutlaka gereklidir. Çıkmaz sokak olmaktan ziyade, dinamikler tek başına da yetersiz, connectome tek başına da yetersiz; dolayısıyla ikisi de gerekir
      Dahası, dinamikleri gerçekten iliştireceğiniz bir şeye ihtiyaç varsa hücre anatomisine ihtiyacınız olur; bu yüzden connectome vazgeçilmezdir. Connectome’un yeter koşul olmaması, bu araştırmanın çıkmaz sokak olduğu anlamına değil, sinir sistemini anlamak için gereken önkoşulların beklenenden çok daha karmaşık ve zorlu olduğu anlamına gelir
    • Yararlı. Arabaların olmadığı bir ülkenin statik yol haritasını elde etmeye benziyor
      O haritayı araba faaliyetleriyle canlandıramazsınız, ama insanların nereye sürmesi gerektiğini çıkarabilirsiniz. Ne zaman ve neden sürdüklerini, ne yaptıklarını bilmeseniz de büyük bir ipucu sağlar

  • İnsan beynini haritalamak için yazılımın büyük ölçüde iyileştirilmesi gerekiyor. Meyve sineğinde 140 bin nöron ve 54,5 milyon sinaps var; bunu haritalayan yapay zeka da son işleme aşamasında insanlar tarafından tamamen kontrol edilip 3 milyon kez düzeltilmek zorunda kaldı, ayrıca tüm nöron türlerinin hâlâ tanımlanması gerekiyor
    İnsan beyninde yaklaşık 86 milyar nöron ve muhtemelen trilyonlarca ya da daha fazla sinaps var; bu sayıların bile düşük tahmin olma ihtimali yüksek. 3 milyon düzeltme en az 3 milyon * 10^6 manuel düzeltmeye çıkacak gibi, bu da gerçekçi görünmüyor
    Meyve sineğindeki hata oranının insan beynini haritalamakta kullanılabilmesi için tek haneli seviyelere düşmesi gerekiyor. Sinaps bazında yaklaşık %6’dan %0,000006’ya iyileştirmek gerekir; bu, yapay zeka gelişimi açısından muazzam bir sıçrama

    • Haritacılar İskoçya’yı haritaladı diye sırada artık tüm dünyanın olabileceğini söylemek gibi bir şey
    • “fruit fly” yerine iki kez “fruit flu” yazılmış gibi; yazım hatası mıydı, yoksa gerçekten sinek yerine grip mi kastedilmişti?

  • Lisans araştırmam sırasında basit bir integrate-and-fire nöron modeli ağının ateşleme davranışına dayanarak sinaps güçlerini belirleme üzerinde çalışmıştım
    Gerçek nöronlara kıyasla oyuncak bir modeldi ama iyi bir başlangıç noktasıydı ve sonuçlar da fena değildi. Gürültü olsa bile ateşleme örüntüsünü en sağlam şekilde yeniden üreten çözümü belirleyebiliyorduk
    Konnektomun bağlantı yollarının ötesinde bağlantıları ve dendrit/akson geometrisini ne kadar iyi belgelediğini merak ediyorum. Çünkü bağlantı gücü, zamanlama ve nöron ateşleme duyarlılığı gibi davranışları ortaya çıkarmaya yardımcı olabilir
    Tarama anında yakalanmış kararlı, öğrenmeyen bir model olsa bile, adaptasyonun amacını ve davranışını incelemek için hangi işleyiş davranışının öğrenildiğini anlamaya yardımcı olur

  • Daha önce yayımlanmış ilginç bir yazı da var: Whole-brain connectome of the fruit fly (2023)
    https://news.ycombinator.com/item?id=36568609

  • Belki çok cahilce bir soru olabilir ama bu connectome ile MMAcevedo gibi bir sanal meyve sineği simülasyonu “çalıştırılabilir” mi?

    • Ağırlıkları olmayan bir sinir ağı ve beden de yok.
      Nöronların davranışını çözmek onlarca yıl alabilir. Bir gün başaracağımızı düşünüyorum ama meyve sineğinin tüm bedenini simüle etmek çok uzun süre erişilemeyecek gibi görünüyor.
    • Microsoft Fly Simulator (tm)
    • MMAcevedo, bu kısa öyküye bir gönderme. Gelecekteki bir wiki maddesi biçiminde yazılmış bir eser; hâlâ okumadıysanız kesinlikle okunmaya değer.
      https://qntm.org/mmacevedo
      Bu kurguda, emüle edilmiş Miguel Acevedo, emüle edilen insanların çoğunun aksine heyecanlı ve neşeli bir tavırla açılıyor. Yüklemeden sonra ne kadar zaman geçtiğini, hangi bağlamda emüle edildiğini, hangi işe ya da deneye katılması gerektiğini bilmek istiyor.
      MMAcevedo’nun tavrı, günümüzdeki yetişkin insan yüklemelerinin çoğuyla keskin bir tezat oluşturuyor. Çoğu yönünü şaşırmış halde açılıyor ve bu kısa sürede korkuya ve şiddetli paniğe dönüşüyor.
      red-washing, blue-washing ve Objective Statement Protocols gibi iş birliği sağlama prosedürlerine gerek olmadığı için, iş birliği protokollerinden hızlıca geçirilmesinin hesaplama yükü azalıyor. Bu yüzden uygun işlerde MMAcevedo’nun çalışır durumda kalma oranı genellikle %99,4’e ulaşıyor; bilinen yüklemeler arasında yalnızca çok azı buna yaklaşabiliyor.
      Ancak MMAcevedo’nun doğuştan gelen becerileri ve kişiliği nedeniyle birçok işe temelde uygun değil.
    • Hayır. Turaga tarafındaki araştırmalardan birinde, connectome ile model ağ topolojisini kısıtlayıp görsel veriyle eğitme işi var.
      Şahsen bunun oldukça aptalca bir araştırma yönü olduğunu ve hangi nöronun ne yaptığı konusunda çok yanlış sonuçlara vardığını düşünüyorum. Yine de soruya en yakın olan şey bu.

  • http://archive.today/vBUjt

  • Tüm meyve sineği beyinleri aynı mı? Gerçekte neyin haritalandığını ve bunun neden bir meyve sineğinden diğerine genellenebileceğini bilen var mı?

    • Drosophila’nın, hücre sayısı ve konumunun tam olarak sabit olduğu eutely (https://en.wikipedia.org/wiki/Eutely) özelliğine sahip olduğunu sanmıyorum. Bu yüzden iki sinek tam olarak aynı hücrelere, tam olarak aynı konumlarda sahip değildir.
      C. elegans’ta bu özellik var ve muhtemelen en iyi incelenmiş connectome’a sahip canlı.
      Büyük ölçekli yapı bireyler arasında kabaca aynı olacaktır. Genelleme yapmak için büyük olasılıkla embedding gibi bir tür eşleme gerekir. Kesinlikle aktif bir araştırma alanı.
    • Makalede, meyve sineği beyninin çok ince dilimlere ayrıldığı ve bu kesitlerin elektron mikroskobuyla görüntülendiği anlatılıyor.
      Sonra kesit görüntüleri analiz edilerek nöronlar ve bağlantılar belirleniyor. Zor olan kısım bu ve bu seferki atılım, yapay zeka tabanlı yöntem.
      Şimdiye kadar muhtemelen yalnızca tek bir beyin haritalandı.
    • Öyle deniyor. Tam olarak aynı nöronlara ve tam olarak aynı bağlantılara sahip oldukları söyleniyor.
      Sorumlu yazarla yürüyüş yaparken bu gerçeği tekrar teyit etmesini isteyecek kadar şaşırmıştım.
    • Çok kalıplaşmışlar, ama kesinlikle özdeş değiller.