Modelleme Nöronal Büyüme Dinamiklerinin Kullanılması Yapay Sinir Ağları

Abstract

Nöronlar ve sinir ağları üzerinde çalışarak, hesaplamalı sinirbilim ve yapay zeka teknikleri son birkaç on yılda beynin işleyişini anlama ve modelleme konusunda muazzam bir ilerleme kaydetmiştir. Bu çalışmada, yapay sinir ağları (ANNs) kullanarak, bilişsel aktivitelerde önemli rol oynayan iki temel sinir hücresi türü olan kortikal ve hipokampal nöronların büyüme desenlerini modelledim ve tahmin ettim. Bildiğimiz kadarıyla, daha önce hiçbir araştırmada nöron çoğalmasını tahmin etmek için sinir ağları kullanılmamıştır. Çalışmamız, nöron büyümesi tahmini için YSA tabanlı bir model oluşturarak bu bilgi açığını kapatmayı ve bu alanda yeni bilgiler eklemeyi amaçlamaktadır. Hipokampal ve kortikal nöronlar doğum sonrası (0-1. gün) fare beyinlerinden toplanmış ve 100 mm'lik bakteriyolojik sınıf bir petri kabında kültürlenmiştir. Hücreler 15 gün boyunca 37 °C'de inkübe edilmiş ve büyüme her altı saatte bir kontrol edilmiştir. Nöronal büyüme, Carl Zeiss Axiovert A1 invert floresan mikroskop kullanılarak izlenmiştir. Altı katmanlı bir Multi-Layer Perceptron (MLP) sinir ağı tasarlanmıştır. The Exponential Linear Unit (ELU) aktivasyon fonksiyonu, alfa değeri 1 ve öğrenme oranı 0.01 olacak şekilde kullanılmıştır. Bu ağ, günlük büyüme için 15 gün boyunca kortikal nöron verileri üzerinde eğitilmiş ve hipokampal nöron büyümesini tahmin etmek için test edilmiştir. Bu çalışmada hedef kortikal nöronun vücut büyümesi laboratuvarda gözlemlenmiştir. Her gün için nöronun alan değerleri elde edildikten sonra ANN modeli eğitilmiştir. Eğitimin ardından model hipokampal nöron üzerinde test edilmiştir. Yapının hassasiyetini doğrulamak için hipokampal nöron üzerindeki ANN tahmini, laboratuvardan elde edilen deneysel verilerle karşılaştırıldı ve çok yakın bir eşleşme bulundu. Bu çalışma, ANN'nın doğru modellendiği takdirde nöronların büyüme modelini tahmin edilebileceğini göstermiştir.Through studying neurons and neural networks, computational neuroscience and artificial intelligence techniques have made tremendous progress in the past several decades in comprehending and simulating the brain's workings. In this work, I employed artificial neural networks (ANNs) to model and forecast the growth patterns of cortical and hippocampal neurons, two important types involved in many cognitive activities. To our knowledge, no earlier research has used neural networks to predict neuron proliferation. By creating an ANN-based model for neuron growth prediction, our work seeks to close this knowledge gap and add new insights to the field. Hippocampal and cortical neurons were collected from postnatal (day 0-1) mouse brains and cultured in a 100-mm bacteriological-grade petri dish. The cells were incubated at 37 °C for 15 days, with growth checked every six hours. Neuronal growth was monitored using Carl Zeiss Axiovert A1 inverted fluorescent microscope. A Multi-Layer Perceptron (MLP) neural network with six layers was designed. The Exponential Linear Unit (ELU) activation function was used with an alpha value of 1 and a learning rate of 0.01. The network was trained on cortical neuron data for 15 days for daily growth and tested to predict hippocampal neuron growth. In this study the body growth of target cortical neuron was monitored in the laboratory. After obtaining the area values of the neuron for each day, the ANN model was trained. After the training, the model was tested on hippocampal neuron. To confirm the precision of the structure, ANN prediction on hippocampal neuron was compared with the experimental data obtained from the laboratory and a very close match was found. This study showed that ANN could predict the growth pattern of the neurons if modeled properly.