計算神経遺伝学モデリング

ニューロン活動に関連するタンパク質とイオンチャネルの動態モデルは、計算神経遺伝モデルにおけるモデリングの最低レベルを表します。アルツハイマー病のアミロイドβタンパク質など、一部の疾患におけるタンパク質の活性の変化は、認知への影響を正確に予測するために分子レベルでモデル化する必要があります。^{[ 1 ]}活動電位の伝播に不可欠なイオンチャネルは、生物学的プロセスをより正確に反映するためにモデル化できるもう1つの分子です。たとえば、シナプス可塑性（シナプスの強化または弱化）と記憶を正確にモデル化するには、 NMDA受容体（NMDAR）の活性をモデル化する必要があります。グルタミン酸に応答してNMDA受容体がカルシウムイオンを細胞内に取り込む速度は、シナプス後細胞（シナプス前細胞から神経伝達物質を受け取る細胞）のシナプスにおける細胞膜へのAMPA受容体（AMPAR）の挿入を介した長期増強の重要な決定要因である。 ^{[ 2 ]}

ほとんどの神経系モデルでは、ニューロンが最も基本的なモデル化単位です。^{[ 2 ]}計算神経遺伝学モデルでは、シナプス活動と接続性に関与するプロセスをより良くシミュレートするために、各ニューロンについて関連する遺伝子がモデル化されます。

遺伝子制御ネットワーク、タンパク質制御ネットワーク、または遺伝子/タンパク質制御ネットワークは、シナプス活動および一般的な細胞機能に関連する遺伝子とタンパク質の相互作用をモデル化する計算神経遺伝学モデルにおける処理レベルです。遺伝子とタンパク質は個々のノードとしてモデル化され、遺伝子に影響を与える相互作用は、遺伝子またはタンパク質が別の遺伝子またはタンパク質に及ぼす影響を反映するように重み付けされた興奮性（遺伝子/タンパク質発現の増加）または抑制性（遺伝子/タンパク質発現の減少）入力としてモデル化されます。遺伝子制御ネットワークは通常、マイクロアレイからのデータを使用して設計されます。^{[ 2 ]}

遺伝子とタンパク質のモデリングにより、人工ニューラルネットワーク内のニューロンの個々の応答が可能になり、分裂（人工ニューラルネットワークに新しいニューロンを追加する）、細胞膜を拡張して神経突起の伸長を促進するタンパク質の生成（他のニューロンとのより強い接続）、シナプスにおける受容体のアップレギュレーションまたはダウンレギュレーション（シナプス入力の重み（強度）の増加または減少）、より多くの神経伝達物質の取り込み、異なるタイプのニューロンへの変化、または壊死またはアポトーシスによる死など、生物学的神経系の応答を模倣することができます。これらのネットワークの作成と分析は、2つのサブ研究領域に分けることができます。1つは、成長、代謝、シナプス形成など、ニューロンの正常な機能に関与する遺伝子のアップレギュレーション、もう1つは、変異した遺伝子がニューロンと認知機能に及ぼす影響です。^{[ 3 ]}

人工ニューラルネットワークとは一般的に、学習やパターン認識などの機能を備え、中枢神経系を模倣するあらゆる計算モデルを指します。しかし、計算神経遺伝学モデリングに関しては、計算効率よりも生物学的精度を特に重視して設計されたものを指す場合が多いです。個々のニューロンは人工ニューラルネットワークの基本単位であり、各ニューロンはノードとして機能します。各ノードは、興奮性または抑制性のいずれかの重み付き信号を他のノードから受け取ります。出力を決定するために、伝達関数（または活性化関数）は、重み付き信号の合計と、一部の人工ニューラルネットワークでは入力レートを評価します。信号の重みは、シナプス前およびシナプス後の活性化レートの同期度に応じて、強化（長期増強）または弱化（長期抑制）されます（ヘッブ理論）。^{[ 2 ]}

個々のニューロンのシナプス活動は、シナプス信号の時間的（場合によっては空間的）加算、膜電位、活動電位発生の閾値、絶対および相対不応期、オプションでイオン受容体チャネルの動態とガウスノイズ（ランダム要素を組み込むことで生物学的精度を高めるため）を決定する方程式を使用してモデル化されます。接続性に加えて、スパイクニューラルネットワークなどの一部の人工ニューラルネットワークでは、ニューロン間の距離と、それがシナプス重み（シナプス伝達の強度）に及ぼす影響もモデル化されます。^{[ 4 ]}

遺伝子制御ネットワークのパラメーターが人工ニューラルネットワークのニューロンに意図どおりに影響を与えるためには、それらの間に何らかの接続が存在する必要があります。組織的な観点から見ると、人工ニューラルネットワークの各ノード（ニューロン）には、それぞれ独自の遺伝子制御ネットワークが関連付けられています。重み（ネットワークによっては、ノードへのシナプス伝達の頻度も含む）と、それによって生じるノードの膜電位（活動電位が発生するかどうかを含む）は、遺伝子制御ネットワーク内のさまざまな遺伝子の発現に影響を与えます。シナプス可塑性など、ニューロン間の接続に影響を与える要因は、シナプス活動に関連する遺伝子やタンパク質の値を、人工ニューラルネットワーク内の特定のニューロンからの入力の重みを再評価する関数に入力することでモデル化できます。

ニューロン以外の細胞タイプもモデル化できます。アストログリアやミクログリアなどのグリア細胞、および内皮細胞を人工ニューラルネットワークに含めることができます。これにより、アルツハイマー病のように、ニューロン以外の原因で病理学的影響が生じる可能性のある疾患のモデル化が可能になります。^{[ 1 ]}

人工ニューラルネットワークは、種類によって入力のタイミングを考慮する場合と考慮しない場合がある。スパイクニューラルネットワークのようにタイミングを考慮するものは、プールされた入力が膜電位に達したときにのみ発火する。これは生物学的ニューロンの発火を模倣しているため、スパイクニューラルネットワークはシナプス活動のより生物学的に正確なモデルと見なされている。^{[ 2 ]}

中枢神経系を正確にモデル化するには、ニューロンの生成と死もモデル化する必要があります。^{[ 2 ]}これを実現するために、入力に適応するために成長または縮小できる構成的人工ニューラルネットワークがよく使用されます。進化型コネクショニストシステムは、構成的人工ニューラルネットワークのサブタイプです（この場合の進化とは、突然変異や自然選択ではなく、ニューラルネットワークの構造が変化することを意味します）。^{[ 5 ]}

シナプス伝達と遺伝子タンパク質相互作用はどちらも確率的な性質を持つ。生物学的神経系をより忠実にモデル化するために、ネットワークに何らかのランダム性が導入されることが多い。このように修正された人工ニューラルネットワークは、そのニューラルネットワークサブタイプの確率的バージョン（例：p SNN）と呼ばれることが多い。^{[ 6 ]}

ファジー論理は、人工ニューラルネットワークが非二値変数や言語変数を扱うことを可能にする推論システムです。生物学的データはブール論理では処理できない場合が多く、さらに生物学的神経系の機能を正確にモデル化するにはファジー論理が必要です。そのため、進化型ファジーニューラルネットワーク（EFuNN）や動的進化型ニューラルファジー推論システム（DENFIS）など、ファジー論理を組み込んだ人工ニューラルネットワークが、計算神経遺伝学モデリングでよく使用されます。ファジー論理の使用は、タンパク質結合強度のモデル化に非二値変数が必要となることが多いため、遺伝子制御ネットワークにおいて特に重要です。^{[ 2 ] [ 5 ]}

人間の脳をシミュレートするように設計された人工ニューラルネットワークは、特定のタスクを実行するように設計されたものには必要とされない、さまざまなタスクを学習する能力を必要とします。教師あり学習は、正しい出力がすでにわかっている多数の入力を受け取ることによって人工ニューラルネットワークが学習できるメカニズムです。教師あり学習を使用する人工ニューラルネットワークの例は、多層パーセプトロン（MLP）です。教師なし学習では、人工ニューラルネットワークは入力のみを使用してトレーニングされます。教師なし学習は、自己組織化マップ（SOM）として知られるタイプの人工ニューラルネットワークが学習する学習メカニズムです。進化型コネクショニストシステムなどの一部のタイプの人工ニューラルネットワークは、教師ありと教師なしの両方の方法で学習できます。^{[ 2 ]}

遺伝子とニューロンの相互作用とその影響に関するデータ量が厳密なモデルを構築するには不十分であるため、 進化計算が人工ニューラルネットワークと遺伝子制御ネットワークの最適化に使用され、一般的な手法として遺伝的アルゴリズムがあります。遺伝的アルゴリズムは、生物生態系で観察される自然選択のプロセスを模倣することでモデルを改良するために使用できるプロセスです。主な利点は、導関数情報を必要としないため、ブラックボックス問題や多峰性最適化に適用できることです。遺伝的アルゴリズムを使用して遺伝子制御ネットワークを改良する典型的なプロセスは次のとおりです。まず、集団を作成します。次に、交叉操作によって子孫を作成し、その適応度を評価します。次に、適応度が高いと選択されたグループに対して、突然変異演算子を使用して突然変異をシミュレートします。最後に、突然変異したグループを使用して、目的のレベルの適応度が実証されるまでこのプロセスを繰り返します。 ^{[ 9 ]}

人工ニューラルネットワークが、シミュレートされた突然変異や適応度選択なしに構造を変化させる方法が開発されてきた。動的に進化するニューラルネットワークは、システムが新しいデータに適応するにつれて新しい接続や新しいニューロンの生成をモデル化できるため、一つのアプローチである。これにより、ネットワークはシミュレートされた自然選択なしにモデリング精度を進化させることができる。動的に進化するネットワークを最適化する方法の一つに、進化層ニューロン集約と呼ばれるものがあり、入力重みが十分に類似したニューロンを一つのニューロンに結合する。これは、ネットワークのトレーニング中にオンライン集約と呼ばれる方法でも、トレーニング期間の間にオフライン集約と呼ばれる方法でも行うことができる。実験では、オフライン集約の方が効率的であることが示唆されている。^{[ 5 ]}