Учёные лаборатории нейронного интеллекта Института перспективных исследований мозга МГУ им. М.В. Ломоносова разработали DRIADA – Python-библиотеку для анализа нейронных данных, над которой лаборатория работала последние несколько лет. Библиотека объединяет разные способы анализа для упрощения работы с данными и более точного анализа результатов исследований. Фреймворк подойдёт для исследования разных типов нейронной активности, в том числе для анализа данных искусственных нейронных сетей.
О работе DRIADA и её пользе для научного сообщества рассказал Никита Поспелов, инженер-исследователь лаборатории нейронного интеллекта ИПИМ МГУ.
Уже сейчас библиотека размещена в открытом доступе – приглашаем ознакомиться с её функционалом по ссылке: https://github.com/iabs-neuro/driada
– Никита, расскажите, в чём главное практическое преимущество DRIADA перед существующими решениями для анализа нейронных данных? Какие задачи будет удобнее и эффективнее решить с помощью вашей библиотеки?
– Ключевое, что мы заложили в DRIADA – это возможность переиспользовать одни и те же результаты в другом методе анализа нейронной активности. В нейронауке активность мозга можно анализировать по-разному: можно обращать внимание на отдельные нейроны и смотреть, что кодирует каждая клетка, можно изучать популяцию целиком, а можно строить сети и исследовать функциональные связи между нейронами.
Мы устраняем привычный подход, где при исследовании активности системы мы анализируем одну и ту же популяцию нейронов, используя множество не связанных друг с другом инструментов.
Например, вы выяснили, что за кодирование пространства отвечают конкретные нейроны. С помощью DRIADA вы можете в несколько действий получить сеть взаимодействия именно этих нейронов. Это будет сделать гораздо легче и удобнее, потому что эти данные уже существуют в одной структуре и формате.
В наших исследованиях мы очень часто записываем нейроны из гиппокампа мышей. Гиппокамп – это такая зона мозга, которая отвечает в том числе за краткосрочную память. В этой зоне есть клетки, которые очень активно кодируют пространство.
Когда мы применяем DRIADA для анализа данных активности гиппокампа, мы можем восстановить геометрию пространства, которое исследовала мышь, не глядя ни на мышь, ни на видеозапись, ни на другие параметры, – только из нейронной активности. Более того, мы сразу получаем объединённое представление: как работал каждый нейрон во время её движения, видим, что виртуальное пространство у нее в голове кодируется определенными нейронами, а другие нейроны в это время выполняли другую работу.
А дальше можно фантазировать: например, убрать часть нейронов из модели и посмотреть, какая информация в ней останется. И делать всё это с помощью DRIADA становится проще: можно сразу переиспользовать результаты одного анализа в другом – это удобно.
В целом, удобство и стало «двигателем» нашей работы: ранее мы использовали несколько не связанных друг с другом наработок и получали результаты, описывавшие нейронный код «на разных языках». Во многом благодаря поддержке Фонда «Интеллект» объём обрабатываемых нами данных за последние годы колоссально увеличился, и появилась потребность систематизировать инструменты, с которыми мы работаем.
– Кто, по‑вашему, станет основным пользователем DRIADA: начинающие исследователи, опытные нейробиологи или, может быть, специалисты из смежных областей?
– Глобально DRIADA будет полезна исследователям, обладающим навыками программирования. То есть это люди, у которых есть данные, но нет хороших инструментов для анализа. Мы предоставляем инструмент, которым можно начать пользоваться в несколько кликов.
В первую очередь наш инструмент поможет специалистам по вычислительной нейронауке: мы надеемся, что они будут пользоваться преимуществом интеграции разных типов анализа. Например, если раньше они искали отдельные селективные нейроны, то теперь они без особого труда смогут посмотреть, что кодирует целая популяция.
Но я бы не сказал, что DRIADA смогут пользоваться только сильные программисты: мы предлагали воспользоваться библиотекой студентам и людям, которые только начинают программировать. Они справлялись с задачей достаточно неплохо, периодически консультируясь с разработчиками.
Мне кажется, что если посидеть и разобраться, то даже человек без знания программирования сможет использовать DRIADA и воспроизвести действия, которые мы показываем в примерах, уже на своих данных. Но чтобы решать более сложные задачи, нужно обладать более серьёзной подготовкой, конечно же.
– Расскажите про обратную связь: есть ли техподдержка или сообщество, где исследователи могут обмениваться опытом, задавать вопросы и делиться результатами своей работы?
– Да, сообщество есть, но оно не очень большое. В основном это люди, которые сталкивались с теми же проблемами, что и мы, с теми же экспериментальными вопросами и просили у нас инструменты для анализа. И вот мы дали им инструменты и упаковали их в одну библиотеку.
– Поделитесь дальнейшими планами по развитию библиотеки. Думаете ли о создании графического интерфейса или упрощённых версий для использования студентами на занятиях?
– Графический интерфейс пока не планируем: возвращаясь к вопросу о навыках – чтобы пользоваться DRIADA, нужно уметь работать с python-библиотеками. Ближайшие цели – привести DRIADA в соответствие со стандартами, принятыми в глобальной нейронауке, и опубликовать в международном журнале. Мы надеемся, что DRIADA будет интересна международному сообществу, и люди со всего мира будут использовать результаты нашей работы.
Отметим, что благодаря системной поддержке Фонда «Интеллект» и Фонда Олега Дерипаска «Вольное дело» в Лаборатории нейронного интеллекта ИПИМ МГУ приобретаются специализированные экспериментальные системы, оборудование для обучения нейросетей, комплектующие для миниатюрных микроскопов, а также обеспечиваются необходимые условия для содержания лабораторных животных и проведения исследований.
Это позволяет существенно расширить экспериментальные возможности лаборатории и повысить качество научных исследований, внося значимый вклад в изучение базовых принципов организации интеллекта в биологических нейронных системах и создавая научный задел для развития технологий искусственного интеллекта.
