Bir Görevde ‘’Uzmanlaşmış’’ Beyin ile ‘’Acemi’’ Beyin Arasındaki Fark.

Fareler yeni bir görev yapmayı öğrendiğinde, beyin hareketleri ‘acemi’ den ‘uzmana’ ilerlerken zaman içinde değişiyor. Değişimler, hücre devrelerinin kablolanmasına ve nöronların aktivitelerine yansıyor. İki fotonlu bir görüntüleme mikroskobu ve çok sayıda genetik araç kullanarak, Cold Spring Harbor Laboratuvarı’ndan (CSHL), Columbia Üniversitesi’nden, Londra Üniversitesi’nden ve Flatiron Enstitüsü’nden araştırmacılar, farelerin eğitildikleri bir görevi yerine getirirken daha iyi odaklandıklarını sinir ağlarının incelenmesi sonucu keşfetti . Elde edilen verileri, karar vermenin arkasındaki sinirbilimi anlayabilmelerini sağlayabilecek hesaplama modelleri oluşturmak için kullandılar.

Cold Spring Harbor Laboratuvarı’ndan (CSHL) Doçent Doktor Anne Churchland, “Yüzlerce nöronun aktivitesini aynı anda kaydettik ve nöronların nasıl öğrendiğini inceledik. Hiç kimse hayvanların veya insanların bir görevi yerine getirmeyi nasıl öğrendiğini ve sinirsel aktivitenin bunu nasıl desteklediğini gerçekten bilmiyordu.” diyor.

Çalışmada ilk yazar ve Churchland’ın laboratuarında doktora sonrası araştırmacı olan Farzaneh Najafi de dahil olmak üzere ekip algısal karar alma görevlerinde çalışmaya fareleri eğiterek başladı. Fareler, bir dizi tıklama gerektiren ve yanıp-sönen çok sensörlü uyaranlar aldı. Farelerin görevi araştırmacılara, önlerinde üç su havuzundan birini yalayarak yüksek veya düşük oranda olup olmadıklarını göstermekti. Fareler doğru kararı verdiğinde, bir ödül aldı.

Araştırmadaki kıdemli yazar Churchland, “Karar verme çalışmalarının çoğu, hayvanların gerçekten uzman oldukları döneme odaklandı. Beyindeki nöronların öğrenme yoluyla belirlenen konuma nasıl ulaştıklarını görebildik. Tüm hayvanlarda, öğrenme sürecinin yaklaşık dört hafta içinde kademeli olarak gerçekleştiğini bulduk ve öğrenmeyi destekleyen şeyin, farklı nöronlardaki aktivite değişimleri olduğunu da gördük.” diyor.

Araştırma ekibi tarafından keşfedilen bu yeni nöronlar, belirli bir görevle ilgili bir faaliyete cevap vermede daha seçici hale geliyor. Ayrıca hemen ve daha hızlı tepki vermeye başlıyor. Hayvanlar öğrenmeye yeni başladıklarında, nöronlar seçim yapana kadar cevap vermez. Ancak hayvan uzmanlaştıkça ve deneyimi arttıkça nöronlar öncekinden çok daha fazla tepki verir. Churchland, “Hayvanın aklını bir şekilde okuyabiliyor, hayvanın ondan önce ne yapacağını tahmin edebiliyoruz. Beyniniz yaptığınız bir şey hakkında uzman olduğunda tam olarak ne yapacağı kestirilebiliyor.” diyor.

Araştırmacılar, makine öğrenme algoritmalarını kullanarak ‘Doğrusal Destek Vektör Makinesi’ adı verilen küçük bir yapay ağ ile sinirsel aktiviteyi çözdüler. Birden fazla denemeden elde edilen performans verileri toplanıp tüm nöronların aktivitesiyle birleştirilerek hayvanın ne yapacağı tahmin edilir. Hayvan görevde daha yetkin hale geldikçe, sinir ağları daha rafine, kesin ve spesifik hale gelir. Araştırmacılar bunu yapay ağa yansıtabiliyor ve bu da hayvanın kararını yüzde 90 doğrulukla tahmin edebiliyor.

Öğrenme modelleri ayrıca, sırasıyla pozitif ve negatif değişiklikleri tetikleyen uyarıcı ve inhibe edici nöronlar gibi bilişe dahil olan beyindeki spesifik nöron tiplerine bakmanın başka bir yolunu sunar. Neuron dergisinde yayınlanan bu çalışmada araştırma ekibi, inhibe edici nöronların beyindeki çok seçici alt ağların bir parçası olduğunu ve hayvanın yapacağı seçim için kuvvetle belirleyici olduklarını tespit etti. Bu nöronlar, araştırmacıların karar vermenin nasıl çalıştığını anlamalarına yardımcı olan biyofiziksel bir modelin parçasıdır. Araştırmacılar bu modelleri geliştirirken, bilişin davranışları nasıl bilgilendirdiğini daha iyi anlayabiliyorlar.  Araştırmacılar ekliyor:

“Bu çalışmayla farklı türden kararlar verme yolunu kullanarak, bir kişinin alacağı doğru veya yanlış kararları, bu kararları almanın ne kadar sürdüğünü, karar verme sürecinde sinirsel faaliyetin nasıl yapılacağını gibi algılamalı karar alma hakkında çok şey öğrenebiliriz. Gerçekten somut tahminlerde bulunabiliriz. Şimdi, çok seçici olan bu alt ağların neden orada olduklarını, daha iyi kararlar vermemize nasıl yardımcı olduklarını ve öğrenme sırasında nasıl bağlandıklarını anlayabiliyoruz.”

Çeviren: Şevva Özkaya

Kaynak: Sciencedaily

İlk yorum yapan olun

Bir yanıt bırakın

E-posta hesabınız yayımlanmayacak.


*