Sztuczna inteligencja coraz śmielej wchodzi do neurobiologii. Pomaga badaczom przeszukiwać ogromne zbiory danych o mózgu, a wiedza o jego działaniu podpowiada, jak skuteczniej uczyć modele komputerowe. Nowe wyniki zostaną przedstawione na dorocznym spotkaniu Society for Neuroscience, czyli Neuroscience 2026.

Dlaczego neurobiolodzy sięgają po AI

Ludzki mózg zawiera około 86 miliardów komórek nerwowych, które tworzą biliony połączeń. Ten dynamiczny i bardzo złożony układ generuje tyle informacji, że tradycyjne metody analizy często nie wystarczają. Narzędzia AI potrafią wychwytywać wzorce w dużych zbiorach danych, a także symulować procesy zachodzące w mózgu.

Zależność działa w obie strony. Odkrycia dotyczące pracy mózgu inspirują twórców modeli obliczeniowych i pomagają ulepszać sposób, w jaki te modele się uczą. Organizatorzy spotkania podkreślają, że takie zastosowania mogą znacząco przyspieszyć badania i wpłynąć na życie ludzi.

Trzy wyniki, które zwracają uwagę

Wśród prac przedstawianych na konferencji wyróżniono trzy kierunki:

• Wspólna zasada uczenia się. Guanglong Sun z Uniwersytetu Tsinghua badał sztuczne sieci neuronowe oraz muszki owocowe. Z jego pracy wynika, że łączy je ta sama zasada tworzenia elastycznych i odpornych wspomnień.
• Analiza genomiczna bez programowania. Zespół Viveka Swaruppa z Uniwersytetu Kalifornijskiego w Irvine przygotował darmowe narzędzie o otwartym kodzie. Neurobiolodzy bez doświadczenia w programowaniu mogą dzięki niemu analizować złożone dane genomowe, zadając pytania zwykłym angielskim językiem.
• Wspólne standardy danych. Oliver Ruebel z Lawrence Berkeley National Laboratory opisuje, jak środowisko neurobiologów razem opracowuje standardy danych. Ma to przełamywać „silosy” informacji, usprawniać pracę i kształtować przyszłość udostępniania danych o mózgu.

Od mózgu muchy do modeli komputerowych

Najciekawsze jest to, że wnioski płyną w obu kierunkach. Porównanie sztucznych sieci z mózgiem owada pokazuje, że pewne mechanizmy uczenia mogą być wspólne dla bardzo różnych układów. Moderator wydarzenia Satrajit Ghosh, neurobiolog obliczeniowy z Massachusetts Institute of Technology, zwrócił uwagę na długą historię tych związków: „Dwukierunkowe powiązania między neurobiologią a AI sięgają daleko wstecz”.

Według Ghosha wyniki pokazują, że AI pomaga zrozumieć zależności między budową a funkcją mózgu. Pozwala też lepiej uchwycić złożone powiązania między genami, środowiskiem, uczeniem się i zachowaniem u różnych gatunków.

Co to oznacza dla czytelnika w Polsce

To na razie prezentacje badań naukowych, a nie gotowe terapie czy produkty. Z podanych informacji nie wynika, kiedy i czy wyniki przełożą się na leczenie chorób mózgu. Dla zwykłego czytelnika oznaczają one przede wszystkim, że badania nad mózgiem mogą przebiegać szybciej i że z zaawansowanych analiz będzie mogło korzystać więcej osób.

Szczególnie istotne wydają się narzędzia o otwartym kodzie i wspólne standardy danych. Jeśli się upowszechnią, mogą ułatwić pracę także zespołom spoza największych ośrodków, w tym naukowcom z Polski i innych krajów UE. Materiał źródłowy nie mówi jednak nic o udziale europejskich badaczy ani o regulacjach, więc na tym etapie to tylko ogólna perspektywa.

Źródło: Medical Xpress – „Using AI to accelerate neuroscience research”