جستجو برای:
سبد خرید 0
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
گروه زیست داده کاو کدکول
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
ورود / عضویت
0

وبلاگ

گروه زیست داده کاو کدکولاخبارتازه های بیوانفورماتیکیسوژه های برگزیدهکشف ناحیه مغزی درگیر در پیش‌بینی نتایج اقدامات آینده

کشف ناحیه مغزی درگیر در پیش‌بینی نتایج اقدامات آینده

24 آبان 1401
ارسال شده توسط سمیه آزادیان
سوژه های برگزیده

محققان سلول‌های مغزی موش درگیر در ساخت مدل‌های ذهنی شبیه‌سازی آینده را ردیابی کردند.

ذهن ما می‌تواند با تعمق در آینده و پیش‌بینی نتایج اقداماتمان به ما را در تصمیم‌گیری کمک کند. به عنوان مثال تصور کنید که می‌خواهید مسیری را برای رسیدن به یک رستوران جدید نزدیک خانه خود پیدا کنید. مغز شما می‌تواند یک مدل ذهنی از موقعیت مکاتی شما بسازد و مسیری را که باید برای رسیدن به آنجا طی کنید، برنامه‌ریزی کند.

دانشمندان اکنون دریافتند که یک ساختار مغزی بنام قشر پیش پیشانی (ACC) که در تصمیم‌گیری مهم شناخته می‌شود، نقش مهمی در استفاده کردن از چنین مدل‌های ذهنی برای یادگیری دارد. مطالعه جدیدی در مورد موش‌ها، ماشین‌های ذهنی پیشرفته‌ای را نشان می‌دهد که به مغز کمک می‌کنند نتایج اقدامات مختلف را شبیه‌سازی کرده و بهترین انتخاب را انجام دهد.

توماس آكام، پژوهشگر دکتری دانشگاه آكسفورد و نویسنده اصلی مقاله گفت: “نوروبیولوژی یادگیری مبتنی بر مدل هنوز كاملاً شناخته شده نیست.” “در اینجا ما توانستیم ساختار مغزی را که در این رفتار دخیل است شناسایی کنیم و نشان دهیم که فعالیت آن جنبه‌های مختلفی از فرایند تصمیم گیری را رمزگذاری می‌کند.”

رمزگشایی از این که چگونه مغز مدل‌های ذهنی را می‌سازد برای درک این که چگونه ما به طور انعطاف‌پذیری خود را با تغییر و تصمیم‌گیری وفق می‌دهیم، بسیار ضروری است: برای مثال زمانی که جاده اصلی منتهی به یک رستوران را به علت ساخت و ساز بسته‌اند ما یک مسیر جدید برای رسیدن به آن رستوران کشف می‌کنیم.

روی کاستا، نویسنده ارشد و مدیرعامل اجرائی مؤسسه زاکرمن کلمبیا گفت: “این نتایج بسیار هیجان انگیز بود”، این داده‌ها قشر پیش پیشانی را به عنوان یک منطقه مغزی کلیدی در تصمیم‌گیری مبتنی بر مدل مشخص می‌کند، به ویژه در پیش‌بینی آنچه در دنیای بیرون اتفاق می افتد زمانی که ما تصمیم می‌گیریم یک عمل خاص را در مقابل عمل دیگری انجام دهیم”.

بدون مدل یا با مدل؟

یک چالش بزرگ در مطالعه مبانی عصبی یادگیری مبتنی بر مدل این است که این کار اغلب موازی با رویکرد دیگری به نام یادگیری بدون مدل انجام می‌شود. در یادگیری بدون مدل، مغز تلاش زیادی برای ایجاد شبیه‌سازی‌ها نمی‌کند. این رویکرد به سادگی متکی به اعمالی است که در گذشته نتایج خوبی به بار آورده‌اند.

برای مثال ممکن است هنگام رفتن به رستوران مورد علاقه خود از یک رویکرد ذهنی بدون مدل استفاده کنید. از آنجا که قبلاً آنجا بوده‌اید، نیازی به صرف انرژی ذهنی در ترسیم مسیر ندارید. شما می‌توانید به سادگی مسیر عادی خود را دنبال کنید و به ذهن خود اجازه دهید روی چیزهای دیگر تمرکز کند.

محققان برای جداسازی نقاط مشترک این دو طرح شناختی مبتنی بر مدل و بدون مدل، یک پازل دو مرحله‌ای برای موش‌ها تنظیم کردند.

در این کار حیوان ابتدا یکی از دو حفره واقع در مرکز را برای وارد کردن بینی خود در آن انتخاب می‌کند. این عمل یکی از دو حفره دیگر کنار آن را فعال می‌کند که هر یک از آن‌ها احتمال مشخصی برای تأمین نوشیدنی آب دارند.

دکتر آکام گفت: “دقیقاً مانند زندگی واقعی فرد برای دستیابی به نتایج مطلوب مجبور است توالی‌های گسترده‌ای از اقدامات با عواقب نامشخص را انجام دهد.”

برای خوب انجام دادن وظیفه، موش‌ها باید دو متغیر اصلی را کشف می‌کردند. اولین مورد این بود که کدام یک از حفره‌های کنار حفره مرکزی آب بیشتری را برای آن‌ها فراهم می‌کند. مورد دوم این بود که آن موش کدام یک از دو حفره مرکزی را فعال می‌کند. وقتی موش‌ها این کار را یاد گرفتند، توالی عملی را انتخاب کردند که بهترین نتیجه را داشته باشد. با این حال علاوه بر این روش مبتنی بر مدل برای حل کردن معما، موش ها همچنین می‌توانند پیش‌بینی‌های ساده بدون مدل را یاد بگیرند، به عنوان مثال “بالا خوب است”، بر اساس این که انتخاب آن منجر به پاداش در گذشته شده بود.

محققان سپس آزمایش را به روشی تغییر دادند که حیوانات را ملزم به انعطاف‌پذیری می‌کرد. هر از چند گاهی حفره کناری که امکان تهیه نوشیدنی را فراهم می‌کرد تغییر داده می‌شد یا نقشه‌برداری بین حفره‌های مرکزی و کناری معکوس می‌شد.

انتخاب حیوانات با تغییر اوضاع نشان داد که آن‌ها از چه راهبردهایی برای یادگیری استفاده می‌کنند.“ دکتر آکام گفت: “یادگیری بدون مدل و مبتنی بر مدل باید الگوهای مختلفی از انتخاب را ایجاد کند. با مشاهده رفتار افراد، ما توانستیم سهم هر یک از این دو روش را ارزیابی کنیم.”

هنگامی که تیم نتایج را تجزیه و تحلیل کرد، حدود 230،000 تصمیم فردی، آن‌ها دریافتند که موش‌ها از روش‌های مبتنی بر مدل و بدون مدل به طور موازی استفاده می‌کنند.

دکتر کاستا گفت: “این تایید می‌کند که این کار برای مطالعه اساس عصبی این مکانیسم‌ها مناسب است. سپس به مرحله بعدی رفتیم که بررسی مبانی عصبی این رفتار است.”

نقشه عصبی یادگیری مبتنی بر مدل

این تیم بر روی منطقه ای از مغز به نام قشر پیش پیشانی (ACC) متمرکز شدند.

دکتر کوستا توضیح داد: “مطالعات قبلی نشان داد که ACC در انتخاب عمل نقش دارد و برخی شواهد نشان می‌دهد که می‌تواند در پیش‌بینی‌های مبتنی بر مدل نقش داشته باشد. اما هیچ کس فعالیت تک تک نورون‌های ACC را در کاری که برای تمایز بین این انواع مختلف یادگیری طراحی شده است، بررسی نکرده است.”

محققان ارتباط تنگاتنگی بین فعالیت نورون‌های ACC و رفتار موش‌ها کشف کردند. دانشمندان به سادگی با مشاهده الگوهای فعالیت در میان گروه‌های سلولی، توانستند رمزگشایی کنند که آیا موش مثلاً یک حفره یا حفره دیگری را انتخاب کرده است یا این‌که نوشیدنی آب دریافت می‌کند یا خیر.

نورون‌های ACC علاوه بر نشان دادن موقعیت فعلی موش در این کار، رمزگذاری می‌کنند که کدامیک احتمالاً حالت بعدی خواهد بود.

دکتر آکام گفت: “این نتایج شواهد مستقیمی را ارائه داد که ACC در پیش‌بینی‌های مبتنی بر مدل پیامدهای خاص اقدامات، نه فقط خوب یا بد بودن آن‌ها، نقش دارد.”

علاوه بر این نورون‌های ACC همچنین نشان دادند که آیا نتیجه اقدامات قابل انتظار یا غافل گیرکننده بود، بنابراین به طور بالقوه مکانیزمی را برای به روزرسانی پیش‌بینی‌ها در صورت اشتباه بودن آن‌ها ارائه می‌دهد.

این تیم همچنین در حالی که حیوانات سعی در تصمیم‌گیری داشتند، نورون‌های ACC را خاموش کردند. این از واکنش انعطاف‌پذیر حیوانات به تغییر وضعیت جلوگیری کرد، این نشانگر این است که آن‌ها در استفاده از پیش‌بینی‌های مبتنی بر مدل مشکل دارند.

درک این‌که چگونه مغز رفتارهای پیچیده مانند برنامه‌ریزی و تصمیم‌گیری متوالی را کنترل می‌کند یک چالش بزرگ برای علوم اعصاب معاصر است.

دکتر آکام گفت: “مطالعه ما یکی از اولین مطالعاتی است که نشان می‌دهد امکان مطالعه این جنبه‌های تصمیم‌گیری در موش وجود دارد.” “این نتایج به ما و دیگران این امکان را می‌دهد که درک مکانیکی از تصمیم‌گیری انعطاف‌پذیر داشته باشیم.”

منبع: sciencedaily

برچسب ها: پیش‌بینیتصمیم‌گیریقشر پیش‌پیشانیمدلمغز
درباره سمیه آزادیان

دانش آموخته ارشد بیوفیزیک دانشگاه تربیت مدرس

نوشته‌های بیشتر از سمیه آزادیان
قبلی ده سالگرد علمی برتر برای جشن گرفتن در سال 2021
بعدی رهبران زن در مواجهه با بیماری‌های همه‌گیر عملکرد بهتری دارند

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

جستجو برای:
دسته‌ها
  • آشنایی با بیوانفورماتیک و کاربرد های آن
  • اپلای
  • ایمنی شناسی
  • بیوانفورماتیک ساختاری
  • پادکست صوتی
  • تکامل
  • چالش های علمی
  • زیست پزشکی
  • زیست شناسی سلولی
  • زیست شناسی محاسباتی
  • ژنتیک و اپی ژنتیک
  • سوژه های برگزیده
  • شبکه های زیستی
  • معرفی کتاب
  • مقالات علمی
  • موقعیت تحصیلی
  • موقعیت شغلی
  • ویدئو
برچسب‌ها
COVID-19 DNA RNA SARS-COV2 آفریقا آمار آمار زیستی آنالیز داده برنامه نویسی بیان ژن بیوانفورماتیک بیوشیمی تخیلی توالی یابی تومور تکامل جبر خطی دارو زیست شناسی زیست شناسی سامانه ای زیست شناسی محاسباتی سرطان سلول های ایمنی طراحی محاسباتی دارو علمی متابولیسم مغز مهندسی کامپیوتر میکروبیوم همه گیری هوش مصنوعی واکسن کرونا ویروس کرونا پردازش تصویر پزشکی پزشکی شخصی شده ژن ژنتیک ژنوم کدکول کرونا کووید-19 یادگیری عمیق یادگیری ماشین یووال نوح هراری
  • محبوب
  • جدید
  • دیدگاه ها

گروه زیست داده کاو کدکول، متشکل از کادري مجرب و متخصص در زمينه بيوانفورماتيک و زيست شناسي محاسباتي، رسالت خويش را آموزش و پژوهش در حوزه بيوانفورماتيک و همچنين آناليز انواع داده هاي زيستي، قرار داده است.

خبرنامه

نمادها
کلیه حقوق مادی و معنوی این اثر متعلق به گروه زیست داده کاو کدکول می باشد.
اشتراک گذاری در شبکه های اجتماعی
ارسال به ایمیل
https://codecool.ir/?p=12617
ورود به سیستم ×
کد تایید
لطفاً کد تأیید ارسال شده به آن را تایپ کنید
ارسال
رمز عبور را فراموش کرده اید؟
آیا حساب کاربری ندارید؟
ثبت نام
ارسال مجدد کد یکبار مصرف(00:120)
برگشت به صفحه ورود به سایت

ارسال مجدد کد یکبار مصرف (00:120)
برگشت به صفحه ورود به سایت
  • (+93) Afghanistan
  • (+355) Albania
  • (+213) Algeria
  • (+1) American Samoa
  • (+376) Andorra
  • (+244) Angola
  • (+1) Anguilla
  • (+1) Antigua
  • (+54) Argentina
  • (+374) Armenia
  • (+297) Aruba
  • (+61) Australia
  • (+43) Austria
  • (+994) Azerbaijan
  • (+973) Bahrain
  • (+880) Bangladesh
  • (+1) Barbados
  • (+375) Belarus
  • (+32) Belgium
  • (+501) Belize
  • (+229) Benin
  • (+1) Bermuda
  • (+975) Bhutan
  • (+591) Bolivia
  • (+599) Bonaire, Sint Eustatius and Saba
  • (+387) Bosnia and Herzegovina
  • (+267) Botswana
  • (+55) Brazil
  • (+246) British Indian Ocean Territory
  • (+1) British Virgin Islands
  • (+673) Brunei
  • (+359) Bulgaria
  • (+226) Burkina Faso
  • (+257) Burundi
  • (+855) Cambodia
  • (+237) Cameroon
  • (+1) Canada
  • (+238) Cape Verde
  • (+1) Cayman Islands
  • (+236) Central African Republic
  • (+235) Chad
  • (+56) Chile
  • (+86) China
  • (+57) Colombia
  • (+269) Comoros
  • (+682) Cook Islands
  • (+225) Côte d'Ivoire
  • (+506) Costa Rica
  • (+385) Croatia
  • (+53) Cuba
  • (+599) Curaçao
  • (+357) Cyprus
  • (+420) Czech Republic
  • (+243) Democratic Republic of the Congo
  • (+45) Denmark
  • (+253) Djibouti
  • (+1) Dominica
  • (+1) Dominican Republic
  • (+593) Ecuador
  • (+20) Egypt
  • (+503) El Salvador
  • (+240) Equatorial Guinea
  • (+291) Eritrea
  • (+372) Estonia
  • (+251) Ethiopia
  • (+500) Falkland Islands
  • (+298) Faroe Islands
  • (+691) Federated States of Micronesia
  • (+679) Fiji
  • (+358) Finland
  • (+33) France
  • (+594) French Guiana
  • (+689) French Polynesia
  • (+241) Gabon
  • (+995) Georgia
  • (+49) Germany
  • (+233) Ghana
  • (+350) Gibraltar
  • (+30) Greece
  • (+299) Greenland
  • (+1) Grenada
  • (+590) Guadeloupe
  • (+1) Guam
  • (+502) Guatemala
  • (+44) Guernsey
  • (+224) Guinea
  • (+245) Guinea-Bissau
  • (+592) Guyana
  • (+509) Haiti
  • (+504) Honduras
  • (+852) Hong Kong
  • (+36) Hungary
  • (+354) Iceland
  • (+91) India
  • (+62) Indonesia
  • (+98) Iran
  • (+964) Iraq
  • (+353) Ireland
  • (+44) Isle Of Man
  • (+972) Israel
  • (+39) Italy
  • (+1) Jamaica
  • (+81) Japan
  • (+44) Jersey
  • (+962) Jordan
  • (+7) Kazakhstan
  • (+254) Kenya
  • (+686) Kiribati
  • (+965) Kuwait
  • (+996) Kyrgyzstan
  • (+856) Laos
  • (+371) Latvia
  • (+961) Lebanon
  • (+266) Lesotho
  • (+231) Liberia
  • (+218) Libya
  • (+423) Liechtenstein
  • (+370) Lithuania
  • (+352) Luxembourg
  • (+853) Macau
  • (+389) Macedonia
  • (+261) Madagascar
  • (+265) Malawi
  • (+60) Malaysia
  • (+960) Maldives
  • (+223) Mali
  • (+356) Malta
  • (+692) Marshall Islands
  • (+596) Martinique
  • (+222) Mauritania
  • (+230) Mauritius
  • (+262) Mayotte
  • (+52) Mexico
  • (+373) Moldova
  • (+377) Monaco
  • (+976) Mongolia
  • (+382) Montenegro
  • (+1) Montserrat
  • (+212) Morocco
  • (+258) Mozambique
  • (+95) Myanmar
  • (+264) Namibia
  • (+674) Nauru
  • (+977) Nepal
  • (+31) Netherlands
  • (+687) New Caledonia
  • (+64) New Zealand
  • (+505) Nicaragua
  • (+227) Niger
  • (+234) Nigeria
  • (+683) Niue
  • (+672) Norfolk Island
  • (+850) North Korea
  • (+1) Northern Mariana Islands
  • (+47) Norway
  • (+968) Oman
  • (+92) Pakistan
  • (+680) Palau
  • (+970) Palestine
  • (+507) Panama
  • (+675) Papua New Guinea
  • (+595) Paraguay
  • (+51) Peru
  • (+63) Philippines
  • (+48) Poland
  • (+351) Portugal
  • (+1) Puerto Rico
  • (+974) Qatar
  • (+242) Republic of the Congo
  • (+40) Romania
  • (+262) Runion
  • (+7) Russia
  • (+250) Rwanda
  • (+290) Saint Helena
  • (+1) Saint Kitts and Nevis
  • (+508) Saint Pierre and Miquelon
  • (+1) Saint Vincent and the Grenadines
  • (+685) Samoa
  • (+378) San Marino
  • (+239) Sao Tome and Principe
  • (+966) Saudi Arabia
  • (+221) Senegal
  • (+381) Serbia
  • (+248) Seychelles
  • (+232) Sierra Leone
  • (+65) Singapore
  • (+1) Sint Maarten
  • (+421) Slovakia
  • (+386) Slovenia
  • (+677) Solomon Islands
  • (+252) Somalia
  • (+27) South Africa
  • (+82) South Korea
  • (+211) South Sudan
  • (+34) Spain
  • (+94) Sri Lanka
  • (+1) St. Lucia
  • (+249) Sudan
  • (+597) Suriname
  • (+268) Swaziland
  • (+46) Sweden
  • (+41) Switzerland
  • (+963) Syria
  • (+886) Taiwan
  • (+992) Tajikistan
  • (+255) Tanzania
  • (+66) Thailand
  • (+1) The Bahamas
  • (+220) The Gambia
  • (+670) Timor-Leste
  • (+228) Togo
  • (+690) Tokelau
  • (+676) Tonga
  • (+1) Trinidad and Tobago
  • (+216) Tunisia
  • (+90) Turkey
  • (+993) Turkmenistan
  • (+1) Turks and Caicos Islands
  • (+688) Tuvalu
  • (+1) U.S. Virgin Islands
  • (+256) Uganda
  • (+380) Ukraine
  • (+971) United Arab Emirates
  • (+44) United Kingdom
  • (+1) United States
  • (+598) Uruguay
  • (+998) Uzbekistan
  • (+678) Vanuatu
  • (+58) Venezuela
  • (+84) Vietnam
  • (+681) Wallis and Futuna
  • (+212) Western Sahara
  • (+967) Yemen
  • (+260) Zambia
  • (+263) Zimbabwe
مرورگر شما از HTML5 پشتیبانی نمی کند.