بازسازي مدل شبكه عصبي كنترل حركت در سي الگانس مجازي بر اساس اطلاعات موجود زنده

Reconstruction of the neural network model of motor control for virtual C. elegans on the basis of actual organism information

مقدمه: شبكه عصبي كرم سي ‌الگانس يك نمونه خوب براي مطالعه شبكه هاي عصبي است، زيرا جزييات ساختاري آن بطور كامل شناسايي شده است. در اين مقاله، شبكه مجازي كنترل كننده حركت اين كرم كه توسط سوزوكي و همكاران پيشنهاد شده بود با افزودن سيناپس هاي جديدي به آن باز سازي شد. اين سيناپس ها به تازگي و توسط روش حذف نورون توسط ليزر در موجود واقعي شناسايي شده‌اند. روش‌ها: وزن‌هاي ورودي هر يك از نورون ها در اين شبكه عصبي از سايت wormweb بدست آمد. حالت دروني براي تك تك نورون ها و كل خروجي اين شبكه عصبي در شرايط جديد پس از مدل سازي رياضي محاسبه شد. سپس با استفاده از نرم افزار Simulink در محيط MATLAB خروجي شبكه در مدل جديد شبيه‌سازي و ترسيم و با خروجي حاصل از مدل‌ اوليه ارايه شده توسط سوزوكي مقايسه شد. يافته‌ها: نتايج نشان مي‌دهند كه علي رغم افزوده شدن اين سيناپس هاي جديد به شبكه عصبي قبلي، خروجي آن همچنان شكل سينوسي خود را حفظ مي‌كند و افزوده شدن اين سيناپس هاي جديد فقط سبب تغيير در فركانس، فاز و دامنه حالت دروني كل شبكه عصبي نسبت به مدل قبلي مي‌شود. نتيجه گيري: اين يافته‌ها نه تنها نشان دهنده توانمندي توليد الگوهاي بيشتري توسط اين شبكه عصبي در مقايسه با مدل پيشنهادي قبلي است، بلكه همچنين نشان دهنده اثر افزايش تعداد سيناپس ها به ازا هر نورون و اثر مدار بندي جديد اين شبكه بر خروجي كل آن است كه مي‌تواند تا حدودي به عنوان شبيه سازي از پديده اي شكل پذيري نوروني در نظر گرفته شود. همچنين افزوده شدن اين سيناپس هاي جديد به مدل سوزوكي سبب تغيير نورون هاي خاموش به هنگام حركت رو به جلو در مدل سوزوكي شده و اين نورون ها در اين شرايط شروع به توليد حالت دروني سينوسي مي‌كنند.

Introduction: C. elegans neural network is a good sample for neural networks studies, because its structural details are completely determined. In this study, the virtual neural network of this worm that was proposed by Suzuki et al. for control of movement was reconstructed by adding newly discovered synapses for each of these network neurons. These synapses are newly discovered in the actual organism by laser ablation technique. Methods: An input weight of each neuron in this network was obtained from worm web site. Internal state of each neuron and the whole network in this new situation were calculated after mathematical modeling. Then output of the network in this new model was simulated and drawn by Simulink software in MATLAB environment and compared with Suzuki model outputs. Results: The results show that in spite of adding new synapses to the last model, its output shape does not change and preserve its sinusoidal form, and only its frequency, phase and amplitude of internal state of whole network are changed after modification. Also, adding of these new synapses to models change silent neurons in forward motion in Suzuki model to sinusoidal internal state producing neurons in this new situation. Conclusion: These findings not only show that this neural network has high capability for production of more output patterns than previously supposed, but also illustrates the effect of addition of new synapses per each neuron and rewiring on the whole network outputs as a simulation of situation that possibly happens after neural plasticity.