Искусственный интеллект и машинное обучение могут помочь как в фундаментальных, так и в прикладных исследованиях в области нейробиологии. Источник изображения:© iStock.com, dem10

Технологии искусственного интеллекта (ИИ), которые становятся все более совершенными и надежными, находят широкое применение в научных исследованиях. ИИ стал для ученых мощным дополнительным инструментом: он может за считанные секунды проанализировать огромные массивы данных, руководить экспериментами и помогать писать научные статьи.

«Мы наблюдаем появление таких дисциплин, как ИИ плюс X, где X — это, по сути, любая область науки. Нейробиология не является исключением», — сказал Кристофер Розелл, нейроинженер из Технологического института Джорджии, который выступил модератором пресс-конференции, посвящённой ИИ, на конференции Общества нейробиологов в 2025 году.

В ходе сессии пять участников обсудили применение ИИ в биологии и то, как машинное обучение может улучшить клиническую практику и нейробиологию — от анализа данных до постановки клинических диагнозов.

Модифицированные искусственные нейронные сети дают представление о том, как мозг интегрирует сенсорную информацию

Человеческий мозг объединяет различные сенсорные сигналы, чтобы достоверно воспринимать окружающую среду.1 «В наши дни эту задачу также успешно решают искусственные нейронные сети (ИНС), которые действительно созданы по образу и подобию мозга», — сказал Марсель Оберлендер, нейробиолог из Института нейробиологии поведения Общества Макса Планка.

Это побудило Оберлендера и его команду исследовать, могут ли искусственные нейронные сети помочь лучше понять функции мозга, в частности восприятие. Однако искусственным нейронным сетям не хватает многих свойств мозга, таких как разнообразие нейронов и их взаимосвязь.

Включение этих элементов в ИНС привело к тому, что они превзошли традиционные модели: ИНС, подобные мозговым, требовали меньше данных и меньше времени для получения того же результата. По словам Оберлендера, генерация ИНС путем включения свойств мозга могла бы помочь нейробиологам лучше понять, как эти свойства влияют на функции мозга, такие как восприятие.

Реверс-инжиниринг нейронов с помощью ИИ

Неспособность нейронов посылать друг другу электрические сигналы лежит в основе почти всех неврологических расстройств, от эпилепсии до шизофрении.2 Хотя электрофизиология с использованием патч-клампов может помочь измерить электрический выход нейрона, она не даёт информации об ионных каналах, отвечающих за изменение электрических сигналов.

Классические вычислительные модели объединяют данные о морфологии ионных каналов и нейронов, чтобы спрогнозировать электрический выход клетки. Чтобы обратить этот процесс вспять, Рой Бен-Шалом, нейробиолог из Калифорнийского университета в Дэвисе, и его команда создали модель глубокого обучения под названием NeuroInverter. Этот инструмент на основе ИИ успешно проанализировал и спрогнозировал состав ионных каналов более чем 170 различных типов нейронов.

«С помощью NeuroInverter мы открыли путь к более глубокому пониманию заболеваний головного мозга, — сказал Бен-Шалом. — Теперь мы можем создавать «цифровые двойники» любого нейрона, зная только его реакцию на напряжение. Это станет невероятно мощным инструментом для моделирования заболеваний и их изучения».

Инструмент на базе ИИ помогает анализировать нарушения походки

Старение и неврологические расстройства, такие как инсульт и рассеянный склероз, ухудшают способность человека ходить.3,4 Чтобы лечить и реабилитировать пациентов, врачи должны сначала точно определить нарушения походки. Оценка врачей может быть субъективной, в то время как объективные инструменты, такие как системы захвата движения, требуют специализированного и дорогостоящего оборудования.

Эти ограничения побудили исследователей искать практичные и экономичные альтернативы. Триша Кесар, исследователь в области реабилитационной медицины из Университета Эмори, и её команда использовали алгоритмы машинного обучения для анализа видеозаписей нормальной и нарушенной походки, сделанных на смартфоны. Это помогло им классифицировать клинически значимые нарушения походки с точностью более 85 %.

«В целом наша цель — создать точные и объективные системы анализа походки, которые могут использоваться врачами в различных условиях, в том числе в сообществах, и способствовать более точной, эффективной и персонализированной реабилитации», — сказал Кесар.

ИИ выявляет ранние признаки нарушения походки у пациентов с болезнью Паркинсона

Люди, страдающие болезнью Паркинсона, могут внезапно обнаружить, что не могут сделать ни шагу, как будто их ноги приросли к полу.5 Хотя глубокая стимуляция мозга зарекомендовала себя как многообещающий метод лечения других симптомов, её возможности в лечении «застывания» при ходьбе ограничены из-за неизвестной причины возникновения этого симптома.

С помощью виртуальной реальности Джей Альберт, учёный из Кливлендской клиники, и его команда обнаружили, что сценарии, вызывающие «замирание» при ходьбе, активируют в мозге участников уникальные нейронные сигнатуры. Альберт и его команда обучили модель машинного обучения на данных, полученных в ходе каждого из этих испытаний, чтобы предсказать вероятность возникновения «замирания» при ходьбе у конкретного человека. Модель ИИ смогла точно определить «замирание» при ходьбе до того, как оно произошло.

«Это позволяет адаптировать парадигмы глубокой стимуляции мозга для потенциального лечения застывания при ходьбе до того, как оно действительно начнётся», — сказал Пол Кэнтли, учёный из команды Альбертса.

Инструмент на основе ИИ расшифровывает значение слов по активности мозга

Интерфейсы «мозг — компьютер» (ИМК) могут помочь восстановить коммуникацию у пациентов с тяжёлыми нарушениями. 6 Современные подходы позволяют декодировать фонетические аспекты речи, но могут приводить к путанице между похожими по звучанию словами.

Чтобы решить эту проблему, Мэтью Нельсон, нейрофизиолог из Университета Алабамы в Бирмингеме, и его команда записывали активность мозга людей, когда те думали о словах из разных категорий, например об одежде или животных. Они использовали алгоритм машинного обучения для расшифровки этих семантических категорий на основе активности мозга конкретного человека. Инструмент на основе ИИ мог точно определить категорию в 77 % случаев.

«В целом это важный шаг на пути к созданию языковых интерфейсов «мозг — компьютер», и мы верим, что в конечном счёте сможем объединить семантическую информацию с фонетической, а также с информацией из других областей языка, чтобы получить наиболее полное, надёжное и эффективное декодирование языка в интерфейсе «мозг — компьютер», — сказал Нельсон.