عصب‌شناسی نظری: مدل‌سازی محاسباتی و ریاضی سیستم‌های عصبی

درک عملکرد مغز، یکی از پیچیده‌ترین چالش‌های علمی عصر حاضر، نیازمند رویکردی کمی و مبتنی بر مدل‌های ریاضی است. کتاب «عصب‌شناسی نظری: مدل‌سازی محاسباتی و ریاضی سیستم‌های عصبی» (Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems) نوشته‌ی پیتر دایان و لری ابوت، به عنوان یک متن بنیادین و مرجع در این حوزه، پایه‌های ریاضی و محاسباتی لازم برای توصیف عملکرد سیستم‌های عصبی را معرفی می‌کند.

دربارهٔ کتاب عصب‌شناسی نظری: مدل‌سازی محاسباتی و ریاضی سیستم‌های عصبی

عصب‌شناسی نظری، زمینه‌ای است که با استفاده از ابزارهای ریاضی و محاسباتی به دنبال توصیف چگونگی عملکرد دستگاه عصبی، تعیین مکانیسم‌های کار آن و کشف اصول کلی حاکم بر آن است. این کتاب به عنوان یک راهنمای جامع، روش‌های پایه‌ای این حوزه را معرفی کرده و کاربردهای آن را در حوزه‌های گوناگونی از جمله بینایی، یکپارچگی حسی-حرکتی، یادگیری و حافظه به نمایش می‌گذارد. ساختار کتاب به سه بخش اصلی تقسیم شده است: بخش نخست به رابطه‌ی بین محرک‌های حسی و پاسخ‌های عصبی، با تمرکز بر نحوه‌ی رمزگذاری اطلاعات در فعالیت پتانسیل‌های عمل (اسپایک) نورون‌ها می‌پردازد. بخش دوم به مدل‌سازی نورون‌ها و مدارهای عصبی بر اساس زیست‌فیزیک سلولی و سیناپسی اختصاص دارد و بخش سوم، نقش انعطاف‌پذیری سیناپسی را در فرآیندهای رشد و یادگیری تحلیل می‌کند. سبک نگارش کتاب، ترکیبی است از دقت ریاضی و ارتباط مستمر با یافته‌های تجربی. نویسندگان با بهره‌گیری از مثال‌های ملموس و ارجاع به داده‌های آزمایشگاهی، فرمالیسم‌های ریاضی را توجیه می‌کنند و از انتزاعی صرف شدن مطالب جلوگیری می‌نمایند. این اثر که توسط انتشارات معتبر ام‌آی‌تی منتشر شده، در سال‌های پس از انتشار، به یکی از متون درسی اصلی درس عصب‌شناسی محاسباتی در دانشگاه‌های معتبر جهان تبدیل شده و به عنوان یک اثر مرجع، تصویر روشنی از دستاوردها و چالش‌های این حوزه در آغاز هزاره‌ی سوم ارائه می‌دهد.

دربارهٔ نویسنده

پیتر دایان، استاد و مدیر واحد عصب‌شناسی محاسباتی گتسبی در کالج دانشگاهی لندن است. لری اف. ابوت (لارنس ابوت)، استاد عصب‌شناسی و مدیر مرکز عصب‌شناسی نظری در دانشگاه کلمبیا و همچنین استاد ممتاز «نانسی لوری مارکس» در دانشگاه برندایس است. هر دو نویسنده از چهره‌های شاخص و تأثیرگذار در حوزه‌ی عصب‌شناسی محاسباتی و نظری به شمار می‌روند و فعالیت‌های پژوهشی گسترده‌ای در این زمینه داشته‌اند.

چرا باید عصب‌شناسی نظری: مدل‌سازی محاسباتی و ریاضی سیستم‌های عصبی را بخوانید؟

درک بنیادین از رمزگذاری و رمزگشایی عصبی: فصل‌های ابتدایی کتاب، مباحثی چون آمار پتانسیل‌های عمل، همبستگی معکوس و میدان‌های پذیرای سلول‌های بینایی را پوشش می‌دهند و نشان می‌دهند که اطلاعات حسی چگونه در فعالیت نورون‌ها کد می‌شوند و چگونه می‌توان آن‌ها را بازیابی کرد. این بخش، یکی از جامع‌ترین بحث‌های موجود در مورد کدهای مبتنی بر اسپایک را ارائه می‌دهد. مدل‌سازی جامع نورون‌ها و شبکه‌های عصبی: بخش میانی کتاب، به مدل‌سازی زیست‌فیزیکی نورون‌ها می‌پردازد. از معادلات دیفرانسیل غیرخطی مدل هاچکین-هاکسلی برای توصیف کانال‌های یونی گرفته تا مدل‌های یک‌بخشه و چندبخشه برای بررسی دندریت‌ها و آکسون‌ها، همگی با دقت بالایی تشریح شده‌اند. پوشش جامع یادگیری و انعطاف‌پذیری سیناپسی: بخش پایانی کتاب به بررسی الگوریتم‌های یادگیری نظارت‌شده و بدون نظارت بر اساس قاعده‌ی هب می‌پردازد. کاربرد این الگوریتم‌ها در پدیده‌هایی مانند تقویت طولانی‌مدت (LTP)، شکل‌گیری ستون‌های برتری چشم‌ها در قشر بینایی و یادگیری تقویتی، از نقاط قوت این بخش است. منبعی معتبر و استاندارد برای آموزش: این کتاب به عنوان یک متن درسی در سطح کارشناسی ارشد و دکتری در بسیاری از دانشگاه‌های تراز اول جهان تدریس می‌شود و به عنوان یک راهنمای معتبر برای پژوهشگران این حوزه شناخته می‌شود. تمرین‌ها و ضمیمه‌های ریاضی کامل: مجموعه‌ای از تمرین‌های عملی برای وب‌سایت کتاب طراحی شده که مفاهیم را با مثال‌هایی از عصب‌شناسی تثبیت می‌کنند. همچنین یک ضمیمه‌ی ریاضی مفصل، روش‌های محاسباتی استفاده شده در کتاب را پوشش می‌دهد.

این کتاب برای چه کسانی مناسب است؟

مخاطب اصلی این کتاب، دانشجویان تحصیلات تکمیلی (کارشناسی ارشد و دکتری) و پژوهشگران حوزه‌های علوم اعصاب محاسباتی، علوم شناختی و علوم رایانه هستند که به دنبال درک کمی از عملکرد سیستم‌های عصبی می‌گردند. این کتاب برای عصب‌شناسانی که می‌خواهند فعالیت نورون‌ها را به رفتار حیوان مرتبط کنند و نیز برای نظریه‌پردازانی که به دنبال درک گام‌های محاسباتی انجام‌شده توسط شبکه‌های عصبی هستند، منبعی ارزشمند محسوب می‌شود. مطالعهٔ این کتاب نیازمند پیش‌زمینه‌ای قوی در ریاضیات و آشنایی با مفاهیم پایه‌ای زیست‌شناسی سلولی و عصبی است.

سوالات متداول

آیا برای درک این کتاب به دانش پیش‌نیاز بالایی در ریاضیات نیاز است؟

بله، این کتاب یک متن پیشرفته است و فرض را بر دانش قبلی مخاطب در زمینه‌هایی مانند جبر خطی، معادلات دیفرانسیل و نظریهٔ احتمالات می‌گذارد. با این حال، نویسندگان با گنجاندن یک ضمیمهٔ ریاضی کامل، ابزارهای لازم برای دنبال کردن مباحث را به صورت مرجع در اختیار خواننده قرار داده‌اند.

آیا این کتاب اطلاعات به‌روزی دربارهٔ جدیدترین پیشرفت‌های عصب‌شناسی ارائه می‌دهد؟

این کتاب که در سال ۲۰۰۱ منتشر شده، به عنوان یک اثر کلاسیک و بنیادین، اصول پایدار و روش‌های محاسباتی بنیادی حوزه را پوشش می‌دهد. اگرچه ممکن است برخی از جدیدترین یافته‌ها را در بر نداشته باشد، اما درک عمیق آن برای هر پژوهشگر و دانشجویی در این رشته، ضروری و غیرقابل‌جایگزین است.

آیا کتاب صرفاً به مباحث تئوری پرداخته یا کاربردهای عملی هم دارد؟

کتاب با وجود رویکرد تئوریک قوی، همواره مباحث را با ارجاع به داده‌های تجربی و مثال‌های عینی از سیستم‌های عصبی، از جمله سیستم بینایی، تقویت کننده‌ها، حافظه و یادگیری، همراه می‌کند و به این ترتیب، پلی عملی بین تئوری و کاربرد ایجاد می‌نماید.

Cover 1 Preface 2 1. Neural Encoding I: Firing Rates and Spike Statistics 5 1.7 Appendices 43 1.6 Chapter Summary 42 1.5 The Neural Code 37 1.4 Spike Train Statistics 26 1.3 What Makes a Neuron Fire 20 1.2 Spike Trains and Firing Rates 11 1.1 Introduction 5 2. Neural Encoding II: Reverse Correlation and Visual Receptive Fields 47 2.10 Annotated Bibliography 88 2.9 Appendices 85 2.8 Chapter Summary 84 2.7 Constructing V1 Receptive Fields 83 2.6 Receptive Fields in the Retina and LGN 80 2.5 Static Nonlinearities - Complex Cells 77 2.4 Reverse Correlation Methods - Simple Cells 62 2.3 Introduction to the Early Visual System 54 2.2 Estimating Firing Rates 48 2.1 Introduction 47 3. Neural Decoding 89 3.7 Annotated Bibliography 125 3.6 Appendices 122 3.5 Chapter Summary 121 3.4 Spike Train Decoding 115 3.3 Population Decoding 99 3.2 Discrimination 91 3.1 Encoding and Decoding 89 4. Information Theory 126 4.6 Annotated Bibliography 154 4.4 Chapter Summary 153 4.3 Entropy and Information for Spike Trains 149 4.2 Information and Entropy Maximization 134 4.1 Entropy and Mutual Information 126 4.5 Appendices 154 5. Model Neurons I: Neuroelectronics 156 5.2 Electrical Properties of Neurons 156 5.8 Synaptic Conductances 182 5.12 Annotated Bibliography 197 5.11 Appendices 196 5.10 Chapter Summary 195 5.9 Synapses on Integrate-and-Fire Neurons 192 5.7 Modeling Channels 178 5.6 The Hodgkin-Huxley Model 177 5.5 Voltage-Dependent Conductances 170 5.4 Integrate-and-Fire Models 166 5.3 Single-Compartment Models 164 5.1 Introduction 156 6. Model Neurons II: Conductances and Morphology 199 6.7 Annotated Bibliography 233 6.6 Appendices 229 6.5 Chapter Summary 229 6.4 Multi-Compartment Models 223 6.3 The Cable Equation 207 6.2 Conductance-Based Models 200 6.1 Levels of Neuron Modeling 199 7. Network Models 234 7.8 Annotated Bibliography 283 Appendix 282 7.7 Chapter Summary 281 7.6 Stochastic Netoworks 278 7.5 Excitatory-Inhibitory Networks 270 7.4 Recurrent Networks 250 7.3 Feedforward Networks 246 7.2 Firing-Rate Models 236 7.1 Introduction 234 8. Plasticity and Learning 284 8.7 Annotated Bibliography 330 8.6 Appendix 329 8.5 Chapter Summary 328 8.4 Supervised Learning 316 8.3 Unsupervised Learning 296 8.2 Synaptic Plasticity Rules 288 8.1 Introduction 284 9. Classical Conditioning and Reinforcement Learning 332 9.1 Introduction 332 9.2 Classical Conditioning 333 9.3 Static Action Choice 342 9.4 Sequential Action Choice 348 9.5 Chapter Summary 356 Appendix 356 9.6 Annotated Bibliography 359 10. Representational Learning 361 10.1 Introduction 361 10.2 Density Estimation 368 10.3 Causal Models for Density Estimation 372 10.4 Discussion 389 10.5 Chapter Summary 394 10.6 Appendix 395 10.7 Annotated Bibliography 396 Exercises 398 Chapter 2 399 Chapter 3 402 Chapter 4 404 Chapter 5 405 Chapter 1 398 Mathematical Appendix 407 Linear Algebra 407 Functional Analogs 411 Eigenvectors and Eigenvalues 410 Fourier Transforms 414 Finding Extrema and Lagrange Multipliers 416 Differential Equations 418 Electrical Circuits 421 Probability Theory 424 Annotated Bibliography 426 References 427