Související výsledků optimalizace

Některé další v poslední době hlášeny případy, biologické optimalizace sítě poskytují pohled na výše nervové optimalizace případech. Například, améboidní organismu, plasmodium slizu formy Physarum polycephalum, je schopen řešit bludiště, to znamená, že není jen najít nějakou cestu přes labyrint, ale nejkratší cesta přes něj potravinových zdrojů (Nakagaki et al., 2000). Generování takového řešení s minimální délkou je optimalizací sítě pro jakékoli jednoduché stvoření. Je však třeba poznamenat, že tento problém s nejkratší cestou není výpočetně neřešitelný; zejména není NP-úplný (Garey a Johnson, 1979). „Chamtivé algoritmy“ to mohou vyřešit a také mohou být implementovány jako jednoduché vektorově mechanické procesy“ přetahování“. Nicméně, že slizová forma může optimalizovat cestu sítí konverguje s pozorováním optimalizace sítě v anatomii nervového systému. Posledně uvedené výsledky zahrnují řešení výpočetně složitých (tj., NP-kompletní) problémy. Taková konsilience podporuje neuroanatomické nálezy.

byla také hlášena optimalizace cesty sociálním hmyzem. Například mravenci (Formica aquilonia) tvoří složité stromové struktury jako pást cesty; jejich délka sama o sobě však není minimalizována (Buhl et al., 2009). Čmeláci (Bombus terrestris)uspokojivě řeší podobné problémy s cestováním mezi potravinovými zdroji (Lihoreau et al ., 2010) a Argentinští mravenci (Linepithima humile) mohou najít efektivní stromové struktury propojující jejich hnízda (Latty et al., 2011). Zapojené sítě však mají pouze pět nebo méně uzlů.

Některé kritiky se objevily v souvislosti s hlavní kabelový optimalizace výsledků zde pro C. elegans, že skutečné rozložení jeho ganglií má minimální celkový wirelength všech 11! alternativní možné konfigurace. Vzhledem k tomu, že výsledky optimalizace kůry primátů závisí na zdravosti výsledků hlístic, přezkoumáváme jejich kritiky. Pro vyčerpávající vyhledávání rozvržení šneků, použili jsme nejjednodušší metriku nákladů, lineární funkce celkové délky drátu; toto opatření nákladů také funguje dobře pro simulaci umístění zaměřenou na sílu a jako opatření vhodnosti pro genetický algoritmus (Cherniak et al ., 2002; viz též obr. 2 a 3 výše).

Chklovskii (2004) navrhuje, aby vedení stálo váhy místo jako součet čtverců wirelengths, a nabízí kvadratické minimalizace analýza ganglion pozici. Mezi analýzami poruch, které jsme také provedli, abychom prozkoumali optimalizační prostředí, však bylo vyčerpávající vyhledávání všech 11! rozvržení s náklady na připojení místo toho jako wirelength na druhou. Skutečné rozložení červa pak klesne v pořadí, z optimálního # 1 na # 404,959; skutečné rozložení stojí o 21% více než nejlevnější. Takže, ve srovnání s wirecost = wirelength, drátová délka čtvercový model nedělá dobře, pokud jde o dobrotu fit. A ve skutečnosti Chklovskii dochází k závěru, že tento model nepředpovídá skutečné pořadí všech ganglií, zejména pro dorsorektální (DR) ganglion. (Pro srovnání viz např. pozice DR na obr. 3 výše.)

Chen et al. (2006) rozšiřte Chklovskii (2004) model minimalizace spojení od ganglií až po úroveň umístění jednotlivých neuronů v C. elegans. Opět platí, že se používá měření délky drátu na druhou pro náklady na připojení. V tomto jemnějším měřítku anatomie, pro naše analýzy neuronových trnů (Cherniak et al ., 1999), měli jsme zjistili, že takový Hookeův Zákon model, kde konexe se chovají jako pružiny, podobně nehrál dobře ve srovnání s jednoduchý lineární model nákladů. Kromě toho, Chen et al. v zásadě používají model „dedikovaného drátu“, kde tělo neuronových buněk musí mít samostatné připojení ke každé ze svých synapsí, spíše než realističtější model“ sdíleného drátu“. Jedna kalibrace germane je, že jsme provedli další sérii vyčerpávajících vyhledávání všech 11! rozvržení bez skutečných sdílených připojení na úrovni ganglion. Skutečné uspořádání ganglion pak klesne v pořadí, od # 1 do # 2,948,807; s redundancí těchto vyhrazených připojení, skutečné rozložení nyní stojí 38% více než nejméně nákladné. Dále, čím více sdílených připojení je povoleno – čím více povolených větvení-tím lepší je skutečné rozvržení.

Chen et al. (2006) vypočítané neuronové pozice, které minimalizují jejich kvadratickou nákladovou funkci. Varování pro takové analytické řešení (viz také Chklovskii, 2004), je, že, jak již bylo zmíněno, tento optimalizační problém je ve skutečnosti NP-úplný, to znamená, že obecně není přesně řešitelné bez vyčerpávající hledání. (Příklady místního minimálního odchytu pro uspořádání ganglií viz obr. 6 ze dne Cherniak et al., 2002 a obr. 8.5 z Cherniak, 2009.). Chen et al. neřešte NP-úplný charakter problému s elektroinstalací. Chen et al. dospějte k závěru, že některé neurony vykazují silnou odchylku od“ optimálního “ modelu umístění; celkové náklady na zapojení skutečné konfigurace jsou téměř čtyřikrát vyšší než náklady na jejich optimalizované uspořádání. Ve srovnání s lineární minimalizace účet pro ganglií, výkon této kvadratické minimalizace model pro neurony otočí pozornost zpět k tomu, jak spoje byly vyčíslením nákladů.

současnost s Chen et al. (2006), Kaiser and Hilgetag (2006) také tvrdili, že skutečné rozložení oblastí kůry makaků a neuronů C. elegans ve skutečnosti nebylo konfigurací s minimální délkou drátu. Zaměřujeme se na podobné otázky, které vyvstávají pro tuto analýzu nervového systému červů. Znovu opakuji, v kombinatorické optimalizace sítě teorie, umístění komponent optimalizační problém je, vzhledem k tomu, sadu komponent a jejich propojení, najít umístění složky, které přináší minimální náklady celkem; délka jednotlivých připojení, není problém. Kaiser a Hilgetag zpráva, že přeskupit pozice 277 červa je 302 neuronů může přinést alternativní sítě s celkem zapojení cenu sníženou o 48%. Nicméně, pokud jde o Chen et al. (2006) výše, jak se více synapsí z neuronového vlákna řeší v alternativních umístěních, je třeba znovu prozkoumat. Jako příklad, Kaiser a Hilgetag vznášejí otázku přesného znázornění nákladů na senzorické a motorické připojení v jejich alternativním uspořádání neuronů. Provedli jsme další prohlídku všech 11! alternativní uspořádání ganglion, s pouze svalové spojení odstraněny. Pozice skutečného rozvržení pak klesla z # 1 na # 63,161, s 10% větší wirecost než optimální. Opět platí, že výklad alternativního rozvržení připojení-kalkulace by prospělo objasnění.

zdá se tedy, že podobné otázky zůstávají o smysluplnosti obou Chen et al. a výsledky optimalizace umístění neuronů Kaiser–Hilgetag. Zde je také relevantní pozorovaný vzor minimalizace zapojení neuronů zmíněný dříve, že pokud jsou spojeny dva neurony C. elegans, mají tendenci být silně seskupeny do stejného ganglionu. Dále, v gangliích, antero-zadní umístění somaty významně odpovídá modelu minimalizace délky připojení (Cherniak, 1994a, 1995). Kromě toho jsme v ještě jemnějším měřítku hlásili minimalizaci objemu dendritových a axonových trnů (Cherniak et al ., 1999).

Konečně, Klyachko a Stevens (2003) uvádějí, že uspořádání funkčních oblastech makak prefrontální kůra je optimální, v tom, že skutečné umístění na 11 oblastí minimalizuje celkové wirelength jejich známé propojení. Po vzoru Cherniaka (2003b) a Cherniaka et al. (2003, 2004), jsme reanalyzed Carmichael a Cena (1996) prefrontální neuroanatomie zde používá, využívající místo jednoduché shodu Sousednosti Pravidlo jako náklady na připojení k opatření, jak je popsáno výše pro kočky a makak zrakové kůry, atd. Vyčerpávající hledání alternativních umístění ukázalo, že skutečné uspořádání prefrontálních oblastí se pak umístilo v nejlepším 2 × 10− 5 ze všech možných alternativních rozvržení. V naší dřívější sousednosti-analýza nákladů makak zrakové kůry, skutečné rozložení základní podmnožinu 11 oblastí umístil v top 1.07 × 10− 5 všech rozvržení. Zdá se tedy, že optimalizace spojení prefrontálních oblastí kůry souhlasí s našimi výsledky pro vizuální kůru.