Related optimization results

eräät muut äskettäin raportoidut biologisen verkon optimointitapaukset antavat perspektiiviä edellä mainittuihin neuraalioptimointitapauksiin. Esimerkiksi ameebamainen organismi, limamultin plasmodium Physarum polycephalum, pystyy ratkaisemaan labyrintin, eli ei vain löytämään jonkin reitin labyrintin yli, vaan lyhimmän polun sen läpi ravinnonlähteille (Nakagaki et al., 2000). Tällaisen minimipituisen ratkaisun luominen on verkon optimointimenestys mille tahansa yksinkertaiselle olennolle. On kuitenkin huomattava, että tämä lyhin polku ongelma ei ole laskennallisesti hankala; erityisesti, se ei ole NP-täydellinen (Garey and Johnson, 1979). ”Ahneet algoritmit ”voivat ratkaista sen ja ne voidaan toteuttaa myös yksinkertaisina vektorimekaanisina” köydenvetoprosesseina”. Kuitenkin, että limamuotti voi optimoida reitin verkon läpi yhtyy havaintoihin verkon optimoinnista hermoston anatomiassa. Jälkimmäiset tulokset merkitsevät ratkaisua laskennallisesti monimutkainen (so., NP-täydellinen) ongelmia. Tällainen consilience tukee neuroanatomisia löydöksiä.

polun optimointia sosiaalisten hyönteisten avulla on myös raportoitu. Esimerkiksi puun muurahaiset (Formica aquilonia) muodostavat monimutkaisia puurakenteita ravinnoksi polkuja; kuitenkin niiden pituus itsessään ei ole minimoitu (Buhl et al., 2009). Bumblebees (Bombus terrestris) tyydyttävästi ratkaista samanlaisia kiertävä Myyntimies ravinnon etsinnässä ongelmia elintarvikkeiden lähteistä (Lihoreau et al., 2010), ja argentiinalaiset muurahaiset (Linepithima humile) voivat löytää tehokkaita puurakenteita, jotka yhdistävät pesiään (Latty et al., 2011). Mukana olevissa verkoissa on kuitenkin vain viisi tai vähemmän solmukohtia.

joitakin kritiikkejä on ilmestynyt liittyen tässä C. elegansille raportoituun pääjohdon optimointitulokseen, jonka mukaan sen ganglian varsinaisessa asettelussa on pienin kokonaisjohtoväli kaikista 11! vaihtoehtoiset kokoonpanot. Koska kädellisten aivokuoren optimointitulokset riippuvat sukkulamatotulosten virheettömyydestä, tarkastelemme jälkimmäisten kritiikkiä. Jotta tyhjentävä hakuja mato asetteluja, käytämme yksinkertaisin kustannukset metriikka, lineaarinen funktio koko wirelength; tämä kustannustoimenpide toimii hyvin myös voima-suunnattu sijoitus simulointi, ja kuntotoimenpiteenä geneettinen algoritmi (Cherniak et al., 2002; KS. myös viikunat. 2 ja 3 edellä).

Chklovskii (2004) ehdottaa, että johdotus kustannukset asteikot sen sijaan summa neliöt wirelengths, ja tarjoaa quadratic minimointi analyysi ganglion kantaa. Kuitenkin joukossa häiriöanalyysit olimme myös tehneet tutkia optimointi maisema oli tyhjentävä haku kaikki 11! asetteluja yhteys maksaa sen sijaan wirelength potenssiin. Mato todellinen asettelu sitten putoaa listalla, optimaalisesta # 1 # 404,959; todellinen asettelu maksaa 21% enemmän kuin halvin. Niinpä verrattuna wirecost = wirelength neliömalliin wirelength ei pärjää hyvyyden kannalta. Ja itse asiassa Chklovskii päättelee, että tämä malli ei ennusta kaikkien ganglioiden todellista järjestystä, etenkään dorsorektaalin (DR) ganglionille. (Vertailun vuoksi, KS. esim. DR: n asema Kuvassa. 3 edellä.)

Chen et al. (2006) laajentaa chklovskii (2004) yhteys-minimointi malli ganglia alas tasolle yksittäisten neuronin paikannus C. elegaaneja. Jälleen, wirelength potenssiin toimenpide yhteys kustannukset käytetään. Tällä hienommalla asteikolla anatomian, meidän analyysit neuron arbors (Cherniak et al., 1999), olimme havainneet, että tällainen Hooken lakimalli, jossa yhteydet käyttäytyvät kuin Jouset, ei myöskään toiminut hyvin verrattuna yksinkertaiseen lineaariseen kustannusmalliin. Lisäksi Chen et al. käytetään pääasiassa” dedicated-wire ”-mallia, jossa hermosolurungolla on oltava erillinen yhteys jokaiseen synapsiinsa realistisemman” shared-wire ” – mallin sijaan. Yksi germaaninen kalibrointi on, että olimme suorittaneet toisen sarjan tyhjentäviä hakuja kaikista 11: stä! asetteluja ilman varsinaisia jaettuja yhteyksiä ganglion-tasolla. Todellinen ganglion layout sitten putoaa listalla, # 1 # 2,948,807; irtisanominen näiden omistettu yhteyksiä, todellinen layout nyt maksaa 38% enemmän kuin halvin yksi. Lisäksi mitä enemmän jaettuja yhteyksiä sallitaan—sitä enemmän sallittuja haarautumia—sitä paremmin varsinainen asettelu toimii.

Chen et al. (2006) laskettu neuroni kantoja, jotka minimoivat niiden quadratic kustannusfunktio. Varoitus tällaisille analyyttisille ratkaisuille (KS.myös Chklovskii, 2004) on, että kuten mainittiin, tämä optimointiongelma on itse asiassa NP-täydellinen, eli ei yleensä ole täysin ratkaistavissa ilman tyhjentävää hakua. (Esimerkkejä paikallisista-vähintään ansastus ganglion asetteluja, KS. Kuva. 6 of Cherniak et al., 2002 ja Fig. 8.5 of Cherniak, 2009.). Chen ym. älä käsittele NP-täydellinen luonne johdotus ongelma. Chen ym. päättele, että jotkut neuronit osoittavat voimakasta poikkeamaa ”optimaalisesta” sijoitusmallista; koko johdotus kustannukset todellinen kokoonpano on lähes neljä kertaa suurempi kuin niiden optimoitu layout. Verrattuna hermosolun lineaariseen minimointitiliin, tämän nelikulmaisen minimointimallin suorituskyky neuroneille kääntää huomion takaisin siihen, miten yhteydet kustannettiin.

Chen et al. (2006), Kaiser and Hilgetag (2006) väittivät myös, että makakien aivokuoren alueiden ja C. elegansin neuronien todelliset asettelut eivät itse asiassa olleet minimi-wirelength-konfiguraatioita. Keskitymme samankaltaisiin kysymyksiin, joita syntyy tässä mato-hermoston analyysissä. Toistaa, kombinatorisista verkon optimointi teoria, komponentti sijoitus optimointi ongelma on, kun otetaan huomioon joukko komponentteja ja niiden yhteenliitännät, löytää siting komponentteja, jotka tuottavat vähintään kokonaiskustannukset; pituus erityisesti yksittäisten yhteyksien ei ole kysymys. Kaiser ja Hilgetag raportoivat, että 277: n madon 302 hermosolun asennon uudelleenjärjestely voi tuottaa vaihtoehtoisen verkon, jonka kokonaiskustannukset pienenevät 48%. Kuitenkin, mitä Chen et al. (2006) edellä, miten useita synapseja päässä neuronikuitu käsitellään vaihtoehtoisia sijoituksia jälleen on tutkittava. Esimerkiksi Kaiser ja Hilgetag nostavat vaihtoehtoisissa hermosoluasetelmissaan esiin kysymyksen aistien ja motoristen kytkentäkustannusten täsmällisestä esityksestä. Olimme suorittaneet uuden etsinnän kaikista 11: stä! vaihtoehtoiset ganglion-asettelut, joista on poistettu vain lihasliitokset. Varsinaisen asettelun sijoitus putosi sitten # 1: stä # 63,161: een, jossa oli 10% suurempi wirecost kuin optimaalinen. Jälleen tulkinta vaihtoehtoisen asettelun yhteys-kustannuslaskenta hyötyisi selvennyksestä.

samansuuntaisia kysymyksiä näyttää siis jäävän sekä Chenin että Alin mielekkyydestä. ja Kaiser-Hilgetag neuronin sijoitusoptimoinnin tulokset. Tähän liittyy myös aiemmin mainittu neuronien johdotus-minimointimalli, että jos kaksi C. elegans-hermosolua on yhteydessä toisiinsa, ne yleensä ryhmittyvät voimakkaasti samaan hermosoluun. Lisäksi ganglian sisällä somatan Antero-posteriorinen sijainti vastaa merkittävästi liitospituuden minimointimallia (Cherniak, 1994a, 1995). Lisäksi vielä hienommassa mittakaavassa, raportoimme määrän minimointi dendriitti ja aksoni karat (Cherniak et al., 1999).

lopuksi Klyachko ja Stevens (2003) ovat raportoineet, että makakien prefrontaalisen aivokuoren toiminnallisten alueiden asettelu on optimaalinen, koska 11 alueen Todellinen sijoittaminen minimoi niiden tunnettujen yhteenliittymien kokonaislangan pituuden. Lines of Cherniak (2003b) ja Cherniak et al. (2003, 2004), analysoimme uudelleen Carmichaelin ja Pricen (1996) prefrontaalisen neuroanatomian, jota käytetään tässä, käyttäen sen sijaan yksinkertaista mukautumista Adjacency-sääntöön kytkentäkustannusmittarina, kuten edellä on mainittu kissan ja makakien näköaivokuorelle jne. Vaihtoehtoisten sijoituspaikkojen perusteellinen etsintä osoitti, että etuotsalohkojen todellinen sijoittelu sijoittui tuolloin parhaaseen 2 × 10− 5: een kaikista mahdollisista vaihtoehtoisista kaavoista. Aiemmassa makakien näköaivokuoren adjacency-kustannusanalyysissä 11 alueen ytimen osajoukon todellinen asettelu oli sijoittunut kaikkien kaavojen top 1,07 × 10− 5: een. Etuotsalohkon alueiden yhteyden optimointi näyttää olevan samaa mieltä näköaivokuoren kanssa.