Özgün adı: “Warning! Unsupervised Neuroscience Ahead”
Mark Humphries, beyni incelemek için hayvan modelleri yerine hesaplamalı (computational) ve istatistiksel modeller kullanan bir sistem nörobilimcisidir. Ekibiyle, birçok nöronun ortak faaliyetinin, davranışı yönlendirmek için geçmişi, bugünü ve geleceği nasıl kodladığını araştırmaktadır. Bunu yapmak için, geniş çapta uygulanabilir veri analizi tekniklerinin geliştirilmesini sağlamaktadır. Ekibi ve kendisi, bu teknikleri yüzlerce, binlerce nöronun kayıtlarını; farklı görevler esnasında, farklı tür ve filumların çeşitli beyin devrelerinden alınan kayıtları analiz etmek için kullanıp, bu ortak faaliyetin sinir devrelerinden nasıl ortaya çıktığına dair teorik ve hesaplamalı modeller geliştirmektedir.
Biz insanların iyi olduğu bir şey varsa o da örüntü bulmaktır. Matematik örüntülerle doludur — Fibonacci dizileri, üçgenlerin sayıları, altın oran…Şu anda da bunu yapıyorsunuz, ekrandaki bu siyah işaretler harf, kelime, cümle olarak tanıdığınız örüntüleri oluşturuyor.
Biz insanların yaptığı kötü bir şey varsa, o da hiç örüntü olmayan yerlerde örüntüler bulmaktır. Işık yılı uzaklıktaki gaz topları, yalnızca ortalarda turuncu bir yıldızın (güneş) yakınındaki mavi noktanın (dünya) üzerindeki iki ayaklı bir primatın faydası adına bir avcının, sabanın (büyükayı) veya yengecin ana hatlarını izlemiyor. İstatistikler size ne söylerse söylesin, herhangi bir yılda havuzda boğulan insan sayısı da Nicolas Cage’in o yıl oynadığı filmlerin sayısından kaynaklanmıyor:
Sahte Korelasyonlar. Kaynak: Tylervigen.com | CC-4.0
Nörobilim, şaşırtıcı örüntü bulma yeteneğimizin sınırlarına kadar test edileceği bir çağa giriyor: İçlerindeki örüntüleri bulmak için verilerimizin üzerine her zamankinden daha güçlü araçlar atacağımız gözetimsiz nörobilim çağı. Önümüzde heyecanlı zamanlar var. Ancak herhangi bir şeyde örüntü bulmayı sevdiğimiz için, kendimizi kandırmamak adına korumamızı ikiye katlamamız gerekiyor.
Ama bu kadar açık ve mevcut bir tehlike taşıyorsa, neden denetimsiz ilerliyoruz?
Beyin saçma bir biçimde karmaşıktır. Tüm beyinler. Küçük nematod solucanı olan C Elegans’daki (Caenorhabditis elegans, İplik Kurdu) 302 nöronlu beyin. Araştırdığımız en küçük omurgalı beyni olan yavru zebra balığının yaklaşık 100.000 nöronlu beyin. Fare beyni. Sıçanlarınki. Bizimki.
Saçma derecede karmaşık beyinlerden artık saçma derecede karmaşık veriler kaydedebiliyoruz. Aynı anda yüzlerce, binlerce veya daha fazla nöronu kaydedebiliyoruz ve bu sayı katlanarak artmaya devam ediyor. Tüm beyinde bölgeler arası bağlantılanmayı (wiring), bir bölgedeki birçok tekil nöronun aksonlarıyla her yere gönderdikleri bağlantıları, beynin toz zerresinden büyük olmayan bir parçası içindeki tüm bağlantı şemasını izleyebiliyoruz. Beynin tamamında veya tekil bölgelerinde (hatta katmanlarında (layer)) ifade edilen genlerin örneklerini (sample) alabiliyoruz. Ve bu beyinlerin ürettiği davranışları, her zamankinden çok daha karmaşık ve daha doğal görevlerde, çok daha hassas bir çözünürlükle izleyebiliyoruz.
Bu verilerde ne aradığımızı bildiğimizi sanmak gerçekten çılgınlık olur. Çünkü beynin bir bölümünün nasıl kodladığını veya hesapladığını doğru tahmin etme şansımız pratikte sıfırdır. Beynin bir bölgesindeki her nöron tarafından yapılan bağlantılanma motiflerini (wiring motifs) bilme şansımız neredeyse sıfırdır. Davranışların nasıl organize edildiğini, davranışları neyin tetiklediğini ve bunları sıraya koyan şeyin ne olduğunu doğru bir şekilde anlama şansımız neredeyse sıfırdır.
Belki de üzerinde anlaşabileceğimiz tek bir şey var: neyi bilmemiz gerektiğini bilmiyoruz. Peki, neye benzediğini bilmediğimizde aradığımızı nasıl buluruz?
Denetimsiz ilerleriz: Makine öğreniminden ve başka yerlerden, verilerdeki örüntüleri bulmak için tasarlanmış ve bunu herhangi bir geri bildirim olmadan yapabilen araçlar alıyoruz. Sonuçta, bu örüntülerin neye benzemesi gerektiğini bilmiyoruz. Bu nedenle, hesaplama araç kutusuna (the computational toolbox) uzanıyoruz ve kümeleme (clustering), boyut azaltma (dimension reduction), topluluk algılama (community detection) veya verilerde düzen bulmanın diğer yollarını çekip çıkartıyoruz. Bunlar, bir hayvan hareket ederken en ilginç şeyin ne zaman gerçekleştiğini, hangi nöronların birlikte ateşlediğini, hangi genlerin birlikte ifade edildiğini bize söyleyen araçlar. Ve bu örüntüler, potansiyel olarak “o” oluyor- bilmemiz gereken; yani fikirlerimizin, hipotezlerimizin ve teorilerimizin temeli olan şey.
Denetimsiz bir nörobilim hareketi olup bitmekte. Giderek artan bir laboratuvar kadrosu bu fikre yöneliyor, yakalanması zor olan “o”yu bulmak için denetimsiz ilerliyorlar.
Günümüzde birçok çalışma; nöronları aktivitelerine göre gruplamak, hangi nöronların birlikte aktif olduğunu ve bu nedenle aynı şeyi hesaplıyor veya kodluyor gibi göründüğünü bulmak için denetimsiz yaklaşımlar kullanıyor. Bunları gruplamanın bir yolu, bir nöron popülasyonunun zaman içinde benzer aktivite örüntüsü ürettiği anları, popülasyonun benzer durumlara (state) ne zaman döndüğünü bulmaya çalışarak bir araya toplamaktır.
Bu yaklaşımın bir örneği olarak Alon Rubin, Yaniv Ziv ve arkadaşları, tekil nöronların her bir popülasyon aktivitesi durumunda ne kadar aktif olduğunu ölçerek, her bir nöronun bu popülasyon durumları ile uyumuna bakma fikrini ortaya attılar. Bunu tamamen dahili bir uyum eğrisi (internal tuning curve) olarak düşünebilirsiniz: o nöronun ilgilendiği popülasyon durumları için bir uyum eğrisi. Rubin, Ziv ve arkadaşları farelerin hipokampusündeki nöronlar için bu dahili uyum eğrilerini araştırdığında, dikkate değer bir şey buldular: dahili uyum eğrileri, nöronun dış dünyadaki bir konuma, yani o nöronun “yer alanı (place field)”na, uyumuyla aynıydı[1]. Basitçe, benzer popülasyon aktivitesi durumlarını bir araya getirerek, hipokampusün anahtar kodlarından birini yeniden ortaya çıkarabildiler.
Diğer çalışmalar, nöronları dünyadaki olaylara tepkilerinin benzerliğine göre gruplamak için gözetimsiz algoritmalar kullanır. Bunu yaparak, o nöronların ne kodladığını arıyorlar. Adam Kepecs’in laboratuvarında Hirokawa ve meslektaşları, bir karar verme görevindeki değişkenlerin, farelerin orbitofrontal korteksinde nasıl kodlandığına bakmak için tam da bu yaklaşımı kullandılar: Her bir nöronu, belirledikleri görevin 42 farklı özelliğine (farelerin karar vermek için kokladıkları iki kokunun farklı karışımları, kokuların verildiği üç farklı koşul, kokular koklandıktan sonra doğru seçimlerinin karşılığında hayvanlara küçük veya büyük bir ödül verilmesi gibi) verdikleri yanıt ile karakterize ettiler. 485 nöronu, bu 42 farklı özellikteki etkinliklerinin benzerliğine göre kümeleyerek, dokuz ayrı nöron grubu buldular -prensipte farklı şeyleri kodlayan dokuz grup.
Gerçekten de öyleydi: Bir grubun faaliyeti bir karara duyulan güven ile, başka bir grubunki önceki denemenin sonucuyla, diğer bir grubunkiyse ödülün büyüklüğü ile ilişkiliydi. Hirokawa ve meslektaşlarının temel içgörüsü basitti: Denetimsiz kümeleme (clustering) kullanarak, orbitofrontal kortekste bir kararın gerçekten ayrık biçimde, yani bir karar vermek için gereken her bir öğenin, görünüşte özel bir nöron grubuna atandığı bir iş bölümüyle, ele alındığına yönelik kanıt gösterebilirlerdi.
Gözetimsiz zihniyet, davranışları analiz etme biçimimize de ciddi anlamda el uzatıyor. Sandeep Robert Datta’nın laboratuvarı, farelerin spontan davranışlarını temel bileşenlerine bölmek için akıllı denetimsiz yollar geliştirdi ve farelerin özgürce davrandıklarında kullandığı davranışsal motiflerden oluşan bir kütüphane buldu. Onlar ve diğerleri daha sonra bu temel bileşenlerin sinirsel karşılıklarını (neural correlates) aramaya gittiler ve bu bileşenler ile striatumdaki aktivite arasında korelasyonlar buldular. Ve bu sadece farelerin boş zamanlarında ne yaptıkları değildi. Son zamanlarda, Valerio Mante’nin laboratuvarı gözetimsiz yaklaşımların düzgün bir kombinasyonunu — en yakın komşular ve t-SNE[2] — kullandı: Zebra ispinozlarındaki şarkıların gelişimini ölçerek ve izleyerek, karmaşık ve bozuk bir şarkı hecesi karmaşasının aslında son derece düzenli bir yapısının olduğunu; bu yapının da öğrenme esnasında eklenen özgün şakıma performanslarından (rendition) ve kuşların hataları hedeflerken eski performansları tekrar etmelerinden (regression) oluşan bir repertuvar olduğunu açığa çıkarttı (Tesadüfen Nature’da yayınlanan ve tamamen davranışla ilgili olan ve başka bir şey olmayan bir makale). Ve ben bu satırları yazarken, Nature Neuroscience, tamamen gözetimsiz davranış analizi hakkında bir inceleme yayınladı.
Bunlar yükselen bir hareketin yalnızca ufak bir kısmı. Zamansal olarak benzer aktiviteye sahip nöronları bir araya getirmek için -yani nöron topluluklarını tespit etmek için- gözetimsiz algoritmalar uyduran küçük bir grup insan bir endüstriye dönüştü. Artık Nature’ın bir kopyasını ya da kendine saçma bir şekilde yüksek saygı duyan bu tür diğer dergileri her açtığımda görüyorum ki; oradaki sistem nörobilimi makaleleri, verilerinin analizini gözetimsiz yaklaşımla yapmak konusunda daha ısrarcı davranıyor.
Uyarı: Dikkatli olmak gerekiyor. Gürültüden (noise) örüntüler bulma konusunda uzmanız ve algoritmalarımız da öyle.
Kümelemeyi ele alalım. Kümeleme ile ilgili sorun, çıktı olarak kümeler vermesidir. Demek istediğim, yapılması gerekenin bu olduğunu biliyorum, ama aslında sorun da bu. Llandudno[3]’daki herkesin telefon numaralarını bir kümeleme algoritmasına verin, ondan verilerde dört küme bulmasını isteyin, dediğiniz olacaktır. Şimdi Galli insanlardan oluşan dört tane kümeniz var diyelim, onlarla ne yapılacağı konusunda hiç kimsenin, onlar da dahil, bir bilgisi olmayacaktır. Kümelerin sadece varlığı, verilerde gerçek küme yapısı olduğu anlamına gelmez.
Gözetimsiz algoritmalar, gözlemci olan bizler için verileri anlamlandırma ile ilgilidir. Buldukları şeyin gerçeklikle örtüşmesi gerekmez. Gerçekliğin kesin bir referans noktası yoktur, çünkü onu oluşturan parçaları birleştiren eklemlerde -özel durumlar dışında- temiz, düzgün oyuklara sahip değildir. Ve bu özel durumların çoğu, eklemlerin önceden hazırlanıp yerleştirilmiş olduğu (built in) yapay sistemlerdendir. Verileriniz üzerinde farklı bir kümeleme algoritması çalıştırırsanız farklı kümeler elde edersiniz; verileriniz üzerinde farklı bir boyut küçültme algoritması çalıştırırsanız, farklı boyutlar elde edersiniz. Ulrike von Luxburg ve arkadaşlarının çok açık bir şekilde savunduğu gibi, kümeleme bir sanattır.
Verilerin denetimsiz organizasyonu, bu verilerin yalnızca bir betimlemedir. Nöronları gruplara ayırabilmemiz, beyinde gerçekten anlamlı nöron grupları olduğu anlamına gelmez; davranışı ayrık unsurlar halinde -durumlar, motifler, heceler veya tercih ettiğiniz herhangi bir terimle- kümelendirebilmemiz, davranışın aslında ayrık parçalardan oluştuğu anlamına gelmez. Bunun bir anlamı olduğunu bulmak için, keşfedilen organizasyonu gerçeklikle ilişkilendirmeli, anlamı olduğunu göstermeliyiz. Nörobilimde bu tipik olarak, elimizdeki veri organizasyonunu dünyada veya beynin başka bir yerinde, veya her ikisinde de, meydana gelen bir şeye bağlamamız gerektiği anlamına gelir.
Ve bu zorlu test, gözetimsiz nörobilimdeki en iyi girişimlerle geçilir. Alon ve arkadaşlarının makalesinde, nöronların hipokampusün iç dinamiklerine “uyumunun (tuning)” uzayda bir konum olarak anlamı olduğunu gösterdiler (ve aynı numarayı kemirgen talamusuntaki kafa yönünü kodlayan nöronlar [head direction cells] için tekrarladılar). Adam Kepecs’in laboratuvarından orbitofrontal kortekste yapılan çalışmada, ayrı nöron gruplarının her biri karar verme sürecinde anlamlı bir değişkeni kodladı. Daha da iyisi, tüm analizi başka bir hayvan grubuyla daha fazla nöron üzerinde yeniden yaptılar; ilk grupta kullandıkları tüm parametreleri yeniden kullandılar ve aynı sonuçları aldılar. Bu çalışmalar bize verilerin gözetimsiz yapısı ile gerçek dünya arasında bir eşleştirme gösterebilir.
Bunlar müthiş çalışmalar olmakla beraber, gözetimsiz nörobilim yapmanın “kolay” yolları; çünkü bulduğumuz şeyi zaten bildiğimi şeylerle ilişkilendiriyor. Hipokampusün yer hücrelerine sahip olduğunu ve kemirgen talamusunda kafa yönlendirme sistemi (head direction system) olduğunu zaten biliyoruz. Orbitofrontal korteksteki nöronların karar verme sürecine büyük ölçüde dahil olduğunu zaten biliyoruz ve Kepecs’in laboratuvarı, nöron gruplarının neyi kodladığını bulmak için, her bir grubun aktivitesini matematiksel bir karar verme modeli içindeki bir değişkenle eşleştirerek yorumladı. Bu model yanlışsa, değişkenler ve aktivite arasındaki eşleştirme, kümelenmiş nöronların gerçekten orada olduğuna dair güvenimizi inşa etmede çok az önem arz eder. Ve diğerleri, elbette, farklı yanıtlar bulabilir: Anne Churchland’ın grubu, örneğin arka parietal kortekste kodlama yapan ayrık nöron grupları aradığında, hiçbirini bulamadılar.
Denetimsiz nörobilim için nihai test, başka hiçbir şekilde bulunamayan keşiflerdir. Bunun da bazı örnekleri var. Örneğin, saygıdeğer deniz salyangozu Aplysia (Aplysia depilans, Deniz tavşanı)’nın motor sistemindeki nöronların büyük ölçekli kayıtlarını aldık. Bu verileri analiz etmek için tamamen gözetimsiz bir iletişim hattı kullanarak, motor sisteminin iki yönden ayrıklığa sahip olduğunu keşfettik: Bir düzeyde, bağlantılı (correlated) aktiviteye sahip nöron grupları, motor sistemde fiziksel olarak da birbirine yakın konumlardaydılar; içinde bulundukları beyin parçasını güzelce süslüyorlardı. Başka bir düzeyde, açıkça farklı dinamiklere sahip kitlesel nöron popülasyonları, motor sistemin konum olarak farklı bölümlerindeydi. Bu popülasyonlardan bir tanesi, beynin bir noktasında salınımlı (oscillating) aktivite gösteren ve muhtemelen hareket için gerekli örüntüleri üreten ağı oluşturuyor — bu, keşfedilmiş fakat henüz test edilmeyi bekleyen bir hipotez. — Joshua Vogelstein ve arkadaşları, 1054 nöronun her birini ayrı ayrı uyarıp ortaya çıkan davranışı videoya çekerek ve kümeleyerek sinirsel aktivite ile Drosophila larvalarında ortaya çıkan davranışlar arasındaki ilişkinin zengin, ayrıntılı bir haritasını keşfettiler. Böylece 29 farklı davranış türünü ve her birine hangi nöronların yol açtığını ortaya çıkardılar. Ancak bunlar ilişkilere, yapıya dair keşiflerdir; araştırmacılar henüz beynin nasıl çalıştığına dair bir teorinin gözetimsiz keşfinin son adımında değiller.
Çoğunluk bu dünya görüşünden rahatsız olacak. Birçok kişi için bilim, hipotezleri test etmek demektir. Bu, ilginç bir şey ortaya çıkana kadar verilerde dolaşmak anlamına gelmez.
Ama hangi hipotezler? Bilim, yetersiz veriden anlam çıkarma egzersizidir, önyükleme (bootstrapping) alıştırmasıdır, bunu test etmek için bir hipotez oluşturmayla yapar. Hipotez önerecek verileri ilk etapta nasıl buluruz? Şimdiye kadar var olan bilgilere dayanan teorilerle yalnızca belli bir yere kadar gidebiliriz; gözetimsiz nörobilim, bu verileri yorumlanmayı bekleyen düzgün yapılandırılmış bir paket halinde elde etmenin bir yolunu vaat ediyor.
Sistem nörobilimi, bu “anne bak, ellerim yok[4]” yaklaşımını bilime ilk uygulayan alan değildir. Genetikçiler, şeyleri (insanlar, hayvanlar, hücreler) ifade ettikleri genlere göre gruplamak için yıllarca denetimsiz algoritmalar kullandı; bu şeyler, tıpkı başka herhangi bir şey olabilecekleri gibi, nöron da olabilir. Büyük veri kümelerinin gözetimsiz analizi hakkındaki duygularınız ne olursa olsun; ister şevkle cesur ve yeni bir bilgi keşfi dünyasında olduğumuza inanıyor olun, ister gürültü madenciliğinde (noise mining) şimdiye kadarkilerin hepsini yenen bir egzersizin ortasında olduğumuza. Gözetimsiz nörobilim her halükarda burada kalacak. Uyarıldınız.
[1] Hipokampuste bazı nöronlar, fare bir mekanın yalnızca belli bir noktasındayken ateşlenir. Bu nöronlara “yer hücreleri (place cells)” denir. Yani bu nöronların aktiviteleri, spesifik birer lokasyon ile uyumludur. Bu çalışmada ise yine hipokampustaki belirli nöron popülasyonlarının spesifik lokasyonlarda veya belirli davranışlar esnasında aktif olduğu, tekil nöronların da bu popülasyon aktivitesiyle uyumlu olarak ateşlendiğini bulmuştur. Bu da uzayda spesifik konumların yalnızca tekil nöronların ateşlemeleriyle değil, kalabalık nöron popülasyonlarının kolektif durumlarıyla temsil ediliyor olabileceğine işaret ediyor. (E.N.)
[2] t-dağıtılmış stokastik komşu gömme (t-SNE), görselleştirme için bir makine öğrenimi algoritmasıdır, iki veya üç boyutlu düşük boyutlu bir alanda görselleştirme için yüksek boyutlu verileri gömmek için çok uygun doğrusal olmayan bir boyutluluk azaltma tekniğidir. (Ç.N.)
[3] Conwy, Galler’de bir sahil kasabası. (Ç.N.)
[4] “Look ma, no hands!”: Genellikle çocukluk döneminde eller olmadan bir şeyin başarılması sırasında veya sonrasında anneye söylenecek bir şey, örneğin bisiklet sürerken elleri bırakmak gibi. (Ç.N.)
