А.Е. Краснов1, Т.Н. Краснова2

1 Российский Государственный Социальный Университет (Москва, Россия)

2 Московский государственный университет им. М.В. Ломоносова (Москва, Россия)

Постановка проблемы. Представлены результаты моделирования деменции на основе компьютерной имитации нарушения синаптических связей нейронной трехслойной сети прямого распространения. Исследована устойчивость ассоциативного отклика сети как при наличии помех в синаптических связях ее входного периферического слоя, так и при нарушении синаптических связей нейронов внутреннего и выходного нейронных слоев.

Цель работы – эмулирование деменции ассоциативной памяти на примере функционирования модели квазинейронной трехслойной сети прямого распространения.

Результаты. Показано, что сеть с тремя нейронными слоями устойчива к разрушению ее синаптических связей. Так, сеть безошибочно (на уровне 5% значимости) распознает эталонные сигналы, различающиеся по средней вариации на 13%, при наличии 10–15% разладки в настройке синаптических связей входного периферического нейронного слоя и 10–30% разладки в настройке синаптических связей внутреннего нейронного слоя.

Практическая значимость. Результаты исследования демонстрируют механизм развития деменции через разрушение функциональных связей коллективного взаимодействия периферических и внутренних нейронных слоев, что обусловливает необходимость их постоянного треннинга.

Краснов А.Е., Краснова Т.Н. Моделирование деменции на основе имитации нарушения синаптических связей нейронной сети // Технологии живых систем. 2022. T. 19. № 3. С. 22-36. DOI: https://doi.org/10.18127/j20700997-202203-03

1. Teljan V.S. Features of the manifestation of dementia: a review of the literature. Scientific Collection «InterConf», (46): with the Proceedings of the 1st International Scientific and Practical Conference «Current Issues and Prospects for the Development of Scientific Research» (March 19-20, 2021) at Orléans, France. № 46. P. 306–315. https://doi.org/10.51582/interconf.19-20.03.2021
2. Tyler R. Ulland, Wilbur M. Song, Stanley Ching-Cheng Huang, et al. Trem2 Maintains Microglial Metabolic Fitness in Alzheimer’s Disease // Open Archive. 2017. V. 170. Iss. 4. P. 649–663. E3. https://doi.org/10.1016/j.cell.2017.07.023
3. Bouras C., Hof P.R., Giannakopoulos P., Michel J.P., Morrison J.H. Regional distribution of neurofibrillary tangles and senile plaques in the cerebral cortex of elderly patients: a quantitative evaluation of a one-year autopsy population from a geriatric hospital // Cerebral Cortex journal. 1994. V. 4. № 2. P. 138–150. https://doi.org/10.1093/cercor/4.2.138
4. Parfenov V.A. Vascular cognitive impairment and chronic cerebral ischemia (dyscirculatory encephalopathy) // Neurology, Neuropsychiatry, Psychosomatics. 2019. V. 11(3S). P. 61–67. (In Russ.) https://doi.org/10.14412/2074-2711-2019-3S-61-67
5. Микадзе Ю.В., Скворцов А.А. Содержание понятий "нейропсихологический фактор" и "нейропсихологический синдром" в контексте метода синдромного анализа А.Р. Лурии // Вопросы психологии. 2014. № 4. С. 60–71.
6. Коцюбинский А., Шейнина Н., Бурковский Г. и др. Функциональный диагноз в психиатрии. СПб.: СпецЛит. 2013. 232 с.
7. Krasnova T.N., Kryukova I.P., Krasnov A.E., et al. Principles of formalization of the syndrome diagnosis used in an automated system of management of patients // Biomed Eng. 1998. V. 32. P. 140–147. https://doi.org/10.1007/BF02369144
8. Arnaldo Parra-Damas et al. CRTC1 Function During Memory Encoding Is Disrupted in Neurodegeneration, Biological Psychiatry // A Journal of Psychiatric Neuroscience and Therapeutics. 2017. V. 81(2). P. 11-123. https://doi.org/10.1016/j.biopsych.2016.06.025
9. Juny Yokos, Ereiko Okubo-Suzuki, Masanori Nomoto et. al. Overlapping memory trace indispensable for linking, but not recalling, individual memories // Science. 2017. V. 355. Iss. 6323. P. 398–403. DOI: 10.1126/science.aal2690
10. Bennet B. Murdock, William E. Hockley. Short-Term Memory for Associations // Psychology of Learning and Motivation. 1989. V. 24. P. 71–108. https://doi.org/10.1016/S0079-7421(08)60535-6
11. Самойлова Т.А., Грибер Ю.А. Интеллектуальный анализ цветовых предпочтений: поиск ассоциативных правил vs. кластерный анализ // Мир науки. Педагогика и психология. 2020. № 6. URL: https://mir-nauki.com/PDF/107PSMN620.pdf, https://doi.org/10.15862/107PSMN620
12. Munter J., Babaevskaya D., Wolters E.Ch. et al. Molecular and behavioural abnormalities in the FUS-tg mice mimic frontotemporal lobar degeneration: Effects of old and new anti-inflammatory therapies // Journal of Cellular and Molecular Medicine. 2020. V. 24. P. 10251–10257. https://doi.org/10.1111/jcmm.15628
13. Khavinson V., Ilina A., Kraskovskaya N., et al. Neuroprotective Effects of Tripeptides–Epigenetic Regulators in Mouse Model of Alzheimer’s Disease // Pharmaceuticals. 2021. V. 14(6). P. 515. https://doi.org/10.3390/ph14060515
14. Дорофейкова М.В., Петрова Н.Н., Егоров А.Ю. Экспериментальные модели когнитивных нарушений при нейродегенеративных и органических расстройствах // Российский физиологический журнал им. И.М. Сеченова. 2020. Т. 24(2). С. 157–175. https://doi.org/10.31857/S086981392002003X
15. Краснов А.Е., Надеждин Е.Н., Никольский Д.Н. и др. Научно-методическое обеспечение создания программного комплекса для исследования активности нейроглии в кортикальных колонках головного мозга // Информатизация образования и науки. 2019. № 3(43). С. 3–14. URL: https://elibrary.ru/item.asp?id=38326978
16. Кохонен Т. Ассоциативные запоминающие устройства. М.: Мир, 1982. 384 с.
17. Pagiamtis K., Sheikholeslami A. Content-Addressable Memory (CAM) Circuits and Architectures: A Tutorial and Survey // IEEE J. of Solid-State Circuits. 2006. V. 41(3). P. 712–727. URL: https://www.pagiamtzis.com/pubs/pagiamtzis-jssc2006.pdf
18. Bradbury J., Merity S., Xiong C., Socher R. Quasi-Recurrent Neural Networks. Under review as a conference paper at ICLR 2017. arXiv:1611.01576v2 [cs.NE] 21 Nov 2016. URL: arXiv:1611.01576 (cs)
19. Tri M. Nguyen1, Logan A. Thomas, Jeff L. Rhoades et al. Structured connectivity in the cerebellum enables noise-resilient pattern separation. bioRxiv preprint. 2021. https://doi.org/10.1101/2021.11.29.470455
20. Krasnov A.E., Kalachev A.A., Nadezhdin E.N., Nikol’skii D.N., et al. The Model of the Cybernetic Network and its Realization on the Cluster of Universal and Graphic Processors // Proceedings of the Scientific-Practical Conference “Research and Development – 2016”. 2016. P. 117–128. https://doi.org/10.1007/978-3-319-62870-7_13
21. Karbasi A., Salavati A.H., Shokrollahi A., Varshney l.R. Noise Facilitation in Associative Memories of Exponential Capacity // Neural Computation. 2014. V. 26(11). P. 2493–2526. https://doi.org/10.1162/NECO_a_00655
22. Krasnov A.E., Nadezhdin E.N., Nikol'skii D.N., Shmakova E.G. Multilayered neural-like network of direct propagation with the adjustment according to similarity measures of vectors of the learning sample // CEUR Workshop Proceedings. 2017. V. 2064. P. 209–218. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85044520319&partnerID=40&md5 =e02ab3aa36ba811329b393721db8eef3
23. Тарков В.С. Ассоциативная память на основе клеточной нейронной сети с биполярной ступенчатой функцией активации // Прикладная дискретная математика. 2020. № 48. С. 100–108. https://doi.org/10.17223/20710410/48/9
24. Poznyak A.S., Sanchez E.N., Yu W. Differential Neural Networks for Robust Nonlinear Control. Identification, State Estimation and Trajectory Tracking. Singapore: World Scientific Publishing. 2001. 422 p.
25. Краснов А.Е., Надеждин Е.Н., Никольский Д.Н., Калачев А.А. Нейросетевой подход к проблеме оценивания эффективности функционирования организации на основе агрегирования показателей ее деятельности // Информатизация образования и науки. 2017. № 1(33). С. 141–154. URL: https://informika.ru/pechatnye-izdaniya/zhurnal-informatizaciya-obrazovaniya-i-nauki/arhiv-vypuskov/2017/vypusk-n33/
26. Krasnov A.E., Pivneva S.V. Hierarchical quasi-neural network data aggregation to build a university research and innovation management system. In: Murgul V., Pukhkal V. (eds) International Scientific Conference Energy Management of Municipal Facilities and Sustainable Energy Technologies EMMFT 2019. EMMFT 2019. Advances in Intelligent Systems and Computing, V. 1259. Springer, Cham. https://doi.org/10.1007/978-3-030-57453-6_2
27. Краснов А.Е., Сагинов Ю.Л., Феоктистова Н.А. Количественное оценивание качества многопараметрических объектов и процессов на основе нейросетевой технологии // Сборник научных трудов Всероссийской конференции «Информационные технологии, менеджмент качества, информационная безопасность» (IT&MQ&IS-2015) - (20 ‑ 25 мая 2015 г.). Учебно-научная база КБГУ в Приэльбрусье (п. Эльбрус) / Приложение к журналу «Качество. Инновации. Образование». 2015. Т. 2. № 5. С. 97–108. URL: http://quality-journal.ru/wp-content/uploads/2016/07/ITMQIS-2015.pdf
28. Krasnov A.E., Vagin V.A., Nikol’skii D.N. Fast Methods for Reducing Dimensionality of Spectral Data for their Visualization // Journal of Applied Spectroscopy. 2019. V. 86. Iss. 2. P. 369–369 (Russian Original 2019. V. 86. № 1. P. 101–105). https://doi.org/10.1007/s10812-019-00827-z
29. Сб. докладов II-й Международной конференции по нейронным сетям и нейротехнологиям (NeuroNT'2021). СПб. 2021. 66 с. https://doi.org/10.1109/NeuroNT53022.2021
30. Neural Networks. V. 144. Pages 1–790 (December 2021). URL: https://www.sciencedirect.com/journal/neural-networks/ vol/144/suppl/C