Konvolüsyonel sinir ağı modelleri, işitsel korteksteki yerel devrelerin kodlama altuzayını tanımlar

Bilgisayarlar dünyayı duymamıza nasıl yardımcı olabilir

Günlük yaşam örtüşen seslerle doludur: sesler, müzik, ayak sesleri ve trafik aynı anda kulaklarımızı doldurur. Beyinlerimiz bu karmaşayı bir şekilde kolaylıkla ayrıştırır, ancak işitsel korteksin kullandığı hileler tam olarak net değildir. Bu çalışma, konuşma ve görüntü tanımada kullanılanlara benzer modern derin öğrenme araçlarının açılarak beyin hücrelerinin önem verdiği ses özelliklerini ve bu özelliklerin küçük yerel devrelerde nasıl düzenlendiğini ortaya koyabileceğini gösteriyor.

Vahşi ses manzaralarından beyin aktivitesine

Araştırmacılar, uyanık gelinciklerin işitsel korteksindeki binlerce bireysel nörondan elektriksel aktivite kaydetti; hayvanlar geniş bir doğal ses kütüphanesini dinlerken: konuşma parçaları, müzik, çevresel gürültüler ve hayvan çağrıları. Basit tonalere başvurmak yerine, ekip gündelik duymanın karmaşıklığıyla daha iyi eşleşmesi için bu zengin ses diyetini seçti. Her sesi, frekanslar boyunca enerjinin zaman içinde nasıl dağıldığını gösteren bir zaman–frekans görüntüsü olan spektrograma dönüştürdüler ve ardından bir konvolüsyonel sinir ağını (CNN) her nöronun milisaniye milisaniye nasıl ateşleyeceğini tahmin edecek şekilde eğittiler. Diğer duyusal alanlarda olduğu gibi, bu derin ağ her nöronun tek bir sabit “filtre” aracılığıyla dinlediğini varsayan klasik lineer modellerden daha iyi performans gösterdi.

Derin bir ağı basit bir ses uzayına düzleştirmek

Yüksek performanslı CNN’ler sıklıkla kara kutu olmakla eleştirilir: veriye uyarlar ama yorumlanması zordur. Buna yaklaşmak için yazarlar, derin modeli her nöron için basit, düşük boyutlu bir ses uzayına “düzleştirme” yolunu geliştirdiler. Önce, giriş spektrogramındaki küçük bir değişikliğin o nöron için CNN’in çıktısını nasıl değiştireceğini sorarak her an için dinamik bir reseptif alan hesapladılar. Bu, modelin tahmininin son seslere nasıl dayandığını yakalayan anlık filtrelerin büyük bir koleksiyonunu üretti. Daha sonra bu çok sayıda filtreyi birkaç ana bileşen olarak özetlemek için istatistiksel bir teknik kullandılar—genellikle yalnızca 3 ila 13 tane—bunlar birlikte bir nöronun ayar altuzayını tanımlar: gerçekten aktivitesini etkileyen küçük set ses desenleri.

Bu paylaşılan uzayda doğrusal olmayan yanıtları okumak

Sesler bir nöronun ayar altuzayına projelendirildikten sonra, ekip bu indirgenmiş uzaydaki konumlar boyunca ateşleme hızının nasıl değiştiğini ölçerek altuzay reseptif alanları adını verdikleri yüzeyleri oluşturdu. Bu yüzeyler genellikle eğrili ve çok tepe noktalıydı; basit modellerin kaçırdığı zengin doğrusal olmayan davranışları ortaya koydu: bazı nöronlar birkaç farklı ses desenine güçlü yanıt verirken, diğerleri bir boyut boyunca hem pozitif hem negatif sapmalara tepki gösterdi ve birçoğu bastırma bölgeleriyle çevrili keskin hassasiyet cepleri sergiledi. Kritik olarak, yalnızca altuzay projeksiyonunu ve mütevazı bir doğrusal olmayan okuma kullanan yeni bir model, orijinal CNN kadar olmasa da nöral aktiviteyi neredeyse aynı doğrulukta tahmin etti; açıklanan varyansın %95’inden fazlasını yakaladı. Bu, derin modelin karmaşıklığının her nöronun “ne dinlediğini” anlaşılır, kompakt bir tanıma indirgenebileceğini gösteriyor.

Komşular işi nasıl paylaşıyor ve bölüyor

Kayıtlar aynı kortikal sütun boyunca birçok nöronu kapsadığından, yazarlar yerel popülasyonların sesi kodlama işini nasıl paylaştığını sorabildiler. Bir bölgedeki nöronların büyük ölçüde aynı ayar altuzayında yer aldıklarını buldular: tercih ettikleri ses desenleri ortak, düşük boyutlu bir özellik setinden çekiliyor, bu muhtemelen önceki aşamalardan gelen ortak girdileri yansıtıyor. Yine de o paylaşılan uzay içinde, her nöronun yüksek aktivite bölgesi yalnızca küçük bir yamadan oluşuyor ve bu yamalar rastgele dağılmış olsalardı bile bundan fazla örtüşme göstermiyor. Başka bir deyişle, yakın nöronlar benzer türde sesleri dinliyor ama farklı özgül kombinasyonlara güçlü yanıt vererek uzayın seyrek bir döşemesini oluşturuyorlar. Bu düzen, komşu hücrelerin en iyi frekans gibi geniş tercihleri paylaşmalarına rağmen aynı doğal sese karşı sıklıkla çok farklı şekilde ateşlemelerini açıklıyor.

Farklı hücre tipleri, farklı roller

Ekip ayrıca potansiyel uyarıcı (eksitatör) ve baskılayıcı (inhibitör) nöronları ayırmak ve bunları kortikal katmanlara atamak için spike şekli ve kayıt derinliğindeki farklılıklardan yararlandı. Dar spike’larla tanımlanan inhibitör hücreler, daha geniş altuzay reseptif alanlara eğilimliydi; bu, paylaşılan ses uzayının daha geniş bölgelerine yanıt verdikleri anlamına gelir. Bu hücrelerin doğrusal olmayan ayarı, bir boyut boyunca iki yönde de büyük dalgalanmalar için güçlü yanıtların ortaya çıktığı kase benzeri şekiller oluşturma eğilimindeydi. Buna karşılık eksitatör hücreler daha sık olarak dar bir giriş aralığıyla sınırlı, tepe şeklinde tepki gösteriyordu. Birlikte, bu desenler genişçe ayarlanmış inhibitör nöronların daha dar ayarlı eksitatör komşuları arasında seyrek, seçici bir kod oluşturmaya yardımcı olduğu; bu etkilerin dengesi kortikal katmanlar boyunca değiştiği resmini destekliyor.

Bu çerçevenin önemi

Bu çalışma, doğrudan beyin verileri üzerinde eğitilmiş derin sinir ağlarının duyusal nöronların ne kodladığına ve yerel devrelerin nasıl organize olduğuna dair sezgisel haritalara çevrilebileceğini gösteriyor. Birçok yakın nöronun yanıtlarının altında küçük bir paylaşılan ses özelliği setinin yattığını, aynı zamanda bireysel hücrelerin o uzay içinde farklı nişler biçimlendirdiğini göstererek, çalışma işitsel kortekste seyrek kodlama, kazanç kontrolü ve değişmezlik hakkında düşünmek için somut bir çerçeve sunuyor. Daha geniş olarak, aynı “düzleştirme” stratejisi diğer beyin bölgelerine de uygulanabilir; güçlü ama opak derin öğrenme modellerini doğal nöral devrelerin gerçekleştirdiği hesaplama hakkında açık hipotezlere dönüştürür.

Atıf: Wingert, J.C., Parida, S., Norman-Haignere, S.V. et al. Convolutional neural network models describe the encoding subspace of local circuits in auditory cortex. Nat Neurosci 29, 876–887 (2026). https://doi.org/10.1038/s41593-026-02216-0

Anahtar kelimeler: işitsel korteks, konvolüsyonel sinir ağları, nöral kodlama, seyrek kodlama, duyusal altuzay