Glück „quantifizieren“: KI entschlüsselt den Dopamin-Code

Inhaltsübersicht: Dopamin ist ein wichtiger Neurotransmitter im Nervensystem und eng mit Bewegung, Gedächtnis und Belohnungssystemen verbunden. Es ist ein Glücksbote. Wenn wir etwas Schönes sehen, wird im Körper Dopamin ausgeschüttet, was uns dazu anregt, danach zu streben. Eine genaue quantitative Analyse von Dopamin ist jedoch noch immer nicht möglich. Mithilfe von maschinellem Lernen hat die Forschungsgruppe von Markita P. Landry an der University of California, Berkeley (UCB) eine quantitative Analyse der Menge und des Ortes der Dopaminausschüttung durchgeführt und uns damit dem Code des Glücks einen Schritt näher gebracht.

Schlüsselwörter: maschinelles Lernen, bestärkendes Lernen, Dopamin

Autor: Setsuna

Herausgeber｜Sanyang

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht .

Diese Frage wird uns oft gestellt: „Sind Sie glücklich?“ Nach einer Überprüfung unserer jüngsten Lebenssituation können wir möglicherweise eine relativ zufriedenstellende Antwort finden. Beantworten wir jedoch eine andere Frage zum Thema Glück: „Wie glücklich sind Sie?“ ist nicht so einfach.

Wir können relativ genau beurteilen, was richtig und was falsch ist, aber es ist schwierig, eine quantitative Analyse des Glücks vorzunehmen. Anhand einiger Gradadverbien können wir nur eine grobe Einschätzung vornehmen.

Aber aus physiologischer Sicht kann der Grad des Glücks anhand des Hormonspiegels im menschlichen Körper beurteilt werden. Eines der wichtigsten Hormone ist Dopamin .

Abbildung 1: Die vier Hormone, die beim Menschen Glücksgefühle hervorrufen, sind von links nach rechts Dopamin, Endorphine, Oxytocin und Serotonin.

Dopamin ist ein wichtiger Neurotransmitter im Nervensystem und verantwortlich für die Nachrichtenübermittlung zwischen Zellen . Dopamin ist der Glücksbote. Wenn wir etwas Angenehmes sehen, schüttet unser Gehirn Dopamin aus und veranlasst uns, nach glücklichen Dingen zu streben. Daher wird ein neuronaler Schaltkreis, der von dopaminergen Neuronen gesteuert wird, auch als Belohnungsschaltkreis bezeichnet, der eng mit Lernen, Gedächtnis und Suchtverhalten zusammenhängt.

Obwohl die chemische Struktur, das Verteilungsgebiet und die physiologischen Wirkungen von Dopamin relativ gut bekannt sind, ist das Verständnis des Wirkmechanismus von Dopamin auf zellulärer und molekularer Ebene noch nicht sehr klar, und es ist noch schwieriger, die Rolle von Dopamin in neuronalen Schaltkreisen genau zu quantifizieren .

Glück „quantifizieren“: KI entschlüsselt den Dopamin-Code

Im Jahr 1997 haben Schultz et al. schlug einen möglichen Funktionsmechanismus des Belohnungskreislaufs vor – die Hypothese des Belohnungsvorhersagefehlers . Diese Hypothese besagt, dass dopaminerge Neuronen die Dopaminausschüttung auf der Grundlage der Abweichung zwischen erwarteter und tatsächlicher Belohnung anpassen und dadurch die Motivation der Menschen, etwas zu verfolgen, verändern.

Im Jahr 2020 entdeckte DeepMind, dass verschiedene Neuronen im Gehirn unterschiedliche Belohnungserwartungen für denselben Reiz haben . Mit anderen Worten: Es gibt im Gehirn relativ optimistische und relativ pessimistische Neuronen. Angesichts des gleichen halbvollen Glases Wasser denken optimistische Neuronen, dass noch immer ein halbes Glas Wasser da ist und unsere Zukunft rosig ist. Pessimistische Neuronen werden denken, dass nur noch ein halbes Glas Wasser übrig ist und wir verdursten. Weitere Untersuchungen haben gezeigt, dass die Verteilung der Belohnungserwartungen der Neuronen grundsätzlich mit der Verteilung der tatsächlichen Belohnungen übereinstimmt.

Abbildung 2: Erwartete Belohnung (blau) und tatsächliche Belohnung (grau) eines Neurons.

Mithilfe der KI beschleunigt sich die Analyse der neuronalen Mechanismen von Belohnungsschaltkreisen .

Im Jahr 2021 überwachte die Forschungsgruppe von Erin S. Calipar an der Vanderbilt University (Vandy) in den USA Veränderungen des Dopamingehalts in Organismen und verwendete Support Vector Machines (SVM), um das Verhalten von Organismen vorherzusagen. Basierend auf den experimentellen Ergebnissen schlug die Forschungsgruppe ein neues Modell zur Dopaminregulierung physiologischer Aktivitäten vor.

In letzter Zeit hat die Interpretation von Dopamin durch die KI ein höheres Niveau erreicht. Mithilfe von maschinellem Lernen hat die Forschungsgruppe von Markita P. Landry an der University of California, Berkeley (UCB) eine quantitative Analyse der freigesetzten Dopaminmenge und der Gehirnbereiche durchgeführt, in denen es freigesetzt wird, und so neue Ideen für die Untersuchung der Bildgebung des Gehirns und neuronaler Schaltkreise geliefert .

Die entsprechende Forschungsarbeit wurde in ACS Chemical Neuroscience unter dem Titel „Identifying Neural Signatures of Dopamine Signaling with Machine Learning“ veröffentlicht.

Abbildung 3: Die Forschungsergebnisse wurden in ACS Chemical Neuroscience veröffentlicht
Adresse des Artikels: https://pubs.acs.org/doi/full/10.1021/acschemneuro.3c00001

Diese Studie befasste sich hauptsächlich mit zwei Themen:

1. Unterscheiden Sie die Menge an Dopamin, die bei unterschiedlichen Stimulationen freigesetzt wird (0,1 mA und 0,3 mA Stromstimulation).

2. Bestimmen Sie den Gehirnbereich, in dem Dopamin freigesetzt wird (dorsomediales Striatum DLS und dorsomediales Striatum DMS).

Zunächst markierten sie Dopamin mit Nahinfrarot-Katecholamin-Nanosensoren (nIRCat). Nach der Markierung emittiert Dopamin unter einem Infrarotmikroskop Fluoreszenz und die Fluoreszenzintensität korreliert positiv mit der Dopaminkonzentration . Bei elektrischer Stimulation des Gehirns wird Dopamin freigesetzt und anschließend recycelt. Dieser Vorgang hinterlässt unter dem Infrarotmikroskop eine Fluoreszenzintensitätskurve. Durch die Quantifizierung der Fluoreszenzkurve können 8 statistische Merkmale ermittelt werden, wie etwa die durchschnittliche Fluoreszenzintensität, die Anzahl der Dopaminfreisetzungsstellen (ROI, Regionen von Interesse) usw. sowie 2 Zeitmerkmale, einschließlich der Dauer, in der die Fluoreszenzintensität höher und niedriger als das Zweifache der Standardabweichung ist. Diese Merkmalswerte können zum Trainieren von Machine-Learning-Modellen verwendet werden.

Abbildung 4: nIRCat-Markierungsergebnisse für Dopamin

A: Fluoreszenzergebnisse vor und nach Stromstimulation

B: Fluoreszenzintensitätskurve vor und nach Stromstimulation

Die Forscher verwendeten zwei Modelle, Support Vector Machine (SVM) und Random Forest Model (RF), für Training bzw. Analyse .

Das SVM-Modell kann die Ergebnisse basierend auf komplexen nichtlinearen Merkmalen in zwei Kategorien einteilen und die durch das Training erhaltenen Randbedingungen auf die Testdaten anwenden. Das RF-Modell besteht aus mehreren Entscheidungsbäumen, und die von jedem Entscheidungsbaum getroffenen Entscheidungen werden schließlich zusammen sortiert, um das endgültige Ausgabeergebnis zu erhalten.

Das RF-Modell kann die Variablen in den Ergebnissen vollständig interpretieren, um genaue Vorhersagen zu gewährleisten. Durch die zufällige Auswahl von Daten und Merkmalen wird die Empfindlichkeit des Entscheidungsbaummodells gegenüber den ursprünglichen Trainingsdaten verringert und die Unterschiede zwischen Entscheidungsbäumen vergrößert.

Beide Modelle erfordern eine geringere Menge an Trainingsdaten und können die Ergebnisse in zwei Kategorien unterteilen, was dem Zweck dieser Studie entspricht.

Abbildung 5: Machine-Learning-Workflow

Datensatz A und Datensatz B : stellen unterschiedliche Stromstimulationen oder Dopaminfreisetzungskonzentrationen in unterschiedlichen Gehirnregionen dar.

Nachdem die beiden Modelle trainiert wurden, werden die unter verschiedenen Stromstimulationen erhaltenen Fluoreszenzintensitätskurven als Eingabe verwendet, und die Modelle können die Stimulationsintensität und den Gehirnbereich beurteilen, in dem Dopamin freigesetzt wird.

Abbildung 6: Ergebnisse des maschinellen Lernens für unterschiedliche Reizintensitäten

Abbildung A: Beurteilungsergebnisse von 4 Wochen alten Mäusen

Abbildung B: Beurteilungsergebnisse von 8,5 Wochen alten Mäusen

Abbildung C: Beurteilungsergebnisse von 12 Wochen alten Mäusen

Die Ergebnisse zeigen, dass mit zunehmendem Alter der Mäuse die Genauigkeit der beiden Modelle bei der Beurteilung der Stimulationsintensität zunimmt . Dies liegt vor allem daran, dass der Hormonspiegel der Mäuse mit zunehmendem Alter stabiler und vorhersehbarer wird. Bei 12 Wochen alten Mäusen kann die Genauigkeit des RF-Modells bei der Beurteilung der Reizintensität 0,832 erreichen.

Abbildung 7: Unter 0,3 mA Stromstimulation die Genauigkeit des maschinellen Lernens bei der Beurteilung des Gehirnbereichs, in dem Dopamin freigesetzt wird (links) und die Bedeutung verschiedener Merkmale für die Beurteilungsgenauigkeit (rechts)
A&B: Ergebnisse von 4 Wochen alten Mäusen

C&D: Ergebnisse von 8,5 Wochen alten Mäusen

E&F: Ergebnisse von 12 Wochen alten Mäusen

Wie aus der Abbildung ersichtlich, weist das maschinelle Lernen, ähnlich wie bei den Ergebnissen zur Stimulationsintensität, bei 12 Wochen alten Mäusen die höchste Beurteilungsgenauigkeit auf und erreicht bis zu 0,708. Gleichzeitig wirken sich unterschiedliche Eingabefunktionen auch auf die Beurteilungsgenauigkeit des Modells aus. Unter den verschiedenen Merkmalsparametern ist der ROI für die Beurteilungsgenauigkeit des Modells am wichtigsten .

Durch maschinelles Lernen haben Forscher die Einschränkungen der traditionellen Datenanalyse durchbrochen, eine große Anzahl von Merkmalsvariablen ausgewählt und die Beurteilungsgenauigkeit des Modells durch Merkmals-ROI verbessert, die bei der traditionellen Datenanalyse ignoriert wurde. Darüber hinaus kann dieses Modell auf andere neuronale Schaltkreise als Dopamin erweitert werden, was neue Ideen für die Untersuchung neuronaler Bildgebung und neuronaler Mechanismen liefert.

Dopamin: Das zweischneidige Schwert des Glücks und des Verlusts

Dopamin vermittelt uns ein Gefühl der Freude und motiviert uns, angenehme Dinge zu tun. Ob es sich um leckeres Essen, eine schöne Landschaft, ausreichend Bewegung oder aktive soziale Interaktion handelt, es trägt zur Freisetzung von Dopamin bei und hilft uns so, gute Laune zu bewahren . Aus diesem Grund kann Dopamin auch als Marketinginstrument für Unternehmen eingesetzt werden. Von schön verpackten „Dopamin-Mahlzeiten“ bis hin zu den „Dopamin-Outfits“, die die sozialen Medien erobern: Leuchtende Farben verschönern nicht nur das Leben der Menschen, sondern heben auch ihre Stimmung.

Abbildung 8: Dopamin-Outfit von UP-Moderator „Kang Kang and Grandpa“

Nach einem Glücksgefühl sinkt der Dopaminspiegel im Körper jedoch vorübergehend unter den Normalwert, was zu Depressionen führt. Nach einer langfristigen und häufigen Dopaminausschüttung lässt die Glückswahrnehmung des menschlichen Körpers nach, sodass es für die Menschen schwieriger wird, die kleinen Schönheiten des Lebens wertzuschätzen und sie eher verlieren. Aus diesem Grund haben einige Leute das Konzept des „Dopaminentzugs“ vorgeschlagen. Dabei geht es darum, die Dopaminausschüttung im Körper durch Anpassung der Arbeits- und Ruhezeiten, Kontrolle der Unterhaltungszeiten, Vermeidung sozialer Medien usw. zu kontrollieren, um ins Leben zurückzukehren und wahres Glück zu erfahren.

Ob es sich nun um „Dopamin-Dressing“ oder „Dopamin-Entzug“ handelt, jeder strebt nach der Schönheit des Lebens und möchte ein glückliches Leben führen. Obwohl beide Theorien eine gewisse physiologische Grundlage haben, müssen ihre tatsächlichen Auswirkungen noch untersucht werden. Mithilfe von KI erforschen Forscher außerdem ständig die Mechanismen hinter der neuronalen Aktivität und die Geheimnisse des Dopamins. Ich glaube, dass die Menschen eines Tages auf die Frage „Wie glücklich sind Sie?“ ohne Zögern und zu 100 % antworten können.

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht .

Referenzartikel:

[1]https://www.nature.com/articles/s41586-019-1924-6#additional-information

[2]https://www.sciencedirect.com/science/article/pii/S096098222101188X

[3]https://www.science.org/doi/10.1126/science.275.5306.1593

[4]https://prezi.com/gxadjg6gz7li/nicotine-and-the-brain-reward-system/

[5]https://youtu.be/v6VJ2RO66Ag