باز کردن منو اصلی

علوم اعصاب محاسباتی (Computational neuroscience) مطالعه عملکرد مغز در پردازش خصوصیات ساختاری است که سیستم عصبی را تشکیل می‌دهند می‌باشد. از جملهٔ زمینه‌های علمی وسیع و گسترده بین رشته‌ای که شاخه‌های علمی متنوّعی همچون علوم اعصاب، علوم شناختی، روانشناسی، علوم رایانه، فیزیک، نظریه اطلاعات و ریاضیات کاربردی را به همدیگر پیوند می‌دهد. علوم اعصاب محاسباتی مجزا از ارتباط گرایی روانی و از نظریه‌های رشته‌هایی مانند یادگیری ماشین، شبکه‌های عصبی، سیستم‌های دینامیکی و تئوری یادگیری محاسباتی است که در آن بر توصیف از سلول‌های عصبی عملکردی و بیولوژیکی واقعی (و سیستم عصبی) و فیزیولوژی خود و مسائل یادگیری تأکید دارد. این مدل ضبط ویژگی‌های ضروری از سیستم بیولوژیکی در چند مقیاس فضایی-زمانی، از جریان‌های غشاء و فرآیندهای غشایی، پروتئین‌ها، و اتصال شیمیایی به نوسانات شبکه، معماری ستونی و توپوگرافی، و یادگیری و حافظه است.

محتویات

تاریخچهویرایش

واژهٔ «علوم اعصاب محاسباتی»، برای نخستین بار توسط اریک.ال شوارتز معرفی شد. وی کنفرانسی را ذر همین زمینه در سال ۱۹۸۵ در کارمل-بای-د-سی، کالیفرنیا ترتیب داد. این کنفرانس به درخواست بنیاد توسعهٔ سیستم برای تهیهٔ خلاصه‌ای از وضعیت کنونی رشته‌ای که تا آن زمان با اسامی گوناگونی مانند: مدل‌سازی عصبی، نظریه مغز، بیوفیزیک و شبکهٔ عصبی شناختی می شد، برگزار گردید مجموعهٔ فعالیت ها و مشارکت های این جلسهٔ حیاتی، در سال ۱۹۹۰ تحت عنوان کتاب «علوم اعصاب محاسباتی» منتشر شد. نخستین نشست عمومی بین‌المللی با تمرکز بر روی موضوع علوم اعصاب محاسباتی، توسط جیمز ام. باوئر و جان میلر در سان فرانسیسکو در سال ۱۹۸۹ ترتیب داده شد. این ملاقات، به عنوان نشست سالانهٔ CNS ادامه یافته‌است. البته پیش از آن، مؤسسه فناوری کالیفرنیا در سال ۱۹۸۵ برنامهٔ آموزشی دورهٔ کارشناسی ارشد در علوم اعصاب محاسباتی تحت عنوان برنامهٔ دکترای سیستم‌های محاسباتی و عصبی را تدوین و ارائه نمود.

موضوعات اصلیویرایش

مهم‌ترین پرسش های مطروح در علوم شناختی محاسباتی، بررسی چگونگی پردازش اطلاعات در سطوح مختلف مغز و تبیین عملکردهای شناختی متناظر با فعل و انفعالات پیچیده الکترو-شیمیایی، مبتی بر نگاهی کارکردگرایانه است که مغز را بسان ماشین پردازش اطلاعات همراه با معماری و ساختار الگوریتمی ویژه خود ترسیم می کند. از این رو، موضوعات و مسائل اصلی مورد مطالعه و پژوهش در حوزه پهناور علوم اعصاب محاسباتی را می‌توان به صورت‌های گوناگون شمارش و دسته‌بندی کرد.

مدل‌سازی تک نورون

به باور بسیاری از عصب شناسان محاسباتی، حتی تک نورون‌ها دارای شاخصه‌های پیچیدهٔ بیوفیزیکی هستند که آن ها را قادر به انجام محاسبات پیچیده می سازد. بنابر نظر غالب پژوهشگران علوم اعصاب، مدل هاجکین-هاکسلی نخستین و شاید از مهم‌ترین مدل‌های ارائه شده در این حوزه است. این مدل ریاضی که برای نخستین بار در سال ۱۹۵۲ توسط آلن لوید هاجکین و اندرو فیلدینگ هاکسلی دو فیزیولوژیست و زیست‌شناس سرشناس بریتانیایی ارائه شد، به تبیین و تشریح چگونگی تولید و انتشار پتانسیل عمل در تک نورون می‌پردازد. به دلیل فقدان ابزار کافی جهت مطالعه نورون های بسیار ریز مغز پستانداران، هاجکین و هاکسلی مطالعات خود را بر روی آکسون گونه خاصی از اره ماهی انجام دادند (که شامل یک تک نورون و آکسونی بلند در طول بدنه خود بود) و سپس موفق به نمایش نتایج بدست آمده به صورت دستگاهی متشکل از چهار معادله دیفرانسیل معمولی شدند که تولید و انتشار پتانسیل عمل را به ارتباطات متقابل و چرخه‌ای یون‌های سدیم، پتاسیم و کلسیم در غشای نورون نسبت می‌دهند. بسیاری از تاریخ نگاران علم، ارائه این مدل را از بزرگترین دستاوردهای تاریخ قرن بیستم می‌دانند. بعدها نسخه‌ها و تغییرات جدیدتری از این مدل ارائه شد که از مهم‌ترین آن‌ها می‌توان به مدل فیتزهوگو-ناگومو اشاره کرد که برخلاف مدل نخستین و به دلیل پیشرفت فن آوری‌های پزشکی، چگونگی انتشار پتانسیل عمل را در نورون‌های مغز انسان بررسی کرد. همچنین نتایج این مدل‌ها توسط کامپیوتر شبیه‌سازی شد. به طور کلی مباحث متنوعی در مدل سازی های محاسباتی مطرح شده اند که در نهایت سبب افزایش دانش ما در مورد مغز شده اند. البته هاجکین و هاکسلی در مدل خود، تنها دو جریان حساس به ولتاژ یعنی سدیم سریع‌الأثر و پتاسیم درون‌اصلاح را به کار گرفت (کانال‌های یونی حساس به ولتاژ، مولکول‌های گلیکوپروتئینی هستند که از طریق لایهٔ لیپیدی گسترش یافته‌اند و به یون‌ها اجازه می‌دهند که تحت شرایط خاصی از طریق آکسولما عبور کنند). اگرچه این مدل در پیش‌بینی زمان‌بندی و ویژگی‌های کیفی پتانسیل عمل موفق بوده، در پیش‌بینی چند ویژگی مهم نورون مانند انطباق و شانت موفقیت چندانی نداشت. دانشمندان هم‌اکنون بر این باورند که طیف گسترده‌ای از جریان‌های حساس به ولتاژ، مفاهیم پویای متفاوت، مدلاسیون‌ها و حساسیت این جریان‌ها، مبحث مهمی در علوم اعصاب محاسباتی است که جهت مدل سازی تک نورون ها باید درنظر گرفته شوند.

هم‌چنین گروهی از دانشمندان به مطالعه ی توابع محاسباتی ویژه ای جهت تبیین کارکرد دندریت‌های پیچیده پرداخته اند. منابع بسیاری دربارهٔ چگونگی تعامل جریان‌های مختلف با خواص هندسی نورون‌ها وجود دارد. گروه دیگری از مدل‌ها نیز خط سیر زیست شیمیایی را در مقیاس کوچک دنبال می‌کنند، مانند: شکاف ستون فقراتی یا سیناپسی.

بسته‌های نرم‌افزاری بسیاری مانند GENESIS و NEURON وجود دارد که امکان مدل‌سازی سیلیکونی سریع و سیستماتیک از نورون‌های حقیقی را فراهم می‌کند. پروژه بلو برین که توسط هنری مارکرام از مؤسسه پلی‌تکنیک فدرال لوزان احداث شد، قصد دارد که شبیه‌سازی بیوفیزیکی دقیقی را از ستون قشری در ابررایانه ارائه نماید. یوگن ایژیکویچ، عصب شناس محاسباتی و ریاضی دان که کتاب مرجع مهمی را در زمینه ی استفاده از سیستم های دینامیکی غیر خطی و مفاهیم سطح بالایی هم چون انشعاب در مدل سازی موضوعات عصب شناسی نگاشت، برای سال ها پروژه طویل و گسترده ای را به منظور ساخت مغز مصنوعی شامل تعداد یکسانی از نورون های مصنوعی با نورون های مغز انسان (یکصد میلیارد) مدیریت کرد و آن را در اکتبر سال 2005 به پایان رسانید.

اما چالش اصلی در روند پژوهش هایی این چنین را می توان بدین گونه بیان کرد که توصیف‌های دقیق نورونی به لحاظ محاسباتی هزینه‌بر هستند و این امر خود می‌تواند مانع دستیابی به تحقیقات واقع بینانه شبکه‌ای شامل تعداد بسیاری از نورون ها، گردد. بنابراین غالب پژوهشگرانی که مدارهای بزرگ نورونی (که نورون ها و سیناپس ها را معمولا نشان می دهند) را مورد مطالعه قرار می دهند، بسیاری از جزئیات زیست شناسانه را نادیده می‌گیرند که این مسأله گاه سبب کاهش اعتبار بر خی از مدل های ارائه شده در میان نوروفیزیولوژیست ها و عصب شناسان نظری شده است. برای نمونه شواهد موجود حاکی از آن است که غنای ویژگی های بیوفیزیکی در مقیاس تک نورونی می‌تواند ساز و کارهایی را تأمین کند که کار بلوک‌های سازندهٔ حرکتی شبکه‌ای را انجام دهد. بنابراین در حال حاضر، مسیرهای مشخصی برای تولید مدل‌های نورونی ساده موجود است که از اعتبار بیولوژیکی قابل توجهی در مخارج پایین محاسباتی برخوردارند.

توسعه، الگودهی آکسونی و راهنمایی

یکی از پرسش های مهم در حوزه عصب شناسی نظری، چگونگی شکل گیری آسه‌ها و دندریت‌ها در فرایند ایجاد آن هاست. چگونه آکسون‌ها متوجه می‌شوند کجا را نشانه‌گذاری کنند و چگونه به این‌ مکان های نشانه‌گذاری شده دست می‌یابند؟ چگونه نرون‌ها به وضعیت مناسب در سیستم‌های مرکزی و خارجی مهاجرت می‌کنند؟ چگونه سیناپس‌ها شکل می‌گیرند؟ ما از زیست‌شناسی مولکولی می‌دانیم که بخش‌های متفاوت سیستم عصبی، سرنخ‌های شیمیایی مختلفی را از عوامل رشد گرفته تا هورمون‌هایی که رشد و گسترش ارتباط عملکردی میان نورون‌ها را تنظیم کرده و تحت تأثیر قرار می‌دهند، منتشر می‌کنند.

بررسی‌های نظری در مورد شکل‌گیری و الگودهی اتصال سیناپسی و مورفولوژی آن ها کماکان با جدیتی بیش از پیش دنبال می شوند. یک فرضیه که اخیراً توجه اهالی فن را به سوی خود جلب کرده، فرضیهٔ سیم‌کشی حداقلی است که ادعا می‌کند که شکل‌گیری آکسون‌ها و دندریت‌ها همان گونه که به شیوه مؤثری تخصیص منابع را کاهش می‌دهد، انبارهٔ اطلاعاتی حداکثری را نیز نگهداری می‌کند.

پردازش حسی

مدل‌های اولیهٔ پردازش حسی که در حدود یک چارچوب نظری قابل درک هستند، به هوراس بارلو نسبت داده شده‌اند. تا حدودی شبیه به فرضیهٔ سیم‌کشی حداقلی که در بخش قبل توصیف شد، بارلو پردازش سیستم‌های اولیهٔ حسی را به عنوان شکلی از برنامه‌نویسی کارآمد که در آن نرون‌ها اطلاعاتی را که تعداد نقطه‌ها را کاهش می‌دهند کدگذاری می‌کنند، دریافت کرد. کارهای تجربی و محاسباتی از آن زمان، این فرضیه را در یک شکل یا شکل‌های دیگر، پشتیبانی کرده‌است.

تحقیقات کنونی در پردازش حسی میان یک مدل‌سازی بیوفیزیکی از زیرسیستم‌های مختلف و تعداد بیشتری مدل‌سازی نظری از ادراک تقسیم شده‌است. مدل‌های کنونی از ادراک اظهار دارند که مغز شکل‌هایی از استنتاج بیزی و یکپارچه‌سازی اطلاعات مختلف حسی در ایجاد کردن درک ما از جهان فیزیکی را انجام می‌دهد.

حافظه و انعطاف‌پذیری سیناپسی

مدل‌های ابتدایی حافظه (جانداران) بر پایهٔ نظریه هبین (Hebbian) استوار بودند. مدل‌هایی که از لحاظ بیولوژیکی مربوط بودند مثل: شبکه هاپفیلد، که برای آدرس‌دهی خواص انجمنی به جای نشانی‌پذیری از روی محتوا، سبکی از حافظه که در سیستم‌های بیولوژیکی رخ می‌دهد گسترش داده شده‌است. این تلاش‌ها عمدتاً بر شکل‌گیری حافظهٔ میان مدت و بلند مدت که در اسبک مغز (هیپوکامپ) متمرکز هستند، تمرکز می‌کنند. مدل‌های حافظه کاری با تکیه بر نظریه‌های نوسانات شبکه‌ای و فعالیت‌های مداوم، جهت اخذ یکسری ویژگی قشر جلویی مغز در حافظهٔ مربوط به زمینه، ساخته شده‌اند.

یکی از مشکلات عمده در حافظهٔ فیزیولوژی عصبی، این است که آن چگونه حفظ شده و در مقیاس‌های زمانی مختلف تغییر می‌کند. سیناپس‎های ناپایدار برای تربیت آسان هستند ولی هم‌چنین متمایل به تخریب اتفاقی می‌باشند. سیناپس‎های پایدار کمتر به آسانی فراموش می‌کنند اما از طرفی سخت‌تر تحکیم می‌شوند. یک فرضیهٔ محاسباتی اخیر، آبشارهای انعطاف‌پذیری که سیناپس‌ها را به عملکرد در مقیاس‌های زمانی مختلف، قادر می‌سازد، درگیر می‌سازد. مدل‌های استریوشیمیایی دقیق برای سیناپس استیل کولین مبتنی بر گیرنده، با روش مونت کارلو که در مقیاس زمانی میکروثانیه کار می‌کنند، ساخته شده‌اند. این احتمال وجود دارد که ابزارهای محاسباتی به میزان زیادی به فهم ما از چگونگی کارکرد سیناپس‌ها و تغییر در رابطه با محرک خارجی در دهه‌های آینده، کمک خواهد کرد.

رفتارهای شبکه‌ها

نورون‌های زیست شناسانه به شکل پیچیده و بازگشتی به یکدیگر متصل هستند. این ارتباطات برخلاف همتایان خود در شبکه عصبی مصنوعی، عموما پراکنده و ویژه هستند. پژهش ها برای فهم و شناخت چگونگی انتقال اطلاعات عصبی از طریق سامانه های نورونی و ساز و کارهای مربوط به آن کماکان ادامه دارد.

فعل و انفعالات نورون‌ها در یک شبکهٔ کوچک را غالبا می توان به مدل‌های ساده مانند مدل آیزینگ فروکاست مکانیزم‌های آماری مرتبط با چنین سیستم‌های ساده‌ای، به‌طور نظری به خوبی شناخته شده‌اند. اخیراً شواهدی وجود دارد که نشان می‌دهد که حرکت‌های اختیاری شبکه‌های نورونی می‌توانند به تعاملات دوتایی کاهش یابند. با این حال، اینکه آیا این‌گونه حرکت‌های توصیفی کارکرد یا کارکردهای محاسباتی مهمی را بیان می‌کنند، هنوز مشخص نیست. با پیدایش میکروسکوپ دو فوتونی و تصویربرداری کلسیمی، در زمان کنونی، روش‌های تجربی قدرتمندی به وجود آمد که با کمک آن‌ها می توان صحت و سقم زیست شناسانه نظریه‌های جدید مربوط به شبکه‌های نورونی را آزمود.

در بعضی موارد فعل و انفعالات پیچیده بین سلول‌های عصبی مهاری و تحریکی می‌تواند با نظریهٔ مین فیلد ساده شود که منجر به مدل جمعیتی شبکه عصبی می‌شود. در حالی که خیلی از نظریه پردازان عصبی، این مدل با پیچیدگی کمتر را ترجیح می‌دهند، گروهی دیگر اصرار بر این دارند که کشف ارتباطات ساختمانی و عملکردی وابسته به بررسی هر چه بیش‌تر ساختمان‌ها و شبکه‌های عصبی است. مدل‌هایی از این نوع به‌طور نمونه شامل پایه یکسان‌سازی وسیع است مثل: تکوین یا عصب. تلاش‌هایی شده‌است برای اینکه متدهای یکسانی فراهم شود که این سطح از پیچیدگی را اصلاح کند.

شناخت، تمایز و آموزش

مذل‌های محاسباتی با عملکرد شناختی بالاتر، اخیراً آغاز شده‌است. داده‌های تجربی ابتدا از گزارش‌های واحد در نخستی‌سانان اولیه به‌دست می‌آید. لوب پیشانی و لوب آهیانه‌ای مغز به عنوان گردآورندهٔ اطلاعات از ابزارهای حسی متعدد عمل می‌کنند. یکسری ایده‌های آزمایشی وجود دارد در ارتباط با اینکه چگونه فعالیت‌های مهاری ساده دوطرفه که در این نواحی جریان دارند، می‌توانند محاسبات مربوط به بیولوژیک مرتبط را انجام دهند.

به نظر می‌رسد مغز قادر است در زمینه‌های خاصی به خوبی تشخیص داده و تطابق کند. به‌طور مثال به نظر می‌رسد انسان ظرفیت بالایی برای تشخیص و به خاطر سپردن چهره‌ها داشته باشد. یکی از اهداف کلیدی علوم اعصاب محاسباتی این است که موشکافی و تشریح کند که چگونه سیستم‌های بیولوژیکی می‌توانند این محاسبات پیچیده را به صورت مؤثر انجام دهند و این را در ساخت ماشین‌های هوشمند منعکس کنند.

اصول گستردهٔ ساختمان مغز به وسیلهٔ بیولوژی، فیزیولوژی و تمرینات درمانگاهی زیادی روشن شده‌است. علوم اعصاب یکپارچه در تلاش هستند تا این مشاهدات را از طریق مدل‌های تشریحی یکسان و پایگاه‌دادهٔ اندازه‌گیری‌های رفتاری و گزارش آن‌ها یکی کنند. این‌ها پایه و اساسی برای مدل‌سازی کمیتی در فعالیت‌های گستردهٔ مغز هستند.

هشیاری و آگاهی

یکی از اهداف‌ بلند مدت فیزیولوژی/نوروساینس دسترسی به قابلیت تفسیر تجربیات زندگی آگاهانه روزمره انسان است. پرسش از چیستی و ماهیت آگاهی و نیز تبیین فرایند تبدیل و تصعید فعالیت های مادی نورونی به پدیدار ذهنی درونی ای چون آگاهی که دیوید چالمرز آن را مسأله ی دشوار آگاهی نام نهاده است، از دیگر دغدغه های پژوهشگران این حوزه به شمار می رود. فرانسیس کریک که خود از پدران عصب شناسی مدرن به شمار می رود به همراه دانشمند نامدار آلمانی کریستف کخ تلاش‌هایی را در جهت فرمول بندی و ارائه ی چارچوبی سازگار برای فهم و تبیین آگاهی انجام دادند. مجموعه ی این فعالیت ها که حول محور یافتن ملازم های عصبی کارکردهای ذهنی و شناختی است، بیشتر با عنوان ملازمات عصبی آگاهی (به اختصار NCC) در میان پژوهشگران این حیطه شناخته میشود. جولیو تونونی، عصب شناس محاسباتی برجسته ایتالیایی نیز نظریه ای را با عنوان نظریه تجمیع اطلاعات جهت فهم و شناخت پدیده آگاهی ارائه داد که در آن از مفاهیم نظریه اطلاعات و احتمالات از جمله آنتروپی ، آستانه اطلاعاتی و تفکیک کمینه اطلاعاتی و نیز نظریه پیچیدگی بهره ی فراوان برده است. به ور ساده ، تونونی آگاهی را ویژگی بنیادین و فیزیکی یک سیستم سببی می داند که حاصل انباشت اطلاعات در مسیر تالاموکورتیکال مغز و عبور از آستانه ی اطلاعاتی که آن را Φ می نامد، است. این نظریه، هم چنین به طور ضمنی آگاهی را ویژگی ای درجه دار می داند و بنابر این هر سیستم به اندازه کافی پیچیده ای می تواند از آگاهی برخوردار باشد. گروهی از دانشمندان علوم شناختی مانند داگلاس هافستادتر، آگاهی را به مثابه حلقه ی بسته ای می دانند که اجزای آن پس از بی شمار خودارجاعی و بازتابش به یکدیگر، شبه پدیداری را بروز می دهند که لزوما از جنس خود اجزای تشکیل دهنده نیست. از این رو ، آگاهی در نگاه وی، گونه ای توهم است که وجود خارجی دست کمبه آن صورتی که ما می پنداریم ندارد. وی برای نمونه ، تپه ها و لانه های پیچیده و حیرت انگیز موریانه ها را از همین جنس می داند. تعداد بسیار زیادی از موریانه ها در یک کولونی بدون هیچ دستور، نقشه یا طرح از پیش تعیین شده ای شروع به انجام یک کار بسیار ساده می کنند. هر موریانه دانه ای از شن را یا بر میدارد یا قرار می دهد با این وجود، حاصل چنین همکاری و فعل و انفعالاتی، ساختن لانه هایی با برجستگی ها و شیارها و پنجره های عجیبی می شود که دمای داخل آن برای زیستن راحت تر موریانه ها تنظیم شده است. هافستادتر می گوید که در جریان لانه سازی، هیچ گیوند و مشارکت سببی وجود ندارد. نمونه ای دیگر، نشستن گروهی از انسان ها روی زانوان یکدیگر در یک دایره است که توهم وجود تکیه گاه یا زیر سازه ای مانند میز یا صندلی های نامرئی را در نگاه ما موجب می شود در حالی که هیچ میز یا صندلی ای وجود ندارد و با این همه این گروه چند نفری همگی به صورت دایره وار نشسته اند. آرون اسلومن، دیگر دانشمند برجسته علوم عصب شناسی، آگاهی را مانند پردازش گرهای متن بر روی کامپیوتر می داند که ویژگی های آن کاملا جدا از سخت افزار کامپیوتر است اما بدون سخت افزار وجود نخواهد داشت. با این همه، بیشتر کارهای انجام شده در این زمینه در حال حاضر از حدس و گمانه زنی فراتر نمی رود. از سوی دیگر، گروهی از ریاضی دانان و متخصصان منطق محاسباتی استدلال های قابل توجهی را علیه مدل های محاسباتی آگاهی ارائه کرده اند. مهم ترین چهره این دسته، سر راجر پنروز، ریاضی فیزیک دان شهیر بریتانیایی است که در نوشته ها و گفتار های خود، بارها به برخی از تناقضات نظریه های فوق با استفاده از قضایای گودل و نظریه اعداد اشاره کرده و چنین استدلال می کند که اصولا برخی از جنبه های اساسی مغز ما که در پیدایش آگاهی دخیل هستند، قابل ارائه و بازنمائی به صورت توابع محاسبه پذیر و الگوریتمیک دست کم در چارچوب علوم موجود منطق و محاسبه و فیزیک کلاسیک نیستند. پنروز البته خود با همکاری استوارت همرآف، پزشک و پژوهشگر عصب شناس آمریکایی، مدلی را با نام Orch-OR (مدل کوانتومی آگاهی) ارائه کرد که بنا بر آن آگاهی، حاصل رمبش و کاهش عینی تابع موج شرودینگر در میکروتوبول های نورون های مغز است.

علوم اعصاب محاسباتی بالینی

این علم زمینه‌ای است که تجربیات نوروساینس، عصب‌شناسی، روان‌پزشکی، علم تصمیم‌گیری و مدل‌های محاسباتی را گرد هم می‌آورد تا مشکلات بیماری‌های اعصاب و روان را به صورت کمّی تعریف و جستجو کند و دانشمندان و پزشکانی را پرورش و تعمیم دهد که امیدوار به به کار بردن این روش‌ها در تشخیص و درمان هستند. یکی از مهمترین پژوهش های این شاخه، مدل سازی محاسباتی اعتیاد به عنوان گونه ای از شرطی شدن همراه با تغییرات سطوح پایه ای پیام رسان های عصبی می باشد. این دسته از پژوهش های محاسباتی که به گونه قابل ملاحظه ای از پشتوانه های زیست شناسانه برخوردار هستند، بر نقش تعیین کننده و یکتای پاداش به ویژه ناشی از فعالیت VTA در بیزل گانگلیا تاکید دارند. هم چنین، پژوهش های متعددی به تناظرهای معناداری میان پیام رسان های عصبی مانند دوپامین و سروتونین و آسیب و اختلال های روانی نوروتیک و سایکوتیک مانند افسردگی، اسکیزوفرنی ، اختلال دو قطبی و غیره اشاره کرده اند. یکی از مهمترین یافته های این حوزه، مطالعه ی نقش و عملکرد آمیگدال توسط عصب شناس امریکایی جوزف لدوکس بود. مطالعات تجربی لدوکس نشان داد که آمیگدال نقشی اساسی را در تولید، ادارک و نیز برونداد پاسخ های هیجانی استرس ، تنش و نگرانی نسبت به محرک های بیرونی بازی می کند. فعالیت آمیگدال که بخشی از سامانه لیمبیک به شمار می رود در مواقع مقابله با وضعیت های دشوار و اضطراب آور، سبب تحریک و آزاد سازی هورمون کورتیزول می گردد که البته کارکرد آن در شرایط همراه با اضطراب و هراس های مزمن اثرات سو و مخربی بر بدن خواهد داشت.

اختلال رفتاری اوتیسمویرایش

یگی از مهم ترین نتایج ضمنی نظریه نورون های آینه ای، تبیین (غالبا گمانه زنانه) اختلال رشدی اوتیسم است. بنا بر آرای عصب شناسان محاسباتی برجسته ای هم چون مایکل اربیب و نیز کریستین کایزرس، اختلال اوتیسم رابطه مستقیمی با توانایی شناختی نظریه ذهن دارد. بنابر نظر ایشان، کاهش توانایی نظریه ذهن در مغز مسبب اختلال رشدی رفتاری اوتیسم است. هم چنین گروهی از مطالعات و پژوهش های صورت گرفته، نشان داده اند که توانایی نظریه ذهن مغز انسان محصول مستقیم فعالیت نورون های آینه ای می باشد. بنابر این، با کاهش فعالیت نورون های آینه ای، شاخصه های رفتاری اوتیسم بروز می یابد.

اعتیادویرایش

اعتیاد به مواد مخدر از مهمترین موضوعات جدال آمیز و چالش برانگیز در علوم روان شناسی و پزشکی از همان نخستین دهه های قرن پیشین بوده است. مطالعات محاسباتی اعتیاد به مواد مخدر به طور کلی اعتیاد در ارتباطی تنگاتنگ با شرطی شدن است. چنین به دلیل تغییرات سطوح پایه ی پیام رسان های عصبی که منجر به ربودن ساز و کار مدارهای لذت در مغز می شوند. اعتیاد از سوی دیگر ،مطابق آرای محاسباتی، نوعی فرایند یادگیری است که می توان آن را بر حسب مفاهیم سورپرایز و آنتروپی تشریح کرد. لذا، با عنایت به این یافته ها، گروهی از روان پزشکان و روان دمان گران، توصیه به تغییر محیط جهت افزایش سورپرایز و عدم ظهور نشانه ها و سرنخ هایی کرده اند که مواد مخدر مورد استفاده را برای فرد معتاد تداعی می کنند.

مدل‌سازی‌های محاسباتیویرایش

مدل‌های محاسباتی مربوط به عمل‌کردهای مغز رواج فراوانی یافته‌اند و روز بروز بر اهمیت آن‌ها افزوده می‌شود. انگیزه‌ها و علل این امر را باید در تولید سریع مجموعه‌های حجیم داده‌های تجربی از یک سو، و پیشرفت‌های عمده در حوزه‌های فناوری و علوم محاسباتی نظیر هوش ماشینی، کاوش در داده‌ها، پایگاه‌های داده‌ها، و ظهور رایانه‌های سریع و پر قدرت از سوی دیگر جستجو کرد. از سوی دیگر، علاوه بر رویکرد، مدل‌سازی‌های محاسباتی به‌طور خاص تر به مطالعه در کارکردهای عالی تر مغز در سطوح کلان (بیشتر مرتبط با فرایندهای شناختی و شبکه‌های نورونی) یا سطوح خرد (سطح تک نورونی) می‌پردازد.

مدل های محاسباتی فرایند توجه دیداریویرایش

مدل های محاسباتی پردازش آواییویرایش

مدل های محاسباتی یادگیری و شرطی شدنویرایش

مدل های محاسباتی مبتنی بر یادگیری تقویتیویرایش

مدل های محاسباتی پاداش و نقش دوپامینویرایش

مدل های محاسباتی سامانه لیمبیک مغزویرایش

مدل های محاسبتی نورون های آینه ایویرایش

مدل های محاسباتی گونه های متفاوت تصمیم گیری در مغزویرایش

مدل های محاسباتی فرایند رسته بندی در مغزویرایش

مدل های محاسباتی درک و دریافت مغز مبتی بر نظریه بیزویرایش

مدل های محاسباتی حافظه کاری، سمانتیک و اپیزودیکویرایش

مدل های محاسباتی پردازش و ادراک زبانویرایش

مدل های محاسباتی نظریه ذهنویرایش

جستارهای وابستهویرایش

منابعویرایش